Этот вопрос вытекает из вопроса: когда (если вообще когда-либо) частотный подход существенно лучше, чем байесовский?
Как я уже писал в своем решении этого вопроса, по моему мнению, если вы являетесь частым участником, вам не нужно верить / придерживаться принципа вероятности, так как часто методы, применяемые частыми пользователями, будут его нарушать. Однако, и это обычно при условии правильных априорных значений, байесовские методы никогда не нарушают принцип правдоподобия.
Итак, теперь, если вы говорите, что вы байесовец, это подтверждает вашу веру или согласие с принципом правдоподобия, или аргумент, что байесовский ответ имеет приятное следствие, что принцип правдоподобия не нарушается?
bayesian
likelihood
likelihood-principle
RustyStatistician
источник
источник
Ответы:
При использовании теоремы Байеса для вычисления апостериорных вероятностей, которые составляют вывод о параметрах модели, принцип слабого правдоподобия автоматически соблюдается:
Тем не менее, в некоторых объективных байесовских подходах схема выборки определяет выбор априора, мотивируя это тем, что неинформативный априор должен максимизировать расхождение между априорным и апостериорным распределением, позволяя данным оказывать как можно большее влияние. Таким образом, они нарушают принцип сильного правдоподобия.
Например, априорные значения Джеффриса пропорциональны квадратному корню из детерминанта информации Фишера, ожиданию в пространстве выборки. Рассмотрим вывод о параметре вероятностиπ
Таким образом, наблюдение, скажем, 1 успех из 10 испытаний приведет к совершенно разным апостериорным распределениям по двум схемам выборки:
Хотя следование таким правилам для получения неинформативных априоров иногда может привести к неправильным априорам, что само по себе не является корнем нарушения принципа правдоподобия, вызванного практикой. Приближение к Джеффрису,π- 1 + с( 1 - π)- 1 / 2 , где 0 < c ≪ 1 , вполне правильно, & имеет незначительное значение для задней.
Вы также можете рассматривать проверку моделей - или делать что-либо в результате проверок - как противоречащие принципу слабого правдоподобия; вопиющий случай использования вспомогательной части данных.
источник