贝叶斯分析的缺点是什么？

在任何情况下使用贝叶斯统计方法有哪些实际反对意见？不，我并不是说通常会选择先验。如果没有答案，我会很高兴。

我会给你答案。实际上有四个缺点。请注意，这些都不是真正的反对意见，应该一路推动频频分析，但是使用贝叶斯框架有一个弊端：

1. 优先选择。这是通常的原因，尽管在我看来，这不是通常的“先验是主观的”！但是提出一个合理的先验证据，实际上代表了您在总结先验证据方面的最佳尝试，这在许多情况下都是很多工作。例如，我论文的整个目标可以概括为“估计先验”。
2. 它是计算密集型的。特别是对于涉及许多变量的模型。对于估计有许多变量的大型数据集，它的计算量可能非常高，特别是在某些情况下，数据无法轻易地扔到群集等上。解决这些问题的一些方法，例如增强数据而不是MCMC，至少对我来说在理论上有些挑战。
3. 除非提供频度高的参数化描述，否则后验分布很难纳入荟萃分析。
4. 根据分析所针对的期刊，一般是使用贝叶斯，或者您选择的优先顺序，会给您的论文更多一点，供审阅者深入研究。其中一些是合理的审稿人异议，但有些仅源于贝叶斯的本质以及某些领域的人们对此的熟悉程度。

这些事情都不能阻止您。确实，这些事情都没有阻止我，希望进行贝叶斯分析至少可以解决第4个问题。

我是一个贝叶斯倾向者，但在实践中通常是常客。这样做的原因通常是，针对我感兴趣的问题类型正确执行完整的贝叶斯分析（而不是例如MAP解决方案）是棘手的且计算量很大。通常，需要进行完整的贝叶斯分析才能真正看到这种方法相对于常客主义的好处。

对我而言，权衡原则上是在概念上优雅且易于理解但难以在实践中实施的贝叶斯方法与概念上笨拙而微妙的惯常方法之间进行选择（尝试解释如何准确解释假设检验或为什么不存在95％的概率真实值位于95％的置信区间内），但是非常适合轻松实现的“食谱”解决方案。

马课程。

从纯粹的实际角度来看，我不喜欢需要大量计算的方法（我想到的是经常在贝叶斯框架中使用的Gibbs采样器和MCMC，但这也适用于例如频繁分析中的自举技术）。原因是任何类型的调试（测试实现，查看假设的健壮性等）本身都需要进行一系列的蒙特卡洛模拟，而您很快就会陷入计算难题。我希望基础分析技术能够快速确定性，即使它们只是近似的。

当然，这纯粹是实际的反对意见：给定无限的计算资源，这种反对意见就会消失。它仅适用于贝叶斯方法的子集。此外，考虑到我的工作流程，这更是一种偏爱。

有时，有一个简单而自然的“经典”解决方案，在这种情况下，一种花哨的贝叶斯方法（尤其是MCMC）可能会过大。

此外，在变量选择类型问题中，考虑类似惩罚可能性的方法可能更直接，更明确。在模型上可能存在先验，可以给出等效的贝叶斯方法，但是先验如何对应最终性能可能不及惩罚与绩效之间的关系那么明确。

最后，MCMC方法通常需要专家来评估收敛/混合和使结果有意义。

我对贝叶斯方法比较陌生，但是令我感到恼火的是，虽然我了解先验的原理（即科学是一种累加的努力，所以对于大多数问题，有一些以前的经验/想法应该可以告诉您数据的解释），我不喜欢贝叶斯方法迫使您将主观性推到分析的开始，从而使最终结果视情况而定。我认为这是有问题的，原因有两个：1）一些不太精通的读者甚至不会关注先验条件，并且将贝叶斯结果解释为非偶然条件。2）除非原始数据可用，否则读者很难以自己的主观先验来重新构造结果。这就是为什么我更喜欢似然比，

（评论家会注意到，即使似然比也取决于所比较模型的参数化，“似然比”还是“或有”的；但这是所有方法（惯常论，贝叶斯论和似然论）共有的特征）

决策理论是进行统计的基础理论。问题是找到一个良好的（从某种意义上来说）从数据产生决策的过程。但是，就最大限度地减少预期损失的意义而言，很少有明确的程序选择，因此必须调用其他标准来进行选择。选择某些先验条件下的贝叶斯程序是这些条件之一，但不一定总是您想要的。在某些情况下或没有偏见，Minimax可能更为重要。

任何坚持认为常客是错的或贝叶斯主义者是错的人，大多在表明他们对统计数据的无知。

一段时间以来，我一直想对贝叶斯建模方法进行更多的教育，以超越我的粗略理解（我在研究生课程工作中为Gibbs采样器编码，但从未真正做过任何事情）。一路上，尽管我认为Brian Dennis的一些论文虽然令人发指，但希望我能找到一个贝叶斯朋友（不在壁橱中的朋友）来阅读这些论文并听取他们的反对意见。所以，这是我要参考的论文，但是我一直记得的报价是

成为贝叶斯意味着永远不必说你错了。

http://faculty.washington.edu/skalski/classes/QERM597/papers/Dennis_1996.pdf http://classes.warnercnr.colostate.edu/nr575/files/2011/01/Lele-and-Dennis-2009.pdf

ISBA季度新闻中的贝叶斯统计中有哪些未解决的问题，列出了来自该领域各个领导者的5个贝叶斯统计问题，其中第1个令人无聊的是“模型选择和假设检验”。