如果您没有强烈的先验信念或假设，则可以使用非信息性先验，它不会强加强结构或约束。相反，他们试图以有原则的方式表达对参数的无知。Jeffreys 先验和参考先验就是突出的例子。可以施加非常一般的约束（例如，特定参数必须是非负的）。当“更强”的先验以与您的实际（缺乏）知识/信念不一致的方式不合理地支持某些假设时，非信息性先验很有用。沿着类似的思路，参见无差异原则和最大熵. 因为非信息先验表达了对参数的很大程度的无知，后验分布通常会受到似然函数的更大影响。有关更多信息，请参阅：

卡斯和瓦瑟曼 (1996)。通过正式规则选择先验分布。

如果您对正在建模的系统有更强的先验知识/信念（例如领域知识、以前的发现），您可以使用信息丰富的先验知识。您的信念可能无法完全指定完整分布。例如，您可能认为某些参数范围更有可能，但您的信念是否与某些特定的参数形式（例如正态分布、伽马分布等）精确对应？在实践中，先验的选择将反映满足您的（可能不完整的）信念、约定和计算便利性的某种组合。

您可以将领域专家的知识提炼成先前的分布。这称为“先验启发”（例如，参见此处的讨论）。一般的方法是提出一系列问题以提取专家的知识/信念，然后使用答案构建先验分布。

就我而言，我有一个经验先验概率可用于计算后验概率。但这不是主观的做法，我相信。

相反。“这样做的主观方式”是询问您想要假设的信息，然后相应地构建先验。如果您乐于对案例进行可交换性判断，那么这意味着对先验的一些分布约束（请参阅多级模型）。如果您有一个已知的约束，例如您认为某个数量应该具有有限方差，但不知道该方差是什么（或者甚至某些数量应该加起来为 7），那么这意味着其他分布约束（参见最大熵）。如果您有历史数据，那就更好了；这可能有助于确定先前信息所暗示的分布的一些参数。

这些都不是必需的，尤其是因为主观先验预设的主题不一定是你。但是，在一般情况下，您不希望围绕诸如忽略历史证据的主题的信念建立先验。因此，您通常会考虑历史信息。使构建的先验“主观”的原因在于，它可以通过比历史数据更多的信息来获得信息。

如果我没有任何先验经验信息，我如何估计先验概率？

无论是您还是其他任何人，都不会遇到这种情况，所以没关系。