Perché la statistica bayesiana sta diventando un argomento di ricerca sempre più popolare? [chiuso]

Navigando attraverso l'area di ricerca dei primi 100 programmi statistici delle notizie statunitensi, quasi tutti sono pesanti nelle statistiche bayesiane. Tuttavia, se vado a scuola di livello inferiore, la maggior parte di loro sta ancora facendo ricerche di statistica classica / frequentista. Ad esempio, la mia scuola attuale (classificata tra 150 e 200 nella classifica mondiale QS per le statistiche, quindi non considerata una scuola di alto livello) ha un solo professore che si concentra sulle statistiche bayesiane e c'è quasi un risentimento verso le statistiche bayesiane. Alcuni studenti universitari con cui ho parlato affermano persino che gli statistici bayesiani stanno facendo statistiche bayesiane per il bene di cui ovviamente non sono molto d'accordo.

Tuttavia, mi chiedo perché sia ​​così. Sto avendo diverse ipotesi istruite:

(a) non c'è abbastanza spazio per progressi nella metodologia delle statistiche classiche / frequentanti e l'unica ricerca praticabile nella ricerca delle statistiche classiche / frequentiste è sulle applicazioni che saranno al centro delle scuole di livello inferiore poiché le scuole di livello superiore dovrebbero essere più propenso alla ricerca teorica e metodologica.

(b) Dipende fortemente dal campo. Alcuni rami delle statistiche sono semplicemente più adatti per le statistiche bayesiane come molte applicazioni scientifiche del metodo delle statistiche, mentre altri rami sono più adatti per le statistiche classiche come l'area finanziaria. (correggimi se sbaglio) Dato questo, mi sembra che le scuole di livello superiore abbiano molte facoltà di statistica che fanno applicazioni in campo scientifico mentre il dipartimento di statistiche delle scuole di livello inferiore sta concentrando principalmente le applicazioni nell'area finanziaria poiché ciò le aiuta a generare reddito e finanziamenti.

(c) Esistono enormi problemi con il metodo frequentista che non possono essere risolti, ad esempio il rischio di sovralimentazione di MLE, ecc. E Bayesian sembra fornire soluzioni brillanti.

(d) Il potere computazionale è qui, quindi il calcolo bayesiano non è più un collo di bottiglia come lo era 30 anni fa.

(e) Questa potrebbe essere la supposizione più supponente che io abbia. C'è una resistenza da parte dello statistico classico / frequentista che proprio non ama una nuova ondata di metodologia che può potenzialmente superare il ruolo delle statistiche classiche. Ma come ha detto Larry Wasserman, dipende da cosa stiamo cercando di fare e tutti dovrebbero avere una mente aperta, specialmente come ricercatore.

Personalmente, mi azzarderei ad indovinare:

(1) Le statistiche bayesiane hanno visto un enorme aumento di popolarità negli ultimi due decenni. Parte di ciò era dovuta ai progressi nella MCMC e ai miglioramenti delle risorse computazionali. Le statistiche bayesiane sono passate dall'essere teoricamente veramente carine ma applicabili solo ai problemi dei giocattoli a un approccio che potrebbe essere applicato in modo più universale. Ciò significa che diversi anni fa, affermando che hai lavorato sulle statistiche bayesiane probabilmente ti ha reso un noleggio molto competitivo.

Ora, direi che le statistiche bayesiane sono ancora un vantaggio, ma quindi sta lavorando a problemi interessanti senza usare i metodi bayesiani. Una mancanza di preparazione nelle statistiche bayesiane sarebbe sicuramente un aspetto negativo per la maggior parte dei comitati di assunzione, ma ottenere un dottorato di ricerca in statistica senza una formazione sufficiente sui metodi bayesiani sarebbe piuttosto sorprendente.

(2) Gli statistici bayesiani menzioneranno "bayesiano" nel loro CV. I frequentisti di solito non inseriranno "Frequentist" nel loro CV, ma molto più tipicamente nell'area in cui lavorano (ad es. Analisi di sopravvivenza, modellazione predittiva, previsione, ecc.). Ad esempio, gran parte del mio lavoro sta scrivendo algoritmi di ottimizzazione, il che immagino implica che diresti che faccio un lavoro frequentista. Ho anche scritto una buona parte degli algoritmi bayesiani, ma è certamente nella minoranza del mio lavoro. Le statistiche bayesiane sono sul mio CV, le statistiche frequentiste no.

(3) In una certa misura, anche ciò che hai detto nella tua domanda contiene verità. Un efficiente calcolo generale bayesiano ha più problemi aperti rispetto al regno frequentista. Ad esempio, Hamiltonian Monte Carlo è recentemente diventato un algoritmo molto eccitante per il campionamento generico da modelli bayesiani. Non c'è molto spazio per il miglioramento del genericoottimizzazione in questi giorni; Gli algoritmi di Newton Raphson, L-BFGS ed EM coprono molte basi. Se vuoi migliorare questi metodi, generalmente devi specializzarti molto sul problema. Come tale, ti piace più dire "Lavoro sull'ottimizzazione ad alta dimensione dei modelli geospaziali" piuttosto che "Lavoro sulla stima della massima verosimiglianza ad alta dimensione". Il mondo dell'apprendimento automatico è un po 'un'eccezione a questo, poiché c'è molta eccitazione nello scoprire nuovi metodi di ottimizzazione stocastica (cioè SGD, Adam, ecc.), Ma questa è una bestia leggermente diversa per alcuni motivi.

Allo stesso modo, c'è del lavoro da fare per trovare buoni priori per i modelli. Metodi frequentista fare hanno un equivalente a questo (fino a venire con buone sanzioni, vale a dire, LASSO, glmnet), ma non c'è terra probabilmente più fertile per oltre priori sanzioni.

(4) Infine, e questa è sicuramente un'opinione più personale, molte persone associano Frequentist a valori p. Dato l'abuso generale di valori di p osservato in altri campi, molti statistici vorrebbero prendere le distanze il più possibile dagli attuali abusi di valori di p.