Bradley Efron 写过这方面的文章，最近还参加了题为“贝叶斯估计的频率准确性”的 JRSS 网络研讨会（此处：http ://www.rss.org.uk/RSS/Events/Online_and_virtual_events/Journal_club/Past_Journal_webinars/RSS/Events/ Online_and_virtual_events_sub/Past_Journal_webinars.aspx?hkey=5c97f80b-3f97-401b-ad75-2ee6ff5f6c0c），其中讨论者是 Andrew Gelman。

Efron 明确使用参数引导来开发“贝叶斯点估计的频率标准差......”

在缺乏相关的先验经验的情况下，流行的贝叶斯估计技术通常从某种形式的“无信息”先验分布开始，旨在具有最小的推理影响。贝叶斯规则仍然会产生漂亮的估计和可信的区间，但这些缺乏与基于经验的先验相关的逻辑力量，需要进一步证明。本文关注贝叶斯估计的频率论评估。显示了一个简单的公式来给出贝叶斯点估计的频率标准差。点估计所需的相同模拟也会产生标准偏差。指数族模型使计算特别简单，并引入了与参数引导程序的连接。

所以，不，引导程序对贝叶斯来说并不是“无用的”。

首先，您对贝叶斯统计的解释似乎有点局限。贝叶斯方法不一定依赖于信念，例如客观贝叶斯方法将先验视为表达观察数据的参数分布所需的催化剂。

其次，当信念可用时，它与观察无关。根据定义，先验独立于观察到的数据，我猜当说“贝叶斯只依赖信念，并通过重新采样原始数据：我怀疑信念会改变”时，你误解了后验分布的含义。

最后，bootstrap 可以用来估计某种后验分布。答案是否可以从贝叶斯的角度解释引导程序？为您提供详细信息，但这是答案的摘录：

因此，我们可以将引导分布视为“穷人的”贝叶斯后验。通过扰动数据，bootstrap 近似于扰动参数的贝叶斯效应，并且执行起来通常要简单得多。