我想知道在什么情况下我应该使用贝叶斯逻辑回归而不是标准逻辑回归，反之亦然？
我有关于一个人是否在线购买特定商品（比如 11 英寸 MacBook Air）的个人级别数据（如果购买，因变量 y=1，否则为 0），同时，我有关于每个人过去在线体验的信息不同的类别（自变量 x1=过去总经验的#），但我不知道这样的经验是否包含 MacBook Air 的购买经验。另外，我有关于不同商店功能的信息（例如 x2=运费，x3=卖家声誉等），我不知道是否值得在这个问题上应用贝叶斯框架，因为我之前从未使用过贝叶斯统计但真的有兴趣知道吗？
任何意见，将不胜感激！
可以说，如果您有信息先验，或者如果有完美或准完美的分离，或者如果您想拟合分层模型，贝叶斯逻辑/概率回归会更好。
如果你有一个信息丰富的先验，然后使用它。没有什么比在贝叶斯方法中使用它更好的了。如果有完美的分离，一个好的先验（即使只有微弱的信息）可能会帮助你处理这个问题。最后但并非最不重要的一点是，我认为贝叶斯擅长分层模型。
然而，即使以上都不是真的，我仍然赞成贝叶斯方法。原因很简单：贝叶斯结果比常客结果更容易解释。
众所周知，很难正确计算逻辑/概率回归中交互项的标准误差。但是，使用贝叶斯方法很容易计算交互项的不确定性。有关逻辑回归中的交互项，请参阅我对这个问题的选择答案。此外，使用贝叶斯，您可以使用后验预测检查来检查模型的拟合度，这是一个很大的好处！