การทำให้ขนาดตัวอย่างเป็นตัวแปรสุ่มหมายความว่าอย่างไร

แฟรงก์ฮาร์เรลได้เริ่มต้นบล็อก ( สถิติการคิด) ในโพสต์ชั้นนำของเขาเขาแสดงคุณสมบัติที่สำคัญบางอย่างของปรัชญาทางสถิติของเขา ในรายการอื่น ๆ มันรวมถึง:

ทำให้ขนาดตัวอย่างเป็นตัวแปรสุ่มเมื่อทำได้

การทำให้ขนาดตัวอย่างเป็นตัวแปรสุ่มหมายความว่าอย่างไร
อะไรคือข้อดีของการทำเช่นนี้? ทำไมถึงเป็นที่นิยมมากกว่า?

sample-size random-variable regression-strategies

— gung - Reinstate Monica
แหล่งที่มา

ในการวิเคราะห์ตามลำดับเวลาที่เกิดเหตุการณ์นั้นถือเป็นตัวแปรสุ่ม นั่นเป็นขนาดตัวอย่างจริงของ abot

— Michael R. Chernick

@RichardHardy ควรพูดคุยกับMeta ที่ตรวจสอบแล้ว ฉันสร้างแท็ก b / c เราไม่มี 1 & มีคำถามมากมายเกี่ยวกับ ACF ฯลฯ เราสามารถทำให้เป็นคำเหมือนได้เสมอ

— gung - Reinstate Monica

ฉันไม่ได้หมายถึงการใช้แบบจำลองใกล้กับกระบวนการรวบรวมข้อมูล แต่แทนที่จะทำการตรวจสอบแบบเบย์ต่อเนื่องเกี่ยวกับความน่าจะเป็นหลังซึ่งไม่ต้องใช้การลงโทษสำหรับความซ้ำซ้อน แทนที่จะคำนวณขนาดตัวอย่างเป้าหมายโดยพลการฉันต้องการคำนวณขนาดตัวอย่างสูงสุดที่เป็นไปได้ (สำหรับการอนุมัติงบประมาณ) และมิฉะนั้นจะหยุด "เมื่อเราได้รับคำตอบ" ตามปกติแล้วจะส่งผลดีต่อฟิสิกส์ ฉันจะพูดเพิ่มเติมเกี่ยวกับสิ่งนั้นในบล็อกของฉันที่http://fharrell.com ไม่นานมานี้

— Frank Harrell
แหล่งที่มา

"เมื่อเราได้รับคำตอบ" หมายถึงอะไรอย่างชัดเจน? ฉันคิดว่าการรันการศึกษาจนกว่าคุณจะได้รับผลลัพธ์ที่คุณชอบ (เช่นช่วงเวลาที่น่าเชื่อถือ 95% ไม่รวม 0) จะเหมือนกับการทำลายล้างในบริบทของ Bayesian เช่นเดียวกับที่พบบ่อย

— gung - Reinstate Monica

@ gung ไม่ได้เลย การอนุมานแบบเบย์นั้นเป็นอิสระอย่างสมบูรณ์จากกฎการหยุด มันง่ายที่จะจำลองการสอบเทียบความน่าจะเป็นหลังในช่วงเวลาที่หยุดก่อนแสดงว่ามันถูกต้องอย่างแน่นอน นี่คือหนึ่งในความแตกต่างที่น่าทึ่งกับโลกที่พบบ่อย โดยทั่วไปความน่าจะเป็นไปข้างหน้านั้นไม่มีบริบทและความน่าจะเป็นที่ล้าหลังขึ้นอยู่กับว่าคุณไปถึงที่นั่นได้อย่างไร ดังนั้นฉันจะหยุดเมื่อความน่าจะเป็นด้านหลังของผลกระทบที่เป็น> 0 เกินจำนวนบางส่วนเช่น 0.95 หรือเมื่อช่วงเวลาที่น่าเชื่อถือมีความกว้าง <บางหมายเลขที่ระบุ

— Frank Harrell

การตอบสนองของคุณต่อความคิดเห็นของ @ gung นั้นดูเหมือนว่าฉันจะถามคำถาม: ผู้อ่านบางคนอาจรู้สึกว่าถ้าการอนุมานแบบเบย์ช่วยให้ "การสุ่มตัวอย่างเป็นข้อสรุปล่วงหน้า" ยิ่งแย่ยิ่งกว่าสำหรับการอนุมานแบบเบย์ (ฉันจะอ้างอิงพวกเขาไปอ้างอิงในวรรค 3 ที่นี่ ) รอคอยที่จะโพสต์บล็อกของคุณต่อไป!

— Scortchi - Reinstate Monica

การสุ่มตัวอย่างเป็นข้อสรุปที่ไม่ถูกต้องมาก่อนเกิดขึ้นเฉพาะในกรณีที่ความขัดแย้งทางสถิติก่อนหน้านี้ใช้กับผู้ตรวจสอบที่ใช้ก่อนหน้านี้ ตัวอย่างเช่นหากผู้ตรวจสอบวางมวลความน่าจะเป็นที่ศูนย์ (กล่าวคือก่อนหน้านี้มีสถานะการดูดซับ) และรูปแบบที่ใช้ไม่ได้ให้ความสำคัญเป็นพิเศษกับโมฆะการวิเคราะห์อาจบ่งบอกถึงการหยุดเพื่อผลเชิงบวก หลักฐานไม่เพียงพอสำหรับผลกระทบ หากคุณจำลองการศึกษาด้วยสิ่งใดสิ่งหนึ่งมาก่อนและวิเคราะห์โดยใช้แบบเดิมก่อนหน้านั้นตัวตรวจสอบหลังนั้นได้รับการสอบเทียบอย่างสมบูรณ์แบบและวิธีหลังนั้นก็สมบูรณ์แบบเช่นกัน

— Frank Harrell