人们经常认为贝叶斯框架在解释(相对于频繁主义者)方面具有很大的优势,因为贝叶斯框架在给定数据而不是频繁主义者框架中的p (x | θ )的情况下计算参数的概率。到目前为止,一切都很好。
但是,整个方程式基于:
在我看来有点可疑,原因有两个:
在许多论文中,通常使用无信息的先验(均匀分布),然后仅使用,因此贝叶斯算法与常客得到的结果相同-那么贝叶斯框架如何更好地解释,当贝叶斯后验概率和常客概率是相同的分布时?它只是产生相同的结果。
当使用信息先验时,您会得到不同的结果,但是贝叶斯方法受主观先验的影响,因此整个也具有主观色彩。
换句话说,的整个论点在解释上要比p (x | θ )更好,这是基于p (θ )是“实数” 的假设,通常不是这样,只是我们以某种方式选择使MCMC运行为起点,这是一个假设,但这并不是对现实的描述(我认为无法定义)。
那么我们怎么能说贝叶斯的解释更好呢?
uninformative or *objective* priors
吗?该subjective
先验正是信息前科。