內容
推斷是基於現象得出的結論或做出的決策。統計推斷是基於現實世界觀察到的特徵而得到的有關世界的不可觀察屬性的結論，通常被稱為假設檢驗。在統計學中，不可觀察的特徵通常被稱做參數，而觀察到的特徵則被稱做數據或樣本信息。貝葉斯統計推斷是允許調查者在評估統計假說時以邏輯一致的方式既使用樣本信息又使用先驗信息的一種方法。在經濟學中，貝葉斯推斷被用來協助評價不同的經濟假說和模型，估計經濟參數的數值，對有待觀測的經濟變數做出預測。貝葉斯推斷的結論是關於所要探究的那些參數的機率值，是關於一些假說的相對置信度的機率值，或者是對未來觀測量可能的預測區間。與非貝葉斯推斷相比，貝葉斯推斷的顯著特徵是對先驗信息進行貝葉斯式利用。先驗信息可能基於先前的研究成果、理論或者是主觀信念。術語“貝葉斯”是指貝葉斯定理，它是以英國長老會部長及數學家托瑪斯·貝葉斯(Thomas Bayes，1702-1761)的名字命名的貝葉斯定理描述了先驗信息如何能以一種機率方式與樣本信息結合在一起。貝葉斯定理有時也被稱為逆機率定理，它是貝葉斯學習模型的基礎。它允許初始的和以前的樣本信息與現在的樣本信息相結合，以產生後驗數據或後驗分布。刻畫先驗信息特徵的機率分布函式(pdf)被稱為先驗機率分布函式。刻畫樣本信息特徵的函式被稱為似然函式。貝葉斯定理給出的結論是，後驗機率分布函式與先驗機率分布函式和似然函式之間的乘積成比例。通過乘積，貝葉斯定理把樣本和先驗信息結合起來，把二者加以平均。只要有先驗信息來源，貝葉斯定理的這一特殊平均機制在計最經濟學估計和預測中就有重要的意義。
貝葉斯推斷也可以被認為是一個動態處理過程，因為這一過程從先驗信息開始，收集以樣本信息為形式的證據，並以後驗分布作為結束。這一後驗分布可以作為新的先驗分布與新的樣本信息相結合口這就是從先驗到後驗轉換過程的貝葉斯學習模型。
