วิธีการ "ไปหาข้อมูลเพิ่มเติม" ของฟิชเชอร์เมื่อใด


26

การอ้างอิงคำตอบที่ยอดเยี่ยมของ gung

นักวิจัยเข้าหา Fisher ด้วยผลลัพธ์ที่“ ไม่สำคัญ” เมื่อถามถึงสิ่งที่เขาควรทำและฟิชเชอร์กล่าวว่า 'ไปหาข้อมูลเพิ่มเติม'

จากมุมมองของเพียร์สัน Neyman นี้เป็นที่เห็นได้ชัด -hacking แต่มีกรณีการใช้งานที่ฟิชเชอร์ไปได้รับเพิ่มเติมข้อมูลวิธีการทำให้รู้สึก?p


10
ฟิชเชอร์ (ซ้ำ) เน้นความสำคัญของการจำลองแบบการทดลองและฉันคาดหวังว่านี่เป็นความตั้งใจของเขาที่นี่ (สมมติว่าการสนทนาเกิดขึ้น) แน่นอนว่าฟิชเชอร์จะทราบดีว่าคุณไม่สามารถตรวจสอบความสำคัญแล้วขยายตัวอย่างเริ่มต้นของคุณหากคุณไม่ได้รับ
Glen_b -Reinstate Monica

@Glen_b ฉันเคยได้ยินวลี "การจำลองการทดลอง" มาก่อน แต่ก็ไม่ค่อยเข้าใจเท่าไหร่ คุณสามารถทำอย่างละเอียด? สมมติว่ามีการจำลองสิบครั้งของการทดสอบที่มีขนาดตัวอย่าง 10 ดีกว่าการทดสอบเดี่ยวที่มีขนาดตัวอย่าง 100
nalzok

ในการศึกษาเชิงสำรวจอาจได้รับข้อมูลมากขึ้น ในการศึกษายืนยันไม่มีตำแหน่งสำหรับการรับข้อมูลเพิ่มเติม
user158565

5
หนึ่งในมุมมองที่ขัดแย้งของฉันเกี่ยวกับการปฏิบัติทางสถิติคือในขณะที่การพิจารณาปัญหาของการบวกเท็จนั้นเป็นสิ่งสำคัญ แต่เราไม่ควรใส่อัตราการผิดพลาดของการอนุรักษ์ประเภท 1 ลงบนแท่นสูงที่เราปฏิเสธที่จะเรียนรู้จากข้อมูล 1 อัตราความผิดพลาด
หน้าผา AB

คำตอบ:


29

กระบวนทัศน์ที่พบบ่อยคือการรวมมุมมองของฟิชเชอร์และเนย์แมนเพียร์สัน เฉพาะในการใช้วิธีการหนึ่งเท่านั้นและการตีความอื่นจะเกิดปัญหาขึ้น

มันน่าจะแปลกสำหรับใครก็ตามที่รวบรวมข้อมูลมากขึ้นเป็นปัญหาเนื่องจากมีข้อมูลมากขึ้นเป็นหลักฐานมากกว่า แท้จริงแล้วปัญหานั้นไม่ได้อยู่ที่การรวบรวมข้อมูลมากขึ้น แต่เป็นการใช้ค่าเพื่อตัดสินใจเมื่อมันเป็นตัววัดความสนใจด้วย การจัดเก็บข้อมูลได้มากขึ้นบนพื้นฐานของ -value เป็นเพียง -hacking ถ้าคุณคำนวณใหม่ -valuepppp

หากคุณมีหลักฐานไม่เพียงพอที่จะทำให้ข้อสรุปที่น่าพอใจเกี่ยวกับคำถามการวิจัยลองหาข้อมูลเพิ่มเติม อย่างไรก็ตามยอมรับว่าตอนนี้คุณผ่านขั้นตอน NHST ของการวิจัยของคุณและมุ่งเน้นไปที่การหาปริมาณผลกระทบที่น่าสนใจแทน


สิ่งที่น่าสนใจคือ Bayesians ไม่ได้รับผลกระทบจากภาวะที่กลืนไม่เข้าคายไม่ออกนี้ พิจารณาตัวอย่างต่อไปนี้:

  • หากนักความถี่สรุปไม่แตกต่างกันอย่างมีนัยสำคัญและจากนั้นสลับไปที่การทดสอบความเท่าเทียมแน่นอนว่าอัตราการบวกผิดพลาดเพิ่มขึ้น
  • Bayesian สามารถแสดงช่วงความหนาแน่นสูงสุดและภูมิภาคของความเท่าเทียมเชิงปฏิบัติของความแตกต่างพร้อมกันและนอนหลับเหมือนกันในเวลากลางคืน

โดยทั่วไปแล้วฉันต้องการทดสอบว่าค่าเฉลี่ยของประชากร A เท่ากับค่าของประชากร B ในขั้นต้นฉันได้รับข้อมูลบางส่วนทำการทดสอบ : "ค่าเฉลี่ยเท่ากัน" และฉันไม่สามารถปฏิเสธได้ ในกรณีนี้ฉันไม่ควรทำการทดสอบอีกครั้งสำหรับH 0 : "วิธีการไม่เท่ากัน" ทั้งหมดที่ฉันทำได้คือการประเมินช่วงเวลาที่เป็นความลับของวิธีการนั้นถูกต้องหรือไม่ เกิดอะไรขึ้นถ้าไม่มีการเหลื่อมกันระหว่างสองช่วง? H0H0
nalzok

6
"การแฮ็ก p- ก็ต่อเมื่อคุณคำนวณค่า p ใหม่" สิ่งนี้ไม่ได้ขึ้นอยู่กับวิธีการที่ใช้ในการคำนวณค่า p ทั้งหมดหรือไม่ การเพิกเฉยต่อการวิเคราะห์ตามลำดับและการตัดสินใจที่จะรวบรวมข้อมูลมากขึ้นจะส่งผลให้ค่า p ไม่ถูกต้อง อย่างไรก็ตามหากคุณรวมกฎการตัดสินใจเพื่อรวบรวมข้อมูลเพิ่มเติมในการคำนวณค่า p คุณจะสร้างค่า p ที่ถูกต้อง
jsk

4
@jsk ฉันคิดว่ามันมีค่าน้อยกว่าที่ค่า p ที่คำนวณในภายหลังนั้นมีบางอย่างที่ไม่ถูกต้องและอีกมากมายที่คุณใช้มาตรฐานตามอำเภอใจและไม่ใช้ข้อมูลเพื่อตัดสินเมื่อการทดลองของคุณ "ถูกต้อง" และการวิจัยของคุณในโครงการนั้นคือ " ทำ" การตัดสินใจว่าทั้งหมดไม่ใช่อย่างมีนัยสำคัญ P-ค่าไม่ถูกต้องและรวบรวมข้อมูลจนกว่าคุณจะได้รับหนึ่งที่เป็นอย่างมีนัยสำคัญแล้วหยุดเพราะคุณเคยผล "สิทธิ" เป็นตรงข้ามของวิทยาศาสตร์ทดลอง
Upper_Case-Stop Harming Monica

1
@Upper_Case ฉันแสดงความคิดเห็นในส่วนเล็ก ๆ ของโพสต์เกี่ยวกับการแฮ็ค p ซึ่งเป็นสาเหตุที่ฉันรวมส่วนนั้นในเครื่องหมายคำพูด คุณกำลังอ่านคำสั่งของฉันมากเกินไป ประเด็นของฉันคือกฎการตัดสินใจใด ๆ ที่ใช้ในการตัดสินใจรวบรวมข้อมูลเพิ่มเติมจะต้องรวมอยู่ในการคำนวณค่า p ตราบใดที่คุณรวมการตัดสินใจลงในการคำนวณค่า p คุณยังสามารถดำเนินการ NHST ที่ถูกต้องหากคุณต้องการ สิ่งนี้ไม่ได้หมายความว่าฉันกำลังสนับสนุนกฎการหยุดที่กล่าวว่า "รวบรวมข้อมูลเพิ่มเติมจนกว่าคุณจะพบผลลัพธ์ที่สำคัญ"
jsk

@jsk อ่าฉันเข้าใจประเด็นของคุณได้ดีขึ้นแล้ว ขอบคุณสำหรับการชี้แจง
Upper_Case-Stop Harming Monica

10

กำหนดขนาดของกลุ่มตัวอย่างขนาดใหญ่พอที่การทดสอบจะแสดงผลอย่างมีนัยสำคัญเว้นแต่ขนาดของผลที่แท้จริงคือศูนย์ตรงตามที่กล่าวไว้ที่นี่ ในทางปฏิบัติขนาดของเอฟเฟ็กต์ที่แท้จริงไม่เป็นศูนย์ดังนั้นการรวบรวมข้อมูลมากขึ้นในที่สุดจะสามารถตรวจจับความแตกต่างจิ๋วที่สุด

คำตอบที่น่ากลัวจากฟิชเชอร์ (IMO) เป็นการตอบสนองต่อคำถามที่ค่อนข้างสำคัญว่าที่สถานที่ตั้งของมันกำลังพูดถึงความแตกต่างที่สำคัญกับความแตกต่างที่เกี่ยวข้องในทางปฏิบัติ

มันจะเทียบเท่ากับนักวิจัยที่เข้ามาในสำนักงานของฉันและถามว่า "ฉันชั่งน้ำหนักตะกั่วนี้ที่มีป้ายกำกับ '25 กรัม' และวัดได้ 25.0 กรัมฉันเชื่อว่าการติดฉลากผิดฉันควรทำอย่างไร ที่ฉันสามารถตอบได้

ฉันเชื่อว่าวิธี go-get-more-data มีความเหมาะสมหากการทดสอบเริ่มต้นนั้นได้รับผลกระทบอย่างรุนแรงเพื่อตรวจจับขนาดของความแตกต่างที่เกี่ยวข้องกับการปฏิบัติจริง


ประเด็นคือคุณต้องรวมการตัดสินใจเพื่อรับข้อมูลเพิ่มเติมในการคำนวณค่า p
jsk

@jsk แม้ว่าคุณจะเปลี่ยนค่า p คุณยังสามารถรวบรวมข้อมูลเพิ่มเติมเพื่อค้นหาผลลัพธ์ที่สำคัญ (แม้ว่าคุณจะต้องการข้อมูลมากขึ้นก็ตาม)
Underminer

1
ฉันน่าจะชัดเจนกว่านี้ ฉันไม่แน่ใจว่าคุณหมายถึงอะไรโดย "คุณยังคงสามารถรวบรวมข้อมูลเพิ่มเติมเพื่อค้นหาผลลัพธ์ที่สำคัญ" ฉันเข้าใจว่าเพราะโดยทั่วไปแล้วสมมติฐานว่างเปล่านั้นไม่เป็นความจริงการรวบรวมข้อมูลมากขึ้นจะนำไปสู่ผลลัพธ์ที่สำคัญ ฉันแค่ต้องการดึงความสนใจไปที่ความจริงที่ว่าเมื่อทำการคำนวณค่า p คุณต้องรวมการตัดสินใจเพื่อรวบรวมข้อมูลเพิ่มเติมในการคำนวณค่า p ซึ่งหมายความว่าต้องมีการกำหนดกฎการตัดสินใจ (เกี่ยวกับการรวบรวมข้อมูลเพิ่มเติม) ก่อนการรวบรวมข้อมูลดั้งเดิม
jsk

@jsk แม้จะมีวิธีการที่เข้มงวดมากในการปรับค่า p (เช่น Bonferroni ที่ถูกต้องสามารถนำไปใช้ในการวิเคราะห์หลังเกิดเหตุ) ได้ แต่ก็มีขนาดตัวอย่างเพิ่มเติมที่มีขนาดใหญ่พอที่จะเอาชนะการแก้ไขได้ ประเด็นคือ: หากคุณให้วิธีการปรับค่า p (ให้ระบุก่อนการรวบรวมข้อมูลจริงหรือไม่) ความแตกต่างที่แท้จริงระหว่างการกระจายตัวของประชากรของกลุ่มที่น่าสนใจและผลลัพธ์เบื้องต้นที่ไม่มีนัยสำคัญ และฉันสามารถให้ตัวอย่างขนาดใหญ่พอที่จะให้ผลลัพธ์ที่สำคัญแก่คุณ ดังนั้นข้อมูลเพิ่มเติมคือคำตอบเสมอ
Underminer

7

ขอบคุณ มีสองสิ่งที่ควรคำนึงถึงที่นี่:

  1. อ้างอาจเป็นหลักฐาน
  2. มันค่อนข้างสมเหตุสมผลที่จะได้รับข้อมูลมากขึ้น / ดีขึ้นหรือข้อมูลจากแหล่งข้อมูลอื่น (มาตราส่วนที่แม่นยำกว่า, คำตอบ@ @ Underminer's ; สถานการณ์หรือการควบคุมที่แตกต่างกัน ฯลฯ ) สำหรับการศึกษาครั้งที่สอง(cf. , @ ข้อคิดเห็นของ Glen_b ) . นั่นคือคุณจะไม่วิเคราะห์ข้อมูลเพิ่มเติมร่วมกับข้อมูลต้นฉบับ: บอกว่าคุณมี N = 10 ด้วยผลลัพธ์ที่ไม่สำคัญคุณสามารถรวบรวมข้อมูลอีก N = 20 และวิเคราะห์เพียงอย่างเดียว (ไม่ทดสอบเต็ม 30 ด้วยกัน) ) ถ้าคำพูดไม่ได้เป็นหลักฐานว่านั่นอาจเป็นสิ่งที่ฟิชเชอร์มีอยู่ในใจ
  3. ปรัชญาฟิชเชอร์ของวิทยาศาสตร์เป็นหลักPopperian นั่นคือโมฆะไม่จำเป็นต้องมีสิ่งที่จะปฏิเสธอย่างเป็นทางการเพื่อยืนยันทฤษฎีของคุณ แต่อุดมคติอาจเป็นทฤษฎีของคุณเองเช่นการปฏิเสธหมายความว่าทฤษฎีสัตว์เลี้ยงของคุณผิดและคุณต้องกลับไปที่กระดานวาดภาพ ในกรณีเช่นนี้อัตราเงินเฟ้อที่พิมพ์ผิดพลาดจะไม่เป็นประโยชน์ต่อผู้วิจัย (ในทางกลับกันการตีความนี้ตัดกับฟิชเชอร์โดยให้คำแนะนำนี้เว้นแต่เขาจะทะเลาะวิวาทซึ่งไม่น่าจะเป็นไปได้)
  4. ไม่ว่าจะด้วยเหตุผลใดก็ตามมันก็คุ้มค่าที่ชี้ให้เห็นว่าเหตุผลที่ฉันรวมความคิดเห็นนั้นคือมันแสดงให้เห็นบางสิ่งพื้นฐานเกี่ยวกับความแตกต่างในธรรมชาติของทั้งสองวิธี

1
p

โดยวิธีการมันจะดีถ้าคุณสามารถอธิบายเกี่ยวกับ "ความแตกต่างในลักษณะของทั้งสองวิธี" วิธีการของฟิชเชอร์ฟังดูเหมือนเป็นเรื่องส่วนตัวมากขึ้นเพราะฉันรู้สึกว่าเขาไม่สนใจอัตราความผิดพลาด แต่ฉันอาจพลาดอะไรบางอย่าง
nalzok

1
@nalzok ความแตกต่างถูกกล่าวถึงในหัวข้อเดิม: วิธีการของเนย์แมน - เพียร์สันถือว่าการศึกษาเป็นเหตุการณ์ที่ไม่ต่อเนื่องคุณทำมัน & เดินจากไป; วิธีการของฟิชเชอร์สมมติว่าปัญหาอยู่ระหว่างการสอบสวนอย่างต่อเนื่อง Re: # 2 หากคุณวิเคราะห์ข้อมูลแบบแยกข้อมูลนั่นไม่ใช่การแฮ็กข้อมูล (ยกเว้นว่าคุณอาจใช้การศึกษาหลายครั้งและเผยแพร่เฉพาะที่แสดงสิ่งที่คุณต้องการ) Re: # 3, no, null ไม่เป็นที่ยอมรับคุณจำเป็นต้องหาวิธีที่ดีกว่าในการทดสอบทฤษฎีของคุณ
gung - Reinstate Monica

1
pp

1
(+1) บางครั้งฉันคิดว่าเราให้ความสำคัญกับต้นไม้และคิดถึงป่า ค่อนข้างโผงผางเมื่อเรามีปัญหาหนักข้อมูลเพิ่มเติมมักจะดีกว่าข้อมูลน้อย ในกรณีส่วนใหญ่ข้อมูลเพิ่มเติมจะไม่ดีขึ้นมาก ในฐานะที่เป็นเอกสารเชิงลึกของเม้งในปี 2018 "การแนะนำทางสถิติและความขัดแย้งในข้อมูลขนาดใหญ่ (I) " การแนะนำให้รับ ข้อมูลที่ดีกว่า (เช่นตัวอย่างที่เลือกมาอย่างดี) นั้นมีประโยชน์มากกว่าข้อมูลที่ใหญ่กว่าเมื่อเราพยายามประมาณปริมาณที่ไม่รู้จัก แต่ข้อมูลเพิ่มเติมมักจะช่วยได้!
usεr11852พูดว่า Reinstate Monic

6

สิ่งที่เราเรียกว่าการแฮ็ก P- ใช้การทดสอบที่สำคัญหลายครั้งและรายงานผลลัพธ์ที่มีนัยสำคัญเท่านั้น ไม่ว่าจะดีหรือร้ายก็ขึ้นอยู่กับสถานการณ์

เพื่ออธิบายให้ลองคิดถึงผลกระทบที่แท้จริงในคำศัพท์แบบเบย์แทนที่จะเป็นสมมติฐานว่างและทางเลือก ตราบใดที่เราเชื่อว่าผลกระทบที่เราสนใจมาจากการกระจายอย่างต่อเนื่องเราก็รู้ว่าสมมติฐานว่างเป็นเท็จ อย่างไรก็ตามในกรณีของการทดสอบแบบสองด้านเราไม่รู้ว่ามันเป็นบวกหรือลบ ภายใต้แสงนี้เราสามารถคิดค่า p สำหรับการทดสอบสองด้านเป็นการวัดว่าหลักฐานมีความแข็งแกร่งเพียงใดที่การประเมินของเรามีทิศทางที่ถูกต้อง (เช่นผลบวกหรือลบ)

p<α

ตอนนี้ให้พิจารณาสิ่งที่เกิดขึ้นเมื่อคุณกลับไปรับข้อมูลเพิ่มเติม ทุกครั้งที่คุณรับข้อมูลเพิ่มเติมความน่าจะเป็นของการได้รับทิศทางที่ถูกต้องตามเงื่อนไขกับข้อมูลที่เพียงพอจะเพิ่มขึ้นเท่านั้น ดังนั้นภายใต้สถานการณ์นี้เราควรตระหนักว่าการได้รับข้อมูลมากขึ้นแม้ว่าเราจะเพิ่มความน่าจะเป็นของความผิดพลาดประเภทที่ 1 แต่เราก็ลดความน่าจะเป็นที่จะสรุปทิศทางผิดโดยไม่ตั้งใจ

ใช้สิ่งนี้ตรงกันข้ามกับการแฮ็ก P-hacking ที่ใช้กันทั่วไปมากกว่า เราทดสอบขนาดเอฟเฟกต์ 100 รายการที่มีความน่าจะเป็นที่จะเล็กมากและรายงานเฉพาะขนาดที่สำคัญเท่านั้น โปรดทราบว่าในกรณีนี้หากเอฟเฟกต์ทั้งหมดมีขนาดเล็กเรามีโอกาส 50% ที่จะได้รับทิศทางที่ผิดเมื่อเราประกาศความสำคัญ

แน่นอนว่าค่า p ที่สร้างจาก data-double-down นี้ควรมาพร้อมกับเม็ดเกลือ โดยทั่วไปแล้วคุณไม่ควรมีปัญหากับคนที่รวบรวมข้อมูลเพิ่มเติมเพื่อให้แน่ใจเกี่ยวกับขนาดของเอฟเฟ็กต์มากขึ้นซึ่งอาจถูกใช้ในทางอื่น ตัวอย่างเช่น PI ที่ฉลาดอาจรู้ว่าแทนที่จะเก็บรวบรวม 100 จุดข้อมูลทั้งหมดในครั้งเดียวพวกเขาสามารถประหยัดเงินจำนวนมากและเพิ่มพลังงานโดยการรวบรวมจุดข้อมูล 50 จุดแรกวิเคราะห์ข้อมูลแล้วเก็บ 50 ถัดไปหากไม่สำคัญ . ในสถานการณ์นี้พวกเขาเพิ่มความน่าจะเป็นที่จะได้รับทิศทางของผลที่ผิดตามเงื่อนไขในการประกาศความสำคัญเนื่องจากพวกเขามีแนวโน้มที่จะได้รับทิศทางของผลที่ไม่ถูกต้องกับ 50 จุดข้อมูลมากกว่า 100 จุดข้อมูล

และสุดท้ายให้พิจารณาถึงผลกระทบของการไม่ได้รับข้อมูลมากขึ้นเมื่อเรามีผลลัพธ์ที่ไม่สำคัญ นั่นหมายความว่าจะไม่รวบรวมข้อมูลเพิ่มเติมในหัวข้อซึ่งจะไม่ผลักดันวิทยาศาสตร์ไปข้างหน้าจริง ๆ ใช่ไหม? การศึกษาที่ต่ำกว่าเกณฑ์จะฆ่าสาขาทั้งหมด


1
(+1) นี่เป็นมุมมองที่น่าสนใจ แต่คุณสามารถอธิบายเพิ่มเติมเกี่ยวกับความแตกต่างระหว่างวิธีการของฟิชเชอร์กับ PI ที่ฉลาดได้หรือไม่ ทั้งสองรวบรวมข้อมูลมากขึ้นเนื่องจากการทดสอบครั้งแรกดูเหมือนไม่มีนัยสำคัญ
nalzok

นอกจากนี้ฉันไม่แน่ใจว่าคุณหมายถึงอะไร "แม้ว่าเราจะเพิ่มความน่าจะเป็นของข้อผิดพลาดประเภทที่ 1 แต่เราก็ลดความน่าจะเป็นที่จะสรุปทิศทางผิดอย่างผิดพลาด" สมมติฐานว่างนี่คืออะไร? IMO หากคุณทำการทดสอบด้านเดียวดังนั้น "การสรุปทิศทางที่ผิด" คือ "ข้อผิดพลาดประเภท I" และสำหรับการทดสอบสองด้านคุณไม่ควรสรุปทิศทาง
nalzok

แก้ไขฉันถ้าฉันผิด แต่ฉันคิดว่าคุณแนะนำให้เก็บข้อมูลเพิ่มเติมจนกว่าการทดสอบสองด้านจะมีความสำคัญและในกรณีนี้อัตราความผิดพลาดประเภทที่ 1 จะเป็น 100%
nalzok

1
ความแตกต่างที่สำคัญระหว่างสิ่งที่ฟิชเชอร์แนะนำและ PI ที่ฉลาด / ไร้เดียงสาก็คือฟิชเชอร์ทำให้การเรียกนั้นจากการศึกษาสรุปได้ ตัวเลือกของเขาอาจรวบรวมข้อมูลเพิ่มเติมหรือตัดสินใจว่าเขาจะไม่มีทางรู้ทิศทางของผลกระทบ บนมืออื่น ๆ , PI ตัดสินใจที่จะลดกำลังการศึกษาแรกของเขาก่อนที่เขาจะเห็นข้อมูล
หน้าผา AB

1
@nalzok: แน่ใจว่าผมจะพยายามที่จะดูในช่วงเวลา nonwork :)
คลิฟ AB

1

หากทางเลือกมีความเป็นไปได้น้อยกว่าปกติการทดลองที่ไม่สามารถปฏิเสธค่า null จะลดลงอีกทำให้การวิจัยเพิ่มเติมใด ๆ มีความคุ้มค่าน้อยลง ตัวอย่างเช่นสมมติว่าเบื้องต้นน่าจะเป็นคือ 0.01 จากนั้นเอนโทรปีของคุณคือ. 08 บิต ถ้าความน่าจะเป็นลดลงเป็น. 001 แสดงว่าเอนโทรปีของคุณคือ 0.01 ดังนั้นการรวบรวมข้อมูลอย่างต่อเนื่องจึงไม่คุ้มค่า เหตุผลข้อหนึ่งที่ทำให้ต้นทุนคุ้มค่าคือการรู้ว่าสำคัญมากแม้กระทั่งเอนโทรปีที่เหลืออีก 0.01 บิตก็คุ้มค่าที่จะลดลง

อีกเหตุผลหนึ่งที่จะเป็นถ้าเบื้องต้นน่าจะเป็นสูงจริงๆ หากคุณเบื้องต้นน่าจะถูกกว่า 50% แล้วล้มเหลวในการปฏิเสธโมฆะเพิ่มเอนโทรปีของคุณทำให้มันมากขึ้นค่าใช้จ่ายที่มีประสิทธิภาพที่จะดำเนินการเก็บรวบรวมข้อมูล ตัวอย่างจะเป็นเมื่อคุณเกือบจะแน่ใจว่ามีผลกระทบ แต่ไม่ทราบว่าไปในทิศทางใด

ตัวอย่างเช่นหากคุณเป็นตัวแทนต่อต้านหน่วยสืบราชการลับและคุณแน่ใจว่าแผนกมีไฝและทำให้ผู้ต้องสงสัยสองรายแคบลงและกำลังทำการวิเคราะห์ทางสถิติเพื่อตัดสินใจว่าจะเลือกอันไหนผลลัพธ์ที่ไม่มีนัยสำคัญทางสถิติจะแสดงให้เห็นถึงการรวบรวม ข้อมูลเพิ่มเติม


ทำไมความล้มเหลวในการปฏิเสธค่า null จึงลดความน่าจะเป็น ในขณะที่กรณีที่ไม่มีหลักฐานไม่ได้เป็นหลักฐานของการขาดฉันไม่สามารถเข้าใจว่าทำไมมันเป็นหลักฐานกับกรณีที่ไม่มี
nalzok

@nalzok ฉันเขียนว่า "หากทางเลือกมีความน่าจะเป็นนิรนัยเล็ก ๆ น้อย ๆ ดังนั้นการทดลองที่ล้มเหลวในการปฏิเสธ null จะลดลงอีก" ในขณะที่ "null" เป็นคำนามที่ใกล้เคียงที่สุดกับ "มัน" null ไม่ได้เป็นปริมาณและ ดังนั้นจึงไม่สามารถลดลงได้และไม่ใช่สิ่งที่มาก่อนสำหรับ "มัน" นอกจากนี้ "เพิ่มเติม" ระบุว่า "มัน" หมายถึงบางสิ่งบางอย่างที่มีขนาดเล็กอยู่แล้ว ข้อเท็จจริงเหล่านี้ชี้ไปที่อดีตของ "มัน" เป็น "ความน่าจะเป็นเบื้องต้น" ของทางเลือก
สะสม
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.