我正在研究一个模型，该模型依赖于一个丑陋的参数化函数，该函数充当模型一部分的校准函数。使用贝叶斯设置，我需要为描述我的函数的参数获取非信息性先验。我知道理想情况下，我应该派生参考或至少 Jeffreys 先验，但该函数非常丑陋，有很多参数，我对获得实际结果的可能性持悲观态度。因此，我决定放弃这种可能性，并根据经验选择我的先验，以使它们不提供任何信息。这是我的两个问题。

1. 我能做的不仅仅是窥探，而是从推理结果中洞察他们的非信息性吗？编辑：我想先绘制后验 Vs 将是第一点。也许比较 MAP 和 ML 估计可能是第二个论点？

2. 此外，从“维度分析”中证明选择的某些方面是否合理？例如，如果我考虑表单的似然结构（在简单的回归设置中）：

   $$Y | a,b,x = a.x+b.e^{-x} + \epsilon$$ 你认为我能猜出之前的任何“结构”吗$a$和$b$基于一个人称重的事实$x$而另一个重$e^x$?