Там может не быть ответа на этот вопрос.
Альтернативой может быть запрос методов для эффективного определения двух оценок для любой рассматриваемой проблемы. Байесовские методы довольно близки к этому идеалу. Однако, хотя минимаксные методы можно использовать для определения точечной оценки частоты, в целом применение минимаксного метода остается сложным и, как правило, не применяется на практике.
Другой альтернативой было бы перефразировать вопрос об условиях, при которых байесовские оценки и оценщики частоты часто дают «согласованные» результаты, и попытаться определить методы для эффективного расчета этих оценок. Здесь «согласованный» используется для того, чтобы подразумевать, что байесовские и частичные оценки получены из общей теории и что один и тот же критерий оптимальности используется для обеих оценок. Это сильно отличается от попыток противопоставить байесовскую и частую статистику и может сделать излишний вопрос излишним. Один из возможных подходов состоит в том, чтобы нацеливаться как на частый случай, так и на байесовский случай на наборы решений, которые сводят к минимуму потери для данного размера, т. Е. Как предложено
Шефер, Чад М и Филипп Б. Старк. «Построение доверительных областей оптимального ожидаемого размера». Журнал Американской статистической ассоциации 104.487 (2009): 1080-1089.
Оказывается, это возможно - как для частого, так и для байесовского случая - путем включения наблюдений предпочтений и параметров с большой точечной взаимной информацией. Наборы решений не будут идентичны, поскольку задаваемый вопрос отличается:
- Независимо от того, что является истинным параметром, ограничьте риск принятия неправильных решений (частое мнение)
- Учитывая некоторые наблюдения, ограничьте риск включения неправильных параметров в набор решений (байесовский взгляд)
Однако наборы будут в значительной степени перекрываться и становиться идентичными в некоторых ситуациях, если используются плоские априорные значения. Идея обсуждается более подробно вместе с эффективным имплементацией в
Bartels, Christian (2015): родовое и последовательное доверие и заслуживающие доверия регионы. figshare.
https://doi.org/10.6084/m9.figshare.1528163
Для информативных априорных показателей наборы решений отклоняются больше (как это широко известно и было указано в вопросе и ответах выше). Тем не менее, в рамках согласованной структуры можно получить тесты для частых, которые гарантируют желаемое покрытие для частых, но учитывают предшествующие знания.
Бартельс, Кристиан (2017): Использование предварительных знаний в тестах для частых. figshare.
https://doi.org/10.6084/m9.figshare.4819597
В предлагаемых способах все еще отсутствует эффективная реализация маргинализации.