Phương sai hậu nghiệm phản ánh điều gì trong suy diễn Bayes?

Phương sai hậu nghiệm đo lường mức độ biến thiên hoặc sự bất định còn lại của tham số sau khi mô hình đã cập nhật thông tin từ dữ liệu quan sát. Phương sai hậu nghiệm càng nhỏ chứng tỏ ước lượng Bayes đối với tham số càng có độ chuẩn xác cao.

Tại sao phương sai hậu nghiệm trên trung bình lại nhỏ hơn phương sai tiên nghiệm?

Theo định lý phân rã phương sai toàn phần, phương sai tiên nghiệm bằng kỳ vọng của phương sai hậu nghiệm cộng với phương sai của kỳ vọng hậu nghiệm. Do phương sai của kỳ vọng hậu nghiệm luôn không âm, giá trị kỳ vọng của phương sai hậu nghiệm trên toàn bộ các tập dữ liệu có thể xuất hiện luôn nhỏ hơn hoặc bằng phương sai tiên nghiệm.

Chỉ số R-hat kiểm định ước lượng phương sai hậu nghiệm trong MCMC như thế nào?

Chỉ số R-hat so sánh phương sai giữa các chuỗi với phương sai trong từng chuỗi mô phỏng MCMC. Theo khuyến nghị của Vehtari năm 2021, ngưỡng R-hat nhỏ hơn 1,01 đảm bảo các chuỗi đã hội tụ tốt và ước lượng phương sai hậu nghiệm biên duyên là tin cậy.

Phương sai hậu nghiệm (posterior variance) là gì?

Q: Khi kích thước mẫu dữ liệu tiến ra vô cùng thì phương sai hậu nghiệm biến đổi như thế nào?

Theo định lý Bernstein-von Mises, khi kích thước mẫu tiến ra vô cùng, phương sai hậu nghiệm giảm dần về 0 với tốc độ tiệm cận tỉ lệ nghịch với kích thước mẫu và tiệm cận về nghịch đảo ma trận thông tin Fisher.

Định nghĩa và bản chất toán học

Phương sai hậu nghiệm (posterior variance) là phương sai của phân phối hậu nghiệm đối với một tham số hoặc vector tham số ngẫu nhiên sau khi đã cập nhật dữ liệu quan sát thực nghiệm thông qua định lý Bayes. Trong khuôn khổ thống kê Bayes, tham số chưa biết được mô hình hóa dưới dạng một biến ngẫu nhiên mang phân phối xác suất, và phương sai hậu nghiệm đóng vai trò là thước đo định lượng cốt lõi cho mức độ bất định hoặc độ phân tán còn lại của tham số đó sau khi đã tiếp nhận bằng chứng từ mẫu dữ liệu.

Xét bài toán suy diễn thống kê đối với tham số vô hướng $\theta$ dựa trên tập dữ liệu quan sát $y$ . Giả sử phân phối tiên nghiệm của tham số được biểu diễn bởi hàm mật độ xác suất $p(\theta)$ và hàm khả năng của dữ liệu khi biết tham số là $p(y | \theta)$ . Phân phối hậu nghiệm $p(\theta | y)$ được xác định theo định lý Bayes:

p(\theta | y) = \frac{p(y | \theta) p(\theta)}{p(y)} = \frac{p(y | \theta) p(\theta)}{\int p(y | \theta) p(\theta) d\theta}

Trong đó, $p(y)$ là mật độ biên duyên của dữ liệu quan sát, đóng vai trò là hằng số chuẩn hóa tích phân. Khi đó, kỳ vọng hậu nghiệm của tham số được ký hiệu là $\mathbb{E}[\theta | y]$ , và phương sai hậu nghiệm, ký hiệu là $\text{Var}(\theta | y)$ , được định nghĩa toán học thông qua tích phân sai số toàn phương:

\text{Var}(\theta | y) = \mathbb{E}\left[(\theta - \mathbb{E}[\theta | y])^2 \mid y\right] = \int (\theta - \mathbb{E}[\theta | y])^2 p(\theta | y) d\theta

Phương sai hậu nghiệm cũng có thể được tính toán thuận tiện thông qua công thức trừ kỳ vọng bình phương:

\text{Var}(\theta | y) = \mathbb{E}[\theta^2 | y] - (\mathbb{E}[\theta | y])^2

Trong trường hợp tổng quát khi tham số là một vector đa chiều $\boldsymbol{\theta}$ , phương sai hậu nghiệm được mở rộng thành ma trận hiệp phương sai hậu nghiệm (posterior covariance matrix), ký hiệu là $\text{Cov}(\boldsymbol{\theta} | y)$ :

\text{Cov}(\boldsymbol{\theta} | y) = \mathbb{E}\left[(\boldsymbol{\theta} - \mathbb{E}[\boldsymbol{\theta} | y])(\boldsymbol{\theta} - \mathbb{E}[\boldsymbol{\theta} | y])^T \mid y\right]

Các phần tử nằm trên đường chéo chính của ma trận hiệp phương sai hậu nghiệm biểu thị phương sai hậu nghiệm của từng thành phần tham số riêng lẻ, trong khi các phần tử ngoài đường chéo thể hiện mức độ tương quan tuyến tính giữa các cặp tham số sau khi đã quan sát dữ liệu.

Định lý phân rã phương sai và quan hệ với tiên nghiệm

Một trong những đặc tính toán học sâu sắc nhất của phương sai hậu nghiệm là mối liên hệ có điều kiện với phương sai tiên nghiệm thông qua định lý phân rã phương sai toàn phần (law of total variance), hay còn gọi là công thức Eve. Xét biến ngẫu nhiên tham số $\theta$ và vector dữ liệu quan sát ngẫu nhiên $y$ , mối quan hệ phân rã được biểu diễn tường minh:

\text{Var}(\theta) = \mathbb{E}\left[\text{Var}(\theta | y)\right] + \text{Var}\left(\mathbb{E}[\theta | y]\right)

Trong công thức trên:

Đại lượng $\text{Var}(\theta)$ là phương sai tiên nghiệm ban đầu của tham số trước khi thực hiện quan sát dữ liệu.
Đại lượng $\mathbb{E}\left[\text{Var}(\theta | y)\right]$ là kỳ vọng của phương sai hậu nghiệm được tính trung bình trên tất cả các tập dữ liệu thực nghiệm có thể xảy ra.
Đại lượng $\text{Var}\left(\mathbb{E}[\theta | y]\right)$ là phương sai của ước lượng kỳ vọng hậu nghiệm theo các biến thể của tập dữ liệu mẫu khả dĩ.

Do phương sai của bất kỳ đại lượng ngẫu nhiên nào cũng không âm, ta luôn có bất đẳng thức toán học:

\text{Var}\left(\mathbb{E}[\theta | y]\right) \ge 0 \implies \mathbb{E}\left[\text{Var}(\theta | y)\right] \le \text{Var}(\theta)

Ý nghĩa khoa học của bất đẳng thức này chỉ ra rằng, tính trên trung bình của mọi kết quả quan sát có thể xảy ra, việc thu thập dữ liệu luôn có xu hướng làm giảm hoặc giữ nguyên mức độ bất định về tham số. Theo cuốn sách chuyên khảo chuẩn của Gelman và cs. (2013), mức độ suy giảm phương sai trên trung bình phản ánh trực tiếp lượng thông tin thực nghiệm mà dữ liệu đóng góp vào quá trình suy diễn. Tuy nhiên, Gelman và cs. (2013) cũng nhấn mạnh rằng đối với một tập dữ liệu quan sát cụ thể đã ghi nhận, phương sai hậu nghiệm thực tế hoàn toàn có thể lớn hơn phương sai tiên nghiệm nếu dữ liệu quan sát xung đột gay gắt với phân phối tiên nghiệm hoặc phát lộ cấu trúc phân tán bất thường ngoài dự đoán ban đầu.

Công thức tính trong các mô hình xác suất liên hợp

Trong các bài toán mà phân phối tiên nghiệm và hàm khả năng thuộc họ phân phối liên hợp (conjugate family), phân phối hậu nghiệm thuộc cùng họ phân phối với tiên nghiệm, cho phép xác định dạng giải tích đóng của phương sai hậu nghiệm mà không đòi hỏi tích phân số học phức tạp.

Mô hình liên hợp Gauss - Gauss

Xét trường hợp dữ liệu quan sát độc lập cùng phân phối tuân theo phân phối chuẩn với phương sai đã biết:

y_1, y_2, \dots, y_n \sim \mathcal{N}(\theta, \sigma^2)

Giả sử phân phối tiên nghiệm của tham số trung bình $\theta$ cũng là phân phối chuẩn với kỳ vọng tiên nghiệm $\mu_0$ và phương sai tiên nghiệm $\sigma_0^2$ :

\theta \sim \mathcal{N}(\mu_0, \sigma_0^2)

Khi đó, phân phối hậu nghiệm của tham số $\theta$ sau khi quan sát mẫu kích thước $n$ có trung bình mẫu $\bar{y}$ cũng là một phân phối chuẩn $\mathcal{N}(\mu_n, \sigma_n^2)$ . Để biểu diễn công thức tính phương sai hậu nghiệm một cách trực quan, khái niệm độ chính xác (precision) được áp dụng, định nghĩa là nghịch đảo của phương sai:

\tau_0 = \frac{1}{\sigma_0^2}, \quad \tau = \frac{1}{\sigma^2}, \quad \tau_n = \frac{1}{\sigma_n^2}

Theo Gelman và cs. (2013), độ chính xác hậu nghiệm bằng tổng độ chính xác tiên nghiệm và độ chính xác của toàn bộ mẫu dữ liệu quan sát:

\tau_n = \tau_0 + n \tau \implies \frac{1}{\sigma_n^2} = \frac{1}{\sigma_0^2} + \frac{n}{\sigma^2}

Nghịch đảo lại độ chính xác, phương sai hậu nghiệm có dạng biểu thức giải tích đóng:

\sigma_n^2 = \text{Var}(\theta | y) = \frac{1}{\frac{1}{\sigma_0^2} + \frac{n}{\sigma^2}} = \frac{\sigma_0^2 \sigma^2}{n \sigma_0^2 + \sigma^2}

Từ biểu thức này, ta thấy rõ các trường hợp giới hạn đặc biệt:

Khi không có dữ liệu mẫu ( $n = 0$ ), phương sai hậu nghiệm bằng chính xác phương sai tiên nghiệm ban đầu $\sigma_0^2$ .
Khi tiên nghiệm hoàn toàn mơ hồ hoặc vô định, tương ứng với phương sai tiên nghiệm tiến ra vô cùng ( $\sigma_0^2 \to \infty$ ), phương sai hậu nghiệm tiệm cận về phương sai lấy mẫu chuẩn tắc $\sigma^2 / n$ .
Khi kích thước mẫu $n$ tiến dần ra vô cùng, phương sai hậu nghiệm suy giảm đơn điệu về 0 với tốc độ tỉ lệ nghịch với $n$ .

Mô hình liên hợp Beta - Nhị thức

Xét bài toán ước lượng tỷ lệ xác suất thành công $\theta$ trong thực nghiệm nhị thức với $y$ lần thành công trên tổng số $n$ phép thử độc lập. Phân phối tiên nghiệm liên hợp được lựa chọn là phân phối Beta với hai tham số hình dạng $\alpha$ và $\beta$ :

\theta \sim \text{Beta}(\alpha, \beta)

Phân phối hậu nghiệm thu được là phân phối Beta cập nhật với các tham số điều chỉnh:

\theta | y \sim \text{Beta}(\alpha + y, \beta + n - y)

Phương sai hậu nghiệm tương ứng được tính toán tường minh theo công thức giải tích của phân phối Beta:

\text{Var}(\theta | y) = \frac{(\alpha + y)(\beta + n - y)}{(\alpha + \beta + n)^2 (\alpha + \beta + n + 1)}

Biểu thức trên chứng minh rằng khi tổng số quan sát $n$ tăng lên, mẫu số tăng theo bậc ba trong khi tử số chỉ tăng theo bậc hai, khiến phương sai hậu nghiệm giảm dần về 0 với tốc độ tiệm cận tỉ lệ thuận với nghịch đảo kích thước mẫu.

Bảng đối chiếu phương sai trong các mô hình liên hợp phổ biến

Mô hình phân phối	Tham số quan tâm	Phân phối tiên nghiệm	Biểu thức phương sai hậu nghiệm	Đặc tính tiệm cận
Gauss - Gauss	Kỳ vọng trung bình	Chuẩn một chiều	Nghịch đảo tổng các độ chính xác	Hội tụ về 0 với tốc độ nghịch đảo kích thước mẫu
Beta - Nhị thức	Tỷ lệ xác suất thành công	Beta liên hợp	Tỉ số đa thức bậc hai trên bậc ba	Thu hẹp đơn điệu theo nghịch đảo cỡ mẫu
Gamma - Poisson	Tốc độ biến cố trung bình	Gamma liên hợp	Tỉ số tham số hình dạng trên bình phương tỷ lệ	Suy giảm về 0 khi thời gian hoặc mẫu tăng cao

Tính chất tiệm cận và Định lý Bernstein - von Mises

Trong thống kê tiệm cận, hành vi của phương sai hậu nghiệm khi kích thước mẫu tiến ra vô cùng được quy định bởi định lý Bernstein - von Mises. Được trình bày chi tiết trong Chương 10 cuốn sách chuyên khảo của van der Vaart (1998), định lý này thiết lập nhịp cầu toán học thống nhất giữa suy diễn Bayes và trường phái tần suất cổ điển.

Theo van der Vaart (1998), dưới các điều kiện chính quy tiêu chuẩn (hàm khả năng trơn, không gian tham số compact và phân phối tiên nghiệm có mật độ dương tại giá trị tham số chân thực $\theta_0$ ), khi kích thước mẫu $n$ tiến dần ra vô cùng, phân phối hậu nghiệm chuẩn hóa quanh ước lượng hợp lý cực đại sẽ hội tụ theo phân phối về phân phối chuẩn đa biến:

\sqrt{n}(\theta - \hat{\theta}_{\text{MLE}}) \mid y \xrightarrow{d} \mathcal{N}\left(0, I(\theta_0)^{-1}\right)

Trong đó, $I(\theta_0)$ là ma trận thông tin Fisher kỳ vọng trên mỗi quan sát tính tại điểm chân thực. Kết quả tiệm cận này dẫn tới tính chất cơ bản của phương sai hậu nghiệm:

\text{Var}(\theta | y) \approx J_n(y)^{-1} \approx \frac{1}{n} I(\theta_0)^{-1}

Với $J_n(y)$ là ma trận thông tin Fisher quan sát được định nghĩa từ đạo hàm bậc hai của hàm log-khả năng. Định lý chứng minh rằng khi kích thước mẫu đủ lớn:

Tác động của phân phối tiên nghiệm ban đầu bị triệt tiêu hoàn toàn, và phương sai hậu nghiệm hoàn toàn do dữ liệu chi phối.
Phương sai hậu nghiệm Bayes tiệm cận chính xác ma trận hiệp phương sai tiệm cận của ước lượng hợp lý cực đại tần suất.
Khoảng tin cậy hậu nghiệm Bayes (credible interval) đối xứng tiệm cận tương đương với khoảng tin cậy tần suất (confidence interval) tương ứng.

Ý nghĩa trong lý thuyết quyết định Bayes

Trong lý thuyết quyết định thống kê (statistical decision theory), phương sai hậu nghiệm giữ vai trò là giá trị hàm nguy cơ tối ưu đối với hàm mất mát toàn phương. Xét hàm mất mát bình phương sai số bậc 2 đối với hành động ước lượng tham số:

L(\theta, a) = (\theta - a)^2

Khi đó, tổn thất hậu nghiệm kỳ vọng khi lựa chọn hành động ước lượng $a$ được tính bằng:

\rho(p, a) = \mathbb{E}\left[(\theta - a)^2 \mid y\right] = \int (\theta - a)^2 p(\theta | y) d\theta

Để tìm ước lượng Bayes tối ưu nhằm cực tiểu hóa tổn thất hậu nghiệm kỳ vọng, lấy đạo hàm biểu thức trên theo $a$ và cho bằng 0:

\frac{d}{da} \mathbb{E}\left[(\theta - a)^2 \mid y\right] = -2 \mathbb{E}[\theta - a \mid y] = 0 \implies \hat{\theta}_{\text{Bayes}} = \mathbb{E}[\theta | y]

Như vậy, ước lượng tối ưu Bayes theo hàm mất mát bình phương sai số chính là kỳ vọng hậu nghiệm. Thay ước lượng tối ưu này trở lại vào hàm tổn thất kỳ vọng, ta thu được giá trị tổn thất tối thiểu đạt được:

\rho(p, \hat{\theta}_{\text{Bayes}}) = \mathbb{E}\left[(\theta - \mathbb{E}[\theta | y])^2 \mid y\right] = \text{Var}(\theta | y)

Theo Gelman và cs. (2013), kết quả toán học trên chứng minh rằng phương sai hậu nghiệm chính là thước đo độ chính xác không thể vượt qua của ước lượng kỳ vọng hậu nghiệm. Căn bậc 2 của phương sai hậu nghiệm, tức độ lệch chuẩn hậu nghiệm (posterior standard deviation), biểu thị sai số chuẩn của ước lượng Bayes.

Dựa trên độ lệch chuẩn hậu nghiệm, các nhà nghiên cứu xây dựng khoảng tin cậy hậu nghiệm 95%. Khi phân phối hậu nghiệm đối xứng và xấp xỉ chuẩn theo định lý Bernstein - von Mises, khoảng tin cậy hậu nghiệm 95% được xác định bởi biên độ đối xứng xung quanh kỳ vọng hậu nghiệm với hệ số nhân 1,96:

\left[ \mathbb{E}[\theta | y] - 1,96 \sqrt{\text{Var}(\theta | y)}, \quad \mathbb{E}[\theta | y] + 1,96 \sqrt{\text{Var}(\theta | y)} \right]

Khác biệt căn bản với khoảng tin cậy tần suất, khoảng tin cậy hậu nghiệm Bayes mang ý nghĩa xác suất trực tiếp: xác suất để tham số chân thực rơi vào khoảng giá trị này đúng bằng 95% dựa trên dữ liệu đã thu thập.

Ước lượng phương sai hậu nghiệm trong mô phỏng MCMC và chẩn đoán hội tụ

Trong thực tiễn nghiên cứu hiện đại, đa số các mô hình thống kê phức tạp không tồn tại dạng tích phân đóng, đòi hỏi sử dụng thuật toán Monte Carlo chuỗi Markov (MCMC) để rút ra các mẫu ngẫu nhiên từ phân phối hậu nghiệm. Khi đó, phương sai hậu nghiệm không được tính giải tích mà được ước lượng số học từ các giá trị mẫu mô phỏng.

Nền tảng kiểm định ước lượng phương sai hậu nghiệm qua MCMC được thiết lập từ công trình kinh điển của Gelman và Rubin (1992) trên tạp chí Statistical Science tập 7 số 4 trang 457–472. Gelman và Rubin (1992) đề xuất khởi chạy song song nhiều chuỗi MCMC độc lập từ các điểm xuất phát phân tán để phân tích sự biến thiên trong chuỗi và giữa các chuỗi.

Xét mô hình gồm nhiều chuỗi MCMC độc lập, mỗi chuỗi tạo ra các mẫu mô phỏng sau giai đoạn khởi động (warm-up). Phương sai trong từng chuỗi được tính toán bằng trung bình phương sai mẫu nội tại, ký hiệu là đại lượng $W$ . Ngược lại, sự phân tán giữa các giá trị trung bình của các chuỗi khác nhau được đo lường bởi phương sai giữa các chuỗi, ký hiệu là đại lượng $B$ . Từ hai thành phần này, ước lượng không chệch của phương sai hậu nghiệm biên duyên của tham số được xác định thông qua tổ hợp trọng số:

\widehat{\text{Var}}^+(\theta | y) = \frac{S - 1}{S} W + \frac{1}{S} B

Trong đó, $S$ biểu thị số lượng mẫu mô phỏng rút ra trong mỗi chuỗi. Chỉ số thu nhỏ quy mô tiềm năng (potential scale reduction factor), ký hiệu là $\widehat{R}$ , được định nghĩa bằng tỷ số:

\widehat{R} = \sqrt{\frac{\widehat{\text{Var}}^+(\theta | y)}{W}}

Khi các chuỗi MCMC chưa hội tụ về phân phối dừng, phương sai giữa các chuỗi $B$ thường lớn do các chuỗi bị kẹt ở các vùng không gian khác nhau, dẫn đến giá trị $\widehat{R}$ cao hơn 1. Khi các chuỗi đã trộn đều và hội tụ hoàn toàn về phân phối hậu nghiệm mục tiêu, phương sai giữa các chuỗi tiệm cận về mức tương thích với phương sai nội tại, khiến $\widehat{R}$ tiệm cận sát về giá trị 1.

Đến năm 2021, công trình nghiên cứu của Vehtari, Gelman, Simpson, Carpenter và Bürkner công bố trên tạp chí Bayesian Analysis tập 16 số 2 trang 667–718 đã nâng cấp toàn diện chỉ số $\widehat{R}$ bằng kỹ thuật chuẩn hóa thứ bậc (rank-normalization) và gấp nếp phân phối (folding). Vehtari và cs. (2021) chỉ ra rằng chỉ số truyền thống có thể bỏ sót sự phân kỳ phương sai ở phần đuôi phân phối. Nhóm tác giả khuyến nghị chuẩn mực thực hành khắt khe mới: giá trị $\widehat{R}$ bắt buộc phải nhỏ hơn 1,01 thay vì chấp nhận các ngưỡng lỏng lẻo trước đây như 1,05 hoặc 1,1. Việc vượt qua ngưỡng 1,01 kết hợp cùng quy mô mẫu hiệu dụng đầy đủ là điều kiện tiên quyết để đảm bảo ước lượng phương sai hậu nghiệm không bị sai lệch số học.

Tính đến năm 2025 và năm 2026, các thư viện lập trình xác suất hiện đại như Stan và PyMC đã tích hợp chuẩn mực của Vehtari và cs. (2021) vào hệ thống chẩn đoán tự động, cho phép các nhà khoa học kiểm soát độ tin cậy của phương sai hậu nghiệm một cách chuẩn hóa.

Ứng dụng thực nghiệm tại Việt Nam

Tại Việt Nam, các phương pháp suy diễn Bayes và ước lượng phương sai hậu nghiệm ngày càng được ứng dụng sâu rộng trong nghiên cứu kinh tế lượng tài chính, khoa học y sinh và mô hình hóa dữ liệu vĩ mô. Một minh chứng thực nghiệm điển hình là công trình nghiên cứu của Huỳnh Thế Nguyễn, Trần Thị Kim Oanh, Phạm Minh Tiến, Bùi Hồng Trang, Nguyễn Thu Hà và Lê Hoàng Việt Hà xuất bản năm 2026 trên Tạp chí Nghiên cứu Tài chính - Marketing tập 17 số đặc biệt 1 trang 84–96.

Trong nghiên cứu này, nhóm tác giả đã phân tích tác động phi tuyến của cạnh tranh ngân hàng đến mức độ ổn định tài chính và rủi ro nợ xấu trên mẫu dữ liệu gồm 24 ngân hàng thương mại cổ phần tại Việt Nam xuyên suốt giai đoạn 2012–2024. Để khắc phục các hạn chế cố hữu của ước lượng bình phương tối thiểu tần suất trên mẫu dữ liệu kinh tế lượng vi mô có độ phân tán cao, nhóm tác giả đã thiết lập mô hình hồi quy Bayes với chuỗi mô phỏng MCMC:

Phân phối tiên nghiệm chuẩn đa biến được thiết lập cho vector các hệ số hồi quy mô tả tác động của chỉ số Lerner và vốn hóa ngân hàng.
Phân phối tiên nghiệm Gamma nghịch đảo liên hợp được áp dụng cho phương sai sai số ngẫu nhiên của mô hình.
Thông qua thuật toán MCMC, nhóm tác giả ước lượng phân phối hậu nghiệm đầy đủ và tính toán phương sai hậu nghiệm cùng độ lệch chuẩn hậu nghiệm cho từng hệ số tác động.

Kết quả từ phương sai hậu nghiệm cho phép xác định chính xác khoảng tin cậy hậu nghiệm 95% cho các tham số tác động phi tuyến của cạnh tranh lên chỉ số an toàn tài chính Z-score. Nhờ phương sai hậu nghiệm được ước lượng chuẩn xác, nghiên cứu khẳng định mối quan hệ dạng chữ U ngược giữa cạnh tranh và ổn định hệ thống ngân hàng thương mại Việt Nam trong giai đoạn 2012–2024 mà không cần phụ thuộc vào giả định phân phối tiệm cận mẫu lớn thường gặp trong kinh tế lượng cổ điển.

Hạn chế và điều kiện áp dụng

Mặc dù phương sai hậu nghiệm là chỉ số định lượng độ bất định vô cùng mạnh mẽ, việc sử dụng đại lượng này đòi hỏi sự cẩn trọng về mặt phương pháp luận và nhận thức rõ các ranh giới toán học:

Độ nhạy cảm với phân phối tiên nghiệm trong mẫu nhỏ: Khi kích thước mẫu dữ liệu thực nghiệm còn hạn chế, phương sai hậu nghiệm chịu sự chi phối đáng kể từ phương sai tiên nghiệm ban đầu. Nếu nhà nghiên cứu vô tình lựa chọn một tiên nghiệm quá hẹp (informative prior có phương sai cực nhỏ), phương sai hậu nghiệm sẽ bị bóp nghẹt nhân tạo, tạo ra ấn tượng sai lầm về độ chính xác cao của ước lượng.
Hiện tượng đa đỉnh trong phân phối hậu nghiệm: Phương sai hậu nghiệm chỉ là một chỉ số mô tả bậc hai đo lường độ phân tán quanh giá trị kỳ vọng trung bình. Khi phân phối hậu nghiệm có dạng nhiều đỉnh (multimodal distribution) hoặc có đuôi rất dày (heavy-tailed distribution), kỳ vọng hậu nghiệm có thể rơi vào vùng có mật độ xác suất bằng 0 giữa hai đỉnh, và giá trị phương sai hậu nghiệm khi đó không phản ánh trung thực cấu trúc bất định phức tạp của hiện tượng. Trong tình huống này, biểu đồ mật độ hậu nghiệm toàn phần hoặc các khoảng mật độ hậu nghiệm cao nhất (highest posterior density interval) là công cụ bắt buộc phải thay thế.
Rủi ro sai số mô phỏng từ chuỗi MCMC: Nếu chuỗi MCMC chưa đạt trạng thái hội tụ (chỉ số $\widehat{R}$ lớn hơn ngưỡng khắt khe 1,01), phương sai tính toán từ chuỗi mô phỏng sẽ đánh giá thấp hoặc đánh giá sai lệch độ bất định thực tế của tham số do hiện tượng tự tương quan chuỗi kéo dài.