Estou trabalhando em um modelo que conta com uma função parametrizada feia que atua como uma função de calibração em uma parte do modelo. Usando uma configuração bayesiana, preciso obter informações preliminares não informativas para os parâmetros que descrevem minha função. Eu sei que, idealmente, devo derivar referência ou pelo menos Jeffreys anteriores, mas a função é muito feia, tem muitos parâmetros e sou pessimista quanto à possibilidade de obter realmente um resultado. Por isso, decidi abandonar essa possibilidade e escolher empiricamente meus anteriores, procurando por eles para não serem informativos. Aqui estão minhas duas perguntas.
Posso fazer mais do que bisbilhotar e fornecer informações sobre a não informatividade dos resultados de inferência? Edit: Eu acho que traçar Vs posteriores anteriores seria o primeiro ponto. Talvez comparar as estimativas de MAP e ML poderia ser um segundo argumento?
Além disso, isso faz sentido para justificar algum aspecto da escolha de uma "análise dimensional"? Como exemplo, se considerar uma estrutura de probabilidade do formulário (em uma configuração de regressão simples): Você acha que eu posso adivinhar qualquer "estrutura" para o anterior em um e b baseada no fato de que um pesa x , enquanto os outros pesa e x ?