Khi nào một cách tiếp cận Bayes rất quan trọng để giải quyết một lý thuyết, giả thuyết hoặc vấn đề?


8

Một câu hỏi gần đây đã được đăng lên một danh sách mà tôi đăng ký để hỏi (có lẽ là hoài nghi?) Khi một cách tiếp cận Bayes rất quan trọng để "hoàn thành công việc" trong việc giải quyết các câu hỏi trong lĩnh vực sinh thái học. Nói chung, tôi đang tự hỏi về cách tiếp cận Bayes là điều cần thiết để tiến bộ trong một lĩnh vực cụ thể.

Trong sinh thái học, các phương pháp Bayes dường như được sử dụng thường xuyên nhất trong các tình huống được áp dụng với các tập dữ liệu lớn, phức tạp, vì vậy tôi đặc biệt quan tâm đến các tình huống liên quan đến các lý thuyết hoặc giả thuyết quan trọng hoặc cổ điển trong một lĩnh vực.

Ví dụ, trong sinh thái học, các phương pháp Bayes dường như là cách duy nhất để phù hợp với các mô hình phân cấp phức tạp và có được ước tính chính xác về những thứ như kích thước của quần thể động vật hoặc tỷ lệ sống của một cá thể trong quần thể sinh vật. Tôi không quen với các trường hợp khi tiến trình được thực hiện để đốt các câu hỏi lý thuyết vì cách tiếp cận Bayes đã được sử dụng, mặc dù điều này có thể là do lý thuyết sinh thái thường được giải quyết với các thí nghiệm giảm trong khuôn khổ giống như ANOVA trong đó giá trị p là tiền tệ có giá trị lịch sử .


Bạn có sử dụng Occam's Razor? Làm thế nào để bạn biện minh cho Occam's Razor mà không sử dụng phương pháp Bayes?
Douglas Zare

Tôi đoán tôi không quan tâm đến cuộc tranh luận cơ bản giữa Bayesian và Người thường xuyên và liệu tất cả chúng ta có phải là Bayes hay không, liệu chúng ta có thừa nhận hay không. Tôi quan tâm đến các trường hợp phân tích, mô hình, cách tiếp cận của Bayes, v.v., cung cấp những hiểu biết quan trọng không thể hoặc không thể đạt được từ cách tiếp cận thường xuyên.
N Brouwer

Câu trả lời:


4

Trong nghiên cứu về các thiết bị y tế được chấp thuận sử dụng cho các chỉ định cụ thể, Cơ quan Quản lý Thực phẩm và Dược phẩm Hoa Kỳ đã có ít nhất một thập kỷ khuyến khích sử dụng các phương pháp Bayes trong các thử nghiệm lâm sàng giai đoạn III để cho phép thông tin trước về thiết bị được kết hợp cùng với thử nghiệm dữ liệu.


3

Một số bài báo đã được viết về việc sử dụng các phương pháp Bayes để ước tính các tham số xét nghiệm chẩn đoán (dương tính giả, âm tính giả, ...). Phương pháp Bayes thường được ưa thích do thực tế thường có nhiều tham số hơn các quan sát. Không giống như các tình huống phổ biến khác, gần như không thể tăng số lượng quan sát.

Bài viết dưới đây là một tổng quan tốt đẹp của vấn đề:

Một ứng dụng của phương pháp tiếp cận Bayes trong các vấn đề kiểm tra chẩn đoán khi không có tiêu chuẩn vàng


1

Để trả lời câu hỏi của riêng tôi, một bài báo vừa được đăng trên tạp chí Sinh thái học có tiêu đề "Ước tính mật độ trong quần thể hổ: kết hợp thông tin để suy luận mạnh mẽ" của Gopalaswamy et al. Họ đã sử dụng mô hình Bayes kết hợp thông tin từ các nghiên cứu về hổ với các phương pháp khác nhau để cải thiện tính chính xác của ước tính mật độ bảo tồn thiên nhiên của hổ. Về bản thân, hai nghiên cứu riêng biệt chỉ ra rằng có ~ 12 +/- 1,95 hổ / 100km2 (trung bình sau +/- SD) hoặc 6,7 +/- 2,37 hổ / 100km2. Mô hình Bayes kết hợp cung cấp ước tính 8,5 +/- 1,95 hổ / 100km2.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.