สำหรับปัญหาการอนุมานที่กำหนดเรารู้ว่าวิธีการแบบเบย์มักจะแตกต่างกันทั้งในรูปแบบและผลที่ได้จากวิธี fequentist ผู้ใช้บ่อย (มักจะรวมถึงฉัน) มักจะชี้ให้เห็นว่าวิธีการของพวกเขาไม่จำเป็นต้องมีก่อนและด้วยเหตุนี้ "ข้อมูลที่ขับเคลื่อน" มากกว่า "การตัดสินใจที่ขับเคลื่อน" แน่นอนว่า Bayesian สามารถชี้ไปที่นักบวชที่ไม่ให้ข้อมูลหรือใช้ประโยชน์ได้เพียงแค่ใช้การกระจายก่อนหน้านี้จริงๆ
ความกังวลของฉันโดยเฉพาะอย่างยิ่งหลังจากที่รู้สึกถึงความอับอายขายหน้าในความเป็นกลางของฉันนั่นอาจเป็นวิธีการ "วัตถุประสงค์" ของฉันที่อ้างว่าเป็นสูตรในกรอบของ Bayesian แม้ว่าจะมีรูปแบบข้อมูลและรูปแบบแปลก ๆ ในกรณีนั้นฉันเพิ่งรู้ตัวถึงความอลหม่านก่อนหน้านี้อย่างมีความสุขและแบบจำลองวิธีการที่ใช้บ่อยของฉันบอกเป็นนัย ๆ ?
ถ้าชาวเบย์ชี้ให้เห็นการกำหนดเช่นนี้ฉันคิดว่าปฏิกิริยาแรกของฉันคือการพูดว่า "ก็ดีที่คุณสามารถทำได้ แต่นั่นไม่ใช่วิธีที่ฉันคิดเกี่ยวกับปัญหา!" อย่างไรก็ตามใครสนใจว่าฉันคิดอย่างไรหรือฉันกำหนดมันอย่างไร หากกระบวนการของฉันมีค่าทางสถิติ / เชิงคณิตศาสตร์เทียบเท่ากับแบบจำลอง Bayesian บางรุ่นฉันก็จะอนุมาน Bayesian โดยไม่เจตนา ( โดยไม่เจตนา !)
คำถามจริงด้านล่าง
การตระหนักถึงสิ่งนี้ได้ทำลายสิ่งล่อใจใด ๆ แต่ผมไม่แน่ใจว่าถ้าเป็นความจริงที่ว่ากระบวนทัศน์แบบเบย์สามารถรองรับขั้นตอนการ frequentist ทั้งหมด (อีกครั้งให้คชกรรมเลือกที่เหมาะสมน่าจะเป็นก่อน) ฉันรู้ว่าการสนทนาเป็นเท็จ
ฉันถามสิ่งนี้เพราะฉันเพิ่งโพสต์คำถามเกี่ยวกับการอนุมานตามเงื่อนไขซึ่งนำฉันไปสู่บทความต่อไปนี้: ที่นี่ (ดู 3.9.5,3.9.6)
พวกเขาชี้ให้เห็นผลลัพธ์ที่เป็นที่รู้จักกันดีของบาซึว่าสามารถมีได้มากกว่าหนึ่งสถิติขึ้นทะเบียนขอร้องคำถามที่ "ส่วนย่อยที่เกี่ยวข้อง" มีความเกี่ยวข้องมากที่สุด ยิ่งแย่ไปกว่านั้นพวกเขาแสดงตัวอย่างที่สองถึงแม้ว่าคุณจะมีสถิติพิเศษที่ไม่ซ้ำกัน แต่ก็ไม่ได้กำจัดส่วนย่อยอื่น ๆ ที่เกี่ยวข้อง
พวกเขายังสรุปได้ว่ามีเพียงวิธีการแบบเบย์ (หรือวิธีการที่เทียบเท่ากับพวกเขา) เท่านั้นที่สามารถหลีกเลี่ยงปัญหานี้ได้
อาจไม่ใช่กรณีที่ Bayesian Stats Fequentist Stats - นั่นเป็นคำถามของฉันสำหรับกลุ่มนี้ที่นี่ แต่ปรากฏว่าตัวเลือกพื้นฐานระหว่างกระบวนทัศน์ทั้งสองนั้นอยู่ในปรัชญาน้อยกว่าในเป้าหมาย: คุณต้องการความแม่นยำตามเงื่อนไขสูงหรือข้อผิดพลาดที่ไม่มีเงื่อนไขต่ำ:
ดูเหมือนว่าจะมีความแม่นยำตามเงื่อนไขสูงเมื่อเราต้องวิเคราะห์อินสแตนซ์เอกพจน์ - เราต้องการให้ถูกต้องสำหรับการอนุมานนี้ถึงแม้ว่าข้อเท็จจริงที่ว่าวิธีนี้อาจไม่เหมาะสมหรือถูกต้องสำหรับชุดข้อมูลถัดไป (hyper-conditionality / specialization)
ข้อผิดพลาดที่ไม่มีเงื่อนไขต่ำมีความเหมาะสมเมื่อหากเราเต็มใจทำการอนุมานที่ไม่ถูกต้องตามเงื่อนไขในบางกรณีตราบใดที่ข้อผิดพลาดในระยะยาวของเราถูกย่อให้เล็กสุดหรือควบคุม สุจริตหลังจากเขียนสิ่งนี้ฉันไม่แน่ใจว่าทำไมฉันถึงต้องการสิ่งนี้เว้นแต่ฉันจะได้รับการรัดเวลาและไม่สามารถทำการวิเคราะห์แบบเบย์ ... hmmm
ฉันมักจะชอบการอนุมาน fequentist ตามโอกาสเนื่องจากฉันได้รับบางส่วน (asymptotic / โดยประมาณ) จากฟังก์ชั่นความน่าจะเป็น แต่ไม่จำเป็นต้องเล่นซอก่อนหน้านี้ - แต่ฉันรู้สึกคุ้นเคยกับการอนุมานแบบเบย์โดยเฉพาะอย่างยิ่ง ฉันเห็นคำศัพท์การทำให้เป็นมาตรฐานก่อนหน้านี้สำหรับการอนุมานตัวอย่างขนาดเล็ก
ขออภัยสำหรับด้านข้าง ความช่วยเหลือใด ๆ สำหรับปัญหาหลักของฉันคือการชื่นชม