در تحلیل بیزی باید بین اطلاعات پیشین که ناشی از اطلاعات کارشناس است و شواهد داده ها توازن برقرار

کرد. دستیابی به توازن صحیح و مناسب، یکی از دشوارترین مراحل مدلسازی و استنباط بیزی است. به طور

کلی نباید اطلاعات پیشین به نحوی باشد که شواهد حاصل از داده ها را خدشه دار کند؛ مخصوصا زمانی

که نمونه بزرگی داریم. تئوری آماری برنستاین- ون میزس بیان می کند که در نمونه های داده ای بزرگ،

توزیع پسین مستقل از توزیع پیشین است و از این رو استنباط مبتنی بر راست نمایی و تحلیل بیزی باید

ضرورتا یکسان باشند.

از طرف دیگر اگر داده ها از حجم کافی برخوردار نباشند نیازمند اطلاعات پیشین قوی برای تقویت شواهد تجربی

هستیم. اقدام مناسبی که میتوان در این حالت انجام داد این است که حساسیت نتایج برآورد را به انتخاب

پیشین های مختلف بررسی کنیم.

انعطاف پذیری در انتخاب پیشین به صورت آزادانه، یکی از چالش برانگیزترین مسائل تحلیل بیزی است و به همین

دلیل برخی از متخصصان از رویکرد دهنی برای انتخاب پیشین استفاده می کنند و این امر یکی از دلایلی بود که

تحلیل های بیزی به خصوص در سال های آغازین، توسط پیشین های غیراطلاعاتی مغلوب شده بود.

پیشین های غیراطلاعاتی همچنین پیشین های هموار یا مبهم(vague) نیز نامیده می شود، احتمال برابری را

برای همه مقادیر پارامترها اختصاص می دهد تا مساله ذهنیت محقق را حل کند.

یکی از عدم مزیت های پیشین های غیراطلاعاتی این است که آنها اغلب نامناسب هستند؛ یعنی یک توزیع

احتمال مناسب را تصریح نمی کنند. برای مثال، یک پیشین یکنواخت برای یک پارامتر پیوسته روی یک دامنه

بیکران و یک عدد محدود نمی گنجد. به هرحال ضرورتا این مساله، مشکل بزرگی نیست، چرا که ممکن است

همچنان توزیع پسین پارامترها صحیح باشد.