Answers:
通过分布项,我们得到
我们可以将其解释为对事件 “您正确使用贝叶斯统计量”的总概率定律。因此,如果您正确使用了贝叶斯统计量,那么您将恢复贝叶斯定律(上面的左部分),如果您没有使用贝叶斯定律,那么您将忽略数据,而仅对使用您的先验。
我想这是反对的批评,因为批评原则上贝叶斯主义者可以调整先验以支持他们想要的任何结论,而贝叶斯主义者则认为这并不是贝叶斯统计学真正起作用的方式。
信不信由你,这种类型的模型会时不时地在非常严重的统计模型中弹出,尤其是在处理数据融合时,即试图合并来自多个传感器的推理,从而试图对单个事件进行推理。
如果传感器发生故障,则在尝试组合来自多个源的信号时,可能会大大推论推论。您可以通过包括一个很小的可能性,使传感器仅传输随机值,而与实际的实际事件无关,从而使模型对此问题更稳健。这具有这样的结果是,如果传感器90指示弱是真实的,但1个传感器强烈表明是真实的,但我们仍然需要断定是正确的(即,当我们意识到它与所有其他传感器相矛盾时,一个传感器未点火的后发概率很高)。如果故障分布与我们要推论的参数无关,那么如果它是故障的后验概率很高,则来自该传感器的测度对目标参数的后验分布影响很小;实际上,如果后验失败概率为1,则表示独立。
这是推理时应该考虑的通用模型吗,即在进行贝叶斯统计时是否应将贝叶斯定理替换为修正贝叶斯定理?不。原因是“正确使用贝叶斯统计信息”实际上不只是二进制(或者如果是,则始终为假)。任何分析都会有一定程度的错误假设。为了使您的结论与数据完全独立(公式暗示),您需要犯下极其严重的错误。如果在任何程度上 “错误地使用贝叶斯统计” 都意味着您的分析完全独立于事实,那么使用统计将完全毫无价值。所有模型都是错误的,但是有些模型很有用。