因此，我刚读完一本很棒的书《经验贝叶斯简介》。我以为这本书很棒，但是根据数据建立先验感觉是错误的。我们接受过培训，要求您提出分析计划，然后收集数据，然后测试您先前在分析计划中确定的假设。在对已经收集的数据进行分析时，这将使您进入选择性后推断，在此之后您必须对所谓的“重要”更为严格，请参见此处。我认为机器学习有一个类似的东西，叫做“樱桃采摘”，意思是在建立测试和训练集之前选出预测变量（《统计学习入门》）。

鉴于我以前学到的知识，在我看来，经验贝叶斯基于薄弱的基础。人们是否仅在被动生成数据的环境中使用它？如果是这样，这可能是合理的，但是在进行严格的实验设计时使用它似乎并不正确，但是我知道Brad Efron确实使用了专门针对生物统计学的经验贝叶斯方法，而贝叶斯通常是一个非常重要的NHST领域。

我的问题是：

1. 经验贝叶斯如何有效？
2. 在什么情况下使用？
3. 在什么情况下应该避免使用经验贝叶斯方法？为什么？
4. 人们是否在生物统计学之外的其他领域使用它？如果是，他们在什么情况下使用它？

我认为重要的是要记住，不同的方法对不同的事物都有好处，而重要性测试并不是统计领域中的全部。

1和3）EB可能不是有效的假设检验程序，但也并非如此。

有效性可能有很多方面，但是您在谈论严格的实验设计，因此我们可能正在讨论一种假设检验，该假设检验可以帮助您以一定的长期频率做出正确的决定。这是严格二分的“是/否”类型的制度，对必须做出“是/否”决定的人来说最有用。确实，非常聪明的人对此有很多经典著作。假设您所有的假设都成立，这些方法在极限上具有良好的理论有效性。但是，EB当然不是为此目的。如果要使用经典的NHST方法，请坚持使用经典的NHST方法。

2）EB最适用于您估计许多相似，可变数量的问题。

埃夫隆本人打开他的书《大规模推理》，列出了统计历史的三个不同时代，指出我们目前正处于

科学大规模生产的时代，以微阵列为代表的新技术使一个科学家团队就能生产出Quetelet羡慕的大小的数据集。但是现在，大量的数据伴随着大量的问题，也许是统计学家被要求一起回答的成千上万的估计或假设检验。根本不像古典大师的想法。

他继续说：

根据其性质，经验贝叶斯论证在分析重复结构问题时结合了常客和贝叶斯要素。重复的结构正是科学大规模生产所擅长的，例如，通过微阵列同时比较患病和健康受试者数千种基因的表达水平。

也许EB最成功最近的应用limma，可在Bioconductor的。这是一个R-package，其中包含评估两个研究小组中成千上万个基因之间差异表达（即微阵列）的方法。史密斯（Smyth）显示，与您要计算常规基因方式t统计量相比，他们的EB方法产生的t统计量具有更大的自由度。此处使用EB“等同于将估计的样本方差向汇总的估计值缩小，从而在数组数量较小时得出更稳定的推论”，通常是这种情况。

正如Efron所指出的那样，这与经典NHST的开发完全不同，设置通常比确定性更具探索性。

4）通常，您可以将EB视为一种收缩方法，并且在任何有用的收缩方法中都可以使用EB

limma$X_1, ..., X_k$$\hat \theta^{JS}_i = (1- c/S^2)X_i,$$S^2=\sum_{j=1}^k X_j,$$c$$X_i$

$\bar X,$

估计的数量越相似，收缩有用的可能性就越大。您所指的书使用棒球命中率。Morris（1983）指出了其他一些应用：

• 收益分享---人口普查局。估算几个地区的人均普查收入。
• 质量保证---贝尔实验室。估计不同时间段的故障数。
• 保险费率制定。估计一组被保险人或不同地区的每次暴露风险。
• 法学院招生。估算不同学校相对于GPA的LSAT分数的权重。
• 火灾报警器--- NYC。估计不同报警框位置的误报率。

这些都是并行估计问题，据我所知，与其说要确定是/否决定，不如说是对某个数量的正确预测。

一些参考

• Efron，B.（2012年）。大规模推理：用于估计，测试和预测的经验贝叶斯方法（第1卷）。剑桥大学出版社。芝加哥
• 埃夫隆（Efron，B.）和莫里斯（Morris，C.）（1973）。斯坦因的估计规则及其竞争对手-一种经验贝叶斯方法。美国统计协会杂志，68（341），117-130。芝加哥
• James W.和Stein C.（1961年6月）。具有二次损失的估计。在第四届伯克利数学统计和概率研讨会论文集（第1卷，1961年，第361-379页）中。芝加哥
• 莫里斯，加拿大（1983）。参数经验贝叶斯推论：理论与应用。美国统计协会杂志，78（381），47-55。
• 史密斯，GK（2004）。用于评估微阵列实验中差异表达的线性模型和经验贝叶斯方法。遗传学和分子生物学中的统计应用第3卷，第1期，第3条。