Bayesian
您是否必須遵守似然原則才能成為貝葉斯？
這個問題是由以下問題引發的：何時（如果有的話）頻率論方法實質上優於貝葉斯方法？
正如我在我對該問題的解決方案中發布的那樣，我認為，如果您是常客，則不必相信/遵守似然原則 ，因為時常常客的方法經常會違反它。然而，這通常是在適當的先驗假設下，貝葉斯方法從不違反似然原則。
所以現在，說你是貝葉斯主義者，這是否證實了一個人對似然原理的信念或同意，或者說你是貝葉斯主義者只是有一個很好的結果，即似然原理不會被違反？
在使用貝葉斯定理計算構成模型參數推斷的後驗概率時，自動遵循弱似然原則：
然而，在一些客觀的貝葉斯方法中，採樣方案決定了先驗的選擇，其動機是無信息的先驗應該最大化先驗分佈和後驗分佈之間的差異——讓數據具有盡可能大的影響。因此它們違反了強似然原則。
例如，Jeffreys 先驗與 Fisher 信息行列式的平方根成正比，這是對樣本空間的期望。考慮關於概率參數的推斷二項式和負二項式抽樣下的伯努利試驗。杰弗里斯先驗是
&調理成功來自試驗導致後驗分佈
因此，觀察 10 次試驗中的 1 次成功將導致兩種抽樣方案下完全不同的後驗分佈：
儘管遵循此類推導無信息先驗的規則有時會給您留下不正確的先驗，但這本身並不是違反實踐所包含的似然原則的根源。杰弗里斯先驗的近似值，， 在哪裡, 是非常合適的，並且對後驗的影響可以忽略不計。
你也可以考慮模型檢查——或者作為你檢查的結果做任何事情——與弱似然原則相反；使用數據的輔助部分的公然案例。
