Os estatísticos usam o anterior de Jeffreys no trabalho aplicado real?

Quando soube dos antecedentes de Jeffrey na minha aula de inferência estatística, meus professores fizeram parecer que isso era interessante principalmente por razões históricas, e não porque alguém jamais as usaria. Então, quando fiz a análise de dados bayesiana, nunca nos pediram para usar os antecedentes de Jeffreys. Alguém realmente usa isso na prática. Se sim (ou não), por que ou por que não? Por que alguns estatísticos não levam isso a sério?

bayesian prior jeffreys-prior

— frelk
fonte

Eu gosto de usar o prior de Jeffreys como um padrão / não informativo para o modelo binomial simples (

). É de conjugado com peso equivalente a um único dado e é um 1

-order-probabilidade de correspondência antes, então eu tenho um sentimento bom para o que ele faz para a função de verossimilhança e de como interpretar os intervalos credíveis resultantes.

p (θ) \propto \sqrt{θ (1 - θ)}

$p\left(\theta\right)\propto\sqrt{\theta\left(1-\theta\right)}$

^{s t}

$^{\rm{st}}$

— Cyan

Uma resposta parcial para isso é encontrada em Gelman et al., Bayesian Data Analysis , 3a ed.

O princípio de Jeffreys pode ser estendido aos modelos multiparâmetros, mas os resultados são mais controversos. Abordagens mais simples, baseadas na suposição de distribuições anteriores não informativas independentes para os componentes do parâmetro vetorial podem fornecer resultados diferentes dos obtidos com o princípio de Jeffreys. Quando o número de parâmetros em um problema é grande, achamos útil abandonar distribuições prévias não informativas puras em favor de modelos hierárquicos, conforme discutimos no Capítulo 5. $\theta$

Quando Gelman escreve que os resultados são "controversos", acredito que ele quer dizer que um prior que não é informativo em uma dimensão tende a se tornar fortemente informativo em várias. Se a memória serve, essa foi uma reivindicação feita na mesma seção do BDA 2ª ed., Mas não tenho uma cópia comigo no momento.

— Sycorax diz restabelecer Monica
fonte

Gelman AMA modelos hierárquicos

— Glen

E com muito bom motivo

— Brash Equilibrium 08/08