¿Cuáles son los contras del análisis Bayesiano?

Question

¿Cuáles son algunas objeciones prácticas para el uso de métodos estadísticos bayesianos en cualquier contexto? No, no quiero decir el carping generalmente sobre elección de antes. Estaré encantado si este no obtiene respuestas.

Answer 1

Voy a darle una respuesta. Cuatro inconvenientes en realidad. Tenga en cuenta que ninguno de estos son en realidad las objeciones que debe conducir todo el camino a frecuentista de análisis, pero hay contras de ir con un marco Bayesiano:

1. Elección de antes. Esta es la costumbre criticas por una razón, aunque en mi caso no es el habitual "de los priores son subjetivas!", sino que viene con una antes de que el bien razonada y representa, en realidad, su mejor intento de resumir un antes es una gran cantidad de trabajo en muchos casos. Todo un objetivo de mi tesis doctoral, por ejemplo, se puede resumir como "estimación de los priores".
2. Es computacionalmente intensivas. Especialmente para los modelos con muchas variables. Para un gran conjunto de datos con muchas variables y se estima que puede muy bien ser muy intensas, especialmente en determinadas circunstancias, cuando los datos no pueden ser fácilmente tirado en un clúster o similares. Algunas de las maneras de resolver esto, como aumentada de datos en lugar de MCMC, son algo teóricamente difícil, al menos para mí.
3. Las distribuciones posteriores son un poco más difíciles de incorporar en un meta-análisis, a menos que un frecuentista, descripción paramétrica de la distribución ha sido siempre.
4. Dependiendo de lo diario el análisis es la intención, ya sea el uso de Bayes en general, o su elección de los priores, le da a su papel un poco más puntos donde un usuario puede profundizar en ella. Algunos de estos son razonables revisor objeciones, pero algunos sólo se derivan de la naturaleza de Bayes y de cómo las personas conocidas en algunos campos están con él.

Ninguna de estas cosas debe dejar de usted. De hecho, ninguna de estas cosas han dejado de mí, y espero que haciendo un análisis Bayesiano ayudará a abordar, al menos, del número 4.

Answer 2

Desde un punto de vista meramente práctico, yo no soy un fan de los métodos que requieren mucha de la computación (estoy pensando en muestreador de Gibbs y MCMC, a menudo se utiliza en el marco Bayesiano, pero esto se aplica también, por ejemplo, bootstrap técnicas de análisis frecuentista). La razón es que cualquier tipo de depuración (pruebas de la aplicación, mirando a la robustez con respecto a las hipótesis, etc), sí requiere un montón de simulaciones de Monte Carlo, y que son rápidamente en un computacional de la ciénaga. Yo prefiero el subyacente técnicas de análisis para ser rápido y determinista, incluso si son sólo aproximados.

Esto es puramente una objeción práctica, por supuesto: dado infinita de los recursos de computación, esta objeción podría desaparecer. Y sólo se aplica a un subconjunto de los métodos Bayesianos. También esto es más de una preferencia dada mi flujo de trabajo.

Answer 3

Soy un Bayesiano por inclinación, pero en general un frecuencial en la práctica. La razón de esto es que por lo general la realización de la plena análisis Bayesiano correctamente (por ejemplo, en lugar de soluciones MAPA) para los tipos de problema que más me interesa es complicado y computacionalmente intensivas. A menudo un completo análisis Bayesiano se requiere para ver realmente el beneficio de este enfoque frecuentista equivalentes.

Para mí, el trade-off es básicamente una elección entre métodos Bayesianos que son conceptualmente elegante y fácil de entender, pero difícil de implementar en la práctica y frecuencial de los métodos, que son conceptualmente difícil y sutil (tratar de explicar cómo interpretar una prueba de hipótesis con precisión o por qué no hay un 95% de probabilidad de que el verdadero valor se encuentra en un 95% de intervalo de confianza), pero que se adapta bien a la facilidad para implementar "libro de cocina" de las soluciones.

Caballos de carreras.

Answer 4

A veces hay un método simple y natural "clásica" solución a un problema, en cuyo caso una fantasía método Bayesiano (especialmente con MCMC) sería una exageración.

Además, en la selección de variables tipo de problemas, puede ser más sencillo y claro para considerar algo como una verosimilitud penalizada; no puede existir un previo en los modelos que le da un equivalente enfoque Bayesiano, pero como el anterior se corresponde con el rendimiento final puede ser menos clara que la relación entre la pena y el rendimiento.

Por último, los métodos MCMC a menudo requieren de un experto, tanto para la evaluación de la convergencia/mezcla y de dar sentido a los resultados.

Answer 5

Yo soy relativamente nuevo Bayesiana métodos, pero una cosa que me molesta es que, si bien entiendo la razón de ser de los priores (es decir, la ciencia es acumulativa esfuerzo, por lo que para la mayoría de las preguntas hay una cierta cantidad de experiencia previa/el pensamiento de que debe informar a su interpretación de los datos), no me gusta que el enfoque Bayesiano te obliga a empujar la subjetividad al principio del análisis, haciendo que el resultado final contingente. Creo que esto es problemático por dos razones: 1) algunos de los menos versados lectores ni siquiera prestar atención a los priores e interpretar Bayesiano resultados como no contingente; 2) a menos que las primas se dispone de datos, es difícil para los lectores de replantear los resultados en sus propios subjetiva de los priores. Esta es la razón por la que yo prefiero cocientes de probabilidad, que poner la subjetividad al final simplemente la cuantificación relativa de los valores de evidencia y dejando que sea el lector a aplicar sus propios criterios subjetivos para determinar si ellos creen que la evidencia es lo suficientemente a favor de uno u otro modelo que intervienen en la relación.

(Astuto críticos se tenga en cuenta que incluso la razón de verosimilitud es "contingente" en el sentido de que depende de la parametrización de los modelos que se comparan; sin embargo, esta es una característica compartida por todos los métodos, Frecuentista, Bayesiano y Likelihoodist)