Modelos Bayesianos versus Modelos clássicos  

Obrigado pela aula.

Ótima aula!

😍

Ótima aula. Obrigado! A seguir umas dúvidas, que agradeço se puder responder :) Preâmbulo das dúvidas: O modelo clássico lista uma série de probabilidades indexadas e depois cabe descobrir aquela que melhor se adequa aos dados, tarefa essa que exige que fixemos o sentido de "melhor se adequar", como fez ao selecionar o critério de máxima verossimilhança. Já o modelo Bayesiano fixa uma probabilidade naquele espaço dos parâmetros (a tal "priori"), logo pensa que o parâmetro será escolhido pela natureza naquela forma aleatória (fixada) a fim de gerar os dados, mas em posse dos dados podemos fazer uma engenharia reversa e depreender qual foi o parâmetro que a natureza sorteou, isto é, depreender mediante uma nova probabilidade (a tal "posteriori") onde esteve o valor sorteado. Dúvida 1: nessa altura (perto do 12:34) você começa a falar sobre estimar theta, apresentando vários possíveis critérios (máxima verossimilhança, valor esperado, mediana)... mas qual o propósito? O modelo Bayesiano não quer escolher o theta... É a natureza quem o escolhe. O que ganhamos em descobrir qual theta a natureza escolheu em um experimento específico que ela performou (visto que noutra instância desse mesmo experimento ela deveria vir a escolher outro)? Regredindo a pergunta: qual o ponto do Bayesiano, além de ser divertido, em olhar para a posteriori? Dúvida 2: O critério de escolha (moda, média, mediana etc) integra o modelo clássico/Bayesiano ou soma-se a ele? Dúvida 3: Você disse algumas vezes que o Bayesiano não deve considerar o dado antes de escolher o prior. Mas disse que podemos embeddar os dois modelos Bayesianos (suponho até que todos daquela família) num clássico e escolher (eg, usando máxima verossimilhança) qual melhor se adequa aos dados. Bem, o modelo escolhido dessa forma não seria um Bayesiano que considerou os dados? Então qual o real problema em o Bayesiano considerar os dados antes fixar o prior? O próprio estatístico clássico não pode/deve olhar os dados antes de fixar a família de probabilidades do seu modelo? Não entendo bem essas questões. Sei que são várias perguntas 😅, mas, se puder/quiser responder, pode responder as poucos tbm. Agradeço antecipadamente!

Obrigado pela aula! Excelente e muito claro! :) Só ma pergunta um tanto besta - Porque o termo "hierárquico", quando se fala do Modelo Clássico Hierarquico? Tem a ver com o fato de existir "aninhamento", ou seja, dentro do modelo clássico hierárquico tem outras funções dentro dele? E sobre a ideia de variável "latente" lambda que exerce influencia na probabilidade. Ela é latente para o agente que faz o experimento ou ela é considerada latente também na "Natureza", como um parâmetro? Obrigado mais uma vez!