在貝葉斯推理的情況下，貝葉斯模型的推理方法主要包括：

貝葉斯統計中有乙個基本工具叫做貝葉斯公式，又稱貝葉斯規則，雖然是數學公式，但其原理不需要數值就能理解。

如果你看到乙個總是做好事的人，這個人很可能會是乙個好人。 也就是說，當你不確切地知道乙個事物的本質時，你可以依靠與該事物的具體性質相關的事件數量來確定其本質屬性的概率。 用數學語言來說，它是：

支援屬性的事件越多，該屬性為真的可能性就越大。

但行為經濟學家發現，人們在決策過程中往往不遵循貝葉斯規則，而是更看重最近發生的事件和最近的經歷，在做決策和判斷時過分重視最近發生的事件。 當面對複雜和普遍的問題時，人們傾向於走捷徑，根據概率而不是概率做出決定。 這種與經典模型的系統性偏差稱為“偏差”。

由於心理偏差的存在，投資者在決策和判斷上並非絕對理性，會以偏頗的方式行事，從而影響資本市場的變化。 但長期以來，由於缺乏強大的替代工具，經濟學家在分析中不得不堅持貝葉斯定律。

貝葉斯推理需要兩大要求：第一是澄清你現有的判斷，第二是誠實地對待新的證據，這兩者都是必不可少的。 前者是判斷的起點，後者是更新判斷的依據。

而先前的判決和新的證據並不總是相互獨立的。 如果你已經絕對相信上帝的存在，那麼無論出現什麼新的資訊和證據，你總能找到乙個讓你感到舒服的解釋。

對於真正的貝葉斯主義者來說，他們會尊重先入之見，因為這是所有新知識的起點，但要隨時準備清空他們的庫存，以避免落入這個陷阱。

貝葉斯模型的推理方法主要包括：啟發式策略理論、自然取樣空間假說、頻率效應理論和取樣處理理論。

貝葉斯推理是英國牧師貝葉斯發現的一種歸納推理方法，後來許多研究者在觀點、方法和理論上不斷改進貝葉斯方法，最終形成了乙個有影響力的統計學流派，打破了古典統計學的主導地位。 貝葉斯推理是在經典統計歸納推理——估計和假設檢驗的基礎上發展起來的一種新的推理方法。

與經典的統計歸納推理方法相比，貝葉斯推理不僅要根據當前觀察到的樣本資訊得出結論，還要根據推論者的相關經驗和知識得出結論。 作為一種推理方法，貝葉斯推理是概率論中貝葉斯定理的延伸。

研究概述：

卡尼曼和特沃斯基開闢了概率推理的重要研究領域。 他們在20世紀70年代初的研究首先發現，人們的直覺概率推理並不遵循貝葉斯原理，這表現在問題中的基本概率資訊在判斷中往往被忽略，判斷主要基於命中率資訊。

他們的經典研究之一是告訴參與者，100人中有70人是律師，30人是工程師，當他們從中隨機選擇時，當這個人的性格特徵被描述為工程師時，參與者判斷該人是工程師的可能性很接近。 顯然，參與者忽略了工程師只有30%的基本概率。

隨後，他們還用各種問題來驗證基本的概率無知現象，比如要求參與者解決以下計程車問題：乙個城市85%的計程車屬於綠車公司，15%屬於藍車公司，現有的計程車捲入了肇事逃逸事件， 據目擊者稱，肇事車輛屬於藍車公司，目擊者的可靠性為80%。問：肇事汽車是藍色汽車的概率是多少？

大多數參與者認為結果為 80%，但考慮到基本概率時，應該是 41%。

貝葉斯推理是一種應用於不確定性條件下決策的統計方法。 貝葉斯推理的顯著特徵是可以使用先驗資訊和樣本資訊來得出統計結論。

推論是基於現象得出的結論或決定。 統計推斷是基於現實世界中觀察到的特徵得出的關於世界不可觀察屬性的結論，通常稱為假設檢驗。 在統計學中，不可觀測的特徵通常稱為引數，而觀測到的特徵稱為資料或樣本資訊。

貝葉斯統計推斷是一種允許研究人員在評估統計假設時以邏輯一致的方式使用樣本和先驗資訊的方法。 在經濟學中，貝葉斯推理用於幫助評估不同的經濟假設和模型，估計經濟引數的數值，並就要觀察的經濟變數做出決策。 貝葉斯推理的結論是關於要研究的引數的概率值，關於某些假設的相對置信度的概率值，或未來觀測值的可能區間。

與非貝葉斯推理相比，貝葉斯推理的特點是對先驗資訊的貝葉斯利用。 先前的資訊可能基於先前的研究、理論或主觀信念。 術語“貝葉斯”是指貝葉斯定理，以英國長老會牧師和數學家托馬斯·貝葉斯（Thomas Bayes，1702-1761）的名字命名，它描述了如何以概率方式將先驗資訊與樣本資訊相結合。

貝葉斯定理，有時也稱為逆概率定理，是貝葉斯學習模型的基礎。 它允許將初始和先前的樣本資訊與當前樣本資訊相結合，以生成後驗資料或後驗分布。 表徵先驗資訊特徵的概率分布函式 （pdf） 稱為先驗概率分布函式。

表徵樣本資訊的函式稱為似然函式。 貝葉斯定理得出結論，後驗概率分布函式與先驗概率分布函式和似然函式之間的乘積成正比。 通過乘積，貝葉斯定理將樣本和先驗資訊結合起來，對兩者進行平均。

只要存在先驗資訊，貝葉斯定理的這種特殊平均機制對於計算最經濟的估計和**具有重要意義。

貝葉斯推理也可以被認為是乙個動態過程，因為該過程從先驗資訊開始，以樣本資訊的形式收集證據，並以後驗分布結束。 這種後驗分布可以作為新的先驗分布與新的樣本資訊相結合，這是從先驗到後驗轉變過程的貝葉斯學習模型。