У многих аналитиков и даже врачей, когда они узнают про байесовский* подход, срабатывает желание "сорвать запретный плод".
*хотя в ИБ учили, что правильно - бейзовский, но я буду старословом, поэтому и далее будет Байесовский 😁
Классная же идея. У нас уже есть предположение о вероятности какого-то исхода (например, летальный исход от пневмонии) - наши клинические знания (априорная вероятность, prior). Мы проводим исследование и получаем данные выборки (функция правдоподобия, likelihood). После применения хитрых статистических ловких рук в результате получаем обновленную информацию (апостериорная вероятность, posterior). Это намеренно сильно упрощенный пример
И таким же способом можно пользоваться для предсказания вероятности у конкретного пациента (вспоминаем разговоры про pre-/post-test probability).
Ну супер же! Насколько же жизнь врачей (и остальных) станет легче?
Но потом они сталкиваются с суровой реальностью. Оказывается надо читать, как выбирать приоры (они бывают разные) 😱 Оказывается надо учиться технической реализации (а туда добавляется MCMC) 😱 А ещё надо теорию вероятности и распределения изучать 😱 и т.д. (не представляю о каких еще нюансах я не знаю). И на все эти вопросы нужно искать ответ (или понимать как ответить, до сих пор не понимаю).
Но еще меняется... вероятность. Мне понравилась следующая цитата из книги "Введение в методы байесовского статистического анализа" от Дж. Хей, которую я сейчас читаю
"Центральной для данной книги является идея субъективной вероятности, состоящая в том, что вероятностные утверждения трактуют как субъективные ожидания"
Но в своей книге R. McElreath говорит, что существуют разные школы (в т.ч. в зависимости от области применения). Таким образом получается, что выбор приора может отличаться.
При этом байесовский подход может решить достаточно сложные задачи (например, multivariate models или еще сложнее).
Но судя по некоторым авторам (A. Heiss, F. Harrell, A. Gelman, R. McElreath и др.) это возможно освоить (но конечно потребуется немало времени и усилий).