पोस्टीरियर प्रेडिक्टिव चेक सरल शब्दों में, "फिट किए गए मॉडल के तहत प्रतिकृति डेटा का अनुकरण करना और फिर इनका अवलोकन डेटा से तुलना करना है" ( गेलमैन और हिल, 2007, पृष्ठ 158 )। तो, आप "वास्तविक और सिम्युलेटेड डेटा के बीच व्यवस्थित विसंगतियों की तलाश" के लिए पूर्ववर्ती भविष्यवाणियों का उपयोग करते हैं ( गेलमैन एट अल। 2004, पी। 169 )।
"दो बार डेटा का उपयोग करने" के बारे में तर्क यह है कि आप मॉडल का अनुमान लगाने के लिए अपने डेटा का उपयोग करते हैं और फिर, यह जांचने के लिए कि क्या मॉडल डेटा फिट बैठता है, जबकि आम तौर पर यह एक बुरा विचार है और बाहरी डेटा पर अपने मॉडल को मान्य करना बेहतर होगा। , इसका उपयोग अनुमान के लिए नहीं किया गया था।
यदि आपकी मॉडल आपको वास्तविकता के बारे में "मान्य" भविष्यवाणियां देती है, तो यह अनुमान लगाने में सहायक होती है कि वे प्रेक्षित डेटा को फिट करती हैं या नहीं। यह मॉडल निर्माण और जाँच का एक सहायक चरण है। यदि आपका मॉडल "ठीक" है या यदि यह "बेहतर" है, तो अन्य मॉडल पर यह निश्चित जवाब नहीं देता है, हालांकि, यह जांचने में आपकी मदद कर सकता है कि क्या आपका मॉडल समझ में आता है।
यह अच्छी तरह से वर्णन किया गया है LaplacesDemon शब्दचित्र बायेसियन निष्कर्ष :
भविष्य कहनेवाला वितरण की तुलना करना yप्रतिनिधि देखे गए डेटा के लिए yको आम तौर पर "पोस्टीरियर प्रिडिक्टिव चेक" कहा जाता है। इस प्रकार की जांच में मॉडल के अनुमानित मापदंडों से जुड़ी अनिश्चितता शामिल होती है, अक्सर आंकड़ों के विपरीत।
पोस्टीरियर प्रेडिक्टिव चेक (भविष्य कहनेवाला वितरण के माध्यम से) में डेटा का दोहरा उपयोग शामिल है, जो संभावना सिद्धांत का उल्लंघन करता है। हालांकि, पश्चवर्ती भविष्यवाणियों की जाँच के पक्ष में तर्क दिए गए हैं, बशर्ते कि उपयोग मॉडल की पर्याप्तता का अध्ययन करने के लिए विसंगति के उपायों तक सीमित है, मॉडल तुलना और अनुमान के लिए नहीं (मेंग 1994)।
तुलना करने के लिए जेलमैन सबसे बुनियादी स्तर पर सिफारिश करता है yप्रतिनिधि सेवा मेरे yकिसी भी व्यवस्थित अंतर की तलाश में, जो मॉडल की संभावित विफलताओं का संकेत दे सकता है (जेलमैन एट अल। 2004, पी। 159)। अक्सर ग्राफिकल प्लॉटों की तुलना करने की सिफारिश की जाती है, जैसे कि वितरण
y तथा yप्रतिनिधि।