Una respuesta rápida al contenido con viñetas:
1) Error de potencia / tipo 1 en un análisis bayesiano frente a un análisis frecuentista
Preguntar sobre el Tipo 1 y la potencia (es decir, uno menos la probabilidad de error del Tipo 2) implica que puede colocar su problema de inferencia en un marco de muestreo repetido. ¿Puedes? Si no puede, no hay más remedio que alejarse de las herramientas de inferencia frecuentas. Si puede, y si el comportamiento de su estimador en muchas de esas muestras es relevante, y si no está particularmente interesado en hacer declaraciones de probabilidad sobre eventos particulares, entonces no hay una razón sólida para moverse.
El argumento aquí no es que tales situaciones nunca surgen, ciertamente lo hacen, sino que generalmente no surgen en los campos donde se aplican los métodos.
2) La compensación en la complejidad del análisis (Bayesiano parece más complicado) frente a los beneficios obtenidos.
Es importante preguntar a dónde va la complejidad. En los procedimientos frecuentistas, la implementación puede ser muy simple, por ejemplo, minimizar la suma de los cuadrados, pero los principios pueden ser arbitrariamente complejos, generalmente girando en torno a qué estimador (es) elegir, cómo encontrar la (s) prueba (s) correcta (s), qué pensar cuando No están de acuerdo. Para un ejemplo. ¡Vea la discusión aún animada, recogida en este foro, de diferentes intervalos de confianza para una proporción!
En los procedimientos bayesianos, la implementación puede ser arbitrariamente compleja incluso en modelos que parecen 'deberían' ser simples, generalmente debido a integrales difíciles, pero los principios son extremadamente simples. Más bien depende de dónde le gustaría que esté el desorden.
3) Los análisis estadísticos tradicionales son sencillos, con pautas bien establecidas para sacar conclusiones.
Personalmente, ya no puedo recordarlo, pero ciertamente mis alumnos nunca lo encontraron sencillo, principalmente debido a la proliferación principal descrita anteriormente. Pero la pregunta no es realmente si un procedimiento es sencillo, sino si está más cerca de ser correcto dada la estructura del problema.
Finalmente, estoy totalmente en desacuerdo con que existen "pautas bien establecidas para sacar conclusiones" en ambos paradigmas. Y creo que eso es algo bueno . Claro, "encontrar p <.05" es una guía clara, pero ¿para qué modelo, con qué correcciones, etc.? ¿Y qué hago cuando mis pruebas no están de acuerdo? El juicio científico o de ingeniería es necesario aquí, como lo es en otros lugares.