在进行常客统计时，有一长串大禁忌，例如在决定收集更多数据之前查看统计测试的结果。我一般想知道贝叶斯统计中涉及的方法是否有类似的禁止清单，特别是以下是否是其中之一。
我最近意识到，对于我一直在拟合的一些模型，我的过程是首先用信息先验来拟合模型，看看它是否有效或崩溃，然后将先验削弱为无信息或信息量较弱的改装模型。
我这样做的动机确实与我在 JAGS/Stan 中编写这些模型这一事实有关，在我看来，我一直将其视为编程任务而不是统计任务。因此，我进行了第一次运行，通过使用信息先验来快速收敛，从而更容易在我编写的模型中发现错误。然后，在调试模型之后，我用信息量不足或信息量不足的先验对其进行改装。
我的问题是我是否在这个过程中违反了一些严肃的规则。例如，为了使我的推论有效，并避免利用研究人员的自由度，在开始拟合任何模型之前，我是否需要承诺特定的先验？
主观贝叶斯主义者可能不同意，但从我的角度来看，先验只是模型的一部分，就像可能性一样。根据模型行为改变先验并不比改变你的似然函数好或坏（例如尝试不同的误差分布或不同的模型公式）。
如果它让您进行钓鱼探险可能会很危险，但其他选择可能会更糟。例如，在您提到的情况下，您的模型崩溃并且您得到无意义的系数，那么您别无选择，只能重试。
此外，您可以采取一些步骤来尽量减少钓鱼探险的危险：
我认为你在这种情况下没问题，原因有以下三个：
你实际上并没有根据你的结果调整你的先验。如果你说“我使用 XYZ 先验，并根据收敛速度和我的 DIC 结果，然后我通过 ABC 修改我的先验”，那么我会说你是在拒绝，但在这种情况下它听起来你真的没有这样做。
在贝叶斯上下文中，先验是明确的。因此，您可能会不恰当地调整您的先验，但由此产生的先验将始终可见，以供其他人检查，他们可能会质疑您为什么拥有这些特定的先验。也许我在这里很天真，因为很容易看到类似先验的东西并说“嗯，看起来很合理”只是因为有人提供了它，但是......
我认为您所做的与 Gelman（和其他人）的建议有关，即逐步建立 JAGS 模型，首先使用合成数据，然后使用真实数据，以确保您没有规范错误. 这并不是频率论方法的真正因素，也不是真正的实验方法。
再说一次，我自己还在学习这些东西。
PS当你说你最初将它与“信息先验”快速收敛时，你的意思是实际上是由手头问题驱动的信息先验，还是只是由于任意原因强烈推动/限制后验以加速“收敛”的先验“到某个任意点？如果是第一种情况，你为什么要远离这些（有动机的）先验？
如果您尝试先验并根据其在手头数据上的表现选择一个，则它不再是“先验”。它不仅取决于数据（如经验贝叶斯分析），还取决于您想看到的内容（更糟）。最后，您确实使用了贝叶斯工具，但这不能称为贝叶斯分析。
我会说不，您不必承诺特定的先验。通常在任何贝叶斯数据分析期间，您都应该分析模型对先验的敏感性。这将包括尝试各种其他先验，看看结果会发生什么。这可能会揭示应该使用的更好或更强大的先验。
两个明显的“禁忌”是：为了获得更好的拟合而过多地使用先验，导致过度拟合，并更改模型的其他参数以获得更好的拟合。作为第一个示例：更改均值的初始先验，使其更接近样本均值。第二个：在回归中更改解释变量/特征以获得更好的拟合。这在任何版本的回归中都是一个问题，并且基本上会使您的自由度无效。