贝叶斯统计经典统计区别
数学建模各类方法归纳总结
数学建模各类方法归纳总结数学建模是一门应用数学领域的重要学科，它旨在通过数学模型对现实世界中的问题进行分析和解决。
随着科技的不断发展和应用需求的增加，数学建模的方法也日趋多样化和丰富化。
本文将对数学建模的各类方法进行归纳总结，以期帮助读者更好地了解和应用数学建模。
一、经典方法1. 贝叶斯统计模型贝叶斯统计模型是一种基于概率和统计的建模方法。
它通过利用先验知识和已知数据来确定未知数据的后验概率分布，从而进行推理和预测。
贝叶斯统计模型在金融、医药、环境等领域具有广泛应用。
2. 数理统计模型数理统计模型是基于概率统计理论和方法的建模方法。
它通过收集和分析样本数据，构建统计模型，并通过参数估计和假设检验等方法对数据进行推断和预测。
数理统计模型在市场预测、风险评估等领域有着重要的应用。
3. 线性规划模型线性规划模型是一种优化建模方法，它通过线性目标函数和线性约束条件来描述和解决问题。
线性规划模型在供应链管理、运输优化等领域被广泛应用，能够有效地提高资源利用效率和降低成本。
4. 非线性规划模型非线性规划模型是一种对目标函数或约束条件存在非线性关系的问题进行建模和求解的方法。
非线性规划模型在经济学、物理学等领域有着广泛的应用，它能够刻画更为复杂的现实问题。
二、进阶方法1. 神经网络模型神经网络模型是一种模拟人脑神经元系统进行信息处理的模型。
它通过构建多层神经元之间的连接关系，利用反向传播算法进行训练和学习，实现对复杂数据的建模和预测。
神经网络模型在图像识别、自然语言处理等领域取得了显著的成果。
2. 遗传算法模型遗传算法模型是一种模拟自然界生物进化过程的优化方法。
它通过模拟遗传、交叉和突变等过程，逐步搜索和优化问题的最优解。
遗传算法模型在组合优化、机器学习等领域具有广泛的应用。
3. 蒙特卡洛模拟模型蒙特卡洛模拟模型是一种基于随机模拟和概率统计的建模方法。
它通过生成大量的随机样本，通过对样本进行抽样和分析，模拟系统的运行和行为，从而对问题进行求解和评估。
贝叶斯统计 pdf
贝叶斯统计贝叶斯统计是一种基于贝叶斯定理的统计学方法，它广泛应用于概率论、统计学、机器学习等领域。
贝叶斯统计与经典统计有所不同，它强调的是个体概率和主观概率的结合，即在缺乏足够的信息来确定一个确定的结论时，通过引入主观概率来得出一个可能的结论。
贝叶斯统计的基本思想是将概率定义为某个事件发生的可能性，并将其作为主观概率来考虑。
主观概率是指人们对于某个事件发生的可能性大小的估计。
在贝叶斯统计中，主观概率被赋予了数学意义，并且可以用于计算和推理。
贝叶斯定理是贝叶斯统计的核心，它描述了一个事件发生的概率与先验概率和似然函数之间的关系。
先验概率是指人们在观察到任何数据之前对于某个事件发生的概率的估计。
似然函数是指基于观测数据对于参数的估计函数。
贝叶斯定理将这三个因素结合起来，为人们提供了一种将先验知识和观测数据结合起来得出结论的方法。
贝叶斯统计在实际应用中有很多优点。
首先，它能够考虑到人们对于未知信息的先验知识，从而更加准确地描述了现实世界中的不确定性。
其次，它能够结合多个来源的信息，使得结论更加准确和可靠。
最后，贝叶斯统计方法可以很容易地扩展到处理复杂的问题，例如在机器学习中的分类、聚类等问题。
然而，贝叶斯统计也存在一些挑战和限制。
首先，主观概率的估计需要人们的经验和专业知识，因此可能会存在误差和不准确的情况。
其次，在一些复杂的问题中，参数的先验分布可能难以确定，这也会影响结论的准确性。
最后，贝叶斯统计方法在处理大数据集时需要大量的计算资源，因此可能会存在效率和性能方面的问题。
总之，贝叶斯统计是一种基于主观概率和贝叶斯定理的统计学方法，它具有很多优点和实际应用价值。
虽然存在一些挑战和限制，但随着技术的不断发展和应用场景的不断扩大，贝叶斯统计将会得到越来越广泛的应用和发展。
贝叶斯统计经典统计区别
贝叶斯统计经典统计区别
贝叶斯统计与经典统计的区别
摘要：21世纪，贝叶斯统计打破经典统计独树一帜的局面，已经开始应用到各个领域，但是两个学派存在着很多争论。
本文从经典统计和贝叶斯统计在基础理论方面是否利
用先验信息，在基本性质方面是否把参数当做随机变量、是否重视未出现的样本信息、对
概率的理解的不同以及在点估计、区间估计等方面等来分析它们的区别，并比较分析了他
们在统计推断中的优缺点。
关键词：贝叶斯统计，经典统计，先验信息，点估计，区间估计，假设检验
一、贝叶斯统计和经典统计基本理论的区别统计推断所依据的信息不同：
经典统计，即基于总体信息、样本信息所进行的统计推断。
它的基本观点是：把数据
看成是来自具有一定概率分布的总体，所研究的对象是这个总体而不局限于数据本身。
而
贝叶斯统计是基于总体信息、样本信息、先验信息进行的统计推断。
它最基本的观点是：
任一个未知量?%a 都可以看做是一个随机变量，应用一个概率分布去描述对 ?%a的未知状况。
这个概率分布是在抽样前就有的关于?%a的先验信息的概率陈述。
经典统计和贝叶斯统计最主要的区别就是在于是否利用了先验信息。
贝叶斯推断是基
于总体信息、样本信息、先验信息，而经典统计推断只依赖于总体信息和样本信息。
二、贝叶斯统计和经典统计的基本性质不同：
感谢您的阅读，祝您生活愉快。
(完整版)贝叶斯统计方法
贝叶斯方法贝叶斯分类器是一种比较有潜力的数据挖掘工具，它本质上是一种分类手段，但是它的优势不仅仅在于高分类准确率，更重要的是，它会通过训练集学习一个因果关系图（有向无环图）。
如在医学领域，贝叶斯分类器可以辅助医生判断病情，并给出各症状影响关系，这样医生就可以有重点的分析病情给出更全面的诊断。
进一步来说，在面对未知问题的情况下，可以从该因果关系图入手分析，而贝叶斯分类器此时充当的是一种辅助分析问题领域的工具。
如果我们能够提出一种准确率很高的分类模型，那么无论是辅助诊疗还是辅助分析的作用都会非常大甚至起主导作用，可见贝叶斯分类器的研究是非常有意义的。
与五花八门的贝叶斯分类器构造方法相比，其工作原理就相对简单很多。
我们甚至可以把它归结为一个如下所示的公式：选取其中后验概率最大的c，即分类结果，可用如下公式表示贝叶斯统计的应用范围很广，如计算机科学中的“统计模式识别”、勘探专家所采用的概率推理、计量经济中的贝叶斯推断、经济理论中的贝叶斯模型等。
上述公式本质上是由两部分构成的：贝叶斯分类模型和贝叶斯公式。
下面介绍贝叶斯分类器工作流程：1．学习训练集，存储计算条件概率所需的属性组合个数。
2．使用1中存储的数据，计算构造模型所需的互信息和条件互信息。
3．使用2种计算的互信息和条件互信息，按照定义的构造规则，逐步构建出贝叶斯分类模型。
4．传入测试实例5．根据贝叶斯分类模型的结构和贝叶斯公式计算后验概率分布。
6．选取其中后验概率最大的类c，即预测结果。
一、第一部分中给出了7个定义。
定义1 给定事件组，若其中一个事件发生，而其他事件不发生，则称这些事件互不相容。
定义 2 若两个事件不能同时发生，且每次试验必有一个发生，则称这些事件相互对立。
定义 3 若定某事件未发生，而其对立事件发生，则称该事件失败定义4 若某事件发生或失败，则称该事件确定。
定义 5 任何事件的概率等于其发生的期望价值与其发生所得到的价值之比。
定义6 机会与概率是同义词。
贝叶斯统计与经典统计异同
1贝叶斯统计与经典统计的异同曹正最近初步接触了在与经典统计的争论中逐渐发展起来的贝叶斯统计。
贝叶斯派不同于频率派的地方在于他们愿意作出不是基于数据的假定，也就是说他们的观点来自何处并没有严格的限定。
我觉得Bayes 统计的思想非常有意思，根据课堂上老师的指导，我清楚了Bayes的基本观点：1.认为未知参数是一个随机变量，而非常量。
2.在得到样本以前，用一个先验分布来刻画关于未知参数的信息。
3. Bayes 的方法是用数据，也就是样本，来调整先验分布，得到一个后验分布。
4.任何统计问题都应由后验分布出发。
为了更好的理解两种统计思想，我查阅了一些参考文献，整理出以下一些结论：以往，经典统计方法占据着统计学的主导地位，但是，贝叶斯方法正在国外迅速发展并得到日益广泛的应用，可以说“二十一世纪的统计学是贝叶斯的时代”。
假设检验问题是统计学的一类重要问题，以下我们从这个角度对两大学派的假设检验思想进行一些比较，以揭示两种思想的区别与联系，并着重探讨贝叶斯方法的优势。
在经典统计中处理假设检验问题，用的是反证的思想进行推断，即：在认定一次实验中小概率事件不会出现的前提下，若观察到的事件是0 H 为真时的小概率事件，则拒绝0 H 。
具体的步骤是：1.建立原假设0 1 H ∈Θ vs 备择假设 1 2 H ∈Θ ；2.选择检验统计量T = T(x)，使其在原假设0 H 为真时概率分布是已知的，这在经典方法中是最困难的一步。
3.对给定的显著水平α ，确定拒绝域，使犯第一类错误的概率不超过α 。
4.当样本观测值落入拒绝域W 时，就拒绝原假设0 H ，接受备择假设1 H ；否则就保留原假设。
2而在Bayes 统计中，处理假设检验问题是直截了当的，依据后验概率的大小进行推断。
在获得后验分布π (θ | x)后，即可计算两个假设 0 H 和1 H 的后验概率0 α 和1 α ，然后比较两者的大小，当后验概率比（或称后验机会比） 0 α / 1 α > 1时接受 0 H ；当0 α / 1 α < 1时，接受 1 H ；当0 α / 1 α ≈ 1时，不宜做判断，还需进一步抽样或者进一步搜集先验信息。
贝叶斯统计 经典统计 先验信息
贝叶斯统计经典统计先验信息贝叶斯统计与经典统计是统计学中两个重要的分支，它们在统计推断和参数估计等方面有着不同的理论基础和方法。
在进行统计分析时，我们通常会考虑先验信息，也就是在观测数据之前已经获得的关于参数的知识或信念。
下面将分别介绍贝叶斯统计和经典统计中的先验信息。
1. 贝叶斯统计中的先验信息：贝叶斯统计的核心思想是基于贝叶斯定理，通过将先验信息与观测数据相结合来更新对参数的估计。
以下是一些贝叶斯统计中常见的先验信息：- 先验分布：根据领域知识或以往实验的结果，我们可以选择一个适当的先验分布来描述参数的不确定性。
例如，对于一个二项分布的参数p，我们可以选择一个Beta分布作为其先验分布。
- 先验均值：如果我们对参数的均值有一定的认识，可以将其设置为先验均值。
这可以是基于经验或专家知识得出的结果。
- 先验方差：如果我们对参数的方差有一定的预期，可以将其设置为先验方差。
这可以反映出我们对参数的不确定性程度。
2. 经典统计中的先验信息：经典统计是基于频率主义的理论，它主要关注样本的分布和参数的估计。
以下是一些经典统计中常见的先验信息：- 假设检验：在进行假设检验时，我们通常会根据先验信息提出一个原假设和一个备择假设。
原假设是我们想要进行推断的参数满足的条件，备择假设是原假设不成立的情况。
- 置信区间：在估计参数时，我们可以根据先验信息构造一个置信区间。
置信区间可以反映我们对参数估计的不确定性程度。
- 样本大小：在经典统计中，样本大小对于参数估计的准确性和置信区间的精度有重要影响。
我们可以根据先验信息来确定样本大小，以保证估计结果的可靠性。
3. 贝叶斯统计与经典统计的先验信息比较：贝叶斯统计和经典统计在先验信息的处理上有所不同。
贝叶斯统计中，先验信息直接融入了参数的估计过程，而经典统计中，先验信息主要用于假设检验和置信区间的构造。
贝叶斯统计更加注重主观先验信息的利用，而经典统计更加注重样本数据的分布和频率性质。
应用数理统计
数理统计是在概率论的基础上发展起来的。
在概率论中随机变量的分布总是假设给定的，而数理统计假设总体的分布未知，假定总体的分布是某一个分布族的成员。
数理统计主要是某些现象在一定精确程度上做出判断与预测。
因为大数定理，把大量的事实经验，进行理论总结，所以才能进行假设检验。
基本思想：它以随机现象的观察试验取得资料作为出发点,以概率论为理论基础来研究随机现象.根据资料为随机现象选择数学模型，且利用数学资料来验证数学模型是否合适,在合适的基础上再研究它的特点,性质和规律性.应用价值：数理统计在自然科学、工程技术、管理科学及人文社会科学中得到越来越广泛和深刻的应用，其研究的内容也随着科学技术和政治、经济与社会的不断发展而逐步扩大，概括地说可以分为两大类：⑴试验的设计和研究，即研究如何更合理更有效地获得观察资料的方法；⑵统计推断，即研究如何利用一定的资料对所关心的问题作出尽可能精确可靠的结论，主要方法:参数估计、假设检验、回归分析、方差分析、正交分析。
我们的数理统计课程只讨论统计推断。
数理统计以概率论为基础，根据试验或观察得到的数据，来研究随机现象统计规律性的学科。
本课程的目的是让学生了解统计推断检验等方法并能够应用这些方法对研究对象的客观规律性作出种种合理的估计和判断。
掌握总体参数的点估计和区间估计。
掌握假设检验的基本方法与技巧。
理解平方差分析及回归分析的原理，并能运用其方法和技巧进行统计推断。
缺陷：统计学处理的都是带有随机误差的数据。
分析这样的数据，得出的结论就可能出错或不准确，出错的可能性的大小，不准确的程度如何，需要用概率论的概念和方法作定量的刻画。
但是如果严格遵守这一规范，好多问题我们又不能解决。
于是就转向了一些人为的、不太复杂的、用现行数学工具可以处理的模型，但是这种模型往往会缺乏现实性。
二、经典统计与贝叶斯统计的区别： 1. 贝叶斯统计：贝叶斯统计的两个基本概念是先验分布和后验分布。
贝叶斯推断方法的关键是任何推断都必须只根据后验分布，而不能再设计样本分布。
贝叶斯统计与经典统计的差别主要是哪些
贝叶斯统计与经典统计的差别主要是哪些，谈谈你对此的理解
贝叶斯统计学派与经典统计学派在很多问题上都有分歧但是它们最根本的分歧是:第一，是否利用先验信息。
由于产品的设计、生产都有一定的继承性，这样
就存在许多相关产品的信息以及先验信息可以利用，贝叶斯统计学派认为利用这些先验信息不仅可以减少样本容量，而且在很多情况还可以提高统计精度；而经典统计学派忽略了这些信息。
第二，是否将参数e看成随机变量。
贝叶斯统计学派的最基本的观点是:任一未知量e都可以看成随机变量，可以用一个概率分布
去描述，这个分布就是先验分布。
因为任一未知量都具有不确定性，而在表述不确定性时，概率与概率分布是最好的语言；相反，经典统计学派却把未知量e
就简单看成一个未知参数，来对它进行统计推断。
贝叶斯统计学派与经典统计学派虽然有很大区别，但是它们各有优缺点，各有其适用的范围，作为研究者一定要博采众长，以获得一种更适合解决实际问题的方法。
而且，在不少情况下，二者得出的结论在形式上是相同的。
贝叶斯统计中我认为最重要的内容是利用先验信息去求后验分布，这个是与经典统计的主要差别的，利用好先验信息在很多情况下提高统计精度。
最难学的感觉是第二章贝叶斯推断，假设检验里面的各种假设方法难以理解，各种密度函数的形式记不牢，在写答案的时候经常会卡带。
这门课主要是改变了自己对待信息的一种态度，可以从一段话里面提取各种对自己有用的信息，例如对先验信息的提示等。
我觉得自己对待这门课的态度还是挺认真的，虽然不是很听得懂，但是已经很努力的去理解了的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
贝叶斯统计与经典统计的区别
摘要：21世纪，贝叶斯统计打破经典统计独树一帜的局面，已经开始应用到各个领域，但是两个学派存在着很多争论。
本文从经典统计和贝叶斯统计在基础理论方面是否利用先验信息，在基本性质方面是否把参数当做随机变量、是否重视未出现的样本信息、对概率的理解的不同以及在点估计、区间估计等方面等来分析它们的区别，并比较分析了他们在统计推断中的优缺点。
关键词：贝叶斯统计，经典统计，先验信息，点估计，区间估计，假设检验
一、贝叶斯统计和经典统计基本理论的区别
统计推断所依据的信息不同：
经典统计，即基于总体信息、样本信息所进行的统计推断。
它的基本观点是：把数据看成是来自具有一定概率分布的总体，所研究的对象是这个总体而不局限于数据本身。
而贝叶斯统计是基于总体信息、样本信息、先验信息进行的统计推断。
它最基本的观点是：任一个未知量?%a 都可以看做是一个随机变量，应用一个概率分布去描述对 ?%a的未知状况。
这个概率分布是在抽样前就有的关于?%a的先验信息的概率陈述。
经典统计和贝叶斯统计最主要的区别就是在于是否利用了先验
信息。
贝叶斯推断是基于总体信息、样本信息、先验信息，而经典统计推断只依赖于总体信息和样本信息。
二、贝叶斯统计和经典统计的基本性质不同：
1.对概率的理解不同
经典统计学派认为经典统计学是用大量实验来确定概率、是”客观的”、是符合科学要求的，认为贝叶斯统计的确定的概率是”主观的”，因此至多只对个人决策有用。
贝叶斯学派认为引入主观概率及由此确定的先验分布，首先至少可以把概率与数理统计的研究与应用的范围扩大到大量不能重复的随机现象中来，其次，主观概率的确定也不是随意的，而是要求当事人对所考查的时间有比较透彻的了解，甚至是这一行的专家，在这个基础上确定的主观概率就能符合实际。
2.使用样本信息上也有差异
贝叶斯学派重视已出现的样本观察值，而对尚未发生的样本观察值不予考虑，贝叶斯学派很重视先验信息的收集、挖掘和加工，使它数量化，形成先验分布，参加到统计推断中来，以提高统计推断的质量。
而忽视先验信息的利用，有时是一种浪费，有时还会导致不合理的结果。
经典统计学派还考虑未出现的样本信息，虽然在实际中样本空间中绝大多数样本可能未出现过，甚至重复数百次也不会出现。
这个观点是不被贝叶斯学派所接受的。
3.对总体参数认识不同
依赖于参数?%a的密度函数在经典统计中记为p(x； ?%a)或者p?%a(x) ，他表示在参数空间?%a={?%a}中不同的?%a对应不同的分布。
这里?%a 是一个未知的常量，不存在着分布。
可在贝叶斯统计
中，依赖于参数 ?%a的密度函数为p(x│?%a) ，它表示在随机变量 ?%a给定某个值是，总体指标x的条件分布。
这里?%a 是一个随机变量，给定一个 ?%a的值，便有一个对应的分布。
4.应用领域不同
由于经典统计学实用大量重复试验的频率来确定概率的，所以它的应用领域局限于能够大量重复的随机现象。
但是很多经济现象都是不能重复或者大量重复的，在这类事件中用频率的方法去确定有关事件的概率常常是不可能的或者很难实现的。
贝叶斯由于引入主观概率及由此确定的先验分布把概率与数理统计的研究与应用的范围扩大到大量不能重复的随机现象中来。
三、贝叶斯统计和经典统计在统计推断上的差异
1.点估计差异
经典统计学认为参数的无偏估计为e ?%a(x) = ?%a(x)p(x │?%a)dx=?%a ，其中的平均是对空间中所有出现的样本而求的，实际中可能这些样本尚未出现过或者说重复几百次也不会出现，但是它们也要在评价估计量?%a的好坏中占有一席之地。
这叫无偏估计，但是在贝叶斯推断中不用无偏性而是用易于被实际工作者理解和接受的条件方法。
最大似然估计值是指固定样本观察值
x1,x2,...,xn ，在?%a的取值范围内挑选使似然函数
l(x1,x2,...,xn; ?%a) 达到最大的参数值，即使得
l(x1,x2,...,xn; )=maxl(x1,x2,...,xn; ?%a);?%a∈?%a
经典统计中评定估计量好坏的标准为无偏性、一致性、有效性。
在没有充分的样本信息时，用贝叶斯点估计，往往能够达到更好的精度，因为它充分利用了先验信息。
在二项分布的场合， ?%a的最大后验估计就是经典统计中的极大似然估计。
2.区间估计差异
区间估计问题，贝叶斯方法处理方便、含义清除，而经典统计方法寻求的置信区间常常受到批评。
贝叶斯方法中叫可信水平、求得到的区间叫可信区间，而在经典统计中叫置信水平、求得到的区间叫置信区间。
这两组概念是同类的概念，但是两者有本质的差别：首先，在条件方法下，给定了样本x和可信水平1-?hq 后通过后验分布可以求得具体的可信区间 (l,u),我们可以说” ?%a落在这个区间的概率为1-?hq “，也可以说”这个区间包含 ?%a的概率为1-?hq”。
但是如果是用经典统计方法求得的置信区间，我们不能这样表述，因为在经典统计中， ?%a是一个常量，要么在求得的置信区间(l,u)内，要么不在区间(l,u)内，不能说”落在这个区间的概率为1-?hq “，只能说”在100次试验中，该区间大约100（ 1-?hq）盖住了?%a 。
这种频率的解释对于仅仅使用一次或者二次的人来说是毫无意义的。
在实际情况中就有很多人把求得的置信区间按照可信区间去理解。
其次，在经典统计中寻求置信区间有时是困难的，因为需要构造一个枢轴统计量（含有被估参数的随机变量），使它的分布不含有位置参数，这是一项技术性很强的工作，不熟悉 ?%a∈?%a0分布”是很难完成的，而寻求可信区间只需要利用后验分布，不需要再去寻求另外的分布，两种方法相比，可信区
间的寻求简单的多。
3.假设检验差异.
（1）两种检验思想
经典统计假设检验的思想：
①建立原假设 h0与被择假设h1 ：
h0:?%a∈?%a0 h1:?%a∈?%a1
其中 ?%a0和?%a1是参数空间?%a 中不想交的二个非空子集。
②选择统计量，使其在原假设为真时的概率分布已知，这在经典统计方法中是最困难的一步。
③对给定的显著性水平?hq(0＜?hq＜1) ，确定拒绝域w，使犯第一类错误的概率不超过?hq。
④.当样本观察值x落入拒绝域w时，就拒绝原假设，接受被择假设，否则就拒绝原假设。
（2）贝叶斯假设检验思想
在有后验分布?%i(?%a│x) 后，直接计算原假设和备择假设的后验概率，即为ai=p(?%ai│x) d?%a,i=0,1。
计算得到 a0和 a1，然后直接比较它们的大少，当a0 / a1>1时就接受原假设，当a0 / a1<1，就接受备择假设，而如果当 a0/a1≈ 1时，则需要进一步抽样或者进一步搜集先验信息。
贝叶斯假设检验比较简单，它不需要事先确定抽样分布以及选择检验统计量，也不需要事先给出显著性水平，确定拒绝域。
并且由于在经典统计中把参数看做是一个常量，而不是一个随机变量，
那么原假设h0:?%a∈?%a0和备择假设 h1:?%a∈?%a1
就算不出概率来，但是贝叶斯统计可以直接算出概率来。
4.统计推断模式差异
贝叶斯理论在统计推断模式上与经典统计的不同之处在于：在频率统计中，似然函数概括了模型参数的全部信息，因此参数?%a 的统计推断只要利用似然函数就够了；而贝叶斯既利用了似然函数又利用了参数先验信息。
如果先验信息很少或者没有先验信息，这样基于经典统计方法和贝叶斯统计方法所得到的结论基本相同。
四、总结
与经典统计相比，贝叶斯方法具有如下几个方面的优点：
（1）充分利用了样本信息和模型参数先验信息，贝叶斯估计量具有更小的方差或平方误差，能得到更精确的预测结果。
（2）贝叶斯hpd置信区间比不考虑参数先验信息的频率置信区间短。
（3）能对假设检验或估计问题所作出的判断结果进行量化评价，而不是频率统计中”接受原假设”或者”拒绝原假设”的简单判断。
贝叶斯统计学和经典统计学在理论方面有很大区别，在统计推断中的应用也各有其优缺点，目前尚无定论，贝叶斯学着承认经典统计，而经典统计学派也在运用贝叶斯统计学。
这两种统计方法也各有其使用范围，作为研究者，在解决实际问题时，应该要博采众长，从而更好的解决实际问题。
参考文献
[1] 茆诗松．贝叶斯统计．北京：中国统计出版社．1999．
[2] 盛骤，谢式千，潘承毅．概率论与数理统计．北京：高等教育出版社．2009．
[3] 朱慧明，林静．计量经济模型.北京科学出版社．2009．
[4] 李小胜，夏玉华．当代贝叶斯计量经济学分析框架与展望．财贸研究．2007．
作者简介：刘文静(1990年-)，女，湖北仙桃人，中南财经政法大学统计与数学学院，研究方向：统计。