Saya sedang mengerjakan model yang mengandalkan fungsi parametrized jelek yang berfungsi sebagai fungsi kalibrasi pada bagian model. Menggunakan pengaturan Bayesian, saya perlu mendapatkan prior non-informatif untuk parameter yang menggambarkan fungsi saya. Saya tahu bahwa idealnya, saya harus mengambil referensi atau setidaknya Jeffreys priors tetapi fungsinya sangat jelek, memiliki banyak parameter dan saya pesimis pada kemungkinan untuk mendapatkan hasil sebenarnya. Jadi saya memutuskan untuk membatalkan kemungkinan ini dan secara empiris memilih prior yang saya cari agar tidak informatif. Inilah dua pertanyaan saya.
Dapatkah saya menghasilkan lebih dari sekadar mencongkel dan memberikan wawasan tentang non-informatif dari hasil inferensi? Sunting: Saya kira merencanakan Vs posterior sebelumnya akan menjadi poin pertama. Mungkin membandingkan estimasi MAP dan ML bisa menjadi argumen kedua?
Selain itu, apakah masuk akal untuk membenarkan beberapa aspek pilihan dari "analisis dimensi"? Sebagai contoh, jika saya mempertimbangkan struktur kemungkinan bentuk (dalam pengaturan regresi sederhana):
Apakah Anda berpikir bahwa saya dapat menebak "struktur" apa pun untuk sebelumnya dan berdasarkan fakta bahwa seseorang memiliki berat sementara yang lain berbobot ?