ATTENZIONE Ho scritto questa risposta molto tempo fa con ben poca idea di cosa stavo parlando. Non posso eliminarlo perché è stato accettato, ma non posso sostenere gran parte del contenuto.
Questa è una risposta molto lunga e spero che possa essere utile in qualche modo. SPC non è la mia area, ma penso che questi commenti siano abbastanza generali da essere applicati qui.
Direi che il vantaggio più spesso citato - la capacità di incorporare credenze precedenti - è un debole vantaggio applicato / campi empirici. Questo perché devi quantificare il tuo precedente. Anche se posso dire "bene, il livello z è sicuramente non plausibile", non posso per la vita di me dirti cosa dovrebbe succedere sotto z. A meno che gli autori non inizino a pubblicare i loro dati grezzi in massa, le mie migliori ipotesi per i priori sono momenti condizionati tratti da lavori precedenti che potrebbero essere stati inseriti in condizioni simili a quelle che stai affrontando.
Fondamentalmente, le tecniche bayesiane (almeno a livello concettuale) sono eccellenti per quando hai un forte presupposto / idea / modello e vuoi portarlo ai dati, quindi vedi quanto ti sbagli o non sbagli. Ma spesso non stai cercando di vedere se hai ragione su un modello particolare per il tuo processo aziendale; più probabile che si dispone di alcunamodello e stiamo cercando di vedere cosa farà il processo. Non vuoi spingere le tue conclusioni, vuoi che i tuoi dati spingano le tue conclusioni. Se hai abbastanza dati, è quello che succederà comunque, ma in tal caso perché preoccuparsi del precedente? Forse è eccessivamente scettico e avverso al rischio, ma non ho mai sentito parlare di un uomo d'affari ottimista che abbia avuto successo. Non c'è modo di quantificare la tua incertezza sulle tue convinzioni e preferiresti non correre il rischio di essere troppo fiducioso nella cosa sbagliata. Quindi si imposta un precedente non informativo e il vantaggio scompare.
Ciò è interessante nel caso SPC perché, diversamente dal marketing digitale, i processi aziendali non sono per sempre in uno stato di flusso imprevedibile. La mia impressione è che i processi aziendali tendano a cambiare deliberatamente e in modo incrementale. Cioè, hai molto tempo per costruire priori buoni e sicuri. Ma ricorda che i priori sono tutti incentrati sulla propagazione dell'incertezza. Soggettività a parte, il bayesismo ha il vantaggio di propagare oggettivamente l' incertezza attraverso processi di generazione di dati profondamente annidati. Questo, per me, è davvero ciò per cui le statistiche bayesiane sono utili. E se stai cercando l'affidabilità del tuo processo ben oltre il limite di "significatività" 1 su 20, sembra che vorresti rendere conto della massima incertezza possibile.
Allora, dove sono i modelli bayesiani? Prima di tutto, sono difficili da implementare. Per dirla senza mezzi termini, posso insegnare OLS a un ingegnere meccanico in 15 minuti e fargli eseguire regressioni e test t in Matlab in un altro 5. Per usare Bayes, devo prima decidere quale tipo di modello sto adattando, e poi vedi se esiste una libreria già pronta in una lingua che qualcuno della mia azienda conosce. Altrimenti, devo usare BUGS o Stan. E poi devo eseguire simulazioni per ottenere anche una risposta di base, e ciò richiede circa 15 minuti su una macchina i7 a 8 core. Questo per quanto riguarda la prototipazione rapida. E in secondo luogo, quando ricevi una risposta, hai trascorso due ore di programmazione e di attesa, solo per ottenere lo stesso risultato che potresti avere con effetti casuali frequentisti con errori standard raggruppati. Forse è tutto presuntuoso e sbagliato e non capisco affatto SPC.
Ho paragonato il bayesismo a un coltello da chef di altissima qualità, una pentola e una padella per sautee ; il frequentismo è come una cucina piena di strumenti As-Seen-On-TV come affettatrici di banane e pentole per la pasta con fori nel coperchio per un facile drenaggio . Se sei un cuoco esperto con molta esperienza in cucina - anzi, nella tua cucina di conoscenza sostanziale, che è pulita e organizzata e sai dove si trova tutto - puoi fare cose incredibili con la tua piccola selezione di strumenti eleganti e di alta qualità. Oppure, puoi usare un sacco di diversi piccoli strumenti ad-hoc *, che richiedono zero abilità da usare, per preparare un pasto semplice, davvero non mediocre, e che ha un paio di gusti di base che spiegano il punto. Sei appena tornato a casa dalle miniere di dati e hai fame di risultati; che cuoco sei?
* Bayes è altrettanto ad-hoc, ma meno trasparente . Quanto vino va nel tuo coq au vin? Nessuna idea, lo guardi perché sei un professionista. Oppure, non puoi dire la differenza tra un Pinot Grigio e un Pinot Nero, ma la prima ricetta di Epicurious diceva di usare 2 tazze di quella rossa, quindi è quello che farai. Qual è più "ad-hoc?"