一个问题最近发布到我订阅的列表服务器上，当贝叶斯方法对于解决生态学领域的问题时“完成工作”至关重要时，我订阅了该问题（也许是玩世不恭？）。一般来说，我想知道贝叶斯方法何时对特定领域的进步至关重要。
在生态学中，贝叶斯方法似乎最常用于具有大而复杂的数据集的应用情况，因此我对与某个领域的重要或经典理论或假设相关的情况特别感兴趣。
例如，在生态学中，贝叶斯方法似乎是拟合复杂层次模型并获得对动物种群规模或生物种群中个体存活率等事物的准确估计的唯一方法。我不熟悉由于使用贝叶斯方法而在燃烧理论问题上取得进展的实例，尽管这可能是因为生态理论通常通过在类似 ANOVA 的框架中通过简化实验来解决，其中 p 值是历史价值的货币.
在批准用于特定适应症的医疗器械研究中，美国食品和药物管理局至少十年来一直鼓励在 III 期临床试验中使用贝叶斯方法，以便将有关器械的先验信息与试验结合起来数据。
已经写了许多关于使用贝叶斯方法来估计诊断测试参数（假阳性、假阴性……）的论文。贝叶斯方法通常是首选，因为参数通常多于观测值。与其他常见情况不同，几乎不可能增加观察次数。
下面的文章很好地概述了这个问题：
针对我自己的问题，Gopalaswamy 等人刚刚在《生态学》杂志上发表了一篇题为“老虎种群密度估计：结合信息进行强推论”的文章。他们使用贝叶斯模型将老虎研究的信息与不同的方法相结合，以提高他们估计老虎自然保护区密度的准确性。两项独立的研究表明，有 ~12 +/- 1.95 只老虎/100km2（后验平均值 +/- SD）或 6.7 +/- 2.37 只老虎/100km2。综合贝叶斯模型估计 8.5 +/- 1.95 只老虎/100km2。