มีพื้นฐานทางคณิตศาสตร์สำหรับการถกเถียงแบบเบย์กับการถกเถียงกันบ่อยๆหรือไม่?


67

มันพูดในWikipediaว่า:

คณิตศาสตร์ [ของความน่าจะเป็น] ส่วนใหญ่เป็นอิสระจากการตีความความน่าจะเป็นใด ๆ

คำถาม:แล้วถ้าเราต้องการที่จะมีความถูกต้องทางคณิตศาสตร์ไม่ควรที่เราไม่อนุญาตใด ๆความหมายของความน่าจะเป็น? คือทั้งแบบเบย์และความถี่ที่ไม่ถูกต้องทางคณิตศาสตร์?

ฉันไม่ชอบปรัชญา แต่ฉันชอบวิชาคณิตศาสตร์และฉันต้องการทำงานเฉพาะภายในกรอบของสัจพจน์ของ Kolmogorov หากนี่คือเป้าหมายของฉันควรปฏิบัติตามสิ่งที่กล่าวไว้ใน Wikipedia ว่าฉันควรปฏิเสธทั้ง Bayesianism และบ่อยครั้งหรือไม่ หากแนวคิดมีปรัชญาล้วนๆและไม่ใช่คณิตศาสตร์เลยทำไมพวกเขาจึงปรากฏเป็นสถิติตั้งแต่แรก?

ความเป็นมา / บริบท:
โพสต์บล็อกนี้ไม่ได้พูดเหมือนกัน แต่มันก็เถียงว่าการพยายามจำแนกเทคนิคเป็น "Bayesian" หรือ "บ่อยครั้ง" นั้นตอบโต้จากมุมมองเชิงปฏิบัติ

หากการอ้างอิงจาก Wikipedia เป็นจริงดูเหมือนว่าจากมุมมองทางปรัชญาที่พยายามจำแนกวิธีการทางสถิติก็เป็นวิธีที่มีประสิทธิผลเช่นกันหากวิธีการทางคณิตศาสตร์นั้นถูกต้องก็จะใช้วิธีการเมื่อสมมติฐานของคณิตศาสตร์พื้นฐาน ถือมิฉะนั้นหากไม่ถูกต้องทางคณิตศาสตร์หรือหากสมมติฐานไม่ได้ถือไว้ก็ไม่สามารถใช้งานได้

ในทางกลับกันผู้คนจำนวนมากดูเหมือนจะระบุ "การอนุมานแบบเบย์" ด้วยทฤษฎีความน่าจะเป็น (เช่นสัจพจน์ของ Kolmogorov) แม้ว่าฉันจะไม่แน่ใจว่าทำไม ตัวอย่างบางส่วนเป็นบทความของ Jaynes เกี่ยวกับการอนุมานแบบเบย์ที่เรียกว่า "ความน่าจะเป็น" เช่นเดียวกับหนังสือของ James Stone "กฎของ Bayes '" ดังนั้นถ้าฉันใช้การเรียกร้องเหล่านี้ตามมูลค่าหน้าตัวนั่นก็หมายความว่าฉันควรจะชอบลัทธิเบย์มากกว่า

อย่างไรก็ตามหนังสือของ Casella และ Berger ดูเหมือนว่าเป็นเรื่องธรรมดาเพราะมันกล่าวถึงตัวประมาณความเป็นไปได้สูงสุด แต่ไม่สนใจตัวประมาณแบบหลัง แต่ก็ดูเหมือนว่าทุกอย่างในนั้นถูกต้องทางคณิตศาสตร์

ถ้าอย่างนั้นมันจะไม่ตามมาไหมว่าสถิติที่ถูกต้องทางคณิตศาสตร์เพียงรุ่นเดียวคือสิ่งที่ปฏิเสธที่จะเป็นอะไร แต่เป็นผู้ไม่เชื่อเรื่องพระเจ้าอย่างสิ้นเชิงเกี่ยวกับ Bayesianism และบ่อยครั้ง? หากวิธีการที่มีการจำแนกประเภททั้งสองนั้นถูกต้องทางคณิตศาสตร์แล้วมันไม่ได้เป็นการปฏิบัติที่ไม่เหมาะสมที่จะชอบมากกว่าคนอื่น ๆ เพราะนั่นจะเป็นการจัดลำดับความสำคัญคลุมเครือปรัชญาที่ไม่ชัดเจนมากกว่าคณิตศาสตร์ที่ถูกต้องแม่นยำ

สรุป:ในระยะสั้นฉันไม่เข้าใจสิ่งที่เป็นพื้นฐานทางคณิตศาสตร์สำหรับการอภิปรายแบบเบย์กับการถกเถียงกันบ่อยครั้งและหากไม่มีพื้นฐานทางคณิตศาสตร์สำหรับการอภิปราย (ซึ่งเป็นสิ่งที่วิกิพีเดียอ้าง) ฉันไม่เข้าใจว่าทำไมจึงยอมรับ ทั้งหมดในวาทกรรมทางวิชาการ



1
@PeterMortensen ฉันเห็นคำถามนั้นแล้วก่อนถามคำถามนี้ อย่างไรก็ตามคำตอบสำหรับคำถามนั้นไม่ได้กล่าวถึงแหล่งที่มาหลักของความสับสนของฉันคือสิ่งที่แตกต่างทางคณิตศาสตร์หากมีอยู่ระหว่างสอง; จำไว้ว่าฉันไม่ได้สนใจในความแตกต่างทางปรัชญาเพราะพวกเขาไม่ควรมีผลต่อพื้นที่ของแบบจำลองที่เป็นไปได้
Chill2Macht

1
ความคิดเห็นไม่ได้มีไว้สำหรับการอภิปรายเพิ่มเติม การสนทนานี้ได้รับการย้ายไปแชท
whuber

4
การถกเถียงเรื่อง Bayesean นั้นเกี่ยวกับความน่าจะเป็นและความเป็นไปได้มากกว่าเกี่ยวกับการตีความทางสถิติและความถูกต้องของแอพพลิเคชั่น
RBarryYoung

2
@ Mehrdad คำถามนี้ไม่เกี่ยวกับวิธีการที่แตกต่างกันให้คำตอบที่แตกต่างกันมันเป็นเรื่องเกี่ยวกับความเป็นไปได้ของ formalizing ผ่านสัจพจน์ทางคณิตศาสตร์ความแตกต่างระหว่าง Bayesianism และบ่อยครั้ง คำตอบของคำถามที่เชื่อมโยงไปถึงไม่ได้อธิบายความแตกต่างที่เป็นจริงระหว่างทั้งสองวิธี
Chill2Macht

คำตอบ:


14

ความน่าจะเป็นที่ว่างและสัจพจน์ของ Kolmogorov

ความน่าจะเป็นพื้นที่คือนิยามที่ trippleโดยที่เป็นชุดของผลลัพธ์คือ -algebra บน ส่วนย่อยของและคือความน่าจะเป็น - วัดที่ตอบสนองความจริงของ Kolmogorov นั่นคือเป็นหน้าที่จากถึงเช่นนั้นและสำหรับ disjointในมันถือ ( Ω , F , P ) Ω F σ Ω P P F [ 0 , 1 ] P ( Ω ) = 1 E 1 , E 2 , ... F P ( J = 1 E J ) = Σ J = 1 P ( E j )P(Ω,F,P)ΩFσΩPPF[0,1]P(Ω)=1E1,E2,FP(j=1Ej)=j=1P(Ej).

ภายในพื้นที่ความน่าจะเป็นหนึ่งสามารถทำได้สองเหตุการณ์ในกำหนดความน่าจะเป็นแบบมีเงื่อนไขเป็นF P ( E 1 | E 2 ) d e f = P ( E 1E 2 )E1,E2FP(E1|E2)=defP(E1E2)P(E2)

โปรดทราบว่า:

  1. '' ความน่าจะเป็นแบบมีเงื่อนไข '' นี้จะถูกกำหนดเฉพาะเมื่อถูกกำหนดไว้ที่ดังนั้นเราจึงต้องการพื้นที่ความน่าจะเป็นเพื่อให้สามารถกำหนดความน่าจะเป็นแบบมีเงื่อนไขได้FPF
  2. พื้นที่น่าจะถูกกำหนดไว้ในข้อตกลงทั่วไปมาก ( ชุด ,พีชคณิตและวัดความน่าจะเป็น ) ที่ต้องการเพียงอย่างเดียวคือคุณสมบัติบางอย่างจะสำเร็จ แต่นอกเหนือจากที่ องค์ประกอบทั้งสามนี้สามารถ '' อะไรก็ได้ ''σ F PΩ σFP

รายละเอียดเพิ่มเติมสามารถพบได้ในลิงค์นี้

กฎของ Bayes เก็บไว้ในพื้นที่ความน่าจะเป็นใด ๆ (ใช้ได้)

จากนิยามของความน่าจะมีเงื่อนไขก็ยังถือได้ว่า(E_1)} และจากสมการหลังทั้งสองเราพบกฎของเบย์ ดังนั้นกฎของเบย์ (ตามคำนิยามของเงื่อนไขน่าจะเป็น) ในพื้นที่ความน่าจะเป็นใด ๆ (เพื่อแสดงมันมาและจากแต่ละสมการ พวกเขา (พวกเขามีค่าเท่ากันเพราะทางแยกเป็นสับเปลี่ยน)) P(E1E2)P(E2E1)P(E2|E1)=P(E2E1)P(E1)P(E1E2)P(E2E1)

เมื่อกฎของ Bayes เป็นพื้นฐานสำหรับการอนุมานแบบเบย์เราสามารถทำการวิเคราะห์แบบ Bayesian ได้ในทุก ๆ ความเป็นไปได้ (เช่นการตอบสนองทุกเงื่อนไขหลักการของความเป็นไปได้ของ ao Kolmogorov)

คำนิยามความน่าจะเป็นแบบบ่อยคือ '' กรณีพิเศษ ''

ข้างต้นถือ '' โดยทั่วไป '' คือเราไม่มีเฉพาะ , ,ในใจตราบใดที่เป็น -algebra ในส่วนย่อยของและเติมเต็มความจริงของ KolmogorovF P F σ Ω PΩFPFσΩP

ตอนนี้เราจะแสดงให้เห็นว่าคำจำกัดความ '' นักสม่ำเสมอ 'ของตามหลักการของ Kolomogorov หากเป็นเช่นนั้นความน่าจะเป็น "ผู้ประจำ" เป็นเพียงกรณีพิเศษของความน่าจะเป็นทั่วไปและนามธรรมของ Kolmogorov P

ลองยกตัวอย่างและหมุนลูกเต๋า จากนั้นชุดของผลลัพธ์ที่เป็นไปได้ทั้งหมดเป็น\} นอกจากนี้เรายังต้องพีชคณิตชุดนี้และเราจะชุดย่อยทั้งหมดของคือ\Ω = { 1 , 2 , 3 , 4 , 5 , 6 } σ Ω F Ω F = 2 ΩΩΩ={1,2,3,4,5,6}σΩFΩF=2Ω

เรายังต้องกำหนดความน่าจะเป็นในการวัดในวิธีที่ใช้บ่อย ดังนั้นเราจึงกำหนดเป็นโดยที่คือจำนวนของที่ได้รับในทอยลูกเต๋า ที่คล้ายกันสำหรับ ...\})PP({1})P({1})=deflimn+n1nn11nP({2})P({6})

ในการนี้ทางถูกกำหนดสำหรับ singletons ทั้งหมดใน{F} สำหรับชุดอื่นในเช่นเราให้คำจำกัดความในรูปแบบที่พบบ่อยคือ แต่โดยการเชิงเส้นของ 'ลิม' นี่เท่ากับซึ่งหมายความว่าสัจพจน์ของ Kolmogorov ถืออยู่PFF{1,2}P({1,2})P({1,2})=deflimn+n1+n2nP({1})+P({2})

ดังนั้นการนิยามความน่าจะเป็นประจำเป็นเพียงกรณีพิเศษของคำจำกัดความทั่วไปและนามธรรมของ Kolomogorov ของการวัดความน่าจะเป็น

โปรดทราบว่ามีวิธีอื่น ๆ ในการกำหนดการวัดความน่าจะเป็นที่ตอบสนองสัจพจน์ของ Kolmogorov ดังนั้นคำจำกัดความที่ใช้บ่อยไม่ได้เป็นวิธีเดียวที่เป็นไปได้

ข้อสรุป

ความน่าจะเป็นในระบบสัจพจน์ของ Kolmogorov คือ '' abstract '' มันไม่มีความหมายที่แท้จริง แต่จะต้องทำตามเงื่อนไขที่เรียกว่า '' สัจพจน์ '' เท่านั้น การใช้สัจพจน์เหล่านี้เพียงอย่างเดียว Kolmogorov ก็สามารถที่จะได้รับเซตของทฤษฎีบทมากมาย

นิยาม frequentist ของความน่าจะ fullfills หลักการและดังนั้นจึงเปลี่ยนนามธรรม '' ความหมาย ''โดยความน่าจะเป็นที่กำหนดไว้ในทางที่ frequentist ทฤษฎีบทเหล่านี้จะถูกต้องเพราะ'' น่าจะเป็น frequentist '' เป็นเพียงพิเศษ กรณีของความน่าจะเป็นนามธรรมของ Kolmogorov (กล่าวคือมันเติมเต็มความจริง)P

หนึ่งในคุณสมบัติที่สามารถได้รับในกรอบทั่วไปของ Kolmogorov คือกฎเบย์ เนื่องจากมันอยู่ในกรอบทั่วไปและนามธรรมมันก็จะถือ (cfr supra) ในกรณีเฉพาะที่ความน่าจะเป็นที่กำหนดไว้ในทางที่เป็นประจำ (เพราะคำจำกัดความที่พบบ่อยตอบสนองความจริงและสัจพจน์เหล่านี้เป็นสิ่งเดียวที่จำเป็น ได้รับทฤษฎีทั้งหมด) ดังนั้นเราสามารถทำการวิเคราะห์แบบเบย์ด้วยคำจำกัดความความน่าจะเป็นประจำ

การกำหนดในแบบประจำไม่ใช่ความเป็นไปได้เพียงอย่างเดียว แต่มีวิธีอื่นที่จะนิยามว่ามันตอบสนองความจริงที่เป็นนามธรรมของ Kolmogorov กฎของเบย์จะมีใน '' กรณีเฉพาะ 'เหล่านี้ด้วย ดังนั้นเราสามารถทำการวิเคราะห์แบบเบย์ด้วยคำจำกัดความความน่าจะเป็นแบบไม่ใช้ความถี่P

แก้ไข 23/8/2559

@mpiktas ตอบสนองต่อความคิดเห็นของคุณ:

อย่างที่ฉันได้พูดไปแล้วเซตและการวัดความน่าจะเป็นไม่มีความหมายพิเศษในระบบสัจพจน์จริงพวกมันเป็นนามธรรม Ω,FP

เพื่อที่จะนำไปใช้ทฤษฎีนี้คุณจะต้องให้เพิ่มเติมคำจำกัดความ (เพื่อให้สิ่งที่คุณพูดในความคิดเห็นของคุณ"ไม่จำเป็นต้องยุ่งเหยิงมันต่อไปกับบางคำจำกัดความที่แปลกประหลาด ''ถูกผิดคุณต้องนิยามเพิ่มเติม )

มาประยุกต์ใช้กับกรณีของการโยนเหรียญที่ยุติธรรม เซตในทฤษฎีของ Kolmogorov ไม่มีความหมายใด ๆ เลยมันต้องเป็น '' เซต '' ดังนั้นเราจึงต้องระบุสิ่งที่ชุดนี้คือในกรณีของเหรียญยุติธรรมคือเราจะต้องกำหนดชุด\ถ้าเราเป็นตัวแทนของหัวเช่น H และหางเป็น T แล้วชุดเป็นโดยความหมาย\}ΩΩΩ Ω=def{H,T}

นอกจากนี้เรายังได้มีการกำหนดเหตุการณ์ที่เกิดขึ้นคือพีชคณิต{F} เรากำหนดเป็น\} ง่ายต่อการตรวจสอบว่าเป็น -algebraσFF=def{,{H},{T},{H,T}}Fσ

ต่อไปเราจะต้องกำหนดสำหรับทุกเหตุการณ์ในการวัด ดังนั้นเราจึงต้องมีการกำหนดแผนที่จากใน[0,1]ฉันจะกำหนดมันในวิธีที่ใช้บ่อยสำหรับเหรียญที่ยุติธรรมถ้าฉันโยนมันเป็นจำนวนมากครั้งเศษส่วนของหัวจะเป็น 0.5 ดังนั้นฉันจึงกำหนด{def} ฉันนิยาม ,และ 0 โปรดทราบว่าเป็นแผนที่จากในและมันตอบสนองความจริงของ KolmogorovEFF[0,1]P({H})=def0.5P({T})=def0.5P({H,T})=def1P()=def0PF[0,1]

สำหรับการอ้างอิงกับคำจำกัดความความน่าจะเป็นที่พบบ่อยให้ดูที่ลิงก์นี้ (ที่ส่วนท้ายของส่วน 'คำจำกัดความ') และลิงค์นี้


10
บางทีเราควรสังเกตว่ามีการถกเถียงกันบ่อยครั้ง / Bayesian เกี่ยวกับการตีความความน่าจะเป็นและมีการถกเถียงกันบ่อยครั้ง / Bayesian เกี่ยวกับการอนุมานทางสถิติ นี่คือการโต้วาทีสองแบบที่แตกต่างกัน คำตอบนี้พูดถึงเฉพาะเรื่องแรกซึ่งเป็นเรื่องดี (และฉันเดาว่า @William สนใจที่นี่ในขณะที่เขาเลือกที่จะยอมรับคำตอบนี้) แต่คำตอบส่วนใหญ่พูดถึงส่วนที่สองเป็นส่วนใหญ่ นี่เป็นเพียงบันทึกสำหรับผู้อ่านในอนาคต แต่ยังเป็นบันทึกสำหรับวิลเลียม
อะมีบาพูดว่า Reinstate Monica

2
ฉันลงคะแนนเนื่องจากไม่มีการอ้างอิงถึงคำจำกัดความของคำว่า "ความน่าจะเป็นผู้พบบ่อย" และหากไม่มีการโพสต์ข้อความนั้นก็ไม่สมเหตุสมผล ยกตัวอย่างเช่นคำนิยามที่กำหนดของ ไม่ได้ถูกต้องทางคณิตศาสตร์เพราะความหมายขึ้นอยู่กับขีด จำกัด ของความเป็นม้วนลูกเต๋า วัตถุทางคณิตศาสตร์เป็นนามธรรมและไม่ขึ้นอยู่กับวัตถุทางกายภาพ นอกจากนี้เพื่อพิสูจน์ว่ามีขีด จำกัด อยู่คุณต้องสร้างพื้นที่ความน่าจะเป็นที่ซึ่งตัวแปรสุ่มถูกกำหนดและจากนั้นพิสูจน์ว่ามันมาบรรจบกันซึ่งคุณต้องการทฤษฎีการวัดและ ...P({1})nn1/n
mpiktas

2
นิยามของความน่าจะเป็น ดังนั้นแม้ว่าเราจะอนุญาตเช่นคำจำกัดความมันเป็นวงกลมคือการตรวจสอบว่าวัตถุเป็นไปตามคำนิยามที่คุณต้องการให้มีการกำหนดวัตถุ ฉันอยากจะได้รับการอ้างอิงถึงหนังสือเรียนที่ใช้คำจำกัดความดังกล่าวและพยายามที่จะใช้มันเพื่อให้ได้ผลลัพธ์ตามปกติในสถิติ
mpiktas

5
บทความยาว ๆ ที่มีรายละเอียดในสารานุกรมปรัชญาสแตนฟอร์ดเรื่องการตีความความน่าจะเป็นมีเนื้อหาที่ยาวและละเอียดเกี่ยวกับการใช้เป็นประจำและอาจเป็นการอ้างอิงที่ดีกว่าการเชื่อมโยงไปยัง Wikipedia (สารานุกรมสแตนฟอร์ด เป็นที่ชัดเจนว่าการให้คำจำกัดความบ่อยครั้งทำให้รู้สึกถึงความหมายทั้งหมดหรือแม้กระทั่งสิ่งที่ถือเป็นการนิยามคำจำกัดความที่แน่นอนว่าเป็นเรื่องของการถกเถียงกันอย่างต่อเนื่องยาวนาน 150 ปีที่คุณและ @mpiktas ดูเหมือนจะออกกฎหมายใหม่ในส่วนความคิดเห็น
อะมีบาพูดว่า Reinstate Monica

2
@ amoeba: ฉันชอบเตือนความทรงจำในลิงค์ของคุณว่าเราสามารถตีความ "ความน่าจะเป็น" ได้ในทุกประเภทที่ไม่มีอะไรเกี่ยวข้องกับแนวคิดที่มักจะเข้าใจ - เช่นความยาวปกติ - และยังคงสอดคล้องกับสัจพจน์ของ Kolmogorov
Scortchi - Reinstate Monica

66

สถิติไม่ใช่คณิตศาสตร์

ก่อนอื่นฉันขโมยคำพูดของ @ whuber จากความคิดเห็นในสถิติไม่ใช่คณิตศาสตร์หรือไม่ (นำไปใช้ในบริบทที่แตกต่างกันดังนั้นฉันจึงขโมยคำพูดไม่ได้อ้างถึง):

หากคุณต้องแทนที่ "สถิติ" โดย "เคมี" "เศรษฐศาสตร์" "วิศวกรรม" หรือสาขาอื่น ๆ ที่ใช้คณิตศาสตร์ (เช่นเศรษฐศาสตร์บ้าน) ก็ไม่ปรากฏว่าการโต้แย้งของคุณจะเปลี่ยนไป

ฟิลด์เหล่านี้ทั้งหมดได้รับอนุญาตให้มีอยู่และมีคำถามที่ไม่ได้รับการแก้ไขโดยการตรวจสอบว่าทฤษฎีใดถูกต้อง แม้ว่าคำตอบบางอย่างที่สถิติไม่ใช่คณิตศาสตร์? ไม่เห็นด้วยฉันคิดว่ามันชัดเจนว่าสถิติไม่ใช่คณิตศาสตร์ (บริสุทธิ์) หากคุณต้องการทำทฤษฎีความน่าจะเป็นซึ่งเป็นสาขาหนึ่งของคณิตศาสตร์ (บริสุทธิ์) คุณอาจเพิกเฉยต่อการอภิปรายทุกรูปแบบที่คุณถาม หากคุณต้องการใช้ทฤษฎีความน่าจะเป็นในการสร้างแบบจำลองคำถามในโลกแห่งความจริงคุณต้องมีอะไรมากกว่าที่จะแนะนำคุณมากกว่าแค่สัจพจน์และทฤษฎีบทของกรอบคณิตศาสตร์ ส่วนที่เหลือของคำตอบคือการท่องไปในจุดนี้

การอ้างสิทธิ์ "ถ้าเราต้องการให้ถูกต้องทางคณิตศาสตร์เราไม่ควรไม่อนุญาตการตีความความน่าจะเป็น" ไม่น่าจะเป็นไปได้เช่นกัน การวางการตีความด้านบนของกรอบคณิตศาสตร์ไม่ทำให้คณิตศาสตร์ไม่ถูกต้อง (ตราบใดที่การตีความไม่ได้อ้างว่าเป็นทฤษฎีบทในกรอบการคำนวณทางคณิตศาสตร์)

การอภิปรายไม่ได้เกี่ยวกับสัจพจน์ (ส่วนใหญ่)

แม้ว่าจะมี axiomatizations ทางเลือก * การอภิปราย (?) ไม่เกี่ยวกับการโต้แย้งสัจพจน์ของ Kolmogorov ไม่สนใจรายละเอียดปลีกย่อยบางอย่างด้วยเหตุการณ์ปรับสภาพศูนย์นำไปสู่ความน่าจะเป็นแบบมีเงื่อนไขปกติซึ่งฉันไม่รู้พอจริงความจริงของ Kolmogorov และความน่าจะเป็นแบบมีเงื่อนไขเป็นการบอกเป็นนัยถึงกฎของเบย์ซึ่งไม่มีใครโต้แย้งกัน อย่างไรก็ตามหากไม่ได้เป็นตัวแปรสุ่มในแบบจำลองของคุณ (แบบจำลองในแง่ของการตั้งค่าทางคณิตศาสตร์ที่ประกอบด้วยความน่าจะเป็นพื้นที่หรือครอบครัวของพวกเขาตัวแปรสุ่ม ฯลฯ ) แน่นอนว่าเป็นไปไม่ได้ที่จะคำนวณเงื่อนไข กระจายY) ไม่มีใครโต้แย้งว่าคุณสมบัติของความถี่หากคำนวณอย่างถูกต้องเป็นผลสืบเนื่องของแบบจำลอง ตัวอย่างเช่นการแจกแจงแบบมีเงื่อนไขXP(XY)p(yθ)ในแบบจำลองแบบเบส์กำหนดดัชนีการกระจายความน่าจะเป็นเพียงแค่ให้และหากผลลัพธ์บางอย่างมีไว้สำหรับในระยะหลัง พวกเขาเก็บไว้ทั้งหมดในอดีตด้วยp(y;θ)p(yθ)=p(y;θ)θθ

การอภิปรายเป็นเรื่องเกี่ยวกับวิธีการใช้คณิตศาสตร์

การโต้วาที (มากที่สุดเท่าที่มีอยู่ **) เป็นเรื่องเกี่ยวกับวิธีการตัดสินใจว่าจะสร้างแบบจำลองความน่าจะเป็นสำหรับปัญหา (ชีวิตจริงไม่ใช่คณิตศาสตร์) และผลกระทบของแบบจำลองที่เกี่ยวข้องกับการวาด (จริง - ชีวิต) บทสรุป แต่คำถามเหล่านี้จะมีอยู่แม้ว่านักสถิติทั้งหมดจะเห็นด้วย หากต้องการอ้างอิงจากบล็อกโพสต์ที่คุณเชื่อมโยงกับ [1] เราต้องการตอบคำถามเช่น

ฉันควรออกแบบรูเล็ตอย่างไรเพื่อให้คาสิโนของฉันสร้างรายได้ $ ปุ๋ยนี้เพิ่มผลผลิตพืชหรือไม่ Streptomycin รักษาวัณโรคปอดหรือไม่? การสูบบุหรี่เป็นสาเหตุของมะเร็งหรือไม่? ผู้ใช้นี้จะเพลิดเพลินกับภาพยนตร์เรื่องใด ผู้เล่นเบสบอลคนใดควรให้เรดซอกซ์ทำสัญญา? ผู้ป่วยรายนี้ควรได้รับเคมีบำบัดหรือไม่?

สัจพจน์ของทฤษฎีความน่าจะเป็นไม่ได้มีคำจำกัดความของเบสบอลดังนั้นจึงเป็นที่ชัดเจนว่า "เรดซอกซ์ควรให้สัญญากับผู้เล่นเบสบอล X" ไม่ใช่ทฤษฎีบทในทฤษฎีความน่าจะเป็น

หมายเหตุเกี่ยวกับเหตุผลทางคณิตศาสตร์ของวิธีการแบบเบย์

มี 'เหตุผลทางคณิตศาสตร์' สำหรับการพิจารณา unknowns ทั้งหมดเป็นความน่าจะเป็นเช่นทฤษฎีบท Cox ที่ Jaynes อ้างถึง (แม้ว่าฉันได้ยินว่ามันมีปัญหาทางคณิตศาสตร์ที่อาจจะได้รับการแก้ไขหรือไม่ได้รับการแก้ไขฉันไม่รู้เห็น [2] และ การอ้างอิงในนั้น) หรือ (แบบเบส์แบบอัตนัย) วิธีอำมหิต (ฉันได้ยินมาว่าอยู่ใน [3] แต่ไม่เคยอ่านหนังสือ) ที่พิสูจน์ว่าภายใต้สมมติฐานบางอย่างผู้มีอำนาจตัดสินใจอย่างมีเหตุผลจะมีการกระจายความน่าจะเป็นมากกว่ารัฐ ของโลกและเลือกการกระทำของเขาขึ้นอยู่กับการเพิ่มค่าที่คาดหวังของฟังก์ชั่นยูทิลิตี้ อย่างไรก็ตามผู้จัดการของเรดซอกซ์ควรยอมรับสมมติฐานหรือไม่หรือเราควรยอมรับทฤษฎีที่ว่าการสูบบุหรี่เป็นสาเหตุของมะเร็งไม่สามารถอนุมานได้จากกรอบคณิตศาสตร์ใด ๆ

เชิงอรรถ

* ฉันยังไม่ได้ศึกษา แต่ฉันเคยได้ยินเดอฟินเนตติมีวิธีการที่ความน่าจะเป็นแบบมีเงื่อนไขเป็นแบบดั้งเดิมแทนที่จะได้จากการวัดแบบไม่มีเงื่อนไข [4] กล่าวถึงการถกเถียงกันระหว่าง (Bayesians) José Bernardo, Dennis Lindley และ Bruno de Finetti ในร้านอาหารฝรั่งเศสบรรยากาศสบาย ๆ ว่า -additivity จำเป็นหรือไม่σ

** ดังที่ได้กล่าวไว้ในบล็อกโพสต์ที่คุณลิงค์ไปที่ [1] อาจไม่มีข้อโต้แย้งที่ชัดเจนกับนักสถิติทุกคนในทีมหนึ่งและดูถูกทีมอื่น ฉันเคยได้ยินว่ามันบอกว่าเราทุกคนในทางปฏิบัติในปัจจุบันและการอภิปรายที่ไร้ประโยชน์มากกว่า อย่างไรก็ตามจากประสบการณ์ของฉันความแตกต่างเหล่านี้มีอยู่เช่นว่าวิธีแรกของใครบางคนคือการสร้างแบบจำลองที่ไม่ทราบทั้งหมดว่าเป็นตัวแปรสุ่มหรือไม่และความสนใจของใครบางคนในการรับประกันความถี่

อ้างอิง

[1] สถิติอย่างง่ายบล็อกทางสถิติโดย Rafa Irizarry, Roger Peng และ Jeff Leek "ฉันประกาศการถกเถียงแบบเบส์กับการถกเถียงบ่อยครั้งสำหรับนักวิทยาศาสตร์ด้านข้อมูล", 13 ต.ค. 2014, http://simplystatistics.org/2014/10 / 13 / ตามที่ใช้นำไปใช้สถิติ-I-พบ-the-frequentists เมื่อเทียบกับ bayesians อภิปรายสมบูรณ์-เล็กน้อย /

[2] Dupré, MJ, & Tipler, FJ (2009) สัจพจน์ใหม่สำหรับความน่าจะเป็นแบบเบย์อย่างเข้มงวด การวิเคราะห์แบบเบส์, 4 (3), 599-606 http://projecteuclid.org/download/pdf_1/euclid.ba/1340369856

[3] Savage, LJ (1972) รากฐานของสถิติ บริษัท จัดส่ง

[4] เบอร์นาร์โด, JM The Valencia Story - รายละเอียดบางอย่างเกี่ยวกับที่มาและพัฒนาการของการประชุมนานาชาติวาเลนเซียเกี่ยวกับสถิติแบบเบย์ http://www.uv.es/bernardo/ValenciaStory.pdf


13
+1 โดยเฉพาะอย่างยิ่งสำหรับ "สัจพจน์ของทฤษฎีความน่าจะเป็นไม่มีคำจำกัดความของกีฬาเบสบอล"
อะมีบาพูดว่า Reinstate Monica

5
@ วิลเลียม: พารามิเตอร์ไม่เชื่อว่าเป็นตัวแปรสุ่มคงที่ - นั่นไม่ใช่ข้อเท็จจริงที่จะอนุมานหรือสังเกตเห็น คำถามคือจะแสดงถึงความไม่แน่นอนของการเกิด epistemic เกี่ยวกับมูลค่าที่แท้จริงของพารามิเตอร์โดยใช้การแจกแจงความน่าจะเป็นหรือไม่ (การวิเคราะห์เป็นประจำแสดงให้เห็นถึงกระบวนการสร้างข้อมูลที่บังเอิญได้โดยใช้การแจกแจงความน่าจะเป็น)
Scortchi - Reinstate Monica

4
@ William เลียม Monty Hall คลาสสิคไม่มีอะไรที่จะตีความได้ว่าเป็นพารามิเตอร์หรือเป็นข้อมูลมันเป็นปัญหาความน่าจะเป็น วิธีการแบบเบย์ / บ่อยครั้งจะเข้ามาเล่นถ้าคุณต้องการที่จะประมาณว่าพารามิเตอร์ของตัวแปร parametrized อธิบายไว้ที่นี่en.wikipedia.org/wiki/Monty_Hall_problem#Variantsโดยดูหลายตอนของ gameshow ฉันในฐานะชาวเบย์อาจจะใส่ตัวอย่างเช่นเบต้าก่อนหน้าและเริ่มอัปเดต ไม่ว่าจะทำงานได้ดีในการจำลองคอมพิวเตอร์อาจขึ้นอยู่อย่างมากเกี่ยวกับวิธีการจำลองด้วยคอมพิวเตอร์เลือกQqqq
Juho Kokkala

8
ฉันทราบล่วงหน้าว่าฉันไม่สนใจที่จะดำเนินการอภิปรายใด ๆ ต่อไปในส่วนความคิดเห็นเนื่องจากมัน (หรือเว็บไซต์นี้เลย) ไม่ใช่สถานที่สำหรับการโต้วาที
Juho Kokkala

2
ฉันเห็นด้วยอย่างสมบูรณ์ว่า "สถิติไม่ใช่คณิตศาสตร์" Wigner เขียนเรียงความที่เรียกว่า "ไม่มีเหตุผลที่มีประสิทธิภาพของคณิตศาสตร์ในฟิสิกส์" ซึ่งเป็นที่ถกเถียงกันอยู่ว่าเนื่องจากไม่มีการเชื่อมต่อโดยธรรมชาติระหว่างโลกนามธรรมของคณิตศาสตร์และโลกคอนกรีตของฟิสิกส์ มันน่าแปลกใจ (และยอดเยี่ยม) ที่คณิตศาสตร์ใช้งานได้ดีในการอธิบายฟิสิกส์ ฉันรู้สึกเหมือนกันว่าเป็นจริงสำหรับสถิติ ฉันหวังว่าจะมีคนเขียน "ประสิทธิผลที่ไม่สมเหตุสมผลของคณิตศาสตร์ในสถิติ" ฉันเองพบว่ามันน่าอัศจรรย์ใจที่คณิตศาสตร์นามธรรมทำงานได้ดีในการอธิบายปรากฏการณ์ทางสถิติ
aginensky

32

พื้นฐานทางคณิตศาสตร์สำหรับการถกเถียงแบบเบย์ vs บ่อยครั้งง่ายมาก ในสถิติแบบเบย์พารามิเตอร์ที่ไม่รู้จักจะถูกใช้เป็นตัวแปรสุ่ม ในสถิติเป็นประจำจะถือว่าเป็นองค์ประกอบคงที่ เนื่องจากตัวแปรสุ่มเป็นวัตถุทางคณิตศาสตร์ที่ซับซ้อนกว่าองค์ประกอบง่าย ๆ ของชุดความแตกต่างทางคณิตศาสตร์จึงค่อนข้างชัดเจน

อย่างไรก็ตามปรากฎว่าผลลัพธ์ที่แท้จริงในแง่ของแบบจำลองสามารถคล้ายกันอย่างน่าประหลาดใจ ใช้การถดถอยเชิงเส้นเช่น การถดถอยเชิงเส้นแบบเบย์ที่มีค่าคงที่ไม่แน่นอนนำไปสู่การกระจายตัวของการประมาณค่าพารามิเตอร์การถดถอยซึ่งมีค่าเฉลี่ยเท่ากับการประมาณค่าพารามิเตอร์ของการถดถอยเชิงเส้นที่ใช้บ่อยซึ่งเป็นวิธีการแก้ปัญหากำลังสองน้อยที่สุด . อย่างไรก็ตามคณิตศาสตร์ที่ใช้ในการแก้ปัญหาที่คล้ายกันแตกต่างกันมากด้วยเหตุผลที่กล่าวข้างต้น

โดยธรรมชาติแล้วเนื่องจากความแตกต่างของการรักษาคุณสมบัติทางคณิตศาสตร์ของพารามิเตอร์ที่ไม่รู้จัก (ตัวแปรสุ่มเทียบกับองค์ประกอบของชุด) ทั้งสถิติแบบเบย์และสถิติที่พบบ่อยในกรณีที่อาจดูเหมือนว่าเป็นประโยชน์มากกว่าที่จะใช้วิธีการแข่งขัน ช่วงความเชื่อมั่นเป็นตัวอย่างที่ดีเยี่ยม การไม่ต้องพึ่งพา MCMC เพื่อให้ได้การประมาณแบบง่ายเป็นอีกเรื่องหนึ่ง อย่างไรก็ตามสิ่งเหล่านี้มักจะเป็นเรื่องของรสนิยมมากกว่าไม่ใช่คณิตศาสตร์


5
แม้ว่าค่าคงที่เป็นกรณีพิเศษของตัวแปรสุ่มฉันก็ลังเลที่จะสรุปว่า Bayesianism นั้นกว้างกว่า คุณจะไม่ได้รับผลลัพธ์จากเบย์แบบประจำโดยการยุบตัวแปรสุ่มให้เป็นค่าคงที่ ความแตกต่างนั้นลึกซึ้งยิ่งขึ้น เมื่อคุณสมมติว่าพารามิเตอร์ของคุณเป็นค่าคงที่ที่ไม่รู้จักจุดโฟกัสของการศึกษาจะกลายเป็นค่าประมาณซึ่งเป็นตัวแปรสุ่ม (เนื่องจากเป็นฟังก์ชันที่สามารถวัดค่าได้ของตัวอย่าง) และวิธีการที่ใกล้เคียงกับค่าที่แท้จริงของพารามิเตอร์ หรือในทางที่จะได้รับการประเมินจึงใกล้เคียงกับการประมาณการที่แท้จริง
mpiktas

6
เนื่องจากการประมาณเป็นตัวแปรสุ่มคุณไม่สามารถศึกษาได้โดยไม่สนใจทฤษฎีการวัดดังนั้นฉันจึงพบว่าคำสั่งของคุณที่นักสถิติหลายคนแสดงความเขินอายและการดูถูกเหยียดหยามสำหรับทฤษฎีการวัดที่น่าประหลาดใจ คุณอ่านสถิติแบบอะซิมโทติคโดย A. van der Vaart หรือไม่ ฉันจะพิจารณาหนังสือเล่มนี้ภาพรวมที่ดีมากของสถิติบ่อยครั้งและทฤษฎีการวัดคุณสมบัติที่โดดเด่นค่อนข้างมี
mpiktas

3
ในทางตรงกันข้ามสถิติแบบเบย์ได้รับการกระจายตัวของพารามิเตอร์เกือบจะในทันทีและคำถามก็คือวิธีการคำนวณจริง ๆ (การวิจัยจำนวนมากเกี่ยวกับอัลกอริทึมการสุ่มตัวอย่างต่างๆ, มหานคร - เฮสติ้งส์ ฯลฯ ) และอะไรคือสิ่งสำคัญ ฉันไม่คุ้นเคยกับการวิจัยเกี่ยวกับสถิติแบบเบย์ดังนั้นการวางนัยทั่วไปของฉันอาจจะไม่มาก ไปที่การตั้งค่าส่วนบุคคลไม่ทนต่อความจริงที่ว่าฉันได้รับการฝึกฝนไม่มากก็น้อยฉันไม่ชอบว่าสถิติแบบเบย์ใช้ส่วนย่อยที่ จำกัด ของการแจกแจงที่มีอยู่อย่าง จำกัด ...
mpiktas

3
มันมักจะเริ่มต้นด้วยการแจกแจงแบบปกติและคอนจูเกตของมันและสิ่งนี้ทำให้คุณได้รับ เนื่องจากข้อมูลเกือบทั้งหมดที่ฉันทำงานไม่ได้รับการแจกจ่ายฉันจึงต้องสงสัยในทันทีและชอบที่จะทำงานกับวิธีการที่ไม่เชื่อเรื่องพระเจ้า อย่างไรก็ตามนี่เป็นความชอบส่วนบุคคลและฉันพบว่าในงานที่สมัครแล้วฉันยังไม่พบปัญหาที่วิธีการใช้งานบ่อยจะล้มเหลวอย่างน่าทึ่งจนฉันต้องเปลี่ยนไปใช้งานแบบเบย์
mpiktas

4
"มันมักจะเริ่มต้นด้วยการแจกแจงแบบปกติและคอนจูเกตและสิ่งนี้จะทำให้คุณ ... " - นี่คือเหตุผลว่าทำไมเราจึงใช้วิธีการมอนติคาร์โลตัวอย่างจากการกระจายพารามิเตอร์ด้านหลัง งานเหล่านี้ใช้สำหรับการแจกแจงทั่วไป (ซอฟต์แวร์ BUGS และตัวแปรต่างๆ)
John Donn

25

ฉันไม่ชอบปรัชญา แต่ฉันชอบวิชาคณิตศาสตร์และฉันต้องการทำงานเฉพาะภายในกรอบของสัจพจน์ของ Kolmogorov

คุณจะใช้สัจพจน์ของ Kolmogorovเพียงอย่างเดียวได้อย่างไรโดยไม่มีการตีความใด ๆ วิธีจะคุณตีความน่าจะเป็น? คุณจะพูดอะไรกับคนที่ถามคุณว่า "ความน่าจะเป็นประมาณของคุณมีความหมายว่าอะไร" 0.5คุณจะบอกว่าผลลัพธ์ของคุณเป็นตัวเลข0.5ซึ่งถูกต้องเพราะมันติดตามสัจพจน์? หากไม่มีการตีความใด ๆ คุณไม่สามารถพูดได้ว่าสิ่งนี้แสดงให้เห็นว่าเราคาดหวังที่จะเห็นผลลัพธ์บ่อยเพียงใดหากเราทำการทดสอบซ้ำ คุณไม่สามารถบอกได้ว่าจำนวนนี้บอกคุณว่าคุณมีความมั่นใจในเหตุการณ์ที่เกิดขึ้น คุณไม่สามารถตอบได้ว่าสิ่งนี้จะบอกคุณว่าคุณเชื่อว่าเป็นไปได้หรือไม่ คุณจะตีความค่าที่คาดหวังได้อย่างไร - เมื่อตัวเลขบางตัวคูณด้วยตัวเลขอื่นและรวมเข้าด้วยกันที่ถูกต้องเนื่องจากพวกมันทำตามสัจพจน์และทฤษฎีบทอื่น ๆ สองสามข้อ?

หากคุณต้องการใช้คณิตศาสตร์กับโลกแห่งความเป็นจริงคุณต้องตีความมัน ตัวเลขเพียงอย่างเดียวที่ไม่มีการตีความคือ ... ตัวเลข ผู้คนไม่คำนวณค่าที่คาดหวังเพื่อประเมินค่าที่คาดหวัง แต่เพื่อเรียนรู้บางสิ่งเกี่ยวกับความเป็นจริง

นอกจากนี้ความน่าจะเป็นที่เป็นนามธรรมในขณะที่เราใช้สถิติ (และความน่าจะเป็นต่อ se) กับเหตุการณ์จริงในโลก ยกตัวอย่างพื้นฐานที่สุด: เหรียญยุติธรรม ในการตีความบ่อยครั้งถ้าคุณขว้างเหรียญเป็นจำนวนมากเช่นนี้คุณจะคาดหวังจำนวนหัวและก้อยเท่ากัน อย่างไรก็ตามในการทดลองในชีวิตจริงสิ่งนี้แทบจะไม่เคยเกิดขึ้นเลย ดังนั้นความน่าจะเป็นนั้นไม่มีอะไรเกี่ยวข้องกับเหรียญใด ๆ ที่โยนทิ้งจำนวนครั้งใด ๆ0.5

ความน่าจะเป็นไม่มีอยู่

- Bruno de Finetti


3
"ถ้าคุณขว้างเหรียญเป็นจำนวนมากเช่นนี้คุณจะคาดหวังจำนวนหัวและก้อยเท่ากัน" - นั่นเป็นความเข้าใจที่ไม่ถูกต้องของกฎของคนจำนวนมาก ดูบทที่สามของเล่ม 1 รถตัดของรู้เบื้องต้นเกี่ยวกับทฤษฎีความน่าจะเป็นและการประยุกต์ใช้ ตัวอย่างเช่นในหน้า 67 "ในประชากรของเหรียญปกติ
Chill2Macht

1
@ วิลเลียมดังนั้นคุณจะตอบอย่างไรกับคำถาม "p = 0.5 หมายถึงอะไร" ที่ p คือค่าประมาณความน่าจะเป็นในการทดสอบเหรียญเพื่อ ...
ทิม

1
คุณยังอ้างถึง Feller ที่กล่าวถึง "ส่วนใหญ่" - ส่วนใหญ่ของอะไรกันแน่ถ้าคุณไม่ตีความความน่าจะเป็นที่เกิดขึ้นบ่อยครั้ง .. ?
ทิม

7
สิ่งที่เกินความจริง: ในมุมมองความน่าจะเป็นบ่อยครั้งนั้นมีความสัมพันธ์กับสัดส่วนของเหตุการณ์ที่เกิดขึ้นระหว่างเหตุการณ์ที่เป็นไปได้ ในการตีความแบบเบย์นั้นเกี่ยวกับสิ่งที่เชื่อได้มากแค่ไหน (ดูen.wikipedia.org/wiki/Probability#Interpretations ) ด้วยการบอกฉันเกี่ยวกับพื้นที่ตัวอย่าง ฯลฯ คุณคิดว่ามีบางสิ่งนอกเหนือจากการโยนเหรียญในอนาคต - นี่คือการตีความความน่าจะเป็นของคุณเนื่องจากจะมีการโยนเพียงครั้งเดียวดังนั้นการโต้แย้งทั้งหมดเกี่ยวกับพื้นที่ตัวอย่างจึงไม่มีผลกับ มัน. คุณพูดถูกแล้ว แต่นี่คือ
ทิม

5
การตีความ. ในการใช้ความน่าจะเป็นกับเหตุการณ์ในโลกแห่งความเป็นจริงคุณต้องทำการตีความเช่นนี้ ความน่าจะเป็นที่ทรัมป์ชนะการเลือกตั้งสหรัฐในปี 2559 เป็นเท่าใด คำถามนี้ไม่สามารถตอบได้หากคุณไม่คาดเดาเกี่ยวกับความน่าจะเป็น
ทิม

10

มุมมองของฉันเกี่ยวกับความแตกต่างระหว่างการอนุมานแบบเบย์และการอนุมานบ่อยครั้งคือประเด็นแรกคือตัวเลือกของเหตุการณ์ที่คุณต้องการความน่าจะเป็น ผู้ใช้บ่อยสมมติว่าสิ่งที่คุณพยายามพิสูจน์ (เช่นสมมติฐานว่าง) จากนั้นคำนวณความน่าจะเป็นในการสังเกตสิ่งที่คุณสังเกตอยู่ภายใต้สมมติฐานนั้น มีความคล้ายคลึงกันระหว่างความน่าจะเป็นของการไหลย้อนกลับของข้อมูลและความไวและความจำเพาะในการวินิจฉัยทางการแพทย์ซึ่งก่อให้เกิดความเข้าใจผิดอย่างใหญ่หลวงและจำเป็นต้องได้รับการประกันตัวออกจากกฎของเบย์ Bayesians คำนวณความน่าจะเป็นของเหตุการณ์และความน่าจะเป็นที่แน่นอนเป็นไปไม่ได้ที่จะคำนวณโดยไม่ต้องมีสมอ (ก่อนหน้านี้) ความน่าจะเป็นแบบเบย์ของความเป็นจริงของคำสั่งนั้นแตกต่างจากความน่าจะเป็นประจำของการสังเกตข้อมูลภายใต้สมมติฐานที่ไม่สามารถเข้าใจได้ ความแตกต่างนั้นเด่นชัดมากขึ้นเมื่อผู้ใช้บ่อยต้องปรับสำหรับการวิเคราะห์อื่น ๆ ที่ได้ทำไปแล้วหรืออาจทำได้ (หลายหลากการทดสอบตามลำดับเป็นต้น)

ดังนั้นการอภิปรายพื้นฐานทางคณิตศาสตร์จึงน่าสนใจมากและเป็นการอภิปรายที่เหมาะสมมาก แต่เราต้องเลือกตัวเลือกพื้นฐานของการส่งต่อและความน่าจะเป็นที่ถอยหลัง ดังนั้นสิ่งที่เป็นเงื่อนไขซึ่งไม่ใช่คณิตศาสตร์แน่นอนมีความสำคัญอย่างไม่น่าเชื่อ Bayesians เชื่อว่าการปรับอากาศอย่างสมบูรณ์ในสิ่งที่คุณรู้อยู่แล้วเป็นกุญแจสำคัญ บ่อยครั้งขึ้นเงื่อนไขกับสิ่งที่ทำให้คณิตศาสตร์ง่ายขึ้น


9

ฉันจะแบ่งคำถามนี้ออกเป็นสองคำถามแยกกันและตอบคำถามแต่ละข้อ

1. ) ด้วยมุมมองทางปรัชญาที่แตกต่างกันของความน่าจะเป็นที่หมายถึงอะไรในมุมมองของนักถี่ถ้วนและเบย์มีกฎทางคณิตศาสตร์ของความน่าจะเป็นที่ใช้กับการตีความหนึ่งและไม่ได้นำไปใช้กับอีก

ไม่กฎความน่าจะเป็นยังคงเหมือนเดิมระหว่างสองกลุ่ม

2. ) Bayesians และ Frequentists ใช้แบบจำลองทางคณิตศาสตร์เดียวกันเพื่อวิเคราะห์ข้อมูลหรือไม่?

โดยทั่วไปแล้วไม่มี ทั้งนี้เนื่องจากการตีความที่แตกต่างกันสองข้อบ่งชี้ว่านักวิจัยสามารถได้รับข้อมูลเชิงลึกจากแหล่งข้อมูลที่แตกต่างกัน โดยเฉพาะอย่างยิ่งกรอบการทำงานของนักคิดประจำมักจะคิดว่าจะแนะนำว่าใครสามารถอนุมานพารามิเตอร์ที่น่าสนใจได้จากข้อมูลที่สังเกตเท่านั้นในขณะที่มุมมองแบบเบย์แนะนำว่าเราควรมีความรู้จากผู้เชี่ยวชาญอิสระเกี่ยวกับเรื่องนี้ด้วย แหล่งข้อมูลที่แตกต่างกันหมายถึงแบบจำลองทางคณิตศาสตร์ที่แตกต่างกันจะถูกใช้สำหรับการวิเคราะห์

นอกจากนี้ยังเป็นที่ทราบว่ามีความอุดมสมบูรณ์แบ่งระหว่างรูปแบบที่ใช้โดยสองค่ายที่มีความเกี่ยวข้องกับสิ่งที่ได้รับการดำเนินการกว่าสิ่งที่สามารถทำได้จะทำ (เช่นหลายรุ่นที่ใช้แบบดั้งเดิมโดยค่ายหนึ่งสามารถเป็นธรรมโดยค่ายอื่น ๆ ) ตัวอย่างเช่นแบบจำลอง BUGs (การอนุมานแบบเบย์โดยใช้การสุ่มตัวอย่างแบบกิ๊บส์ชื่อที่ไม่ถูกต้องอธิบายชุดของแบบจำลองด้วยเหตุผลหลายประการ) ถูกวิเคราะห์แบบดั้งเดิมด้วยวิธีแบบเบย์ส่วนใหญ่เนื่องมาจากความพร้อมใช้งานของแพคเกจซอฟต์แวร์ที่ยอดเยี่ยม ยกตัวอย่างเช่นสแตน) อย่างไรก็ตามไม่มีอะไรที่บอกว่าแบบจำลองเหล่านี้จะต้องเป็นแบบเบย์อย่างเคร่งครัด ในความเป็นจริงฉันทำงานในโครงการ NIMBLE ที่สร้างแบบจำลองเหล่านี้ในกรอบงาน BUGs แต่ให้ผู้ใช้มีอิสระมากขึ้นในการหาข้อสรุปเกี่ยวกับพวกเขา ในขณะที่เครื่องมือส่วนใหญ่ที่เราจัดเตรียมนั้นเป็นวิธีการแบบ MCMC แบบเบย์ที่ปรับแต่งได้ แต่ก็สามารถใช้การประเมินความเป็นไปได้สูงสุดซึ่งเป็นวิธีการที่ใช้กันบ่อยในแบบดั้งเดิมสำหรับโมเดลเหล่านี้เช่นกัน ในทำนองเดียวกัน นักบวชมักคิดว่าคุณสามารถทำอะไรกับ Bayesian ซึ่งคุณไม่สามารถทำได้กับนายแบบประจำ อย่างไรก็ตามการประเมินแบบลงโทษสามารถให้แบบจำลองเดียวกันโดยใช้การประมาณพารามิเตอร์แบบปกติ (แม้ว่าเฟรมเวิร์กแบบเบย์จะให้วิธีที่ง่ายกว่าในการจัดชิดขอบและเลือกพารามิเตอร์การทำให้เป็นมาตรฐานในขณะที่ผู้ใช้บ่อยจะถูกทิ้งไว้ด้วย พารามิเตอร์การทำให้เป็นมาตรฐานเหล่านี้เป็นเพราะกลุ่มตัวอย่างที่ผ่านการตรวจสอบความถูกต้องจำนวนมากพวกเขาลดค่าความผิดพลาดตัวอย่างโดยประมาณ "... ให้ดีขึ้นหรือแย่ลง)


1
ฉันคัดค้านการอ้างถึงนี้: "โดยเฉพาะอย่างยิ่งกรอบบ่อย ๆ คิดว่าจะแนะนำให้ใครสามารถอนุมานพารามิเตอร์ที่น่าสนใจจากข้อมูลที่สังเกตเท่านั้นในขณะที่มุมมอง Bayesian แนะนำว่าควรมีความรู้ผู้เชี่ยวชาญอิสระ เกี่ยวกับหัวข้อ " โดยพื้นฐานแล้วสำหรับความหมายที่ผู้ใช้บ่อย ๆ ไม่สนใจเหตุผลความรู้อิสระเกี่ยวกับเรื่องนี้ ความแตกต่างระหว่างผู้ใช้บ่อยและ Bayesians ไม่ใช่ว่าอดีตหัวชนฝาปฏิเสธที่จะใช้ความรู้หรือบริบทก่อนหน้า ... (1/2)
Ryan Simmons

1
... แต่แทนที่จะว่าโรงเรียนแห่งความคิดทั้งสองนั้นใช้ความรู้ / บริบทก่อนหน้านี้ในวิธีที่ต่างกัน คุณอาจยืนยันว่ามุมมองแบบเบย์ใช้แนวทางที่มีหลักการมากขึ้นในการรวมความรู้ก่อนหน้านี้เข้ากับแบบจำลองโดยตรง (แม้ว่าฉันจะโต้แย้งการใช้งานอย่างกว้างขวางของนักบวชที่ไม่ให้ข้อมูล แต่ฉันไม่คิดว่ามันยุติธรรมที่จะอธิบายว่ามันเป็นปัญหาของผู้ใช้บ่อยที่ไม่ได้ใช้ข้อมูลนั้น (2/2)
Ryan Simmons

1
@ RyanSimmons: ใช่นี่คือเหตุผลที่ฉันพูดว่า "มักจะคิดที่จะแนะนำ ... " ตัวอย่างเช่นหากนักวิจัยตั้งข้อสังเกตว่าการทำให้ค่าพารามิเตอร์เป็นปกติรอบ ๆ ความคิดเห็นของผู้เชี่ยวชาญมีแนวโน้มที่จะนำไปสู่การคาดการณ์ที่ดีขึ้นในระยะยาวไม่มีปัญหาในการรวมสิ่งนี้ไว้ในกรอบการทำงานของ Frequentist ลักษณะการดำเนินงานระยะยาวกว่าตัวประมาณค่าข้อมูลเท่านั้น ") แต่นี่ไม่ตรงไปตรงมาเหมือนในกรอบของ Bayesian
หน้าผา AB

1
ยุติธรรมพอ! ฉันเห็นด้วย
Ryan Simmons

5

Bayesians และ Frequentists คิดว่าความน่าจะเป็นสิ่งต่าง ๆ ผู้ที่พบบ่อยคิดว่าพวกเขาเกี่ยวข้องกับความถี่และเข้าใจในบริบทที่เป็นไปได้เท่านั้น Bayesians มองว่าพวกเขาเป็นวิธีที่จะเป็นตัวแทนของความไม่แน่นอน เนื่องจากข้อเท็จจริงใด ๆ ไม่แน่นอนคุณสามารถพูดคุยเกี่ยวกับความน่าจะเป็นของอะไรก็ได้

ผลทางคณิตศาสตร์คือผู้ที่ใช้บ่อยคิดว่าสมการพื้นฐานของความน่าจะเป็นบางครั้งเท่านั้นและเบย์คิดว่าพวกเขามักจะใช้ ดังนั้นพวกเขาจึงดูสมการเดียวกันว่าถูกต้อง แต่แตกต่างกันในเรื่องทั่วไป

สิ่งนี้มีผลในทางปฏิบัติดังต่อไปนี้:

(1) Bayesians จะได้รับวิธีการของพวกเขาจากสมการพื้นฐานของทฤษฎีความน่าจะเป็น (ซึ่งทฤษฎีบทของ Bayes เป็นเพียงตัวอย่างเดียว) ในขณะที่ผู้ถกเถียงกันบ่อย ๆ ได้คิดค้นวิธี ad-hoc ที่ใช้งานง่ายเพื่อแก้ปัญหาแต่ละข้อ

(2) มีทฤษฏีที่ระบุว่าหากคุณให้เหตุผลจากข้อมูลที่ไม่สมบูรณ์คุณควรใช้สมการพื้นฐานของทฤษฎีความน่าจะเป็นสม่ำเสมอหรือคุณจะมีปัญหา ผู้คนจำนวนมากมีข้อสงสัยเกี่ยวกับทฤษฎีบทดังกล่าวที่มีความหมาย แต่นี่คือสิ่งที่เราเห็นในทางปฏิบัติ

ตัวอย่างเช่นเป็นไปได้สำหรับช่วงเวลาความเชื่อมั่นในโลกแห่งความเป็นจริงที่มอง 95% ซึ่งประกอบด้วยค่าทั้งหมดซึ่งเป็นไปไม่ได้ที่พิสูจน์ได้ (จากข้อมูลเดียวกับที่ใช้เพื่อหาช่วงความเชื่อมั่น) กล่าวอีกนัยหนึ่งวิธีการบ่อย ๆ สามารถโต้แย้งตรรกะนิรนัยได้ง่าย วิธีการแบบเบย์ทั้งหมดมาจากสมการพื้นฐานของทฤษฎีความน่าจะเป็นไม่มีปัญหานี้

(3) Bayesian เป็นคนที่เคร่งครัดมากกว่าเป็นประจำ เนื่องจากอาจมีความไม่แน่นอนเกี่ยวกับข้อเท็จจริงใด ๆ จึงสามารถกำหนดความน่าจะเป็นได้ โดยเฉพาะอย่างยิ่งหากข้อเท็จจริงที่คุณกำลังทำอยู่นั้นเกี่ยวข้องกับความถี่ในโลกแห่งความเป็นจริง (ไม่ว่าจะเป็นสิ่งที่คุณคาดการณ์หรือเป็นส่วนหนึ่งของข้อมูล) วิธีการแบบเบย์สามารถพิจารณาและใช้งานได้เช่นเดียวกับข้อเท็จจริงอื่น ๆ ในโลกแห่งความเป็นจริง

ดังนั้นปัญหาใด ๆ ที่พบบ่อยนักรู้สึกว่าวิธีการของพวกเขานำไปใช้กับ Bayesians ยังสามารถทำงานได้ตามธรรมชาติ อย่างไรก็ตามสิ่งที่ตรงกันข้ามก็มักจะไม่เป็นความจริงเว้นแต่นักประดิษฐ์ประจำจะตีความ subterfuges เพื่อตีความความน่าจะเป็นของพวกเขาในฐานะ "ความถี่" เช่นการจินตนาการถึงจักรวาลที่หลากหลายหรือการสร้างซ้ำสมมุติฐานไปสู่อนันต์ .


7
คุณสามารถให้การอ้างอิงบางส่วนกับคำสั่งตัวหนาที่คุณได้ให้ไว้? ตัวอย่างเช่น "ผู้ใช้บ่อยคิดว่าสมการพื้นฐานของความน่าจะเป็นบางครั้งใช้"? และสมการพื้นฐานของความน่าจะเป็นคืออะไร?
mpiktas

6
น่าสนใจยิ่งกว่าการอภิปราย B vs F คือคำพูดของคุณเกี่ยวกับช่วงความเชื่อมั่นที่มีค่าที่เป็นไปไม่ได้ คุณสามารถให้หรือเชื่อมโยงไปยังตัวอย่างที่เฉพาะเจาะจงของ 95% CI ที่มีค่าเป็นไปไม่ได้เท่านั้น? นี่อาจเป็นหนึ่งในสิ่งเหล่านั้นนักสถิติทุกคนควรได้เห็นอย่างน้อยหนึ่งครั้งในชีวิตของพวกเขา (เป็นเรื่องเตือน) แต่ฉันไม่ได้
Vincent

9
ที่ CI อาจมีค่า "เป็นไปไม่ได้" ทั้งหมดไม่ได้ "ขัดแย้งกับตรรกะการอนุมานแบบธรรมดา" เลย ฟังดูเหมือนความเข้าใจผิดของนิยามของ CI - หรืออาจเป็นความสับสนระหว่างการตีความของ CIs และช่วงเวลาที่น่าเชื่อถือ
whuber

7
ดูเหมือนว่าเป็นการพูดจาโผงผางมากกว่าที่จะตอบคำถามของ OP (ซึ่งไม่เกี่ยวกับปรัชญาอย่างเคร่งครัด)
หน้าผา AB

5
"เป็นไปได้สำหรับการอนุมานที่นักสถิติทุกคนจะทำจาก CI (โดยที่ CI นั้นไม่มีวัตถุประสงค์เชิงปฏิบัติหรือการติดต่อกับโลกแห่งความจริง) เพื่อโต้แย้งสิ่งที่สามารถอนุมานได้จากหลักฐานเดียวกัน" สิ่งนี้ยังคงไม่สนับสนุนการเรียกร้องของคุณที่ผู้ใช้บ่อย ๆ เพิกเฉยต่อกฎความน่าจะเป็น และฉันกลัวว่านี่จะลงไปในเส้นทางที่ดีของ "Bayes vs Frequentists: Fight!" ที่ผู้อ่านส่วนใหญ่ที่นี่ต้องการหลีกเลี่ยง
หน้าผา AB

3

คำถาม: ถ้าเราต้องการให้ถูกต้องทางคณิตศาสตร์เราไม่ควรตีความความน่าจะเป็นหรือไม่? คือทั้งแบบเบย์และความถี่ที่ไม่ถูกต้องทางคณิตศาสตร์?

ใช่และนี่คือสิ่งที่ผู้คนทำทั้งในปรัชญาวิทยาศาสตร์และคณิตศาสตร์

  1. แนวทางเชิงปรัชญา Wikipedia มีบทสรุปของการตีความ / คำจำกัดความความน่าจะเป็น

  2. นักคณิตศาสตร์ไม่ปลอดภัย ในอดีตที่ผ่านมาโรงเรียน Kolmogorovian มีการผูกขาดของความน่าจะเป็น: น่าจะมีการกำหนดเป็นมาตรการ จำกัด ที่กำหนด 1 ถึงพื้นที่ทั้งหมด ... เจ้าโลกนี้ไม่ถูกต้องเนื่องจากมีแนวโน้มใหม่ใน defininig น่าจะเป็นเช่นความน่าจะเป็นควอนตัมและความน่าจะเป็นฟรี


คุณเข้าใจหรือไม่ว่าสิ่งที่มีความหมายโดยการผ่อนคลายสมมติฐานของการสับเปลี่ยนของตัวแปรสุ่ม? (เกี่ยวกับความน่าจะเป็นอิสระ - ฉันไม่รู้ QM เพียงพอที่จะเข้าใจแนวคิดเบื้องหลังความน่าจะเป็นควอนตัม) นี่หมายความว่าหรือ ? ฉันเดาว่าการอภิปรายของ von Neumann algebras และ algebras หมายถึงสิ่งหลัง X Y Y X C X+YY+XXYYXC
Chill2Macht

7
@Williamจีบราส์ไม่ได้เป็นตัวอย่างที่ถูกต้องของสถิติส่วนใหญ่ที่ใช้ (โดยการเปรียบเทียบการประดิษฐ์ของจำนวนเชิงซ้อนไม่ส่งผลกระทบต่อการประยุกต์ใช้ของจำนวนธรรมชาติกับปรากฏการณ์ใด ๆ ไม่มีการขยายความเป็นไปได้ของแนวคิดทางคณิตศาสตร์ของความน่าจะเป็นจะเปลี่ยนความน่าจะเป็น - ตามที่เข้าใจกันในปัจจุบัน คำตอบนี้ทำให้งงงวย: ปัญหาทางคณิตศาสตร์เพียงอย่างเดียวที่เกี่ยวข้องกับการประยุกต์ความน่าจะเป็นใด ๆ คือความจริงที่สอดคล้องกันและพิสูจน์ได้อย่างง่ายดายด้วยแบบจำลองอย่างง่าย C
whuber

2

การถกเถียงกันอย่างเบย์ / บ่อยครั้งขึ้นอยู่กับหลายพื้นที่ หากคุณกำลังพูดถึงพื้นฐานทางคณิตศาสตร์ฉันไม่คิดว่ามีอะไรมากมาย

พวกเขาทั้งสองจำเป็นต้องใช้วิธีการประมาณต่างๆสำหรับปัญหาที่ซับซ้อน สองตัวอย่างคือ "bootstrap" สำหรับผู้ใช้งานบ่อยและ "mcmc" สำหรับแบบเบย์

พวกเขาทั้งคู่มาพร้อมกับพิธีกรรม / ขั้นตอนการใช้งาน ตัวอย่างที่พบบ่อยคือ "เสนอตัวประมาณค่าของบางสิ่งและประเมินคุณสมบัติภายใต้การสุ่มตัวอย่างซ้ำ ๆ " ในขณะที่ตัวอย่างแบบเบย์คือ "คำนวณการแจกแจงความน่าจะเป็นสำหรับสิ่งที่คุณไม่ทราบเงื่อนไขในสิ่งที่คุณรู้" ไม่มีพื้นฐานทางคณิตศาสตร์สำหรับการใช้ความน่าจะเป็นในลักษณะนี้

การถกเถียงเป็นเรื่องเกี่ยวกับการประยุกต์การตีความและความสามารถในการแก้ปัญหาในโลกแห่งความจริง

อันที่จริงแล้วสิ่งนี้มักถูกใช้โดยคนที่ถกเถียงกันว่า "ด้านของพวกเขา" ซึ่งพวกเขาจะใช้ "พิธีกรรม / ขั้นตอน" ที่เฉพาะเจาะจงที่ใช้โดย "ด้านอื่น ๆ " เพื่อยืนยันว่าทฤษฎีทั้งหมดควรถูกโยนทิ้งไป ตัวอย่างบางส่วน ได้แก่ ...

  • ใช้นักบวชโง่ (และไม่ได้ตรวจสอบพวกเขา)
  • ใช้ CIs ที่โง่ (และไม่ได้ตรวจสอบ)
  • สับสนกับเทคนิคการคำนวณกับทฤษฎี (bayes ไม่ใช่ mcmc !! เหมือนกันสำหรับการตรวจสอบความถูกต้องของการเรียนรู้ด้วยเครื่องด้วยการเทียบครอส)
  • การพูดถึงปัญหาเกี่ยวกับการใช้งานเฉพาะกับทฤษฎีหนึ่งและไม่ใช่ว่าทฤษฎีอื่นจะแก้ปัญหาเฉพาะเจาะจงได้ดีกว่า

ฮ่าฮ่าใช่นี่เป็นความจริงฉันคิดว่า ฉันต้องฟังศาสตราจารย์ต่อไปประมาณครึ่งชั่วโมงว่าลัทธิเบย์เซียนลัทธินี้เลวร้ายเพียงใดเพราะการคิดกับนักบวชไม่สมเหตุสมผลและตลอดเวลาที่ฉันคิดว่า "เอ่อ duh ดังนั้นคุณจะไม่เลือก ก่อนหน้านั้น " ประเด็นของฉันคือฉันเห็นด้วยว่าความขัดแย้งชาวฟางชุกชุม
Chill2Macht

1

ถ้าอย่างนั้นมันจะไม่ตามมาไหมว่าสถิติที่ถูกต้องทางคณิตศาสตร์เพียงรุ่นเดียวคือสิ่งที่ปฏิเสธที่จะเป็นอะไร แต่เป็นผู้ไม่เชื่อเรื่องพระเจ้าอย่างสิ้นเชิงเกี่ยวกับ Bayesianism และบ่อยครั้ง? หากวิธีการที่มีการจำแนกประเภททั้งสองนั้นถูกต้องทางคณิตศาสตร์แล้วมันไม่ได้เป็นการปฏิบัติที่ไม่เหมาะสมที่จะชอบมากกว่าคนอื่น ๆ เพราะนั่นจะเป็นการจัดลำดับความสำคัญคลุมเครือปรัชญาที่ไม่ชัดเจนมากกว่าคณิตศาสตร์ที่ถูกต้องแม่นยำ

ไม่มันไม่ทำตาม บุคคลที่ไม่สามารถรู้สึกอารมณ์ของตนเองมีความสามารถทางชีวภาพในการตัดสินใจรวมถึงการตัดสินใจที่ดูเหมือนจะมีวิธีการแก้ปัญหาเพียงหนึ่งเดียว เหตุผลก็คือการตัดสินใจอย่างมีเหตุผลขึ้นอยู่กับความสามารถทางอารมณ์ของเราและความชอบของเราทั้งทางปัญญาและอารมณ์ ในขณะที่มันน่ากลัวมันเป็นความจริงเชิงประจักษ์

Gupta R, Koscik TR, Bechara A, Tranel D. Amygdala และการตัดสินใจ Neuropsychologia 2011; 49 (4): 760-766 ดอย: 10.1016 / j.neuropsychologia.2010.09.029

คนที่ชอบแอปเปิ้ลกับส้มไม่สามารถปกป้องสิ่งนี้ได้เนื่องจากมันเป็นสิ่งที่ชอบ ในทางกลับกันคนที่ชอบส้มกับแอปเปิ้ลไม่สามารถปกป้องสิ่งนี้ได้อย่างมีเหตุผลเนื่องจากเป็นความชอบ คนที่ชอบแอปเปิ้ลมักกินส้มเพราะต้นทุนของแอปเปิ้ลดีเกินไปเมื่อเทียบกับต้นทุนของส้ม

การถกเถียงแบบเบย์และบ่อยครั้งมากรวมถึงการถกเถียงกันระหว่าง Likelihoodist และ Frequentist บ่อยครั้งที่มีศูนย์กลางอยู่ที่ความผิดพลาดของการทำความเข้าใจ อย่างไรก็ตามหากเราคิดว่าเรามีบุคคลที่ได้รับการฝึกฝนมาเป็นอย่างดีในทุกวิธีรวมถึงวิธีการที่ใช้น้อยกว่าหรือไม่ได้ใช้เช่นความน่าจะเป็นของ Carnapian หรือสถิติที่น่าเชื่อถือก็เป็นเพียงเหตุผลสำหรับพวกเขา

ความมีเหตุผลขึ้นอยู่กับความชอบ; พฤติกรรมนั้นขึ้นอยู่กับความชอบและค่าใช้จ่าย

อาจเป็นได้ว่าจากมุมมองทางคณิตศาสตร์อย่างหมดจดว่าเครื่องมือหนึ่งดีกว่าอีกอันหนึ่งซึ่งดีกว่าถูกกำหนดโดยใช้ฟังก์ชั่นต้นทุนหรือยูทิลิตี้บางอย่าง แต่ถ้าไม่มีคำตอบที่ไม่ซ้ำกันที่เครื่องมือเดียวสามารถทำงานได้ การตั้งค่าจะต้องมีการชั่งน้ำหนัก

พิจารณาปัญหาของเจ้ามือรับแทงม้าโดยพิจารณาจากการเดิมพันที่ซับซ้อน เห็นได้ชัดว่าเจ้ามือรับแทงม้าควรใช้วิธีการแบบเบย์ในกรณีนี้เนื่องจากพวกมันเชื่อมโยงกันและมีคุณสมบัติที่ดีอื่น ๆ แต่ก็คิดว่าเจ้ามือรับแทงม้ามีเครื่องคิดเลขเท่านั้นและไม่แม้แต่กับดินสอและกระดาษ อาจเป็นกรณีที่เจ้ามือรับแทงด้วยการใช้เครื่องคิดเลขของเขาและโดยการติดตามสิ่งต่าง ๆ ในหัวของเขาสามารถคำนวณวิธีแก้ปัญหาประจำและไม่มีโอกาสบนโลกที่จะคำนวณ Bayesian หากเขายินดีที่จะเสี่ยงต่อการเป็น "Dutch Booked" และยังพบว่ามีค่าใช้จ่ายที่อาจเกิดขึ้นน้อยพอแล้วก็เป็นเหตุผลที่เขาจะเสนอการเดิมพันโดยใช้วิธีการของนักเล่นแร่แปรธาตุ

มันเป็นเหตุผลสำหรับคุณที่จะไม่เชื่อเรื่องพระเจ้าเพราะการตั้งค่าทางอารมณ์ของคุณพบว่าจะดีกว่าสำหรับคุณ มันไม่มีเหตุผลที่จะต้องเป็นผู้ไม่เชื่อเรื่องพระเจ้านอกเสียจากว่าคุณเชื่อว่าทุกคนมีความรู้สึกร่วมกันทางอารมณ์และความรู้ความเข้าใจซึ่งเรารู้ว่ามันไม่ใช่อย่างนั้น

ในระยะสั้นฉันไม่เข้าใจสิ่งที่เป็นพื้นฐานทางคณิตศาสตร์สำหรับการถกเถียงแบบเบย์กับการถกเถียงกันบ่อยครั้งและถ้าไม่มีพื้นฐานทางคณิตศาสตร์สำหรับการอภิปราย วาทกรรมทางวิชาการ

จุดประสงค์ของการถกเถียงทางวิชาการคือการนำความคิดใหม่ ๆ มาสู่ทั้งแนวคิดเก่าและใหม่ การถกเถียงแบบเบย์กับการถกเถียงบ่อยครั้งมากและการถกเถียงกันว่าเป็นไปได้บ่อยกับการถกเถียงกันบ่อยครั้งมาจากความเข้าใจผิดและความสะเพร่าของความคิด บางคนมาจากความล้มเหลวในการโทรออกการตั้งค่าสำหรับสิ่งที่พวกเขา การอภิปรายเกี่ยวกับคุณงามความดีของผู้ประเมินที่เป็นกลางและมีเสียงดังและผู้ประเมินราคาถูกลำเอียงและถูกต้องเป็นการสนทนาเกี่ยวกับความพึงพอใจทางอารมณ์ แต่จนกว่าจะมีใครซักคน

ฉันไม่ชอบปรัชญา แต่ฉันชอบวิชาคณิตศาสตร์และฉันต้องการทำงานเฉพาะภายในกรอบของสัจพจน์ของ Kolmogorov

ทำไม? เพราะคุณชอบ Kolmogorov's กับ Cox's, de Finetti's หรือ Savage's? การตั้งค่าที่เป็นด้อมหรือไม่ นอกจากนี้ความน่าจะเป็นและสถิติไม่ใช่คณิตศาสตร์พวกเขาใช้คณิตศาสตร์ มันเป็นสาขาของวาทศาสตร์ เพื่อให้เข้าใจว่าเหตุใดเรื่องนี้จึงอาจพิจารณาข้อความของคุณ:

หากวิธีการใดมีความถูกต้องทางคณิตศาสตร์ก็จะสามารถใช้วิธีการเมื่อสมมติฐานของคณิตศาสตร์ที่เก็บไว้เป็นอย่างอื่นถ้ามันไม่ถูกต้องทางคณิตศาสตร์หรือถ้าสมมติฐานไม่ได้ถือมันก็ไม่ถูกต้องที่จะใช้มัน

นี่ไม่เป็นความจริง. มีบทความที่ดีเกี่ยวกับช่วงความเชื่อมั่นและการละเมิดของพวกเขาคือ:

Morey, Richard; Hoekstra, ลานสเก็ต; รูเดอเจฟฟรีย์; ลี, ไมเคิล; Wagenmakers, Eric-Jan, การเข้าใจผิดในการวางความเชื่อมั่นในช่วงความเชื่อมั่น, แถลงการณ์ทางจิตวิทยาและการทบทวน, 2016, เล่มที่ 23 (1), pp.103-123

หากคุณอ่านช่วงความเชื่อมั่นที่เป็นไปได้ที่แตกต่างกันในบทความแต่ละคนมีความถูกต้องทางคณิตศาสตร์ แต่ถ้าคุณประเมินคุณสมบัติแล้วพวกเขาจะแตกต่างกันอย่างมาก อันที่จริงบางช่วงความเชื่อมั่นที่ให้ไว้อาจจะคิดว่ามีคุณสมบัติ "ไม่ดี" แม้ว่าพวกเขาจะพบกับสมมติฐานทั้งหมดในปัญหา หากคุณปล่อยช่วงเวลาแบบเบย์ออกจากรายการและมุ่งเน้นเฉพาะช่วงเวลาสี่ช่วงเวลาของผู้มาเยือนบ่อยครั้งหากคุณทำการวิเคราะห์เชิงลึกว่าช่วงใดกว้างหรือแคบหรือคงที่คุณจะพบว่าช่วงเวลาอาจไม่เท่ากัน "แม้ว่าแต่ละคนจะตรงตามสมมติฐานและข้อกำหนด

มันไม่เพียงพอที่จะใช้ในเชิงคณิตศาสตร์เพื่อให้มีประโยชน์หรือมีประโยชน์มากที่สุด ในทำนองเดียวกันมันอาจเป็นจริงทางคณิตศาสตร์ แต่เป็นอันตราย ในบทความมีช่วงเวลาที่แคบที่สุดอย่างแม่นยำเมื่อมีจำนวนข้อมูลน้อยที่สุดเกี่ยวกับตำแหน่งที่แท้จริงและกว้างที่สุดเมื่อมีความรู้ที่สมบูรณ์หรือใกล้ความรู้ที่สมบูรณ์แบบเกี่ยวกับตำแหน่งของพารามิเตอร์ ไม่ว่าจะเป็นไปตามข้อกำหนดการครอบคลุมและเป็นไปตามสมมติฐาน

คณิตศาสตร์ไม่เคยเพียงพอ


ฉันชอบบทความที่สองมาก (บทสรุปของบทความแรกเป็นสิ่งที่ฉันได้ยินมาถกเถียงกันในทางที่ทำให้ฉันเชื่อมั่นดังนั้นฉันจึงไม่จำเป็นต้องอ่าน) ฉันเห็นด้วยกับสิ่งที่คุณพูดเป็นส่วนใหญ่ เพื่อความเป็นธรรมเมื่อฉันพูดคณิตศาสตร์ฉันมีความหมายมากขึ้นในเรื่องความหมาย "คณิตศาสตร์ประยุกต์" รวมทั้งความเข้าใจโดยปริยายว่าวิชาและทิศทางของการวิจัยทางคณิตศาสตร์เช่นเดียวกับทางเลือกของสัจพจน์ทางคณิตศาสตร์ โลกแห่งความจริง. นอกจากนี้ฉันไม่คิดว่าบทความที่สองขัดแย้งกับสิ่งที่ฉันกำลังพูด - ผู้เขียนมักเข้าใจผิดวลี
Chill2Macht

พวกเขาทางคณิตศาสตร์ (เช่นแม่นยำอย่างจริงจัง) แล้วให้ตัวอย่างที่แสดงให้เห็นว่าพวกเขาเป็นเท็จ สิ่งที่ฉันพยายามจะพูด (ถ้าฉันจำได้อย่างถูกต้องเกี่ยวกับความตั้งใจของฉันเมื่อหลายเดือนก่อน) นั่นคือถ้าคุณ "ปรัชญา" หรือ "ความคิดทางปรัชญา" หรืออะไรก็ตามที่ไม่สามารถแปล / แคบลงเป็นคำพูดที่ชัดเจน ถ้าอย่างนั้นก็ไม่มีประโยชน์อะไรที่จะโยน เช่นผู้ใช้บ่อยที่วาดความแตกต่างระหว่าง MLE (MAP กับ flat ก่อน) และนักบวชประเภทอื่น ๆ ด้วยเหตุผลที่คลุมเครือ - หากการคัดค้านของคุณไม่สามารถระบุในรูปของสัจพจน์ทางคณิตศาสตร์ได้นั่น
Chill2Macht

ไม่มีเหตุผลที่ดีที่จะระบุคำคัดค้านของคุณตั้งแต่แรกเพราะการคัดค้านของคุณนั้นคลุมเครือเกินกว่าจะปลอมแปลงได้ เพียงเพราะสถิติคือ "การใช้คณิตศาสตร์" ไม่ได้หมายความว่าในความคิดของฉันสถิติที่มีความชอบธรรมที่จะเป็นนักคิดที่ฉลาดกว่านักคณิตศาสตร์ นักคณิตศาสตร์ให้เหตุผลตลอดเวลาเกี่ยวกับสัจพจน์ทางคณิตศาสตร์ที่ "คุ้มค่า" หรือ "น่าสนใจ" ที่ต้องพิจารณาตามที่คุณชี้ไป แต่ข้อโต้แย้งเหล่านี้มีความสามารถในการมีสสารและการเคลื่อนที่ไปข้างหน้าเพราะตำแหน่งของแต่ละด้านนั้นชัดเจนและไม่น่าสงสัย
Chill2Macht

กล่าวอย่างชัดเจน - เช่นมีใครสามารถพูดได้อย่างชัดเจนว่า intuitionists ปฏิเสธการใช้กฎของการยกเว้นกลางในขณะที่นักคณิตศาสตร์คนอื่น ๆ มีเนื้อหาที่จะใช้มัน สังเกตการถกเถียงกันอย่างดุเดือดเกี่ยวกับสัจพจน์ของทางเลือก แต่ทั้งกฎหมายของผู้ที่ได้รับการยกเว้นตรงกลางและสัจพจน์ของการเลือกนั้นเป็นข้อความที่แม่นยำซึ่งหากมีการสันนิษฐานที่แม่นยำอื่น ๆสามารถปลอมแปลงแสดงให้เห็นว่าปลอมแปลงพิสูจน์ได้ ฯลฯ (ขึ้นอยู่กับสมมติฐานอื่น ๆ ) คือสิ่งที่ผมพยายามจะเถียงว่า "ปรัชญา" / "อารมณ์" ควรเข้ามาเล่นการตั้งค่าของรัฐในการที่แตกต่างกันชัดเจน / แม่นยำ สัจพจน์ เป็น
Chill2Macht

เมื่อเทียบกับคนที่พูดว่า "นักบวชไม่ดี" และไม่ให้ความจริงทางคณิตศาสตร์ที่พวกเขาเชื่อว่าการอนุมานควรตอบสนองและการเลือกก่อนหน้านี้อาจแสดงเหตุผลที่จะละเมิด อดีตไม่มีประโยชน์ในขณะที่หลังมีความคิดสร้างสรรค์เพราะมันทำให้บางสิ่งบางอย่างเป็นรูปธรรมที่จะทำงานกับฝ่ายตรงข้ามเช่นโอกาสที่จะเสนอความจริงทางเลือกที่พวกเขา "ดูเหมือนมีเหตุผลมากกว่าที่จะคิดว่าปัญหานี้" นี่คือเหตุผลที่ฉันชอบบทความที่สองที่คุณเชื่อมโยงเพราะมันทำเช่นนั้น - มัน"mathematizes"การตีความที่ผิดพลาดของ CI และพิสูจน์ว่าพวกเขาเป็นเท็จ
Chill2Macht
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.