� 366 � 第十一章 贝叶斯统计分析
念也不断受到质疑. 首先, 在样本量较小时, 未知参数的估计往往对先验分布
的选择相当敏感, 因而不少人认为此法过于主观. 其次,“将未知参数视为随机
变量”这一想法也很难被接受.
贝叶斯统计学家对这两点质疑的回应则是, 在分析时可以通过模糊先
验(diffuse prior)以及敏感性分析等方法弱化先验分布对结果的影响; 同时, 未
知参数的随机性仅旨在体现对此参数所包含信息的一种不确定, 而非实际意义
上的随机.
贝叶斯统计分析与经典统计分析的根本区别在于, 贝叶斯学派将已有的认
识或知识视为是主观的(用先验分布来表示), 因而有时也被认为具有主观性.
但在大多数问题中, 鉴于其分析所用的模型囊括了似然函数以及先验分布两部
分信息, 因此仍不失其客观性.
贝叶斯统计分析的优势
贝叶斯统计分析有着经典统计分析所无可比拟的优势,主要有
1) 它结合了数据的信息与参数的先验信息, 不断通过样本数据更新先前的
认知;
2) 与经典统计分析相比, 它的理论框架相对简洁, 且不需要繁杂的假设及数
学推导;
3) 它不但能对缺失数据、截尾数据等进行简明处理, 还能对模型进行全面而
稳健的估计.
事实上, 在不少统计问题中, 诸如线性回归、非参数统计等等, 经典统计方
法仅仅是贝叶斯统计方法的特例. 同时, 贝叶斯统计分析还能直观地解释某些
经典统计方法所无法阐述的问题, 诸如此前提到的置信区间问题等.
§11.2 贝叶斯统计分析与先验分布的选取
贝叶斯数据分析涉及两类估计量: 一类是通常所说的参数, 它(们)不可直
接观测;另一类则是可以潜在观测的量,通常是待预测的未来的观测值. 贝叶
斯统计分析的基本步骤包括:
1) 建立一个完整的概率模型. 它包括两部分,即参数的先验分布和观测数
据的抽样分布;