在频率估计中，SEM/CFA建模中很大程度的强调模型是否被识别，即每个参数是否可以从数据中唯一地估计出来。典型的想法是，对于p个参数，那么您至少需要p位信息来识别模型。

现在对于贝叶斯主义者来说，识别的概念并不是那么非黑即白。根据我对文献的阅读（Palomo et al., 2011），贝叶斯估计总是会为每个参数产生一个后验分布，无论它们的数量是多少。相反，识别被定义为好像发生了贝叶斯学习：如果后验与先验不同（由于数据的影响）。未识别的贝叶斯模型是先验和后验完全相同，并且从数据中没有学到任何东西的模型。添加更多参数似乎会降低估计每个参数的能力，并且在某个点之后模型变得无法识别。

模型识别在频率论框架中很简单，但在贝叶斯范式中则更加模糊，并引发了很多问题。

添加更多参数如何减少可用于估计其他参数的整体信息？在先验中添加信息是否会增加估计其他自由参数的能力（即，使它们更易于识别/增加贝叶斯学习）？