Bayesianos passando da defesa para o ataque
A estatística bayesiana é apresentada como cada vez mais convincente para áreas como medicina e experimentação online, onde informações prévias de estudos ou ensaios passados podem moldar de forma significativa novas análises. Os comentadores contrastam abordagens bayesianas e frequentistas em questões como pressupostos explícitos, o papel e a subjetividade dos priors, a interpretabilidade de p-values e intervalos de confiança, e suas contribuições para a crise de replicação. Vários recursos práticos são compartilhados para aplicar métodos bayesianos em testes A/B e modelagem multiescala, enquanto críticos alertam que priors mal manejados podem cristalizar vieses em vez de corrigi-los.
Viés de publicação e uso de informação prévia
- Vários comentadores observam que o viés de publicação pode distorcer tanto conclusões bayesianas quanto frequentistas.
- Métodos bayesianos podem modelar explicitamente o viés de publicação ou codificar ceticismo por meio de priors fracos/menos informativos; não levar o viés em conta quando ele é mensurável é visto como um erro maior.
- Há divergência sobre o quanto se deve apoiar em ensaios anteriores como priors versus simplesmente coletar mais dados e fazer meta-análise.
Frequentista vs Bayesiano: pontos fortes e casos de uso
- A estatística frequentista é descrita como computacionalmente mais fácil, com forte teoria analítica, ampla literatura e “receitas” estabelecidas para testes de hipóteses.
- Muitos relatam ter aprendido apenas métodos frequentistas, muitas vezes sem discussão explícita dos pressupostos.
- A estatística bayesiana é elogiada por tornar pressupostos e vieses explícitos, ajustar-se naturalmente a modelos generativos e hierárquicos, e funcionar melhor com amostras pequenas ou estruturas multiescala mais complexas.
- Alguns dizem que a controvérsia é em grande parte histórica; ambos os frameworks muitas vezes dão respostas semelhantes com dados grandes.
Interpretação, priors e filosofia
- Defensores argumentam que priors são inevitáveis; a verdadeira escolha é se explicitá-los ou não.
- Críticos consideram os priors filosoficamente duvidosos, temem reforçar erros prévios e preferem separar “o que os dados dizem” da crença subjetiva.
- Há discussão sobre priors “não informativos” ou fracamente informativos, ideias de máxima entropia e se a “ausência de crença” pode ser representada.
- Intervalos de confiança frequentistas vs intervalos de credibilidade bayesianos são contrastados; intervalos frequentistas dizem respeito à cobertura de longo prazo, não à probabilidade de um intervalo específico conter o valor الحقيقي.
Crise de replicação e testes de hipóteses
- Vários relacionam a crise de replicação (especialmente em psicologia e medicina) à dependência excessiva de p-values, testes de hipótese pontual e ao desprezo pelo tamanho dos efeitos.
- Alguns argumentam que a prática frequentista permitiu “ciência lixo”; outros dizem que o problema central é mau raciocínio e incentivos, não a matemática em si.
Ensino, ferramentas e testes A/B
- Vários recursos são sugeridos para aprender modelagem bayesiana, com ênfase em modelos generativos em vez de “receitas” de testes.
- Para testes A/B, comentadores destacam modelos beta-binomial, multi-armed bandits bayesianos, contextual bandits e designs “test and roll” que maximizam lucro.
- As ressalvas práticas incluem dificuldade com muitas opções, necessidade de bons priors e tratamento de múltiplas métricas.