ปัญหาที่ยิ่งใหญ่ที่สุดที่ฉันเห็นคือไม่มีสถิติทดสอบ (ด้วยการวิพากษ์วิจารณ์ทั้งหมดที่ Bayesian statisticians ติดกับมัน) สำหรับค่าของสถิติการทดสอบถูกกำหนดเป็น (สมมติว่าโมฆะถูกปฏิเสธสำหรับค่ามากขึ้นเช่นเดียวกับกรณีที่มีสถิติพูด) หากคุณต้องการการตัดสินใจที่มีความสำคัญยิ่งขึ้นคุณสามารถเพิ่มมูลค่าที่สำคัญและผลักดันภูมิภาคการปฏิเสธขึ้นไปอีก อย่างมีประสิทธิภาพนั่นคือสิ่งที่การทดสอบการแก้ไขหลายอย่างเช่น Bonferroni ทำโดยสั่งให้คุณใช้เกณฑ์ที่ต่ำกว่ามากสำหรับทีทีพีR o ข [ T ≥ เสื้อ| H 0 ] T χ 2 P 0 , 1 / 36 , 2 / 36 , ...พีเสื้อTP r o b [T≥ t | H0]Tχ2พี-values แต่สถิติ frequentist จะติดอยู่ที่นี่กับการทดสอบขนาดบนตารางของ\0 , 1 / 36 , 2 / 36 , ...
แน่นอนว่าวิธีการ "ผู้ใช้บ่อย" นี้ไม่มีหลักวิทยาศาสตร์เนื่องจากผลลัพธ์แทบจะไม่สามารถทำซ้ำได้ เมื่อดวงอาทิตย์ไปถึงซุปเปอร์โนวามันจะยังคงอยู่ในซูเปอร์โนวาดังนั้นเครื่องตรวจจับควรพูดว่า "ใช่" ซ้ำแล้วซ้ำอีก อย่างไรก็ตามการทำงานซ้ำของเครื่องนี้ไม่น่าจะให้ผลลัพธ์ "ใช่" อีกครั้ง สิ่งนี้ได้รับการยอมรับในด้านที่ต้องการนำเสนอตัวเองอย่างเข้มงวดและพยายามที่จะทำซ้ำผลการทดลองของพวกเขา ... ซึ่งเท่าที่ฉันเข้าใจเกิดขึ้นกับความน่าจะเป็นที่ใดก็ได้ระหว่าง 5% (การตีพิมพ์บทความต้นฉบับ ประมาณ 30-40% ในบางสาขาการแพทย์ ผู้คนในการวิเคราะห์เมตาสามารถเติมจำนวนที่ดีกว่าให้กับคุณนี่เป็นเพียงข่าวลือที่พบเจอฉันเป็นครั้งคราวผ่านสถิติขององุ่น
ปัญหาอีกประการหนึ่งจากมุมมองของนักเคลื่อนไหวที่ "ถูกต้อง" ก็คือการกลิ้งดายเป็นการทดสอบที่ทรงพลังน้อยที่สุดโดยมีกำลัง = ระดับนัยสำคัญ (หากไม่ต่ำกว่า; อำนาจ 2.7% สำหรับระดับนัยสำคัญ 5% นั้นไม่มีอะไรน่าสนใจ) ทฤษฎีของเนย์แมน - เพียร์สันสำหรับการทดสอบแบบทีทำให้เกิดความเจ็บปวดแสดงให้เห็นว่านี่เป็น UMPT และทฤษฎีทางสถิติของคิ้วสูงมาก การทดสอบเป็นสิ่งที่ทรงพลังที่สุดในชั้นเรียนที่กำหนด (เครดิต: @Dikran Marsupial พูดถึงปัญหาของพลังงานในหนึ่งในความคิดเห็น)
ฉันไม่ทราบว่าปัญหานี้เกิดขึ้นกับคุณหรือไม่ แต่สถิติของ Bayesian แสดงที่นี่ว่าเป็นคนที่รู้คณิตศาสตร์และไม่มีปัญหาในการพนัน นักสถิติแบบเบย์ที่เหมาะสมจะอ้างถึงก่อนหน้านี้, หารือเกี่ยวกับระดับความเป็นกลาง, สืบทอดมาจากด้านหลัง, และแสดงให้เห็นว่าพวกเขาเรียนรู้จากข้อมูลมากน้อยเพียงใด ไม่มีสิ่งใดที่ได้ทำไปดังนั้นกระบวนการของเบย์จึงได้รับการปรับให้กว้างพอ ๆ กับกระบวนการที่ใช้เป็นประจำ
สถานการณ์นี้แสดงให้เห็นถึงการคัดกรองแบบดั้งเดิมสำหรับปัญหาโรคมะเร็ง (และฉันแน่ใจว่านักชีวสถิติสามารถอธิบายได้ดีกว่าที่ฉันสามารถทำได้) เมื่อคัดกรองหาโรคที่หายากด้วยเครื่องมือที่ไม่สมบูรณ์ส่วนใหญ่ของผลบวกออกมาเป็นบวกเท็จ นักสถิติอัจฉริยะรู้ว่าและรู้ดีกว่าการติดตามผู้คัดกรองราคาถูกและสกปรกด้วยการตรวจชิ้นเนื้อราคาแพงและแม่นยำยิ่งขึ้น