ベイジアン統計がますます人気のある研究トピックになっているのはなぜですか？[閉まっている]

トップ100のUSニュース統計プログラムの研究領域を閲覧すると、それらのほとんどすべてがベイジアン統計で重くなっています。しかし、私が下層の学校に通った場合、それらのほとんどはまだ古典的/頻出統計学の研究を行っています。たとえば、私の現在の学校（統計のQSワールドランキングで150から200にランク付けされているため、一流の学校とは見なされていません）には、ベイジアン統計に焦点を当てた教授が1人だけで、ベイジアン統計にはほとんど憤慨があります。私が話をしたいくつかの大学院生は、ベイジアン統計学者がそのためにベイジアン統計を行っているとさえ言っていますが、もちろん私は強く反対します。

しかし、なぜそうなのでしょうか。私はいくつかの教育を受けた推測をしています：

（a）クラシック/頻出統計の方法論の進歩のための十分な余地がなく、クラシック/頻出統計の研究で実行可能な唯一の研究は、上位層の学校がより多いはずであるので、下位層の学校の主な焦点となるアプリケーションに関するものです理論的および方法論的研究に傾倒。

（b）フィールドに大きく依存します。統計の特定のブランチは、統計手法の多くの科学的アプリケーションなどのベイジアン統計に適していますが、その他のブランチは、金融分野などの古典的な統計に適しています。（私が間違っている場合は修正してください）これを考えると、一流の学校には科学分野でアプリケーションを実行する統計学部がたくさんあるようですが、下層の学校の統計学部は主に金融分野でアプリケーションに焦点を当てているため、収入を生み出すのに役立ちますそして資金。

（c）たとえば、MLEの過剰適合の傾向があるなど、解決できない頻出主義の方法には大きな問題があります。ベイジアンは素晴らしい解決策を提供しているようです。

（d）計算能力がここにあるので、ベイジアン計算は30年前のようにボトルネックではなくなりました。

（e）これは、私が最も根拠のある推測である可能性があります。古典的統計の役割を潜在的に追い越すことができる方法論の新しい波を好まないだけの、古典的/頻繁な統計学者からの抵抗があります。しかし、ラリー・ワッサーマンが言ったように、それは私たちが何をしようとしているのかに依存し、誰もが、特に研究者として、オープンマインドを保つべきです。

個人的に、私はいくつかの推測を冒険します：

（1）ベイズ統計では、過去20年間で人気が大幅に上昇しました。これの一部は、MCMCの進歩と計算リソースの改善によるものでした。ベイジアン統計は、理論的には非常に優れているが、おもちゃの問題にのみ適用可能であり、より普遍的に適用できるアプローチにまで及んだ。これは、数年前にベイジアン統計に取り組んだと言っても、おそらく非常に競争力のある採用になりました。

ベイジアン統計はまだプラスですが、ベイジアン手法を使用せずに興味深い問題に取り組んでいます。不足ベイズ統計におけるバックグラウンドのは確かにほとんどの雇用委員会にマイナスになるが、ベイズ法では十分な訓練なし統計で博士号を取得することはかなり驚くべきだろう。

（2）ベイジアン統計学者は、CVで「ベイジアン」に言及します。頻度主義者は通常、CVに「頻度主義者」を付けませんが、より一般的には、彼らが働く領域（つまり、生存分析、予測モデリング、予測など）を置きます。例として、私の仕事の多くは最適化アルゴリズムを書くことです。これは、私が頻繁に仕事をしていることを意味していると言えるでしょう。ベイジアンアルゴリズムのかなりの部分も書きましたが、それは確かに私の作品の少数派です。ベイジアン統計は私の履歴書にありますが、フリークエンティスト統計はそうではありません。

（3）あなたの質問であなたが言ったことは、ある程度まで、真実にも当てはまります。効率的な一般的なベイジアン計算には、フリークエント領域よりも未解決の問題があります。たとえば、ハミルトニアンモンテカルロは最近、ベイジアンモデルから一般的にサンプリングするための非常にエキサイティングなアルゴリズムになりました。ジェネリックを改善する余地はあまりありません最近の最適化。ニュートンラフソン、L-BFGS、EMアルゴリズムは多くのベースをカバーしています。これらの方法を改善したい場合は、通常、問題に特化する必要があります。したがって、「私は高次元の最尤推定に取り組んでいる」というよりは、「地理空間モデルの高次元の最適化に取り組んでいる」と言う方が好きです。機械学習の世界は少し例外です。新しい確率的最適化手法（SGD、Adamなど）を見つけることに大きな興奮があるのですが、それはいくつかの理由で少し異なります。

同様に、モデルの適切な事前計算を行うには、やらなければならない作業があります。頻繁な方法にはこれと同等の機能がありますが（LASSO、glmnetなどの優れたペナルティが考えられます）、ペナルティよりも先例の方がおそらく肥沃です。

（4）最後に、これは間違いなく個人的な意見であり、多くの人々はFrequentistをp値と関連付けます。他の分野で観察されたp値の一般的な誤用を考えると、多くの統計学者は、p値の現在の誤用から可能な限り遠ざけたいと思っています。