Jaynes 的论点是，当您离开指数族时，您的估计量不再是足够的统计量。如果一个统计量对于一个参数来说是足够的，那么$\Pr(t|\theta)=\Pr(X|\theta)$. 暗示t中的信息与样本X$t$中的信息相同。贝叶斯方法总是使用X中的所有信息。非贝叶斯方法使用统计量。如果该统计数据包含相同的信息，那么估计器将不会更糟。$X$$X$

如果统计量不充分，那么它将比贝叶斯估计值更嘈杂。贝叶斯估计量总是可接受的统计量。如果分布不在指数族中，则贝叶斯估计量将随机支配它，因此估计量将不可接受。

因此，如果您不做出这样的假设，那么您最好在所有情况下都使用贝叶斯模型。如果是这样，您为什么要使用替代方案？