Michael Jordan은 베이지안 통계에서 열린 문제는 무엇입니까? 라는 짧은 기사를 가지고 있습니다 . 그는 통계에서 열린 문제에 대한 그들의 견해에 대해 많은 통계 학자들을 조사했다. 여기에 요약 (일명 복사하여 붙여 넣기)을하겠습니다. 그러나 원본을 읽는 것이 가장 좋습니다.

비모수 및 반모 수

• 베이지안 비모수는 어떤 문제에 유용하고 문제의 가치가 있습니까?
• 데이비드 던슨 (David Dunson) : “비모수 적 베이 즈 모델은 무한히 많은 매개 변수를 필요로하며, 사전 목표는 일반적으로 적절한 객관적 또는 주관적인 정당화없이 합리적인 수준의 값으로 설정된 하이퍼 파라미터로 편의를 위해 선택됩니다.”
• 빈번한 비모수의 매력적인 응용 중 하나는 모델의 비모수 적 구성 요소가 성가신 매개 변수 인 반모 수적 추론에 대한 것이라고 여러 사람들이 지적했다. 베이지안 반모 수 “

이전

• “유도는 여전히 열린 문제의 주요 원인으로 남아있다.”
• ‘Aad van der Vaart는 객관적인 Bayes를 머리로 돌리고 “단순화에 대한 베이지안 접근 방식을 제공하는 것”과는 반대로 “후부에서 이전에오고 싶어하는 상황”에 대한 이론이 부족함을 지적했습니다.

베이지안 / 자주적 관계

• “많은 응답자들이 베이지안 / 자주적 관계를 더욱 망치고 싶다는 소망을 표명했습니다. 이는 고차원 모델과 데이터의 맥락에서 가장 일반적으로 드러났습니다. 이전에는 사양을 구현하는 데 주관적인 접근 방식이 아니라 구현의 편의성이 우선 할 수 있습니다. 오해의 소지가 있습니다. “
• ‘일부 응답자들은 베이지안 방법의 추정 상 이점을보다 완전하게 밝힐 수있는 비 점근 론 이론을 고수했다. 데이비드 던슨 (David Dunson) : “종종 빈번한 최적 속도는 베이 시안 접근 방식보다 유한 샘플에서 훨씬 더 나쁜 절차를 통해 얻을 수 있습니다.”

계산 및 통계

• Alan Gelfand : “MCMC가 더 이상 사람들이 해결하고자하는 문제에 대해 실행 가능하지 않다면, INLA, 변형 방법, ABC 접근법의 역할은 무엇입니까?”
• “여러 응답자는 주어진 상황에서 도달 할 수있는 일련의 추론이 모델, 이전, 데이터 및 계산 리소스의 기능이며, 원하는 바라고 지적하면서 계산 과학과 통계 과학의보다 철저한 통합을 요청했습니다. 실제로 Rob Kass는 일부 문제가 희망을 초월하는 것으로 이해되는 “추론 적 해결 가능성”이라는 개념의 가능성을 높였습니다.”사소한 노이즈에 영향을받지 않는 적당한 양의 데이터의 경우 모델의 존재 또는 부재가 사전에 지정되지 않은 변수가 많은 경우 회귀 계수에 대한 유용한 신뢰 구간을 얻을 수 없습니다.”) 희망이있는 다른 문제들 ( “유용한 신뢰 구간이 존재하는 특정 기능”)이있다.
• “몇몇 응답자는 특정 모호함에 대해 사과하면서 많은 양의 데이터가 반드시 많은 양의 계산을 의미하지는 않는다는 느낌을 표명했습니다. 오히려 큰 데이터에 존재하는 추론 적 강도가 알고리즘으로 전달되어 가능 해져야한다는 느낌을 표현했습니다. 만족스러운 (대략적인) 추론 적 솔루션을 달성하기 위해 더 적은 계산 단계를 수행해야합니다. “

모델 선택 및 가설 테스트

• 조지 카셀라는 :. “우리는 이제 모델 선택을하지만, 베이 즈 선택한 모델에 추론을 내놓고의 속성에 대해 걱정하지 않는 것 그것은 어떤 문제가있는 경우 특정 매개 변수에 대한 신뢰할 수있는 영역을 설정하는 결과가 무엇입니까? 때 잘못된 모델을 선택 했습니까? 어떤 종류의 보증 절차가 있습니까? “β1
  ${\beta }_1$

  $β_1$

• 모델 선택의 의사 결정 이론적 기초에 대한 추가 작업이 필요합니다.
• David Spiegelhalter : “이전 / 데이터 충돌을 확인하는 것이 베이지안 분석의 필수 부분 인 방법은 무엇입니까?”
• Andrew Gelman : “모델 검사의 핵심 문제는 모델을 이해하고 비교할 수있는 그래픽 도구를 개발하는 것입니다. 그래픽은 원시 데이터만을위한 것이 아니라 복잡한 베이지안 모델이보다 효율적이고 효과적인 탐색 데이터 분석을 할 수있는 기회를 제공합니다.”

답변