ベイジアン統計が頻出法による推定が非常に困難なパラメーターを推定する方法の例

ベイジアン統計学者は、「ベイジアン統計は、頻度論的手法による推定が非常に困難なパラメーターを推定できる」と主張しています。このSASドキュメントからの次の引用は、同じことを言っていますか？

これは、漸近近似に依存せずに、データを条件として正確な推論を提供します。小さなサンプルの推論は、大きなサンプルがある場合と同じように進行します。ベイジアン分析では、「プラグイン」手法（関数の推定されたパラメーターをプラグインして関数を推定する方法）を使用せずに、パラメーターの関数を直接推定することもできます。

私はいくつかの教科書で同様の声明を見ましたが、どこで覚えていません。誰かが例を挙げてこれを説明してくれませんか？

私はその引用に反対します：

1. $\theta$$\theta$
2. $\pi(\theta|\mathfrak{D})$$\pi(\theta|\mathfrak{D})$$\pi(\theta)$$\theta$事前確率xのペアによって提供されるフレームワーク内の確率ステートメントのみ。ペアの1つの用語を変更すると、事後と推論が変更されますが、単一の事前確率または尤度を防御するための一般的な引数はありません。
3. 同様に、このSASドキュメントの同じページにある「真のパラメーターは95％の信頼できる間隔で0.95の確率で落ちる」などの他の確率ステートメントは、事後分布のフレームワークに関連していますが、絶対値ではありません。
4. $$f(x|\theta)=\int g(x,z|\theta)\,\text{d}z$$ $g(x,z|\theta)$$(X,Z)$$Z$$\theta$$(\theta,\mathfrak{Z})$、共通の祖先からの個体群の進化には、二分木の潜在的なイベントが含まれます。このモデルは、ABCと呼ばれるアルゴリズムによる[近似]ベイジアン推論によって処理できますが、非ベイジアンソフトウェア解像度も存在します。
5. しかし、そのような場合でも、ベイズ推論が唯一可能な解決策であるとは思いません。ニューラルネット、ランダムフォレスト、ディープラーニングなどの機械学習手法は、クロス検証によってサンプルをトレーニングし、[真のモデルの下で]期待値と見なせるエラーまたは距離基準を最小化するため、頻出法として分類できます。サンプル平均によって近似されます。たとえば、キングマンの合体モデルは、ベイジアン以外のソフトウェア解像度でも処理できます。
6. $\mathfrak{h}(\theta)$$\mathfrak{h}(\hat\theta)$$\theta$