ข้อเสียของการวิเคราะห์แบบเบย์คืออะไร

การคัดค้านการใช้วิธีการทางสถิติแบบเบย์ในบริบทใดบ้าง ไม่ฉันไม่ได้หมายถึงความห่วงใยในการเลือกก่อนหน้า ฉันยินดีหากไม่ได้รับคำตอบ

ฉันจะให้คำตอบคุณ สี่ข้อเสียจริง โปรดทราบว่าสิ่งเหล่านี้ไม่ได้เป็นการคัดค้านที่ควรผลักดันให้มีการวิเคราะห์อยู่บ่อยครั้ง

1. ทางเลือกก่อน นี่คือการหาเรื่องปกติด้วยเหตุผล แต่ในกรณีของฉันมันไม่ใช่ "นักบวชผู้มีอัตวิสัย!" แต่สิ่งที่เกิดขึ้นก่อนหน้านี้มีเหตุผลที่ดีและแสดงให้เห็นถึงความพยายามที่ดีที่สุดของคุณในการสรุปก่อนหน้านี้เป็นงานที่ดีมากในหลายกรณี ยกตัวอย่างเช่นจุดประสงค์ทั้งหมดของวิทยานิพนธ์ของฉันสามารถสรุปได้ว่าเป็น "นักบวชประเมิน"
2. มันเข้มข้นมาก โดยเฉพาะอย่างยิ่งสำหรับรุ่นที่เกี่ยวข้องกับตัวแปรมากมาย สำหรับชุดข้อมูลขนาดใหญ่ที่มีการประมาณค่าตัวแปรจำนวนมากอาจมีการคำนวณอย่างเข้มข้นโดยเฉพาะอย่างยิ่งโดยเฉพาะอย่างยิ่งในบางสถานการณ์ที่ข้อมูลไม่สามารถโยนลงในคลัสเตอร์หรือสิ่งอื่นที่คล้ายกันได้ บางวิธีในการแก้ไขปัญหานี้เช่นข้อมูลที่เพิ่มขึ้นมากกว่า MCMC นั้นค่อนข้างท้าทายในทางทฤษฎีอย่างน้อยสำหรับฉัน
3. การแจกแจงด้านหลังนั้นค่อนข้างยากกว่าที่จะรวมเข้ากับการวิเคราะห์เมตาเว้นแต่ว่ามีการแจกแจงรายละเอียดเชิงพารามิเตอร์ของการแจกแจงแบบสม่ำเสมอ
4. ขึ้นอยู่กับวารสารที่วิเคราะห์ไว้สำหรับการใช้งาน Bayes โดยทั่วไปหรือการเลือกนักบวชให้คะแนนกระดาษของคุณเพิ่มขึ้นเล็กน้อยซึ่งผู้วิจารณ์สามารถขุดลงไปได้ บางส่วนเป็นผู้คัดค้านผู้วิจารณ์ที่สมเหตุสมผล แต่บางคนก็เกิดจากธรรมชาติของ Bayes และผู้คนที่คุ้นเคยในบางสาขาอยู่กับมันอย่างไร

สิ่งเหล่านี้ไม่ควรหยุดคุณ แน่นอนสิ่งเหล่านี้ไม่ได้หยุดฉันและหวังว่าการวิเคราะห์แบบเบย์จะช่วยได้อย่างน้อยหมายเลข 4

ฉันเป็นคนเบย์โดยความชอบ แต่โดยทั่วไปแล้วเป็นผู้ปฏิบัติบ่อยครั้ง สาเหตุของการทำแบบนี้คือการทำการวิเคราะห์แบบเบย์แบบเต็มรูปแบบอย่างถูกต้อง (แทนที่จะเป็นวิธีการแก้ปัญหา MAP) สำหรับประเภทของปัญหาที่ฉันสนใจนั้นมีความยุ่งยากและมีความซับซ้อนมาก บ่อยครั้งที่การวิเคราะห์แบบเบย์เต็มรูปแบบจำเป็นต้องเห็นประโยชน์ของวิธีการนี้มากกว่าการเทียบเท่าแบบประจำ

สำหรับฉันการแลกเปลี่ยนเป็นตัวเลือกระหว่างวิธีการแบบเบย์ที่มีแนวคิดที่สง่างามและเข้าใจง่าย แต่ยากที่จะนำไปใช้ในทางปฏิบัติและวิธีการที่ใช้บ่อยซึ่งเป็นแนวคิดที่น่าอึดอัดใจและบอบบาง (ลองอธิบายวิธีตีความการทดสอบสมมติฐานอย่างถูกต้องหรือ เหตุใดจึงไม่มีความน่าจะเป็น 95% ที่มูลค่าที่แท้จริงตั้งอยู่ในช่วงความมั่นใจ 95%) แต่สิ่งเหล่านี้เหมาะสำหรับการใช้งาน "ตำรา" ที่แก้ปัญหาได้ง่าย

ม้าสำหรับหลักสูตร

จากจุดปฏิบัติอย่างหมดจดในมุมมองของผมไม่ได้เป็นแฟนของวิธีการที่ต้องใช้จำนวนมากของการคำนวณ (ฉันคิดของกิ๊บส์ตัวอย่างและ MCMC มักใช้ในกรอบคชกรรม แต่นี้ยังนำไปใช้เช่นบูตเทคนิคในการวิเคราะห์ frequentist) เหตุผลที่การดีบั๊กใด ๆ (การทดสอบการนำไปใช้งานการดูความทนทานด้วยสมมติฐานและอื่น ๆ ) นั้นต้องอาศัยการจำลองของมอนติคาร์โลและคุณจะอยู่ในสภาพแวดล้อมการคำนวณที่รวดเร็ว ฉันชอบเทคนิคการวิเคราะห์พื้นฐานที่รวดเร็วและกำหนดได้แม้ว่าจะเป็นเพียงค่าประมาณเท่านั้น

นี่เป็นข้อคัดค้านที่ใช้งานได้จริงแน่นอน: เนื่องจากทรัพยากรการคำนวณที่ไม่มีที่สิ้นสุดการคัดค้านนี้จะหายไป และใช้ได้กับวิธีการย่อยของ Bayesian เท่านั้น นอกจากนี้ยังมีการตั้งค่ามากขึ้นให้เวิร์กโฟลว์ของฉัน

บางครั้งมีวิธีการแก้ปัญหาแบบ "คลาสสิค" ที่เรียบง่ายและเป็นธรรมชาติซึ่งในกรณีนี้วิธีการแบบเบย์อันหรูหรา (โดยเฉพาะอย่างยิ่งกับ MCMC) จะเกินความจริง

นอกจากนี้ในปัญหาประเภทการเลือกตัวแปรมันอาจจะตรงไปตรงมาและชัดเจนกว่านี้เพื่อพิจารณาสิ่งที่น่าจะเป็นโทษ อาจมีรูปแบบก่อนหน้านี้ที่ให้วิธีการแบบเบย์เทียบเท่า แต่วิธีที่ก่อนหน้านั้นสอดคล้องกับประสิทธิภาพการทำงานขั้นสุดท้ายสามารถชัดเจนน้อยกว่าความสัมพันธ์ระหว่างการลงโทษและประสิทธิภาพ

ในที่สุดวิธีการ MCMC มักจะต้องใช้ผู้เชี่ยวชาญทั้งในการประเมินการรวมกัน / การผสมและเพื่อให้เข้าใจถึงผลลัพธ์

ฉันค่อนข้างใหม่กับวิธีการแบบเบย์ แต่สิ่งหนึ่งที่ทำให้ฉันรู้สึกแย่คือในขณะที่ฉันเข้าใจเหตุผลของนักบวช (เช่นวิทยาศาสตร์เป็นความพยายามสะสมดังนั้นสำหรับคำถามส่วนใหญ่มีประสบการณ์ / ความคิดก่อนหน้าจำนวนหนึ่งที่ควรแจ้งให้คุณทราบ การตีความข้อมูล) ฉันไม่ชอบวิธีการแบบเบย์ที่บังคับให้คุณผลักดันตัวตนไปสู่จุดเริ่มต้นของการวิเคราะห์ทำให้เกิดผลลัพธ์สุดท้ายขึ้นมา ฉันเชื่อว่านี่เป็นปัญหาด้วยเหตุผลสองประการ: 1) ผู้อ่านที่มีความรอบรู้น้อยกว่าจะไม่สนใจแม้แต่นักบวช 2) เว้นแต่ว่าข้อมูลดิบนั้นมีอยู่มันเป็นเรื่องยากสำหรับผู้อ่านที่จะใส่กรอบผลลัพธ์ใหม่ให้กับนักบวชส่วนตัว นี่คือเหตุผลที่ฉันชอบอัตราส่วนความน่าจะเป็น

(นักวิจารณ์ที่ชาญฉลาดจะทราบว่าแม้อัตราความน่าจะเป็นคือ "เกิดขึ้น" ในแง่ที่ว่ามันเกิดขึ้นกับการทำให้เป็นพารามิเตอร์ของแบบจำลองที่นำมาเปรียบเทียบ; อย่างไรก็ตามนี่เป็นคุณลักษณะที่ใช้ร่วมกันโดยวิธีการทั้งหมด

ทฤษฎีการตัดสินใจเป็นทฤษฎีพื้นฐานที่สถิติดำเนินการ ปัญหาคือหาขั้นตอนที่ดี (ในบางแง่มุม) สำหรับการตัดสินใจจากข้อมูล อย่างไรก็ตามมีตัวเลือกขั้นตอนที่ชัดเจนน้อยมากในแง่ของการลดการสูญเสียที่คาดหวังดังนั้นเกณฑ์อื่น ๆ จะต้องเรียกให้เลือกระหว่างพวกเขา การเลือกโพรซีเดอร์ที่เป็น Bayes สำหรับบางอันก่อนหน้านั้นเป็นหนึ่งในเกณฑ์เหล่านี้ แต่อาจไม่ได้เป็นอย่างที่คุณต้องการเสมอไป Minimax อาจมีความสำคัญมากกว่าในบางกรณีหรือไม่ลำเอียง

ใครก็ตามที่ยืนยันว่าผู้ใช้บ่อยผิดหรือ Bayesians หรือผิดนั้นส่วนใหญ่จะเปิดเผยความไม่รู้ทางสถิติ

บางครั้งฉันต้องการที่จะให้ความรู้เพิ่มเติมเกี่ยวกับวิธีการแบบเบย์ในการสร้างแบบจำลองเพื่อให้ผ่านความเข้าใจคร่าวๆของฉัน (ฉันได้เขียนโค้ดตัวอย่างกิ๊บส์ในงานหลักสูตรบัณฑิตศึกษา แต่ไม่เคยทำอะไรจริงเลย) ระหว่างที่ฉันคิดว่าเอกสารของ Brian Dennis บางคนได้รับการกระตุ้นและหวังว่าฉันจะได้พบเพื่อนชาว Bayesian (คนที่ไม่ได้อยู่ในตู้เสื้อผ้า) เพื่ออ่านเอกสารและได้ยินความเห็นของพวกเขา ดังนั้นนี่คือเอกสารที่ฉันอ้างถึง แต่คำพูดที่ฉันจำได้เสมอคือ

การเป็นเบย์หมายความว่าไม่ต้องพูดว่าคุณผิด

http://faculty.washington.edu/skalski/classes/QERM597/papers/Dennis_1996.pdf http://classes.warnercnr.colostate.edu/nr575/files/2011/01/Lele-and-Dennis-2009.pdf

อะไรคือปัญหาที่เปิดกว้างในสถิติแบบเบย์จากรายการจดหมายข่าวรายไตรมาสของ ISBA 5 ปัญหาเกี่ยวกับสถิติแบบเบย์จากผู้นำที่แตกต่างกันในภาคสนามอันดับที่ 1 ความน่าเบื่อหน่าย "การเลือกแบบจำลองและการทดสอบสมมติฐาน"