Falar em conhecimento prévio pode ser enganador, é por isso que você costuma ver pessoas falando bastante sobre crenças anteriores . Você não precisa ter nenhum conhecimento prévio para configurar um prior. Se você precisasse de um, como Longley-Cook lidaria com o problema dele?
Aqui está um exemplo da década de 1950, quando foi pedido a Longley-Cook, atuário de uma companhia de seguros, que precisasse o risco de uma colisão no ar de dois aviões, um evento que, até onde ele sabia, não havia acontecido antes. A indústria de aviação civil ainda era muito jovem, mas estava crescendo rapidamente e tudo o que Longely-Cook sabia era que não havia colisões nos últimos cinco anos.
A falta de dados sobre colisões no ar não foi um problema a ser atribuído antes, levando a conclusões bastante precisas, conforme descrito por Markus Gesmann . Este é um exemplo extremo de dados insuficientes e nenhum conhecimento prévio, mas na maioria das situações da vida real, você teria algumas crenças fora dos dados sobre o seu problema, que podem ser traduzidas para anteriores.
Existe um equívoco comum sobre os prévios de que eles precisam ser de alguma forma "corretos" ou "únicos". De fato, você pode usar propositais "incorretos" propositadamente para validar diferentes crenças contra seus dados. Essa abordagem é descrita por Spiegelhalter (2004), que descreve como uma "comunidade" de priores (por exemplo, "cética" ou "otimista") pode ser usada no cenário de tomada de decisão. Nesse caso, nem mesmo as crenças anteriores são usadas para formar as anteriores, mas as hipóteses anteriores.
Como ao usar a abordagem bayesiana, você inclui o anterior e os dados em seu modelo, as informações de ambas as fontes serão combinadas. Quanto mais informativo for sua comparação prévia com os dados, mais influência ela terá, mais informativos serão seus dados, menor será a influência de seus dados anteriores .
Eventualmente, "todos os modelos estão errados, mas alguns são úteis" . Priores descrevem crenças que você incorpora em seu modelo, elas não precisam estar corretas. Basta que sejam úteis para o seu problema, pois estamos lidando apenas com aproximações da realidade descritas por seus modelos. Sim, eles são subjetivos. Como você já percebeu, se precisássemos de conhecimento prévio, acabaríamos em um círculo vicioso. A beleza deles é que eles podem ser formados mesmo quando confrontados com a escassez de dados, para superá-los.
Spiegelhalter, DJ (2004). Incorporando idéias bayesianas na avaliação da saúde. Statistical Science, 156-174.