📊 statistics

An Old Look at Empirical Bayes

यह शोध पत्र आधुनिक एम्पिरिकल बेयस विधियों की पदानुक्रमित स्तरों को मिलाने और अनिश्चितता का गलत प्रतिनिधित्व करने के लिए आलोचना करता है, और यह तर्क देता है कि पूर्ण पदानुक्रमित मॉडलिंग की कम होती लागत के साथ, संसाधनों को इसके बजाय उचित पदानुक्रमित बेयस दृष्टिकोणों की ओर पुनर्निर्देशित किया जाना चाहिए।

मूल लेखक: Nicholas G. Polson, Vadim O. Sokolov, Daniel Zantedeschi

प्रकाशित 2026-05-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nicholas G. Polson, Vadim O. Sokolov, Daniel Zantedeschi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "An Old Look at Empirical Bayes" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ अनुवाद दिया गया है।

बड़ी तस्वीर: अतीत से एक चेतावनी

कल्पना कीजिए कि डेनिस लिंडली नामक एक प्रसिद्ध सांख्यिकीविद् (statistician) ने एक बार मज़ाक किया था: "एक सख्त नियम मानने वाले (फ्रीक्वेंटिस्ट/frequentist) से भी बदतर एक ऐसा नियम मानने वाला है जो खेल के आधार पर अपने खुद के नियम बनाने की कोशिश करता है (एक एम्पीरिकल बेयसियन/empirical Bayesian)।"

पॉल्सन, सोकोलोव और ज़ेंटाडेस्की द्वारा लिखा गया यह पेपर उसी मज़ाक पर दोबारा विचार करता है। वे डेविड ब्लेई (David Blei) द्वारा 2026 में प्रस्तावित "एम्पीरिकल बेयस" के एक नए, हाई-टेक संस्करण को देख रहे हैं। हालाँकि ब्लेई के नए तरीके अविश्वसनीय रूप से शक्तिशाली हैं और आधुनिक कंप्यूटरों (जैसे न्यूरल नेटवर्क) का उपयोग करते हैं, लेखक तर्क देते हैं कि ब्लेई अभी भी वही पुरानी गलती कर रहे हैं।

गलती यह है: एक ही डेटा का दो बार उपयोग करना।

मुख्य समस्या: "डबल-डिप" (Double-Dip)

पेपर को समझने के लिए, आइए एक जासूस और संदिग्ध के उदाहरण का उपयोग करें।

आदर्श जासूस (फुल हायरार्किकल बेयस - Full Hierarchical Bayes):
- जासूस एक सामान्य सिद्धांत से शुरुआत करता है कि अपराधी कैसे व्यवहार करते हैं (एक "प्रायर/Prior")।
- वे अपराध स्थल से मिले विशिष्ट साक्ष्यों को देखते हैं (डेटा/Data)।
- वे सिद्धांत और साक्ष्य दोनों को मिलाकर पता लगाते हैं कि अपराधी कौन है।
- परिणाम: एक निष्पक्ष, तार्किक निष्कर्ष जो सिद्धांत की अनिश्चितता का सम्मान करता है।
"एम्पीरिकल" जासूस (पुराना तरीका और ब्लेई का नया तरीका):
- जासूस पहले अपराध स्थल को देखता है।
- वहाँ जो कुछ भी देखा जाता है, उसके आधार पर, वे एक नया सिद्धांत गढ़ते हैं कि अपराधी कैसे व्यवहार करते हैं।
- फिर, वे अपराध स्थल को दोबारा देखते हैं और उसी साक्ष्य का उपयोग करके उस सिद्धांत के माध्यम से केस सुलझाते हैं जिसे उन्होंने अभी-अभी बनाया है।
- परिणाम: उन्होंने "डबल-डिप" किया है। उन्होंने नियमों को बनाने के लिए डेटा का उपयोग किया, और फिर उन नियमों को लागू करने के लिए उसी डेटा का उपयोग किया। यह उन्हें अति-आत्मविश्वासी बना देता है। उन्हें लगता है कि वे उत्तर को जितना जानते हैं, उससे कहीं अधिक जानते हैं, जिससे "अंडरकवरेज" (undercoverage) होता है (उनके कॉन्फिडेंस इंटरवल बहुत संकीर्ण होते हैं, और वे सच्चाई को उम्मीद से अधिक बार चूक जाते हैं)।

डेविड ब्लेई क्या कर रहे हैं?

डेविड ब्लेई एक आधुनिक सांख्यिकीविद् हैं जिन्होंने इस "एम्पीरिकल बेयस" जासूसी कार्य को करने के तीन नए, शानदार तरीके प्रस्तावित किए हैं:

सिमेट्री (Symmetry): डेटा में पैटर्न (जैसे कि कैसे वॉलपेपर दोहराया जाता है) का उपयोग करके नियमों का अनुमान लगाना।
सिमुलेशन (Simulation): जब गणित लिखना बहुत कठिन हो, तो नियमों का अनुमान लगाने के लिए कंप्यूटर सिमुलेशन का उपयोग करना।
कैलिब्रेशन (Calibration): नए अध्ययनों में "बायस" (bias) का अनुमान लगाने के लिए पिछले प्रयोगों का उपयोग करना।

लेखक स्वीकार करते हैं कि ब्लेई के उपकरण प्रभावशाली हैं। वे तेज़ हैं और जटिल समस्याओं को संभाल सकते हैं। हालाँकि, लेखक तर्क देते हैं कि ब्लेई केवल "डबल-डिप" समस्या को एक नया नाम दे रहे हैं। एक साधारण संख्या (जैसे औसत) का अनुमान लगाने के बजाय, वे डेटा का उपयोग करके एक पूरा जटिल आकार या वितरण (distribution) का अनुमान लगा रहे हैं, और फिर भविष्यवाणियां करने के लिए उसी डेटा का उपयोग कर रहे हैं।

तीन मुख्य आलोचनाएं

1. नाम का खेल ("बेयसियन एम्पीरिकल बेयस")

ब्लेई अपने तरीके को "बेयसियन एम्पीरिकल बेयस" कहते हैं। लेखक कहते हैं कि यह भ्रामक है।

असली बेयसियन: आप एक "सुपर-रूल" (हाइपरप्रायर/hyperprior) लिखते हैं जो आपके नियमों को नियंत्रित करता है, और आप गणित को अनिश्चितता को संभालने देते हैं।
ब्लेई का तरीका: वे डेटा का उपयोग करके सबसे अच्छा नियम पाते हैं, और फिर उस नियम को एक निश्चित तथ्य की तरह मानते हैं।
उदाहरण: यह एक शिक्षक की तरह है जो टेस्ट ग्रेड करता है, फिर क्लास के औसत को देखकर यह तय करता है कि "पासिंग ग्रेड" क्या होना चाहिए, और फिर उस नए पासिंग ग्रेड का उपयोग करके टेस्ट को फिर से ग्रेड करता है। पासिंग ग्रेड टेस्ट से पहले तय नहीं किया गया था; यह टेस्ट द्वारा तय किया गया था।

2. "पॉपुलेशन पोस्टीरियर" बनाम असली चीज़

ब्लेई "पॉपुलेशन पोस्टीरियर" (Population Posterior) की एक अवधारणा पेश करते हैं।

लेखकों का दृष्टिकोण: यह वास्तव में एक "पोस्टीरियर" (विशिष्ट साक्ष्य के आधार पर किसी विशिष्ट घटना के बारे में विश्वास) नहीं है। यह उस औसत का परिणाम है जो तब होता यदि आप प्रयोग को दस लाख बार चलाते।
उदाहरण: कल्पना कीजिए कि आप जानना चाहते हैं कि क्या एक विशिष्ट सिक्का निष्पक्ष है।
- असली पोस्टीरियर: "इस विशिष्ट सिक्के के आधार जिसे मैंने 10 बार उछाला है, मुझे लगता है कि इसकी 60% संभावना है कि यह निष्पक्ष है।"
- पॉपुलेशन पोस्टीरियर: "यदि मेरे पास इस जैसे दस लाख सिक्के होते, और मैं उन सभी को उछालता, तो औसत परिणाम क्या होता।"
- लेखक तर्क देते हैं कि ब्लेई "इस विशिष्ट सिक्के" के उत्तर के रूप में "दस लाख सिक्कों के औसत" का प्रचार कर रहे हैं। यह कुछ चीजों के लिए उपयोगी है, लेकिन यह वही चीज नहीं है, और इसे "पोस्टीरियर" कहना लोगों को इस बारे में भ्रमित करता है कि वे अनिश्चितता पर कितना भरोसा कर सकते हैं।

3. ट्वीडी फॉर्मूला (श्रिंकेज मशीन - The Tweedie Formula)

आधुनिक सांख्यिकी का एक बड़ा हिस्सा अनुमानों को "श्रिंक" (shrinkage) करने (शोर/noise को कम करने के लिए चरम संख्याओं को औसत के करीब लाना) से संबंधित है।

समस्या: एक लोकप्रिय तरीका (f-मॉडलिंग) डेटा को सुचारू (smooth) बनाता है ताकि श्रिंक करने के लिए एक नियम बनाया जा सके। लेकिन कभी-कभी, वह सुचारू नियम वास्तव में किसी तार्किक "प्रायर" या सिद्धांत से नहीं आता है। वह केवल एक गणितीय वक्र (curve) है।
समाधान: लेखक हॉर्सशू प्रायर (Horseshoe Prior) का उपयोग करने का सुझाव देते हैं।
उदाहरण: कल्पना कीजिए कि एक मछली पकड़ने का जाल है।
- खराब जाल (f-modeling): आप आज पकड़ी गई मछलियों के आधार पर जाल को खींचते हैं। यदि आपने छोटी मछली पकड़ी है, तो आप छेद छोटे कर देते हैं। यदि आपने बड़ी मछली पकड़ी है, तो आप उन्हें बड़ा कर देते हैं। जाल का आकार पकड़ के आधार पर बदल जाता है।
- अच्छा जाल (Horseshoe): आपके पास एक विशेष डिज़ाइन वाला जाल है (बड़ी मछलियों को आने देने के लिए भारी पूंछ और छोटी मछलियों को पकड़ने के लिए बारीक जाली)। आप जाल का डिज़ाइन मछली पकड़ने के आधार पर नहीं बदलते; आप बस उन्हें पकड़ने के लिए जाल का उपयोग करते हैं। "हॉर्सशू" एक विशिष्ट, गणितीय रूप से सिद्ध जाल डिज़ाइन है जो बिना नियमों को तोड़े, शोर वाले डेटा में दुर्लभ, बड़ी संकेतों को खोजने के लिए पूरी तरह से काम करता है।

लेखकों का समाधान: "बस नियम लिख दें"

पेपर का तर्क है कि 2026 में, कंप्यूटर इतने तेज़ हैं कि हमें अब शॉर्टकट लेने की ज़रूरत नहीं है।

पुराना बहाना: "हम पूर्ण बेयसियन उत्तर की गणना नहीं कर सकते क्योंकि यह बहुत कठिन है, इसलिए हम एम्पीरिकल शॉर्टकट का उपयोग करेंगे।"
नई वास्तविकता: "हम अब पूर्ण उत्तर की गणना कर सकते हैं। इसकी लागत नगण्य है।"

लेखक सुझाव देते हैं कि "डबल-डिप" शॉर्टकट का उपयोग करने के बजाय, शोधकर्ताओं को:

अपनी समस्या के लिए एक उचित "सुपर-रूल" (हाइपरप्रायर) लिखना चाहिए।
पूर्ण, ईमानदार उत्तर की गणना करने के लिए आधुनिक कंप्यूटर उपकरणों (जैसे हॉर्सशू प्रायर) का उपयोग करना चाहिए।
यह सुनिश्चित करता है कि अनिश्चितता की सही गणना की जाती है, और परिणाम "सुसंगत" (coherent) होते हैं (वे आपस में मेल खाते हैं)।

सारांश

यह पेपर सांख्यिकी में बौद्धिक ईमानदारी के लिए एक अपील है।

ब्लेई का कार्यक्रम: "डेटा का उपयोग करके नियमों का अनुमान लगाने का यह अद्भुत नया तरीका देखें, फिर समस्याओं को हल करने के लिए डेटा का दोबारा उपयोग करें!"
लेखकों की प्रतिक्रिया: "यह चतुर है, लेकिन यह अभी भी डेटा का दो बार उपयोग कर रहा है। यह एक ऐसे जासूस की तरह है जो अपराध के आधार पर कानून लिखता है, और फिर उसी कानून के आधार पर संदिग्ध को गिरफ्तार करता है।"
सिफारिश: चालाकी भरे शॉर्टकट लेने की कोशिश बंद करें। आज हमारे पास मौजूद शक्तिशाली कंप्यूटरों का उपयोग करके वह "उबाऊ" लेकिन सही काम करें: पूरे नियमों (हायरार्की) को लिखें और कंप्यूटर को इसे ठीक से हल करने दें। यह आपको ऐसे उत्तर देता है जिन पर आप वास्तव में भरोसा कर सकते हैं।

तकनीकी सारांश: एम्पेरिकल बेयस (Empirical Bayes) पर एक पुराना दृष्टिकोण

समस्या का विवरण
यह शोध पत्र डेनिस लिंडले की उस आलोचना का पुनरावलोकन करता है जिसमें उन्होंने तर्क दिया था कि एम्पेरिकल बेयस (EB) सांख्यिकीय रूप से असंगत (incoherent) है क्योंकि यह "एक ही डेटा का दो बार उपयोग" करता है: पहले मार्जिनल डिस्ट्रीब्यूशन से हाइपरपैरामीटर्स (या एक प्रायर) का अनुमान लगाने के लिए, और दूसरा उस प्रायर को एक निश्चित और ज्ञात मान मानकर पोस्टीरियर की गणना करने के लिए। लेखक तर्क देते हैं कि EB के आधुनिक विस्तार, विशेष रूप से डेविड ब्ले का 2026 IMS मेडालियन लेक्चर प्रोग्राम, संभाव्य समरूपता (probabilistic symmetries), सिमुलेशन-आधारित अनुमान (simulation-based inference), और कैलिब्रेशन अध्ययनों के माध्यम से इसे हल करने का प्रयास करते हैं। केंद्रीय समस्या यह है कि क्या ये कम्प्यूटेशनल और वैचारिक विस्तार EB की मौलिक असंगतता—विशेष रूप से प्रायर/हाइपरपैरामीटर में अनिश्चितता को प्रसारित करने में विफलता—को हल करते हैं या केवल उसे छिपाते हैं। लेखकों का तर्क है कि पूर्ण पदानुक्रमित अनुशासन (full hierarchical discipline) बनाए रखने की कम्प्यूटेशनल लागत अब इतनी कम हो गई है कि EB के "शॉर्टकट" को दक्षता लाभों द्वारा उचित ठहराना अब संभव नहीं है।

कार्यप्रणाली और सैद्धांतिक ढांचा
यह पत्र नए प्रयोगात्मक सिमुलेशन के बजाय एक सैद्धांतिक और तुलनात्मक विश्लेषण का उपयोग करता है। यह तीन अलग-अलग अनुमानात्मक दृष्टिकोणों के बीच अंतर करता है:

पूर्ण पदानुक्रमित बेयस (Full Hierarchical Bayes): हाइपरपैरामीटर्स $\eta$ पर एक उचित हाइपरप्रायर $\rho(\eta)$ के साथ एक संयुक्त संभाव्यता मॉडल निर्दिष्ट करना, जिससे एक सुसंगत पोस्टीरियर $p(\theta | x) = \int p(\theta | x, \eta)p(\eta | x)d\eta$ प्राप्त होता है।
शास्त्रीय एम्पेरिकल बेयस (Type II ML): मार्जिनल मैक्सिमम लाइकलीहुड (या मेथड ऑफ मोमेंट्स) के माध्यम से $\eta$ का अनुमान लगाना ताकि $\hat{\eta}(x)$ प्राप्त हो सके, और फिर $p(\theta | x, \hat{\eta})$ की गणना करना। यह $\hat{\eta}$ की परिवर्तनशीलता (variability) की उपेक्षा करता है।
ब्ले का आधुनिक कार्यक्रम:
- बेयसियन एम्पेरिकल बेयस (BEB): संभाव्य समरूपता (जैसे एक्सचेंजैबिलिटी, शिफ्ट इनवेरिएंस) और एर्गोडिक अपघटन का उपयोग करके एक डायरेक्टिंग मेजर $g$ को परिभाषित करना, जिसे वेरिएशनल इन्फरेंस या न्यूरल नेटवर्क के माध्यम से अनुमानित किया जाता है।
- पॉपुलेशन पोस्टीरियर (Population Posterior): लक्ष्य को $q^*(\theta) = E_{X \sim F}[p(\theta | X)]$ के रूप में परिभाषित करना, जो वास्तविक डेटा के बजाय दोहराए गए डेटासेट्स (replicate datasets) पर एक अपेक्षा (expectation) है।
- सिमुलेशन-आधारित EB: एक इम्पलिसिट लाइकलीहुड और एमोर्टाइज्ड इन्फरेंस नेटवर्क का उपयोग करके पॉपुलेशन पोस्टीरियर का अनुमान लगाना।

लेखक इन्हें ट्वीडी फॉर्मूला ( $E[\theta|x] = x + \sigma^2 \nabla \log m(x)$ ) के चश्मे से विश्लेषण करते हैं, जो निम्नलिखित के बीच अंतर करता है:

f-मॉडलिंग: मार्जिनल डेंसिटी $m(x)$ को सीधे स्मूथ करना। लेखक तर्क देते हैं कि यह गारंटी नहीं देता कि परिणामी अनुमानित मान (estimator) एक वैध प्रायर से उत्पन्न हुआ है, जो संभावित रूप से एडमिसिबिलिटी (admissibility) और सुसंगतता का उल्लंघन करता है।
g-मॉडलिंग / NPMLE: एक मिक्सिंग डिस्ट्रीब्यूशन $\pi$ का अनुमान लगाना। हालांकि यह सुसंगत है, लेकिन परिणामी प्रायर सीमित सपोर्ट वाला डिस्क्रीट (discrete) होता है, जो स्पार्स सिग्नल रिकवरी के लिए आवश्यक हेवी टेल्स (heavy tails) को पकड़ने में विफल हो सकता है।
हॉर्सशू पदानुक्रमित बेयस (Horseshoe Hierarchical Bayes): एक निरंतर ग्लोबल-लोकल श्रिंकेज प्रायर (हाफ-कॉची हाइपरप्रायर) जो एक वैध ट्वीडी फॉर्मूला प्रदान करता है और स्पार्स नॉर्मल मीन्स समस्याओं में मिनिमैक्स अनुकूलता (minimax optimality) सुनिश्चित करता है।

मुख्य योगदान और तर्क
पत्र चार प्राथमिक तकनीकी तर्क प्रस्तुत करता है:

"बेयसियन एम्पेरिकल बेयस" का अंतर: लेखक स्पष्ट करते हैं कि डेविड ब्ले का "बेयसियन एम्पेरिकल बेयस" (BEB), डीली-लिंडले के "बेयस एम्पेरिकल बेयस" से संरचनात्मक रूप से भिन्न है। डीली-लिंडले एक परिमित-आयामी पैरामीटर पर एक उचित हाइपरप्रायर रखते हैं। ब्ले का BEB न्यूरल नेटवर्क का उपयोग करके मैक्सिमम मार्जिनल लाइकलीहुड (MML) के माध्यम से एक अनंत-आयामी डायरेक्टिंग मेजर को फिट करता है, बिना डायरेक्टिंग मेजर पर पोस्टीरियर रखे। फलस्वरूप, BEB शास्त्रीय EB की डेटा-निर्भरता और अंडरकवरेज संबंधी समस्याओं को विरासत में प्राप्त करता है, केवल उच्च स्तर के एब्स्ट्रैक्शन पर प्लग-इन अनुमान को स्थानांतरित करता है।
"पॉपुलेशन पोस्टीरियर" की प्रकृति: पत्र का तर्क है कि "पॉपुलेशन पोस्टीरियर" ( $q^*$ ) एक फ्रीक्वेंटिस्ट ऑब्जेक्ट है (काल्पनिक दोहराव पर एक अपेक्षा), न कि वास्तविक डेटा पर आधारित एक बेयसियन पोस्टीरियर। हालांकि इसकी वैध भविष्य कहने वाली व्याख्याएं (PAC-Bayesian सिद्धांत से जुड़ी) हैं, इसे "पोस्टीरियर" के रूप में विपणन करना अनिश्चितता मात्रा निर्धारण (uncertainty quantification) के संबंध में भ्रम पैदा करता है। लेखक इसे वास्तविक डेटा के औसत स्वभाव को दर्शाने के लिए "पॉपुलेशन प्रेडिक्टिव डिस्ट्रीब्यूशन" नाम देने का प्रस्ताव करते हैं।
f-मॉडलिंग और ट्वीडी फॉर्मूला की आलोचना: लेखक एफ्रॉन की f-मॉडलिंग की डाटा-पोलसन आलोचना को परिष्कृत करते हैं। वे प्रदर्शित करते हैं कि एक स्मूद्थ किया गया मार्जिनल स्कोर फंक्शन अनिवार्य रूप से एक वैध प्रायर के अनुरूप नहीं होता है। इसलिए, परिणामी "पोस्टीरियर मीन" एक वास्तविक बेयस नियम नहीं है और इसमें उन एडमिसिबिलिटी और मिनिमैक्स गारंटियों का अभाव है जो उचित प्रायर्स के साथ जुड़ी होती हैं। इसके विपरीत, हॉर्सशू ट्वीडी फॉर्मूला एक उचित पदानुक्रमित प्रायर (हाफ-कॉची स्केल मिक्सचर) से प्राप्त होता है, जो यह सुनिश्चित करता है कि श्रिंकेज प्रोफाइल एक वास्तविक बेयस नियम है और इसमें स्पार्स सिग्नल्स के लिए इष्टतम टेल व्यवहार है।
सिमुलेशन-आधारित अनुमान (SBI) और लक्ष्य: पत्र उन SBI विधियों के बीच अंतर करता है जो मानक पोस्टीरियर $p(\theta|x)$ को लक्षित करती हैं (जैसे न्यूरल पोस्टीरियर एस्टिमेशन, जेनेरेटिव बेयसियन कम्प्यूटेशन) और ब्ले के SBI-EB के बीच, जो पॉपुलेशन पोस्टीरियर को लक्षित करता है। लेखक तर्क देते कि आधुनिक SBI उपकरण सीधे पूर्ण पदानुक्रमित पोस्टीरियर की गणना करने में सक्षम हैं; अतः, एक जनसंख्या-औसत वस्तु (population-averaged object) को अनुमानित करने के लिए उनका उपयोग करना एक लक्ष्य का चुनाव है, न कि कम्प्यूटेशनल आवश्यकता।

परिणाम और निष्कर्ष

सुसंगतता और अनिश्चितता: पत्र स्थापित करता है कि EB शॉर्टकट्स (प्लग-इन अनुमानक) व्यवस्थित रूप से अनिश्चितता को कम आंकते हैं, जिससे विश्वसनीय अंतरालों (credible intervals) में अंडरकवरेज होता है, विशेष रूप से छोटे-नमूने या स्पार्स शासन (sparse regimes) में। पूर्ण पदानुक्रमित बेयस हाइपरपैरामीटर अनिश्चितता को सही ढंग से प्रसारित करता है।
अनुकूलता (Optimality): स्पार्स नॉर्मल मीन्स समस्या में, हॉर्सशू पदानुक्रमित बेयस अनुमानक मिनिमैक्स इष्टतम दरों को प्राप्त करता है। लेखक दिखाते हैं कि NPMLE (एक सुसंगत EB विधि) एक डिस्क्रीट प्रायर उत्पन्न करता है जो हॉर्सशू के हेवी-टेल्ड व्यवहार की बराबरी नहीं कर सकता, जिससे टेल इन्फरेंस में उप-इष्टतम प्रदर्शन होता है।
कम्प्यूटेशनल ट्रेड-ऑफ: लेखक दावा करते हैं कि आधुनिक वेरिएशनल इन्फरेंस, न्यूरल एमोर्टाइजेशन और सिमुलेशन-आधारित विधियों के साथ, पूर्ण पदानुक्रमित बेयस की कम्प्यूटेशनल लागत EB शॉर्टकट की इन्फेरेंशियल लागत की तुलना में नगण्य है।
केस स्टडीज:
- फार्माकोविजिलेंस (डुमौचेल): यह दर्शाता है कि सफल 'बॉरोइंग ऑफ स्ट्रेंथ' वास्तविक पदानुक्रम (गामा-पॉइसन) पर निर्भर करती है, जहाँ EB चरण एक कम्प्यूटेशनल सुविधा है, न कि एक मौलिक आवश्यकता।
- कैलिब्रेशन अध्ययन: यह दिखाता है कि बायस (bias) के लिए डेटा को संयोजित करने के लिए एक पदानुक्रमित मॉडल की आवश्यकता होती है। बायस मापदंडों के लिए MLE अनुमानों को प्लग-इन करने से अनिश्चितता का प्रसार विफल हो जाता है, जबकि बायस स्केल्स पर हॉर्सशू प्रायर वाला एक पदानुक्रमित मॉडल सुसंगत अनुमान प्रदान करता है।

महत्व और सिफारिशें
पत्र निष्कर्ष निकालता है कि एम्पेरिकल बेयस अवधारणाओं का "पुनः नामकरण" (जैसे "बेयसियन एम्पेरिकल बेयस" के रूप में) लिंडले, गुड और डुमौचेल द्वारा पहचानी गई अंतर्निहित सांख्यिकीय असंगतता को हल नहीं करता है। इस कार्य का महत्व आधुनिक सांख्यिकी की प्रभावशाली कम्प्यूटेशनल मशीनरी (वेरिएशनल इन्फरेंस, न्यूरल नेटवर्क, SBI) को उचित पदानुक्रमित बेयस की सेवा में तैनात करने के आह्वान में निहित है, न कि इसके विकल्प के रूप में।

लेखक अनुशंसा करते हैं कि:

स्पार्स समस्याओं के लिए ग्लोबल-लोकल श्रिंकेज प्रायर्स (विशेष रूप से हॉर्सशू और इसके वेरिएंट) को डिफॉल्ट के रूप में अपनाया जाए, क्योंकि वे सुसंगत अनिश्चितता मात्रा निर्धारण और मिनिमैक्स अनुकूलता प्रदान करते हैं।
"पॉपुलेशन पोस्टीरियर" को एक बेयसियन पोस्टीरियर के बजाय एक फ्रीक्वेंटिस्ट प्रेडिक्टिव ऑब्जेक्ट के रूप में माना जाए।
यह पहचानना कि EB और पूर्ण पदानुक्रमित बेयस के बीच का कम्प्यूटेशनल अंतर अब समाप्त हो गया है, जिससे EB शॉर्टकट का प्राथमिक औचित्य हट जाता है।
यह सुनिश्चित करना कि किसी भी "एम्पेरिकल" पद्धति का उपयोग एक पदानुक्रमित मॉडल के अनुमान के रूप में स्पष्ट रूप से फ्रेम किया जाए, जिसमें उन स्थितियों की स्पष्ट स्वीकृति हो जहाँ वह अनुमान विफल हो सकता है (जैसे कम समूह, उच्च स्पर्सिटी)।

पत्र यह दावा नहीं करता कि एम्पेरिकल बेयस बेकार है, बल्कि यह सुझाव देता है कि इसके आधुनिक कम्प्यूटेशनल विस्तार को पूर्ण पदानुक्रमित बेयस को कंप्यूट करने के उपकरणों के रूप में देखा जाना चाहिए, जिससे बेयसियन अनुमान के अनुशासन को बनाए रखते हुए दक्षता प्राप्त की जा सके।