据我了解，选择先验为您的分析提供了一些起点。从那里，分布由观察到的数据形成。显然，您观察到的数据越多，先验分布和后验分布之间的差异可能就越大（特别是如果选择的先验分布不合适）。因此，对于一些较大的n来说，先验的选择基本上是无关紧要的，因为观察到的数据会压倒先验，这似乎是有道理的。事实是这样吗？如果是这样，这实际上是否会在实践中发生（或者n的值是否需要非常大以至于该点纯粹是理论上的）？
我面临的根本问题是，如果我有m个数据点并且我担心我先前的适当性，那么我可以使用哪些工具来确定我的担忧是否合法？
注意：我意识到这个问题是非常理论化的，并且实际上不可能给出具体的答案（我确信这在很大程度上取决于分布的类型，先验的不合适程度等），所以我担心这可能违反了问题必须是“基于您所面临的实际问题的实用、可回答的问题”的条件。如果是这种情况，请告诉我。我是该网站的新手，还没有真正掌握礼仪……
无论您有多少观察结果，总是有可能创建一个会使您的数据不堪重负的先验。但是，对于任何固定的先验，随着观察次数的增加，先验的影响会缩小（Macro 在评论中指出的 0 质量情况除外）。
对于某些先验分布，有一个“先验样本大小”的概念：如果您的先验样本大小是并且您有观察值，那么后验在某种意义上是先验和数据的加权平均值，分别用和加权。最容易看到这一点的地方是当 Beta 分布用作二项分布的先验时，其中先验样本大小为。如果我使用之前，这有点像说我相信我的先验信息与 5 次观察一样好，并且我预计 80% 的时间会成功。如果我然后观察 5 个数据点（比如 3 个成功，2 个失败），我的后验将是 - 现在我的后验值得 10 次观察（5 个先验 + 5 个数据），平均值0.7。先验在这里仍然非常重要。但是如果我观察 500 次观察，那么我的先验基本上是无关紧要的，因为我的数据样本量是我之前的样本量的 100 倍。
另一方面，我可以先使用。在这种情况下，即使我观察了 5000 个数据点，我的后验仍然主要由我的先验决定。
如果您的情况很容易计算这种“先验样本量”（其中还包括普通模型，例如 Normal-Normal、InverseGamma-Normal 和 Gamma-Poisson），那么这可以让您了解您的先验相对于您的数据有多大影响。否则，我会尝试在扩散先验方面犯错，因为（通常）高估你的后验不确定性比低估它更好。