¿Cuáles son los contras del análisis bayesiano?

¿Cuáles son algunas objeciones prácticas al uso de métodos estadísticos bayesianos en cualquier contexto? No, no me refiero a la preocupación habitual sobre la elección de antes. Estaré encantado si esto no obtiene respuestas.

Te voy a dar una respuesta. Cuatro inconvenientes en realidad. Tenga en cuenta que ninguno de estos son en realidad objeciones que deberían conducirlo a un análisis frecuentista, pero hay inconvenientes para ir con un marco bayesiano:

1. Elección de prior. Este es el problema habitual por una razón, aunque en mi caso no es lo habitual "¡los antecedentes son subjetivos!" pero encontrar un prior que esté bien razonado y que realmente represente su mejor intento de resumir un prior es una gran cantidad de trabajo en muchos casos. Todo un objetivo de mi disertación, por ejemplo, puede resumirse como "estimaciones previas".
2. Es computacionalmente intensivo. Especialmente para modelos que involucran muchas variables. Para un gran conjunto de datos con muchas variables que se estiman, es muy posible que sea prohibitivamente computacionalmente intensivo, especialmente en ciertas circunstancias donde los datos no pueden arrojarse fácilmente a un clúster o similar. Algunas de las formas de resolver esto, como los datos aumentados en lugar de MCMC, son algo teóricamente desafiantes, al menos para mí.
3. Las distribuciones posteriores son algo más difíciles de incorporar en un metanálisis, a menos que se haya proporcionado una descripción paramétrica frecuente de la distribución.
4. Dependiendo de a qué revista está destinado el análisis, ya sea el uso de Bayes en general, o su elección de publicaciones previas, le da a su trabajo un poco más de puntos donde un crítico puede profundizar en él. Algunas de estas son objeciones razonables de los revisores, pero algunas simplemente se derivan de la naturaleza de Bayes y de cuán familiarizadas están en ella las personas en algunos campos.

Ninguna de estas cosas debería detenerte. De hecho, ninguna de estas cosas me ha detenido, y espero que hacer un análisis bayesiano ayude a abordar al menos el número 4.

Soy un bayesiano por inclinación, pero en general un frecuenta en la práctica. La razón de esto suele ser que realizar el análisis bayesiano completo correctamente (en lugar de, por ejemplo, las soluciones MAP) para los tipos de problemas que me interesan es complicado y computacionalmente intensivo. A menudo se requiere un análisis bayesiano completo para ver realmente el beneficio de este enfoque sobre los equivalentes frecuentistas.

Para mí, la compensación es básicamente una elección entre métodos bayesianos que son conceptualmente elegantes y fáciles de entender, pero difíciles de implementar en la práctica y métodos frecuentistas, que son conceptualmente incómodos y sutiles (intente explicar cómo interpretar una prueba de hipótesis con precisión o por qué no hay una probabilidad del 95% de que el valor verdadero se encuentre en un intervalo de confianza del 95%), pero que son muy adecuados para soluciones de "libro de cocina" fácilmente implementadas.

Caballos de carreras.

Desde un punto de vista puramente práctico, no soy fanático de los métodos que requieren muchos cálculos (estoy pensando en Gibbs sampler y MCMC, a menudo utilizados en el marco bayesiano, pero esto también se aplica, por ejemplo, a las técnicas de bootstrap en análisis frecuentista). La razón es que cualquier tipo de depuración (probar la implementación, observar la robustez con respecto a los supuestos, etc. ) en sí misma requiere un montón de simulaciones de Monte Carlo, y rápidamente se encuentra en una confusión computacional. Prefiero que las técnicas de análisis subyacentes sean rápidas y deterministas, incluso si son solo aproximadas.

Esta es una objeción puramente práctica, por supuesto: dados recursos informáticos infinitos, esta objeción desaparecería. Y solo se aplica a un subconjunto de métodos bayesianos. Además, esto es más una preferencia dado mi flujo de trabajo.

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

Además, en problemas de tipo de selección variable, puede ser más sencillo y claro considerar algo como una probabilidad penalizada; Puede existir un previo en los modelos que brinde un enfoque bayesiano equivalente, pero la forma en que el anterior corresponde al desempeño final puede ser menos clara que la relación entre la penalización y el desempeño.

Finalmente, los métodos MCMC a menudo requieren un experto tanto para evaluar la convergencia / mezcla como para dar sentido a los resultados.

Soy relativamente nuevo en los métodos bayesianos, pero una cosa que me molesta es que, si bien entiendo la lógica de los antecedentes (es decir, la ciencia es un esfuerzo acumulativo, por lo que para la mayoría de las preguntas hay cierta experiencia / pensamiento previo que debería informar a su interpretación de los datos), no me gusta que el enfoque bayesiano lo obligue a empujar la subjetividad al comienzo del análisis, haciendo que el resultado final sea contingente. Creo que esto es problemático por dos razones: 1) algunos lectores menos versados ​​ni siquiera prestarán atención a los anteriores e interpretarán los resultados bayesianos como no contingentes; 2) a menos que los datos en bruto estén disponibles, es difícil para los lectores replantear los resultados en sus propios antecedentes subjetivos. Es por eso que prefiero las razones de probabilidad,

(Los críticos astutos notarán que incluso la razón de probabilidad 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, Frequentist, Bayesian y Likelihoodist)

La teoría de la decisión es la teoría subyacente sobre la cual opera la estadística. El problema es encontrar un buen procedimiento (en cierto sentido) para producir decisiones a partir de datos. Sin embargo, rara vez hay una elección inequívoca de procedimiento, en el sentido de minimizar la pérdida esperada, por lo que se deben invocar otros criterios para elegir entre ellos. Elegir los procedimientos que es Bayes con respecto a algunos anteriores es uno de estos criterios, pero puede que no siempre sea lo que desea. Minimax podría ser más importante en algunos casos, o imparcialidad.

Cualquiera que insista en que los frecuentas están equivocados o que los bayesianos están equivocados está revelando su ignorancia de las estadísticas.

Durante algún tiempo, he querido educarme más sobre los enfoques bayesianos para modelar para superar mi comprensión superficial (he codificado muestras de Gibbs en el trabajo de posgrado, pero nunca he hecho nada real). En el camino, aunque he pensado que algunos de los documentos de Brian Dennis han sido provocadores y he deseado poder encontrar un amigo bayesiano (los que no estaban en el armario) para leer los periódicos y escuchar sus contrapuntos. Entonces, aquí están los documentos a los que me refiero, pero la cita que siempre recuerdo es

Ser bayesiano significa nunca tener que decir que estás equivocado.

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

¿Cuáles son los problemas abiertos en las estadísticas bayesianas del boletín trimestral de la ISBA? 5 problemas con las estadísticas bayesianas de varios líderes en el campo, siendo el # 1, bastante aburrido, "Selección de modelo y prueba de hipótesis".