Me encontré con este interesante artículo de (Michael I. Jordan) sobre problemas abiertos en Estadísticas Bayesianas (Página en Ncsu). Había realizado una mini encuesta de 50 estadísticos y esto es lo que se le ocurre:
1) No paramétricos bayesianos y semi paramétricos: – Enfoque de modelos no paramétricos bayesianos para adaptarse a un modelo único que puede adaptarse a la complejidad de los datos.
Hay algunos puntos muy válidos planteados por Wasserman, Barron, etc., pero parece tratar con especificaciones previas.
2) Priors: – Esto parece ser evidente. Como se describe en este artículo (Página sobre Columbia) “… las distribuciones anteriores no se transfieren bien de persona a persona …”. Las historias de éxito de los modelos de asignación de Dirichlet latente y otros modelos mixtos deberían ser prueba suficiente
3) Computación y estadísticas: – Me gusta mucho esta sección. ¿Los datos grandes significan más cómputo? ¿Se puede usar algo de los datos a un algoritmo para hacer que los cálculos sean menos costosos?
Comprender las estadísticas bayesianas computacionales: una respuesta de Bill Bolstad
- ¿Cómo se protege contra 'Wikiality'?
- ¿Qué tipo de metodología puedo incluir en mi disertación sobre RRHH?
- ¿Cómo investigan los estudiantes universitarios cuando no son expertos en su campo?
- ¿Es ilegal compartir el trabajo de tesis de otra persona en las redes sociales?
- Cómo escribir una tesis o disertación sobresaliente sobre citocina para el premio a la mejor tesis
