1 基本概念
贝叶斯统计的基础，是把“概率”看作对不确定性的度量，而不只是重复试验中的相对频率。它将已知信息、样本数据与推断目标结合起来，形成一个可以持续更新的分析框架。对于同一问题，随着新数据不断进入，结论也会随之修正。
1.1 概率与不确定性
在贝叶斯框架中，概率通常被理解为对某一事件、参数或假设可信程度的量化表达。它既可以描述随机现象，也可以描述知识不足带来的不确定性，因此适用范围比单纯的频率解释更宽。
1.1.1 主观概率与客观概率
主观概率强调观察者依据经验、知识和背景信息，对事件发生可能性的判断；客观概率则更接近可重复实验中的稳定频率。贝叶斯统计并不排斥客观证据，而是允许将主观判断形式化为可计算的概率表达。
1.1.2 条件概率
条件概率用于描述“在已知某些信息的前提下，另一事件发生的可能性”。它是贝叶斯推断的关键工具，因为先验信息、观测结果与未知量之间的关系，通常都要通过条件概率来刻画。
1.2 先验信息
先验信息是指在观测新数据之前，研究者已经掌握的知识、经验或假设。它可以来自理论推导、历史记录，也可以来自专家判断，是贝叶斯分析中不可缺少的输入之一。
1.2.1 先验分布
先验分布是对未知参数在观察数据前可能取值的概率描述。它反映了对参数范围、集中程度和不确定性的预期，并会在与数据结合后被更新为后验分布。
1.2.2 先验知识的来源
先验知识可来自前人研究、预实验、领域经验、物理约束或相关样本。实际应用中，先验并不一定需要非常精确，但应尽量与问题背景相一致，以避免与数据形成明显冲突。
1.3 似然函数
似然函数用于衡量在不同参数取值下，已观测数据出现的相对可能性。它把数据固定下来，把参数视为待比较对象，因此在推断中扮演着连接观测与未知量的桥梁角色。
1.3.1 观测数据与参数关系
似然函数来源于模型对数据生成过程的假设。不同参数值会导致对同一数据的解释强弱不同，因此通过比较似然大小，可以判断哪些参数更能支持当前观测。
1.3.2 似然与概率的区别
概率通常讨论“已知参数时数据发生的可能性”，而似然则讨论“已知数据后参数的相对支持程度”。二者形式可能相似，但含义并不相同，混淆这两者是初学者常见的误区。
1.4 后验分布
后验分布是先验分布与观测数据结合后的结果，表达在现有信息条件下，对未知量的更新认识。它是贝叶斯统计中最核心的对象之一，后续估计、检验和预测都建立在此基础上。
1.4.1 后验更新
后验更新体现了“先验 + 数据 = 新知识”的思想。随着样本增加，后验分布会逐渐从初始假设转向数据所支持的区域，更新过程可被反复应用于连续到来的信息。
1.4.2 后验解释
后验分布不仅给出一个最可能的参数范围，也提供不确定性的整体结构。研究者可以据此判断参数可能落在哪些区间，以及不同取值之间的相对可信程度。
1.5 预测分布
预测分布描述的是在已知现有数据后，未来观测结果可能呈现的分布。它将参数不确定性纳入预测过程，因此比单点预测更能反映真实风险。
1.5.1 后验预测
后验预测是把后验分布与观测模型结合，用于推断未来数据的可能形式。它广泛用于趋势判断、异常检测和情景模拟，能够直接服务于实际决策。
1.5.2 不确定性传播
不确定性传播指的是参数、模型和数据中的不确定因素如何影响最终预测结果。贝叶斯方法通过积分或采样把这些不确定性传递到预测层面，使结果呈现更完整的风险信息。
2 贝叶斯定理与核心公式
贝叶斯统计的形式化基础是贝叶斯定理。该定理提供了从先验到后验的更新规则，也构成了模型比较、证据评价和参数估计的统一框架。
2.1 贝叶斯定理
贝叶斯定理说明，后验概率与先验概率和似然函数成正比。它把“已有认识”和“新证据”结合在一起，形成新的概率判断。
2.1.1 标准形式
标准形式通常写为后验等于似然乘以前验，再除以边缘似然。这个表达式清楚展示了数据如何修正原有信念，以及归一化项如何保证结果仍是合法概率分布。
2.1.2 比例形式
比例形式强调后验与“似然 × 先验”成正比，常用于推导和比较。由于归一化项有时难以直接计算，比例关系在实际建模中尤其常见。
2.2 归一化常数
归一化常数用于将未标准化的后验表达式转换为真正的概率分布。它往往涉及对参数空间的积分，因此在复杂模型中可能成为计算难点。
2.2.1 边缘似然
边缘似然是将参数积分掉后得到的数据整体概率。它既用于归一化，也可用作模型比较的依据，反映某个模型对数据的整体解释能力。
2.2.2 模型证据
模型证据与边缘似然密切相关，是衡量模型与数据相符程度的重要量。它在贝叶斯模型选择中具有核心作用，因为它自然兼顾了拟合度与模型复杂度。
2.3 共轭先验
共轭先验是指先验分布与似然函数结合后，后验仍属于同一分布族。它使更新公式具有简洁的闭式表达，因此在理论推导和教学中十分常见。
2.3.1 定义与作用
共轭结构的主要作用是简化计算，便于直接得到后验参数。它还帮助研究者理解数据增加时，分布参数如何有规律地变化。
2.3.2 常见共轭分布对
常见的配对包括二项分布与Beta分布、泊松分布与Gamma分布、多项分布与Dirichlet分布，以及正态模型中的若干共轭形式。这些组合构成了许多经典贝叶斯模型的基础。
2.4 参数估计
在贝叶斯框架下，参数估计不再只追求一个最优点，而是关注后验分布所提供的整体信息。不同估计准则对应不同的摘要方式。
2.4.1 后验均值
后验均值是后验分布的期望值，常被用作估计结果。它综合了整个后验区域的信息，通常较为稳定，但在偏态分布下未必最能代表高密度区域。
2.4.2 最大后验估计
最大后验估计指后验分布达到最大值时对应的参数取值。它类似于极大似然估计，但额外引入了先验信息，因此在样本较少时常表现出更强的稳定性。
2.4.3 后验中位数
后验中位数是使后验概率左右各占一半的参数值。它对极端尾部的影响较不敏感，在分布偏斜或存在离群风险时有一定优势。
3 统计推断方法
贝叶斯统计的推断方法围绕后验分布展开，涵盖参数估计、假设比较、模型选择和决策分析等内容。与只给出单一结论的做法不同，它更注重结果的不确定范围。
3.1 参数推断
参数推断的目标，是基于观测数据对未知参数进行估计和区间描述。贝叶斯方法提供的是对参数的概率化理解，因此结论通常具有更直观的解释方式。
3.1.1 点估计
点估计是从后验分布中提取一个代表值，如后验均值、众数或中位数。它适合需要简洁输出的场景，但往往应与不确定性区间一起使用。
3.1.2 区间估计
区间估计用于给出参数可能落入的范围，而不是仅提供一个数值。贝叶斯区间往往直接来自后验分布，能够更自然地反映概率意义。
3.1.3 可信区间
可信区间表示在给定数据和模型条件下，参数落在该区间内的概率为某一指定水平。它与频率学派区间的解释方式不同，更符合“对参数不确定性进行概率描述”的思想。
3.2 假设检验
贝叶斯假设检验不只是判断“是否拒绝某个假设”，而是比较不同假设在现有证据下的相对支持程度。它往往更强调概率更新和模型比较。
3.2.1 贝叶斯假设比较
贝叶斯假设比较通过计算各假设的后验概率或证据大小，判断哪一方更受数据支持。它可以处理互斥模型，也可以用于更一般的模型选择问题。
3.2.2 后验概率判定
后验概率判定直接给出某一假设在数据条件下成立的概率。与传统显著性检验的二元判断相比，这种表达更便于理解证据强弱。
3.2.3 贝叶斯因子
贝叶斯因子是两个假设或模型证据之比，用于衡量数据对二者的相对支持。它是贝叶斯检验中的重要指标，也常用于模型筛选。
3.3 模型选择
模型选择关注多个候选模型之间的比较。贝叶斯方法不仅看拟合程度，还会考虑模型复杂度，避免简单地偏向参数更多的模型。
3.3.1 模型证据比较
模型证据比较通过对不同模型的边缘似然进行比较，选择整体支持度更高者。该方法天然包含对参数空间平均意义上的评价，而非只看局部拟合。
3.3.2 奥卡姆剃刀效应
在贝叶斯语境中，奥卡姆剃刀效应表现为：在解释数据相近的情况下，结构更简洁的模型往往更有优势。这不是额外规则，而是模型证据计算中的自然结果。
3.4 预测与决策
贝叶斯方法不仅回答“参数是什么”，还回答“下一步应该怎么做”。当推断与行动联系起来时，就进入了预测和决策阶段。
3.4.1 预测分布构造
预测分布构造依赖于后验分布对未知参数的积分或采样。它输出的是未来观测值的概率分布，因此可用于概率预测和风险评估。
3.4.2 贝叶斯决策理论
贝叶斯决策理论把推断结果与行动选择联系起来，要求在不同决策之间比较期望损失。它适合资源有限、后果不对称的实际情形。
3.4.3 损失函数
损失函数用于描述错误决策带来的代价。不同问题可采用不同损失形式，例如平方损失、绝对损失或分类错误损失，以体现实际关注点。
4 典型分布与模型
贝叶斯统计中有一批经典模型，因结构清晰、计算方便而被广泛使用。它们常作为更复杂模型的基础，也便于说明后验更新的机制。
4.1 二项-伯努利模型
该模型适用于成功/失败这类二元结果的分析，是最常见的入门例子之一。其推断过程直观地展示了先验与数据如何共同作用。
4.1.1 Beta先验
当事件概率未知时，Beta分布常作为其先验。它定义在0到1之间，形状灵活，适合表达对概率大小的不同预期。
4.1.2 后验更新
在观测到成功与失败次数后，Beta先验会更新为新的Beta分布。更新规则非常简洁，常被用来说明“加权累计证据”的思想。
4.2 正态模型
正态模型常用于连续变量分析，尤其适合测量误差、自然波动和平均水平的研究。根据均值和方差是否未知，可形成不同的贝叶斯处理方式。
4.2.1 均值未知模型
当方差已知而均值未知时，后验推断通常较容易处理。观测越多，对均值的估计越集中，先验影响则逐渐减弱。
4.2.2 方差未知模型
如果方差未知，则需要对波动程度本身建立先验和后验描述。此时不仅关心中心位置，也关心数据离散程度的变化。
4.2.3 正态-逆伽马模型
正态-逆伽马模型常用于同时处理均值和方差的不确定性。由于具有共轭结构，它在分析正态数据时尤其方便。
4.3 泊松模型
泊松模型常用于计数型数据，例如单位时间内发生的事件次数。它适合描述稀疏事件、到达次数和故障计数等场景。
4.3.1 事件计数建模
事件计数建模关注的是在固定区间内出现多少次某类现象。泊松模型假设这些事件在一定条件下随机发生，并以平均率来表征强度。
4.3.2 Gamma先验
Gamma分布常作为泊松率参数的先验，因为它与泊松似然形成共轭关系。这样可在观测计数后快速得到后验更新结果。
4.4 多项式模型
多项式模型用于描述多个类别中的计数或概率分配，例如文本分类中的词频统计。它是离散多类别问题的重要工具。
4.4.1 Dirichlet先验
Dirichlet分布是多项分布参数的标准共轭先验。它能在多个类别之间分配概率质量，并对各类别的相对比例作出平滑表达。
4.4.2 类别概率估计
类别概率估计的目标，是根据观测频数推断各类别的真实比例。贝叶斯方法通常能避免零频问题，并在样本较少时提供更稳健的估计。
4.5 层次模型
层次模型允许参数本身也服从上层分布，因此能够同时处理个体差异与总体结构。它在信息共享和小样本场景中尤其有价值。
4.5.1 超参数设置
超参数控制的是先验分布的形状或强度，通常由更高层次的分布来描述。合理设定超参数有助于平衡数据驱动与结构约束之间的关系。
4.5.2 局部与全局信息共享
层次模型可以让不同组别既保留各自特征，又从整体中借力。局部参数借助全局结构获得稳定性，而全局参数则从局部数据中吸收共同趋势。
5 计算方法
由于多数贝叶斯模型难以直接求解，计算方法在该领域中占有重要地位。它们的任务，是近似或精确地求出后验分布及相关量。
5.1 解析推导
解析推导是在数学上直接化简后验表达式，得到可以写成闭式公式的结果。它通常依赖共轭结构或特殊模型设定。
5.1.1 闭式解
闭式解指能够用有限个标准函数明确写出的结果。它便于理解和实现，但并非所有模型都能得到这种形式。
5.1.2 共轭更新
共轭更新使先验参数在观测数据作用下按固定规则变化。由于形式简明，它在教学、基准分析和小型问题中非常常见。
5.2 数值积分
当解析解不可得时，可使用数值方法近似积分计算。它适合低维或结构较简单的模型，但维度升高后往往会变得昂贵。
5.2.1 网格法
网格法将参数空间离散化，在每个网格点上计算函数值并近似积分。其优点是直观，缺点是高维时计算量迅速增长。
5.2.2 近似积分
近似积分采用更灵活的数值技巧估算边缘概率或期望值。常见做法包括自适应积分和局部展开等，具体选择依问题而定。
5.3 蒙特卡洛方法
蒙特卡洛方法通过随机采样近似复杂分布的性质。它的基本思想是用大量样本代替难以直接求积的过程。
5.3.1 随机采样
随机采样从目标分布或其近似分布中生成样本，再利用样本统计量估计所需量。样本越多，近似通常越稳定。
5.3.2 重要性采样
重要性采样通过从一个更易抽样的分布中取样，再用权重修正偏差。它适用于目标分布难以直接采样但可计算密度值的情形。
5.4 马尔可夫链蒙特卡洛
马尔可夫链蒙特卡洛通过构造平稳分布为目标后验的随机过程来取样。它是复杂贝叶斯模型中最常用的计算工具之一。
5.4.1 Metropolis-Hastings算法
Metropolis-Hastings算法通过提出候选样本并按接受概率决定是否保留，逐步逼近目标分布。它结构通用，适用范围很广。
5.4.2 Gibbs采样
Gibbs采样按条件分布逐个更新参数分量，适用于条件分布容易求取的模型。它在多维模型中常与层次结构配合使用。
5.4.3 收敛诊断
收敛诊断用于判断链是否已达到稳定状态。常见方法包括观察轨迹、比较多条链以及检查样本自相关，以确保推断结果可靠。
5.5 变分推断
变分推断通过构造一个易处理的分布族来逼近真实后验，从而将推断问题转化为优化问题。它在大规模数据分析中非常实用。
5.5.1 证据下界
证据下界是变分推断中的优化目标，用来衡量近似分布与真实后验的接近程度。提高下界通常意味着获得更好的近似。
5.5.2 近似后验分布
近似后验分布是变分方法输出的核心结果。它不一定完全等于真实后验，但通常能以较低成本提供可用的概率描述。
5.5.3 计算效率优化
变分方法的重要优势在于速度较快、便于扩展。通过结构化近似、随机优化等手段，可以进一步提升在大数据场景中的效率。
6 理论性质
贝叶斯统计不仅是一套计算工具，也有较完整的理论性质研究。其重点包括收敛性、辨识能力、先验影响和计算代价等方面。
6.1 一致性
一致性关注随着样本增多，后验分布是否会集中到真实参数附近。它是判断方法长期表现的重要理论指标。
6.1.1 后验收敛
后验收敛描述后验概率质量逐步向真实值附近聚集的过程。若模型和条件适当，这种收敛表明数据能不断修正先前的不确定性。
6.1.2 大样本性质
大样本性质研究样本量增大后估计量和后验分布的行为。许多贝叶斯结果在大样本下会与频率学派方法呈现相近趋势，但解释路径不同。
6.2 可识别性
可识别性讨论的是：不同参数或模型是否能由数据有效区分。若不可识别，后验可能出现多个等价解释，导致推断不稳定。
6.2.1 参数辨识
参数辨识强调模型中的参数是否能从数据中单独识别出来。若多个参数组合产生几乎相同的观测结果，辨识难度就会增加。
6.2.2 模型可区分性
模型可区分性是指不同模型是否能够被数据明确区分。它关系到模型比较的有效性，也影响证据和贝叶斯因子的解释。
6.3 先验敏感性
先验敏感性分析考察结论是否会因先验设定不同而明显变化。它有助于评估分析结果的稳健程度。
6.3.1 稳健性分析
稳健性分析通常通过更换先验、调整超参数或比较不同模型来进行。若核心结论变化不大，说明结果对先验较不敏感。
6.3.2 非信息先验
非信息先验试图在数据不足时减少人为偏向，让后验尽量由数据主导。它并非真正“没有信息”，而是信息量相对较弱。
6.4 可计算性与复杂度
可计算性决定了贝叶斯方法能否在实际问题中顺利落地。随着模型复杂度上升，计算压力也会显著增加。
6.4.1 高维问题
高维问题常面临维度灾难、采样困难和积分不可行等挑战。此时往往需要借助近似推断或结构简化来降低难度。
6.4.2 近似误差
近似误差来源于采样有限、数值积分不精确或变分族过于受限等因素。评估这类误差对于保证推断可信度很重要。
7 方法比较
贝叶斯统计与其他统计和机器学习方法既有联系，也有明显区别。理解这些差异，有助于在不同任务中选用合适工具。
7.1 与频率学派统计的区别
两者最根本的差别在于对概率和参数的理解方式不同。贝叶斯方法把参数视为随机变量，频率学派则更强调参数的固定性。
7.1.1 推断哲学
贝叶斯推断强调在不确定性下进行更新和决策，重视先验与数据的结合。频率学派更关注重复抽样性质与长期频率表现。
7.1.2 参数解释
在贝叶斯框架中，参数后验可以直接解释为“在当前信息下它取某值的概率”。而在频率学派中，参数通常不赋予概率解释。
7.2 与经典估计方法的关系
贝叶斯方法并非与传统估计完全对立，许多经典结果都能在贝叶斯视角下得到对应解释。二者在实践中常可互相借鉴。
7.2.1 极大似然估计
极大似然估计只利用数据本身寻找最能解释观测的参数值，不直接引入先验。贝叶斯方法在某些先验较弱时，结果会接近极大似然估计。
7.2.2 正则化视角
从优化角度看，先验常对应于正则化项。这样一来，贝叶斯推断与稀疏化、平滑化等经典技术之间形成了清晰联系。
7.3 与机器学习方法的联系
现代机器学习中有大量方法直接借鉴了贝叶斯思想，尤其在不确定性建模和概率推断方面表现突出。
7.3.1 概率图模型
概率图模型用图结构表达变量之间的依赖关系，是贝叶斯推断的重要表示方式。它使复杂系统的建模更加清晰。
7.3.2 贝叶斯优化
贝叶斯优化用于在代价较高的黑箱函数上寻找较优解。它通过代理模型和采集策略平衡探索与利用。
7.3.3 贝叶斯神经网络
贝叶斯神经网络将权重视为随机变量，从而能够输出预测不确定性。它在小样本、噪声环境和风险敏感任务中具有吸引力。
8 应用领域
贝叶斯统计在多个领域都有成熟应用，尤其适合需要处理不确定性、稀缺数据或动态更新的场景。其优势在于结果表达灵活，且便于融入领域知识。
8.1 医学统计
在医学研究中，贝叶斯方法常用于处理样本有限、结局复杂或需要持续更新证据的情况。它能更自然地整合历史数据与当前试验结果。
8.1.1 临床试验分析
临床试验中可利用贝叶斯方法对疗效和安全性进行实时评估。随着数据累积，结论可逐步更新，有助于更灵活地进行中期分析。
8.1.2 诊断概率更新
诊断场景下，贝叶斯方法常用于把检验结果与先验患病概率结合，更新个体患病可能性。这使诊断信息更易与临床背景联系起来。
8.2 工程与质量控制
工程领域常面临测量误差、部件老化和过程波动等问题，贝叶斯方法适合用来描述这些不确定因素。
8.2.1 可靠性评估
可靠性评估用于分析设备或系统在一定条件下维持正常运行的概率。贝叶斯方法可结合历史故障记录与现场数据进行动态估计。
8.2.2 过程监测
过程监测关注生产流程是否偏离正常状态。通过持续更新后验分布，可以较早识别异常变化，并辅助质量控制。
8.3 科学研究
在基础研究和实验分析中，贝叶斯方法常被用于将实验结果与理论预期统一处理。它尤其适合面对数据噪声和参数不确定性的情况。
8.3.1 实验数据分析
实验数据分析中，贝叶斯方法可帮助研究者从有限样本中提取更稳健的结论。它也便于合并多轮实验的信息。
8.3.2 参数不确定性量化
参数不确定性量化强调不仅报告估计值，还要说明估计值可能波动的范围。贝叶斯后验分布为这一任务提供了直接工具。
8.4 机器学习
机器学习中，贝叶斯方法常用于分类、回归、推荐和表示学习等任务。它能够增强模型的不确定性表达能力。
8.4.1 分类与回归
在分类和回归问题中，贝叶斯方法可提供预测分布而非单点输出。这样有助于判断模型对不同输入的把握程度。
8.4.2 推荐系统
推荐系统可借助贝叶斯方法处理用户偏好稀疏、反馈不完整等问题。层次化建模尤其适合在不同用户之间共享统计信息。
8.4.3 文本与图像建模
文本与图像任务中，贝叶斯模型可用于主题分析、噪声处理和不确定性建模。它常与概率图模型及近似推断技术结合使用。
8.5 金融与风险分析
金融场景具有波动快、噪声大和不确定性强等特点，因此贝叶斯方法在该领域具有较强适用性。
8.5.1 资产波动建模
资产波动建模常需要估计价格变化的随机性和尾部风险。贝叶斯方法可帮助融合历史数据与先验判断，得到更稳健的波动估计。
8.5.2 风险预测
风险预测强调在不完全信息下评估未来损失可能性。贝叶斯预测分布能够直接反映风险区间，为决策提供依据。
9 历史与发展
贝叶斯统计的发展经历了从概率思想萌芽到现代计算方法成熟的过程。随着计算能力提升，其应用范围显著扩展。
9.1 贝叶斯理论起源
贝叶斯理论的形成与早期概率思想密切相关。它最初源于对逆向推断问题的研究，即已知结果后如何推断原因。
9.1.1 早期概率思想
早期概率研究主要服务于赌博、保险和天文测量等问题。人们逐渐认识到，概率不仅能描述频率，也能表达判断和不确定性。
9.1.2 贝叶斯定理的形成
贝叶斯定理的提出，为“从数据更新信念”提供了明确公式。此后，相关思想在统计学中逐渐发展并形成系统理论。
9.2 现代贝叶斯统计发展
现代贝叶斯统计的兴起，与计算技术的进步密切相关。过去难以实现的积分和采样，如今可以通过算法高效处理。
9.2.1 计算技术推动
数值计算、采样算法和优化方法的发展，使复杂贝叶斯模型得以应用。特别是在高维问题中，计算技术成为理论落地的关键。
9.2.2 应用扩展
随着数据规模增长，贝叶斯方法被广泛用于生物统计、工程控制、人工智能等方向。其应用从传统参数估计扩展到大规模预测和决策任务。
9.3 代表性学者与贡献
贝叶斯统计的发展离不开多位学者的持续推动，他们分别在理论、计算和应用层面作出重要贡献。
9.3.1 理论奠基者
早期奠基者主要推动了概率解释、后验更新和推断逻辑的形成。其思想为后续统计理论提供了核心框架。
9.3.2 现代推广者
现代推广者则进一步发展了计算方法、层次建模和复杂模型推断技术。正是这些工作，使贝叶斯统计成为当代数据分析的重要分支。
10 批评与争议
尽管贝叶斯统计具有统一的理论结构和广泛应用，但在实践中也面临若干争议。主要集中在先验设定、计算成本和结果解释等方面。
10.1 先验主观性问题
先验的引入是贝叶斯方法的优势之一，同时也是争议来源之一。不同研究者可能对先验强度和形式有不同理解。
10.1.1 先验选择争议
先验如何设定、是否会影响结论、在多大程度上应依赖专家意见，都是常见争论点。实际中通常需要结合领域知识与敏感性分析来处理。
10.1.2 敏感性讨论
当样本较少或模型较复杂时，后验可能对先验十分敏感。为降低这种影响，研究者常会比较多种先验设定，并观察结论是否稳定。
10.2 计算成本问题
贝叶斯方法的理论表达虽优雅，但在复杂模型中往往需要较高的计算代价。尤其在高维参数空间里，精确推断并不容易。
10.2.1 高维推断困难
维度增加会使采样、积分和优化都变得更加困难。模型结构越复杂，算法稳定性和运行时间的问题就越突出。
10.2.2 近似误差来源
许多实用算法都依赖近似，因此结果可能受到截断、抽样不足或变分假设过强等因素影响。理解这些误差来源，有助于正确解释输出结果。
10.3 结果解释问题
贝叶斯结果虽然具有概率含义，但并不总是容易向非专业读者解释。特别是在模型复杂时，解读需要结合背景和假设。
10.3.1 概率含义差异
贝叶斯概率表示的是在当前信息下的信念程度，这与“长期频率”式理解不同。若忽视这一点，容易在解读区间和后验概率时产生混淆。
10.3.2 过度依赖模型假设
贝叶斯结论高度依赖所选模型及其假设。如果模型设定与实际过程偏离较大，再精细的后验计算也可能得出不恰当的结论。