Exemplo de como a estatística bayesiana pode estimar parâmetros que são muito difíceis de estimar através de métodos freqüentes

Os estatísticos bayesianos sustentam que "a estatística bayesiana pode estimar parâmetros que são muito difíceis de estimar através de métodos freqüentes". A seguinte citação retirada desta documentação do SAS diz a mesma coisa?

Ele fornece inferências que dependem dos dados e são exatas, sem depender de aproximação assintótica. A inferência de amostra pequena ocorre da mesma maneira como se houvesse uma amostra grande. A análise bayesiana também pode estimar qualquer função dos parâmetros diretamente, sem usar o método "plug-in" (uma maneira de estimar os funcionais inserindo os parâmetros estimados nos funcionais).

Vi uma declaração semelhante em algum livro, mas não me lembro onde. Alguém por favor pode me explicar isso com um exemplo?

Eu tenho objeções com essa citação:

1. $\theta$$\theta$
2. $\pi(\theta|\mathfrak{D})$$\pi(\theta|\mathfrak{D})$$\pi(\theta)$$\theta$declarações de probabilidade somente dentro da estrutura fornecida pelo par antes x verossimilhança . Alterar um termo no par modifica o posterior e a inferência, enquanto não há argumento genérico para defender um único prior ou probabilidade.
3. Da mesma forma, outras declarações de probabilidade como “o parâmetro true tem uma probabilidade de 0,95 de cair em um intervalo credível de 95%” encontradas na mesma página desta documentação do SAS têm um significado em relação à estrutura da distribuição posterior, mas não em valor absoluto.
4. $$f(x|\theta)=\int g(x,z|\theta)\,\text{d}z$$ $g(x,z|\theta)$$(X,Z)$$Z$$\theta$$(\theta,\mathfrak{Z})$, onde a evolução de populações de um ancestral comum envolve eventos latentes em árvores binárias. Esse modelo pode ser tratado por inferência bayesiana [aproximada] por meio de um algoritmo chamado ABC, embora também existam resoluções de software não bayesianas .
5. No entanto, mesmo nesses casos, não acho que a inferência bayesiana seja a única solução possível. Técnicas de aprendizado de máquina, como redes neurais, florestas aleatórias, aprendizado profundo, podem ser classificadas como métodos freqüentistas, pois treinam uma amostra por validação cruzada, minimizando um critério de erro ou distância que pode ser visto como uma expectativa [no modelo real] aproximado por uma média amostral. Por exemplo, o modelo coalescente de Kingman também pode ser tratado por resoluções de software não Bayesianas .
6. $\mathfrak{h}(\theta)$$\mathfrak{h}(\hat\theta)$$\theta$