Los métodos bayesianos fueron atacados agresivamente durante el siglo XX, y en muchos campos hasta el día de hoy, porque te obligan a confrontar tus suposiciones . Y las suposiciones tienen una lamentable reputación de ser “no científicas”.
Recordemos el procedimiento básico de inferencia bayesiana: uno comienza con un previo que codifica el conocimiento actual de un sistema, y luego actualiza ese conocimiento a través de una medición de datos descritos por una función de probabilidad.
Lo anterior no es menos científico que seleccionar las condiciones iniciales cuando se resuelve una ecuación diferencial [1], pero elegir un previo obliga a un científico a determinar formalmente lo que se sabe y pocos tienen experiencia en eso. ¿Qué significa, por ejemplo, no tener información sobre un sistema? Sin una definición formal de ignorancia, todos desarrollan diferentes heurísticas que pueden conducir a resultados contradictorios [2].
- ¿Cómo difiere el término ansatz de método, truco, modelo, hipótesis o conjetura?
- ¿Cuáles son los ensayos clínicos más emocionantes en 2012?
- ¿Cuáles son los 8 pasos del método científico? ¿Qué función sirve cada uno?
- Cómo describir un método.
- ¿Qué problemas encuentra Kant al usar el método científico en su enfoque?
Por supuesto, la elección de la probabilidad también es una suposición, y puede introducir tanta “subjetividad” como la anterior. Tenga en cuenta que los métodos estadísticos clásicos usan esa misma función de probabilidad, solo que su subjetividad nunca se aborda. La sensibilidad de los resultados clásicos sobre los supuestos nunca se abordó [3] y los estadísticos enarbolaron la falsa pancarta de “inferencia científica objetiva”.
Al final, no puedes hacer inferencia sin hacer suposiciones [4]. La inferencia bayesiana abarca formalmente estos supuestos y, en consecuencia, admite técnicas poderosas como la comparación de modelos y la marginación. Los métodos clásicos, por otro lado, ignoran en su mayoría los supuestos detrás de una fachada de “objetividad científica” que sedujo al pensamiento científico durante la mayor parte del siglo XX.
Sí, la inferencia bayesiana se consideró “no científica” a la vez, pero solo porque “científica” se definió como un ideal inalcanzable.
[1] Estas “ecuaciones diferenciales” requieren condiciones iniciales para determinar una solución final? ¡Qué pasa si nuestras condiciones iniciales son diferentes! Nunca más hablemos de ellos.
[2] Este es realmente el mayor problema con los antecedentes. Si bien cada propiedad razonable de “ignorancia” que se ha introducido, desde las medidas de Haar hasta las anteriores de Jeffreys, produce las mismas medidas, esas medidas no pueden normalizarse y pueden introducir problemas numéricos en la inferencia. Esto indica que hay algo sospechoso en hacer inferencia en [math] \ mathbb {R} ^ {n} [/ math] y hay un trabajo interesante sobre medidas generalizadas que evitan estos problemas.
[3] El análisis de sensibilidad en las estadísticas clásicas no es desconocido en la actualidad, pero sigue siendo extremadamente raro.
[4] Creo que esto se atribuye a Stephen Gull.