我对这句话有异议：

1. “频率主义”是一种基于所选估计器的频率特性的推理方法。这是一个模糊的概念，因为它甚至没有说明估计器必须收敛，以及它们是否按照它们必须收敛的方式进行。例如，无偏性是一个常客的概念，但它不能适用于任何感兴趣的[参数 ] 函数，因为允许无偏估计量变换的集合非常有限。此外，频率估计器不是由范式产生的，而是必须在评估之前首先选择。从这个意义上说，如果贝叶斯估计量满足某些频率论属性，它就是频率论估计量。$\theta$$\theta$
2. 贝叶斯方法产生的推理基于后验分布，由其密度。我不明白“精确”一词如何附加到它与先验分布唯一相关，并且完全由贝叶斯定理得出。但它不会返回精确的推论，因为点估计不是的真实值，并且它仅在先验 x 似然对提供的框架内产生精确的概率陈述$\pi(\theta|\mathfrak{D})$$\pi(\theta|\mathfrak{D})$$\pi(\theta)$$\theta$. 更改对中的一项确实会修改后验和推理，而没有通用论据来捍卫单个先验或可能性。
3. 类似地，在该 SAS 文档的同一页面中找到的其他概率陈述，如“真实参数在 95% 的可信区间内下降的概率为 0.95”，具有相对于后验分布框架的含义，但不是绝对值。
4. 从计算的角度来看，在标准经典方法失败的情况下，贝叶斯方法确实可能经常返回准确或近似的答案。例如，潜在 [或缺失] 变量模型其中是对的联合密度，并且在没有观察到及其后验的估计可能比推导容易得多最大似然 [frequentist?] 估计量。这种设置的一个实际例子是群体遗传学中的金曼联合模型 $$f(x|\theta)=\int g(x,z|\theta)\,\text{d}z$$ $g(x,z|\theta)$$(X,Z)$$Z$$\theta$$(\theta,\mathfrak{Z})$，其中来自共同祖先的种群进化涉及二叉树上的潜在事件。该模型可以通过一种称为 ABC 的算法通过 [近似] 贝叶斯推理来处理，即使也存在非贝叶斯软件分辨率。
5. 然而，即使在这种情况下，我也不认为贝叶斯推理是唯一可能的解决方案。神经网络、随机森林、深度学习等机器学习技术可以归类为频率论方法，因为它们通过交叉验证对样本进行训练，最大限度地减少可被视为期望的误差或距离标准[在真实模型下]近似于样本平均值。例如，Kingman 的合并模型也可以通过非贝叶斯软件分辨率来处理。
6. 最后一点是，对于点估计，贝叶斯方法很可能会产生插件估计。对于一些我称之为内在损失的损失函数，变换的贝叶斯估计量的变换。$\mathfrak{h}(\theta)$$\mathfrak{h}(\hat\theta)$$\theta$