作为局外人，对于一个人应该如何进行统计推断，似乎存在两种竞争观点。
工作统计学家认为这两种不同的方法是否有效？
选择一个还被认为是一个哲学问题吗？还是当前的状况被认为是有问题的，并且正在尝试以某种方式统一不同的方法？
Answers:
只要结果的解释是在与分析相同的框架内进行，我认为这并不重要。频繁统计的主要问题是，自然存在一种倾向，即将显着性检验的p值视为零假设为真的贝叶斯a-后验概率（因此1-p是另一种假设是正确的），或将频繁的置信区间视为贝叶斯可信区间（因此，对于我们拥有的特定数据样本，假设真值有95％的概率位于95％的置信区间内）。这种解释是很自然的，因为它将直接回答我们自然要问的问题。
只要答案的形式是可以接受的，并且我们可以就所作的假设达成一致，那么就没有理由比另一个更喜欢-这是课程必不可少的问题。
我仍然是贝叶斯人；
除了Shane所说的，我认为连续体包括：
是的，在所有这些方面，我都知道工作的统计学家和分析师。大多数时候，我住在＃3，努力在＃2上花费更多的时间。
我认为贝叶斯统计在两种情况下起作用。
一方面，一些研究人员/统计学家绝对相信“贝叶斯精神”，并且在认识到经典的频繁主义者假说框架的局限性之后，决定专注于贝叶斯思想。实验心理学的研究突出了小效应量或临界统计意义，现在越来越依赖贝叶斯框架。在这方面，我想引用布鲁诺·勒科特（Bruno Lecoutre）（1-4）的一些广泛工作，这些人为开发基准风险和贝叶斯（M）ANOVA做出了贡献。我认为，我们可以很容易地根据关注参数上应用的概率（即取决于先验分布）来解释置信区间的事实，这是统计学思维的根本转变。贝叶斯分析国际协会使用贝叶斯模型。弗兰克·哈勒尔还提供有趣的轮廓贝叶斯方法临床医生，适用于随机对照试验。
另一方面，贝叶斯方法已被证明在诊断医学中是成功的（5），并且在传统统计学无法应用的情况下，经常被用作最终替代方法（如果有的话）。我正在考虑一份心理计量学论文（6），作者希望通过非常有限的数据集（12位医生x 15幅射线照相）评估放射线医师之间关于髋部骨折严重程度的共识，并使用项目响应模型处理多发性项目。
最后，最近发表在医学统计杂志上的长达45页的论文对生物统计学中的贝叶斯建模的“渗透性”进行了有趣的概述：
Ashby，D（2006）。贝叶斯医学统计：25年回顾。 医学统计学，25（21），3589-631。
参考文献
我可以想象，在应用领域，由于研究人员/从业者在实用作品中往往是务实的，因此没有给予足够的重视。您选择在给定上下文的情况下可以使用的工具。
但是，那些关心这两种方法背后的哲学问题的人们之间的辩论仍然活跃。例如，请参阅以下安德鲁·盖尔曼（Andrew Gelman）的博客文章：
虽然这是主观的，但我会说：
出于某种原因，它被称为贝叶斯/频率论者“ 辩论 ”。两种方法之间存在明显的哲学差异。
但是，与大多数情况一样，这是一个频谱。有些人非常集中在一个营地或另一个营地，完全拒绝了另一种营地。大多数人可能掉在中间的某个地方。我自己会根据情况使用这两种方法。