Espero que esta pregunta no sea de naturaleza demasiado general; sólo quería preguntar a los miembros de esta comunidad su opinión sobre la siguiente pregunta: ¿Cómo se puede elegir entre el enfoque bayesiano y el enfoque frecuentista? ¿En qué contexto es un enfoque mejor que el otro? La razón por la que pregunto esto es porque siempre que intento responder causal preguntas empíricas, pienso inmediatamente en tratar de estimar los efectos del tratamiento (por ejemplo, utilizando la diferencia de medias, la diferencia en las diferencias o los estimadores de emparejamiento). Por otra parte, cuando deseo hacer pronósticos, he oído que las técnicas de promediación del modelo bayesiano a menudo superan las proyecciones lineales. ¿Sobre qué base puedo elegir entre los dos enfoques? Gracias.
Respuestas
¿Demasiados anuncios?
Esta es una respuesta más "práctica", frente a una teórica más profunda, o incluso una específica.
Tómalo como "una respuesta amplia a una pregunta amplia".
Además, como es un tema de "Bayes vs. Frecuente", al menos las últimas sugerencias deben ser tomadas con la lengua en la mejilla.
- Paso 1: Usar modelos simples que entiendas para empezar. Bajar el error del investigador debido a una mala aplicación siempre debe ser una prioridad de primer orden.
- Paso 2: Aprender más sobre cada enfoque tanto como sea posible. Implementar el mismo estimador desde ambas perspectivas si es posible, con el propósito de luchar realmente con lo que está pasando a un nivel profundo. De nuevo, empiece de forma sencilla. Repita las cosas que ya sabe que funcionan y que están bien establecidas. (¿Puedes escribir una regresión básica desde cero usando ambos enfoques? Esto es mucho más profundo de lo que puede parecer). Consigue algunos buenos textos introductorios. No tengas miedo de los textos de introducción de "bajo nivel". El "libro de cachorros" de Amazon es bueno aquí, así como "Piensa en Bayes" de Green Tea (ambos para la introducción inicial de Bayes).
- Paso 3: Esperemos que los esfuerzos anteriores empiecen a revelar que algunos problemas se abordan de forma más natural en un marco frente al otro. Cuando empieces a sentirte bien con esto, vuelve a examinar el problema que quieres abordar. ¿Qué enfoque le parece apropiado ahora?
- Paso 4: darse cuenta de que si se utilizan métodos basados en la probabilidad, el bayesiano y el frecuentador son dos caras de una moneda similar. (O para citar la siempre entretenida Cosma , " La estimación bayesiana es un método basado en la probabilidad en el que el impacto de los hechos y la experiencia es atenuado y suavizado por los prejuicios. ," jaja.)
- Paso 5: darse cuenta de que hay aún más variedades de estimación que no encajan claramente en las categorías previamente entendidas -no paramétricas, semiparamétricas, semi-no paramétricas- y comenzar a desesperarse de que alguna vez sabrás o entenderás todo lo que hay que saber sobre la estimación, y cuál es el mejor método absoluto para cualquier pregunta en particular.
- Paso 6: Iluminación. Usa la herramienta que creas que es la mejor para la tarea, en tu propia y honesta opinión - incluso si es "la mejor" basada sólo en el Paso 1, que es simplemente "Uso esto porque lo entiendo mejor y sé que no estoy haciendo accidentalmente algo extremadamente malo".
Así que ahí lo tienes, "una respuesta amplia a una pregunta amplia".
Dicho esto, me gustan mucho los enfoques bayesianos y los frecuentadores. Hay muchas cosas que se tienen que decidir al decidir cuál usar. Algunos problemas se prestan bien a uno contra otro. Algunas audiencias se prestan a la comprensión de uno contra el otro (recuerde que a menudo la comunicación efectiva de un concepto puede ser muy importante). Depende de ti aprender lo suficiente sobre los métodos y los problemas que intentas abordar para elegir bien.
¿Quieres algo respaldado por una teoría sólida, y puedes aceptar una aproximación numérica como respuesta? Bayes
¿Trabajas con sistemas abiertos y necesitas rigor? Bayes.
Si no te importa que no se sostiene en teoría, pero ¿lo necesitas para tener una solución analítica? Frecuentista.
No te importa el rigor, quieres una respuesta rápida y sucia, y puedes soportar usar la justificación: "muchas otras personas lo han hecho de esta manera anteriormente"? Frecuentista
¿Trabaja con sistemas cerrados con incógnitas bien definidas, y sin antecedentes probabilísticos informados? Frecuentista o Bayes. (normalmente los frecuentadores tendrán una receta para hacerlo más rápido y más eficientemente, pero deberías obtener la misma respuesta de cualquier manera)
