为什么贝叶斯统计成为越来越流行的研究主题？[关闭]

浏览美国新闻统计前100名计划的研究领域，在贝叶斯统计中几乎所有人都很沉重。但是，如果我去低年级学校，他们中的大多数人仍在进行古典/频率统计研究。例如，我目前的学校（在QS世界统计排名中介于150到200之间，因此不被认为是一流学校），只有一位教授关注贝叶斯统计，而对贝叶斯统计几乎感到不满。我采访过的一些研究生甚至说，贝叶斯统计学家正在做贝叶斯统计，因此我当然强烈反对。

但是，我想知道为什么会这样。我有一些有根据的猜测：

（a）古典/常用统计的方法学上没有足够的进步空间，古典/常用统计的唯一可行的研究是应用，这将是低年级学校的主要重点，因为顶级学校应该更多倾向于理论和方法研究。

（b）它在很大程度上取决于领域。统计的某些分支仅更适合于贝叶斯统计，例如许多统计方法的科学应用，而其他分支更适合于经典统计（例如金融领域）。（如果我错了，请纠正我）鉴于此，在我看来，顶级学校有很多统计系在科学领域进行申请，而较低级的学校统计系则主要将重点放在财务领域，因为这可以帮助他们创收。和资金。

（c）频繁使用方法存在巨大的问题无法解决，例如容易发生MLE的过度拟合等问题。贝叶斯方法似乎提供了一个出色的解决方案。

（d）计算能力在这里，因此贝叶斯计算不再像30年前那样成为瓶颈。

（e）这可能是我最自以为是的猜测。古典/频率主义统计学家有一个抵制之处，就是他们不喜欢可能会取代古典统计角色的新方法论。但是就像拉里·瓦瑟曼（Larry Wasserman）所说的那样，这取决于我们正在尝试做的事情，每个人都应该保持开放的态度，尤其是作为研究人员。

就个人而言，我会提出一些猜测：

（1）在过去的几十年中，贝叶斯统计数据显示出流行性的大幅增长。部分原因是由于MCMC的进步和计算资源的改进。贝叶斯统计从理论上非常好，但仅适用于玩具问题，发展到可以更普遍地应用的方法。这意味着几年前，说您从事贝叶斯统计工作可能确实使您成为了一个非常有竞争力的员工。

现在，我要说的是，贝叶斯统计量仍然是一个加号，但是在不使用贝叶斯方法的情况下解决有趣的问题也是如此。一个缺乏在贝叶斯统计背景的肯定是负的大多数招聘委员会，但得到的统计学博士学位，而不在贝叶斯方法足够的训练将是相当惊人的。

（2）贝叶斯统计学家将在其简历中提及“贝叶斯”。经常访问者通常不会在他们的简历上放“经常访问者”，而通常是他们工作的领域（例如，生存分析，预测模型，预测等）。举例来说，我的许多工作是编写优化算法，我想这暗示您会说我在做频繁工作。我也写了相当多的贝叶斯算法，但这当然只是我工作的一部分。贝叶斯统计数据在我的简历上，而频率统计数据不在。

（3）在某种程度上，您在问题中所说的话也同样适用。高效的一般贝叶斯计算比频频领域有更多开放性问题。例如，哈密顿蒙特卡罗（Hamiltonian Monte Carlo）最近已成为从贝叶斯（Bayesian）模型进行一般采样的一种非常令人兴奋的算法。通用药物的改进空间不大这些天进行优化；Newton Raphson，L-BFGS和EM算法涵盖了许多基础。如果要改进这些方法，通常必须专门解决该问题。因此，您更喜欢说“我正在对地理空间模型进行高维优化”，而不是“我正在进行高维最大似然估计”。机器学习世界是个例外，因为寻找新的随机优化方法（例如SGD，Adam等）有很多令人兴奋的事情，但是出于某些原因，这是一个与众不同的野兽。

同样，需要为模型提出良好的先验条件。频繁使用的方​​法确实具有与此等效的功能（可以得到良好的惩罚，例如LASSO，glmnet），但是优先于惩罚的方法可能有更沃土。

（4）最后，这绝对是个人观点，很多人将Frequentist与p值联系起来。考虑到其他领域普遍存在的对p值的滥用，许多统计学家都希望尽可能地远离当前对p值的滥用。