Hacer que los investigadores nunca poner Bayesiano priores en diferentes conjuntos de supuestos?

Question

Análisis econométrico de los efectos causales a veces dependen de los supuestos que los autores dejan sin verificar ("mi modelo de controles de todo lo importante"). Las discusiones de los análisis a menudo implican igualmente sin verificar las críticas ("bueno, quizá no el control de todo lo importante"). Esto deja a la mayoría de los trabajos en econometría poco convincentes e insatisfactoria.

Econometricians no son también muy riguroso en la forma de cuantificar la verosimilitud de sus argumentos. En su mayoría Inofensivas Econometría, por ejemplo, cita Orley, Ashenfelter como decir que la evidencia de la vinculación de la educación y los ingresos es "muy convincente", y mientras que él hace (lo que me parece) un caso fuerte para esta afirmación, esto es, presumiblemente, tan rigurosa como él sabe cómo ser acerca de si la evidencia es convincente o no. Orley, Ashenfelter es también un más cuidadoso investigador de la mayoría de los econometricians.

En un campo donde los mejores profesionales el uso de cuantificadores como "bastante" y "muy poco" para describir la fuerza de la evidencia, y el vínculo entre la evidencia y la hipótesis es muy incierto, parece que los autores podrían hacer un mejor uso de la Regla de Bayes: la plausibilidad de las diferentes hipótesis podría ser descrita utilizando los priores, y la fuerza de la evidencia para una hipótesis frente a otra podría ser descrita utilizando las probabilidades.

Hay ejemplos de econometricians (o cualquier otra persona que necesita de la razón estadísticamente bajo supuestos inciertos) usando la Regla de Bayes?

Answer 1

Enfoque bayesiano permite llevar a cabo-de-la información de los datos en el modelo a través de la elección de los priores, mientras que la probabilidad de la función nos dice acerca de la información contenida en los datos. Mediante el teorema de Bayes

$$ \underbrace{p(\theta \mid X)}_\text{posterior} \propto \underbrace{p(X \mid \theta)}_\text{likelihood} \; \underbrace{p(\theta)}_\text{prior} $$

las dos fuentes de información se combinan juntos. Si los datos transmite fuerte, información sobre los posibles valores de los parámetros que deben superar los priores, pero todavía se están llevando a cabo-de-la información de los datos en el modelo.

Idea similar a la tuya fue descrito por Spiegelhalter (2004) propuso el uso de la "comunidad de los priores" (ver también Fayers et al, 1997; 2000; Kass y de efecto Invernadero, 1989), es decir, utilizando diferentes priores de diferentes antes de hipótesis y busca en ¿cómo influyen las estimaciones. Por ejemplo, los priores puede ser "optimista", o "escéptico". El más informativo previo, el más fuertemente que usted insistir en ciertos valores de los parámetros rango.

Algunos argumentan que el uso de los priores es lógicamente inconsistente (puede tener diferentes creencias acerca de algo?), pero es más bien un problema filosófico. También, mientras que este enfoque se ha descrito en varios lugares, tuve un tiempo difícil encontrar ejemplos de su uso en la práctica.

---

Kass, R. E. y de efecto Invernadero, J. B. (1989). Una perspectiva Bayesiana. Comentario sobre "la investigación de terapias potencialmente gran beneficio: ECMO," por J. H. Ware. Estadísticas De La Ciencia, 4, 310-317.

Spiegelhalter, D. J. (2004). La incorporación de Bayesiana ideas en la salud-cuidado de la evaluación. Estadísticas De Ciencia, 156-174.

Fayers, P. M., Ashby, D., & Parmar, M. K. (1997). Tutorial en bioestadística Bayesiano de datos de monitorización en ensayos clínicos. La estadística en medicina, 16(12), 1413-1430.

Fayers, P. M., Cuschieri, A., Fielding, J., Craven, J., Uscinska, B., & Freedman, L. S. (2000). Cálculo del tamaño de muestra para los ensayos clínicos: el impacto clínico de las creencias. British journal of cancer, 82(1), 213.

---