统计人员在实际应用工作中是否使用Jeffreys先验？

当我在研究生统计推断课程中了解Jeffreys的先驱时，我的教授们听起来听起来像是有趣的，主要是出于历史原因，而不是因为有人会使用它。然后，当我进行贝叶斯数据分析时，我们从未被要求使用杰弗里斯的先验知识。有人实际使用这些吗？如果是这样（如果不是），为什么或为什么不呢？为什么有些统计学家不重视它？

在Gelman等人的贝叶斯数据分析（Bayesian Data Analysis），第三版中找到了对此的部分答案。

Jeffreys的原理可以扩展到多参数模型，但结果更具争议性。与假设矢量参数的分量的独立非信息先验分布相比，更简单的方法可以得出与Jeffreys原理不同的结果。当问题中的参数数量很大时，如第五章所述，我们发现放弃纯的非信息先验分布而有利于分层模型很有用。$\theta$

当盖尔曼（Gelman）认为结果是“有争议的”时，我相信他的意思是，在一个维度上没有信息性的先验往往会在多个方面变得非常有启发性。如果有记性的话，这是在BDA第二版的同一部分中提出的主张，但目前我没有副本。