При выполнении частых статистических заданий существует длинный список больших запретов, например, просмотр результатов статистических тестов перед принятием решения о сборе дополнительных данных. В общем, мне интересно, есть ли подобный список исключений для методологий, используемых в байесовской статистике, и, в частности, является ли следующее одним из них.
Недавно я понял, что для некоторых моделей, которые я подбирал, мой процесс состоял в том, чтобы сначала установить модель с информативными априорами, чтобы увидеть, работает ли она или взорвется, а затем ослабить априоры либо до неинформативных, либо слабо информативных и переоборудовать модель.
Моя мотивация для этого действительно связана с тем, что я пишу эти модели в JAGS / Stan, и, по-моему, я воспринимал это скорее как задачу программирования, а не как статистическую. Итак, я делаю первый запуск, вроде как настраиваю его на быстрое сходство, используя информативные априоры, упрощая обнаружение ошибок в модели, которую я написал. Затем, после отладки модели, я заменяю ее неинформативными или слабоинформативными априорами.
Мой вопрос заключается в том, нарушаю ли я некоторые серьезные правила в этом процессе. Например, чтобы мои выводы были верными и чтобы не использовать степени свободы исследователей, нужно ли мне брать на себя обязательства по определенным приоритетам, прежде чем начинать подбирать какие-либо модели?