即使您使用高度非信息性先验，也可能采用贝叶斯方法的两个原因：

• 收敛问题。有一些分布（二项式、负二项式和广义伽马是我最熟悉的）在一段时间内存在收敛问题。您可以使用“贝叶斯”框架 - 以及特定的马尔可夫链蒙特卡罗 (MCMC) 方法，通过计算能力从根本上解决这些收敛问题，并从中获得体面的估计。
• 解释。贝叶斯估计 + 95% 可信区间比常客估计 + 95% 置信区间具有更直观的解释，因此有些人可能更喜欢简单地报告这些。

尽管结果将非常相似，但它们的解释不同。

置信区间意味着多次重复实验并能够在 95% 的时间内捕获真实参数的概念。但是你不能说你有 95%的机会捕捉到它。

另一方面，可信区间（贝叶斯）允许您说区间有 95% 的“机会”捕获真实值。更新：一个更贝叶斯的说法是你可以对你的结果有 95% 的信心。

这只是因为你从$P(Data|Hypothesis)$到$P(Hypothesis|Data)$使用贝叶规则。

我相信这样做的一个原因是贝叶斯分析为您提供了完整的后验分布。这可能导致比典型的常客更详细的间隔$\pm 2 \sigma$. 来自 Reis 和 Stedinger 2005 的适用报价是：

提供参数的完整后验分布是贝叶斯方法优于经典方法的一个优势，经典方法通常只提供由似然函数的模式表示的参数的点估计，并利用渐近正态性假设和二次逼近描述不确定性的对数似然函数。使用贝叶斯框架，不必使用任何近似来评估不确定性，因为参数的完整后验分布是可用的。此外，贝叶斯分析可以为参数或参数的任何函数提供可信区间，这比经典统计中的置信区间概念更容易解释（Congdon，2001）。

因此，例如，您可以计算两个参数之间差异的可信区间。

Harold Jeffreys爵士是贝叶斯方法的坚定支持者。他表明，如果您使用分散的不正确先验，则得到的贝叶斯推理将与频率论推理方法相同（即，贝叶斯可信区域与频率论置信区间相同）。大多数贝叶斯主义者提倡适当的信息先验。不恰当的先验存在问题，有些人可能会争辩说，没有先验是真正没有信息的。我认为使用这些杰弗里斯先验的贝叶斯主义者是杰弗里斯的追随者。贝叶斯方法最坚定的倡导者之一丹尼斯·林德利（ Dennis Lindley）非常尊重杰弗里斯（Jeffreys），但提倡信息先验。