Bayesian

貝葉斯方法在什麼時候優於頻率學方法?

  • June 17, 2014

我真的很想學習貝葉斯技術,所以我一直在嘗試自學一點。但是,我很難看出使用貝葉斯技術是否比頻率學方法更具優勢。例如:我在文獻中看到了一些關於如何使用信息先驗而其他人使用非信息先驗的信息。但是,如果您使用的是非信息性先驗(這似乎很常見?)並且您發現後驗分佈是,比如說,一個 beta 分佈……你不能在一開始就擬合一個 beta 分佈並調用好嗎?我看不出如何構建一個什麼都不告訴你的先驗分佈……嗯,真的能告訴你什麼嗎?

事實證明,我在 R 中使用的一些方法混合使用了貝葉斯方法和頻率方法(作者承認這有些不一致),我什至無法辨別哪些部分是貝葉斯方法。除了分佈擬合之外,我什至無法弄清楚您將如何使用貝葉斯方法。有“貝葉斯回歸”嗎?那會是什麼樣子?我所能想像的只是一遍又一遍地猜測底層分佈,而頻率論者會思考一些數據,注視它,看到泊松分佈並運行 GLM。(這不是批評……我真的只是不明白!)

所以..也許一些基本的例子會有所幫助?如果您知道一些適合像我這樣的真正初學者的實用參考資料,那也將非常有幫助!

以下是您比較常客和貝葉斯方法可能感興趣的一些鏈接:

簡而言之,根據我的理解,給定一組特定的數據,常客認為存在一個真實的、潛在的分佈,所述數據是從該分佈中生成的。無法獲得準確的參數是有限樣本量的函數。另一方面,貝葉斯認為我們從對參數的一些假設開始(即使是在不知不覺中),並使用數據來完善我們對這些參數的看法。兩者都在嘗試開發一個可以解釋觀察結果並做出預測的模型;區別在於假設(實際的和哲學的)。作為一種簡潔、不嚴謹的陳述,可以說常客相信參數是固定的,數據是隨機的。貝葉斯認為數據是固定的,參數是隨機的。哪個更好或更可取?要回答這個問題,你必須深入挖掘並意識到每個都需要什麼假設(例如參數是否漸近正常?)。

引用自:https://stats.stackexchange.com/questions/103625

comments powered by Disqus