Bayesian uninformative priors เทียบกับ null nullistes บ่อยครั้ง: ความสัมพันธ์คืออะไร?


11

ฉันมาข้ามภาพนี้ในบล็อกโพสต์ที่นี่

ใครบางคนในหลุม mosh ประสบ EUREKA!  ขณะ

ฉันรู้สึกผิดหวังที่การอ่านคำแถลงนั้นไม่ได้ทำให้สีหน้าฉันเหมือนที่เคยทำกับผู้ชายคนนี้

ดังนั้นสิ่งที่มีความหมายโดยคำพูดที่ว่าสมมติฐานว่างเป็นวิธีที่บ่อยครั้งแสดงความไม่ทราบมาก่อน? เป็นเรื่องจริงเหรอ?


แก้ไข:ฉันหวังว่าบางคนสามารถเสนอการตีความเพื่อการกุศลที่ทำให้ข้อความเป็นจริงแม้ในบางกรณี


3
ฉันไม่คิดว่ามันถูกต้อง ก่อนอื่นใครสักคนสามารถเขียนความน่าจะเป็นของการทดสอบ T ได้หรือไม่? จากนั้นเราสามารถเริ่มพูดคุยเกี่ยวกับการเปรียบเทียบ และถ้าคุณทำไม่ได้ ... เราจะภาพนั้นไม่สมเหตุสมผล
joint_p

คำตอบ:


10

สมมติฐานว่างไม่เท่ากับเบย์เซียน uninformative ก่อนด้วยเหตุผลง่าย ๆ ที่เบย์สามารถใช้สมมติฐานว่างและทำการทดสอบสมมติฐานโดยใช้ปัจจัยของเบย์ หากพวกเขาเท่าเทียมกัน Bayesians จะไม่ใช้สมมติฐานว่าง

อย่างไรก็ตามการทดสอบสมมติฐานทั้งแบบประจำและแบบเบย์รวมองค์ประกอบของความสงสัยตัวเองซึ่งเราจำเป็นต้องแสดงให้เห็นว่ามีหลักฐานบางอย่างที่ว่าสมมติฐานทางเลือกของเรานั้นเป็นคำอธิบายที่เป็นไปได้มากขึ้นสำหรับการสังเกตมากกว่าโอกาสแบบสุ่ม บ่อยครั้งที่การทำเช่นนี้โดยมีระดับนัยสำคัญ Bayesians ทำสิ่งนี้โดยมีการตีความมาตราส่วนสำหรับปัจจัย Bayes เช่นที่เราจะไม่ประกาศสมมติฐานอย่างรุนแรงเว้นแต่ว่าปัจจัย Bayes เหนือสมมติฐานว่างนั้นสูงพอสมควร

ตอนนี้เหตุผลที่การทดสอบสมมติฐานบ่อย ๆ เป็นเรื่องที่เข้าใจง่ายก็คือเพราะผู้ทดสอบไม่สามารถกำหนดความน่าจะเป็นที่ไม่น่าสนใจให้กับความจริงของสมมติฐานซึ่งโดยทั่วไปแล้วเศร้าเป็นสิ่งที่เราต้องการ สิ่งที่ใกล้เคียงที่สุดที่พวกเขาสามารถทำได้คือการคำนวณค่า p-value (ความน่าจะเป็นของการสังเกตภายใต้ H0) จากนั้นดึงข้อสรุปอัตนัยจากสิ่งนี้ว่า H0 หรือ H1 เป็นไปได้หรือไม่ Bayesian สามารถกำหนดความน่าจะเป็นให้กับความจริงของสมมติฐานและสามารถหาอัตราส่วนของความน่าจะเป็นเหล่านี้เพื่อแสดงถึงความน่าเชื่อถือของสัมพัทธ์หรืออย่างน้อยการสังเกตการเปลี่ยนแปลงอัตราส่วนของความน่าจะเป็นเหล่านี้ (ซึ่งเป็นสิ่งที่ ปัจจัย Bayes ทำ)

ในความคิดของฉันมันเป็นความคิดที่ไม่ดีที่จะพยายามที่จะวาดเส้นขนานที่ใกล้เคียงกันมากเกินไประหว่างวิธีการทดสอบสมมติฐานประจำและ Bayesian เนื่องจากพวกเขาแตกต่างกันโดยพื้นฐานและตอบคำถามที่แตกต่างกันโดยพื้นฐาน การปฏิบัติต่อพวกเขาราวกับว่าพวกเขาเท่าเทียมกันส่งเสริมการตีความแบบเบย์ของการทดสอบเป็นประจำ (เช่นการเข้าใจผิดของค่า p) ซึ่งอาจเป็นอันตราย (ตัวอย่างเช่นความคลาดเคลื่อนของสภาพอากาศมักจะสันนิษฐานว่าการขาดแนวโน้มที่สำคัญทางสถิติ ไม่มีความอบอุ่น - ซึ่งไม่ถูกต้องทั้งหมด)


9

เหตุผลที่คุณไม่มีใบหน้าแบบ epiphanic แบบเดียวกับที่คุณคิดคือผู้ชายคนนั้น . . คำสั่งไม่เป็นความจริง

สมมติฐานว่างเป็นสมมติฐานว่าความแตกต่างระหว่างเงื่อนไขการควบคุมและเงื่อนไขการทดลองใด ๆ เกิดขึ้นเนื่องจากโอกาส

สิ่งที่ไม่คาดหมายก่อนหน้านี้มีไว้เพื่อระบุว่าคุณมีข้อมูลก่อนหน้าของคำถาม แต่ไม่ได้บอกอะไรคุณเกี่ยวกับสิ่งที่คาดหวังในครั้งต่อไป ชาวเบย์มีแนวโน้มที่จะยืนยันว่ามีข้อมูลใด ๆ มาก่อนแม้แต่การกระจายตัวแบบสม่ำเสมอ

สมมุติฐานว่างบอกว่าไม่มีความแตกต่างระหว่างการควบคุมและการทดลอง uninformative ก่อนบนมืออื่น ๆ อาจหรืออาจเป็นไปไม่ได้และถ้ามันจะบ่งบอกถึงอะไรเกี่ยวกับความแตกต่างระหว่างการควบคุมและการทดลอง (ซึ่งแตกต่างจากการบ่งชี้ว่า

บางทีฉันอาจขาดความเข้าใจเกี่ยวกับนักบวชที่ไม่รู้เรื่อง ฉันหวังว่าจะได้คำตอบอื่น ๆ


2
ฉันจะเพิ่มเฉพาะว่านักวิชาการที่ไม่ใช่นักการทูตมีความรู้เกี่ยวกับทัศนคติของนักวิจัยมากกว่าคุณสมบัติที่น่าสนใจโดยเฉพาะของการกระจายตัวเอง นี่เป็นทัศนคติที่ Gelman โต้แย้งในการวิเคราะห์ข้อมูลแบบเบย์แม้ว่าฉันจะไม่สามารถหาหมายเลขหน้าได้
Sycorax พูดว่า Reinstate Monica

7
สมมติฐานว่างไม่เหมือนกันเสมอไป สมมติฐานว่างเป็นเพียงสมมติฐานทางเลือก "น่าเบื่อ" ที่คุณเปรียบเทียบกับสมมติฐาน "น่าสนใจ" ของคุณเพื่อดูว่าข้อมูลสนับสนุนอีกหนึ่งหรือไม่ ที่จริงแล้ว "ไม่มีความแตกต่าง" เป็นจริงสมมติฐานที่ไม่ดีเนื่องจากคุณรู้ว่ามันเป็นเท็จ ดีกว่าคือ "ความแตกต่างต่ำกว่าเกณฑ์ที่ฉันใส่ใจ"
Stumpy Joe Pete

ขอบคุณสำหรับคำตอบ @ Krysta และโดยทั่วไปฉันก็มีความคิดเหมือนกันกับข้อความ แต่อาจมีความรู้สึกว่าคำพูดนั้นเป็นเรื่องจริงหรือไม่?
jerad

การคาดเดาที่ดีที่สุดของฉันคือสมมติฐานว่างเปล่าเป็นจุดเริ่มต้นสำหรับผู้ใช้บ่อยหรือชุดว่างเปล่า? บางทีผู้เขียนคนนี้คิดว่า uninformative ก่อนเป็นจุดเริ่มต้นสำหรับ Bayesians แต่ข้อมูลก่อนปกติเป็นแบบอะนาล็อกที่ดีกว่าถ้านั่นคือสิ่งที่พวกเขาหมายถึง สมมติฐานที่เป็นโมฆะ & uninformative ก่อนทำ sorta มีความคล้ายคลึงกันทางแนวคิด - พวกเขาทั้งสองเกี่ยวกับการสมมติว่าไม่มีข้อมูล / ผลกระทบ แต่มันค่อนข้างคลุมเครือ!
Krysta

"ชาวเบย์มีแนวโน้มที่จะยืนยันว่ามีข้อมูลใด ๆ มาก่อน" แต่ก่อนหน้านี้เจฟฟรีย์เป็นคนไม่รู้แจ้ง
Neil G

4

ดูบทความ Wikipedia นี้ :

สำหรับกรณีของพารามิเตอร์และข้อมูลเดียวที่สามารถสรุปได้ในสถิติที่เพียงพอเพียงครั้งเดียวก็สามารถแสดงให้เห็นว่าช่วงเวลาที่น่าเชื่อถือและช่วงความเชื่อมั่นจะเกิดขึ้นหากพารามิเตอร์ที่ไม่รู้จักคือพารามิเตอร์ตำแหน่ง (... ) ที่มีก่อนหน้านั้น เป็นการแจกแจงแบบแบนสม่ำเสมอ (... ) และหากพารามิเตอร์ที่ไม่รู้จักคือพารามิเตอร์มาตราส่วน (... ) ที่มีของ Jeffreys ก่อน

ในความเป็นจริงการอ้างอิงชี้ไปที่ Jaynes:

เจย์นส์, ET (1976) ช่วงความเชื่อมั่น VS เบส์ช่วง

ในหน้า 185 เราสามารถหา:

หากกรณี (I) เกิดขึ้น (และบ่อยกว่าที่รับรู้) การทดสอบแบบเบย์และออร์โธดอกซ์จะนำเราไปสู่ผลลัพธ์ที่เหมือนกันและข้อสรุปเดียวกันโดยมีความขัดแย้งทางวาจาว่าเราควรใช้ 'ความน่าจะเป็น' หรือ ' นัยสำคัญ 'เพื่ออธิบายพวกเขา

ดังนั้นในความเป็นจริงมีกรณีที่คล้ายกัน แต่ฉันจะไม่พูดคำสั่งในภาพเป็นความจริงถ้าคุณเป็นเช่นการใช้การกระจาย Cauchy เป็นโอกาส ...


4

ฉันเป็นคนที่สร้างกราฟิกแม้ว่าตามที่ระบุไว้ในโพสต์ที่แนบมา แต่เดิมไม่ได้มีความเข้าใจที่ลึกซึ้งของฉัน ให้ฉันอธิบายถึงวิธีการที่จะเกิดขึ้นและพยายามอย่างเต็มที่เพื่ออธิบายว่าฉันเข้าใจมันอย่างไร การรับรู้เกิดขึ้นระหว่างการสนทนากับนักเรียนที่เรียนรู้วิธีการแบบเบย์เป็นส่วนใหญ่ในการอนุมานจนถึงจุดนั้น เขามีช่วงเวลาที่ยากในการทำความเข้าใจกระบวนทัศน์การทดสอบสมมติฐานทั้งหมดและผมทำดีที่สุดของฉันที่จะอธิบายวิธีการนี้ทำให้เกิดความสับสนเด็ด (ถ้าคุณพิจารณา“ความแตกต่าง” ที่จะเป็นลบ - ในขณะที่ไม่ได้เท่ากับ - จากนั้นวิธีการสมมุติฐานโมฆะมาตรฐานเป็นลบสามเท่า: เป้าหมายของนักวิจัยคือแสดงให้เห็นว่าไม่มีความแตกต่าง) โดยทั่วไปและตามที่ระบุไว้ในคำตอบอื่นนักวิจัยมักคาดหวังความแตกต่างอยู่ สิ่งที่พวกเขาหวังว่าจะได้พบคือหลักฐานที่น่าเชื่อถือว่า“ ปฏิเสธ” โมฆะ แม้ว่าจะไม่เอนเอียงก็ตามพวกเขาเริ่มต้นด้วยการแกล้งไม่รู้ในขณะที่“ อาจจะเป็นเพราะยานี้มีผลกระทบต่อคนเป็นศูนย์” จากนั้นพวกเขาก็แสดงให้เห็นถึงการรวบรวมข้อมูลและการวิเคราะห์ (ถ้าทำได้) ว่าสมมติฐานว่างนี้ที่ได้รับจากข้อมูลเป็นสมมติฐานที่ไม่ดี

สำหรับ Bayesian สิ่งนี้จะต้องดูเหมือนเป็นจุดเริ่มต้นที่ซับซ้อน ทำไมไม่เพียงแค่เริ่มต้นด้วยการประกาศความเชื่อก่อนหน้าของคุณโดยตรงและชัดเจนเกี่ยวกับสิ่งที่คุณ (และไม่ได้) สมมติโดยการเข้ารหัสในก่อน? จุดสำคัญที่นี่คือเครื่องแบบก่อนไม่ใช่เหมือนกับ uninformative ก่อน ถ้าฉันโยนเหรียญ 1,000 ครั้งและรับ 500 หัวก่อนหน้าใหม่ของฉันกำหนดน้ำหนักที่เท่ากัน (สม่ำเสมอ) ให้กับทั้งหัวและก้อย แต่เส้นโค้งการกระจายของมันนั้นชันมาก ฉันกำลังเข้ารหัสข้อมูลเพิ่มเติมที่ให้ข้อมูลสูง! ความรู้เบื้องต้นที่แท้จริงก่อน (นำมาถึงขีด จำกัด ) จะไม่มีน้ำหนักเลย ซึ่งหมายความว่าตั้งแต่เริ่มต้นและเพื่อใช้นิพจน์ที่ใช้บ่อยให้ข้อมูลพูดด้วยตนเอง การสังเกตที่ทำโดย "คลาเรนซ์" คือวิธีการเข้ารหัสข้อมูลที่ไม่บ่อยนี้ขึ้นอยู่กับสมมติฐานว่าง มันไม่เหมือนกับที่ไม่เคยมีมาก่อน มันเป็นวิธีการที่ใช้บ่อยเพื่อแสดงความไม่รู้สูงสุดในทางที่ตรงไปตรงมาซึ่งไม่ได้หมายความว่าคุณต้องการพิสูจน์อะไร


2
สมมติฐานโมฆะประจำไม่ได้แสดงถึงความไม่รู้สูงสุดมันเริ่มจากการสันนิษฐานว่าสมมติฐานว่างเป็นจริงและเราควรดำเนินการกับสมมติฐานทางเลือกหากการสังเกตไม่น่าจะเพียงพอภายใต้ H0 มันอาจจะเป็นที่ถกเถียงกันอยู่ว่าการทดสอบสมมติฐานว่างก่อนหน้านี้ แต่มันเป็นการตัดสินใจที่ให้ข้อมูล ในความคิดของฉันที่พยายามตีความการทดสอบสมมติฐานบ่อยๆในศัพท์แบบเบย์นั้นเข้าใจผิดและเป็นสูตรสำหรับข้อผิดพลาด พวกเขาไม่ใช่คำตอบสำหรับคำถามเดียวกัน
Dikran Marsupial

@Dikran Marsupial นี่เป็นการแสดงความคิดเห็นที่ไม่มีที่สิ้นสุด แต่จากมุมมองที่พบบ่อยที่สุดฉันไม่เห็นวิธีที่จะดูโมฆะว่าเป็น หากเป็นกรณีนี้ความล้มเหลวในการปฏิเสธโมฆะจะถูกมองว่าเป็นข้อพิสูจน์ของโมฆะ (เนื่องจากเรา "มีอยู่แล้ว" มีข้อมูลเกี่ยวกับโมฆะ) IMO ทุกวิธีในการอนุมานกำลังพยายามตอบคำถามที่มีความสัมพันธ์กัน: "ข้อมูลควรตีความได้อย่างไร" และ "กรณีนี้แข็งแกร่งแค่ไหน"
Matt Asher

1
ค่า null นั้นไม่ได้ให้ข้อมูลหรือไม่เป็นประโยชน์ แต่การทดสอบสมมติฐานบ่อยครั้งแบบธรรมดานั้นมีความเอนเอียง (และค่อนข้างถูกต้อง) ไปสู่ ​​H0 (เว้นแต่คุณจะทำการวิเคราะห์พลังงานด้วย) ความลำเอียงนี้สามารถนำไปเปรียบเทียบกับค่าก่อนหน้าได้ มันไม่ได้มีความหมายที่จะเปรียบเทียบนักบวชและสมมติฐานพวกเขามีจุดประสงค์ที่แตกต่างกันในการวิเคราะห์ หมายเหตุ Bayesian ยังใช้สมมุติฐานว่างในการทดสอบสมมติฐาน (ดูคำตอบของคำถาม) ซึ่งมันมีจุดประสงค์เดียวกันในการทดสอบสมมติฐานบ่อยๆ
Dikran Marsupial

3
เพื่อให้ชัดเจนโดยใช้ตัวอย่างยาเราไม่ได้เริ่มต้นด้วยการแกล้งไม่รู้ "ยานี้อาจจะมีผลกระทบต่อคนเป็นศูนย์" เราเริ่มจากการสมมติสมมติฐานว่างว่าถูกต้อง "ยามีผลเป็นศูนย์และมันก็ขึ้นอยู่ บริษัท ยาเพื่อสร้างว่ามันจะมีผลโดยแสดงให้เห็นว่าผลลัพธ์ที่ไม่สามารถอธิบายอย่างเพียงพอโดยบังเอิญโอกาส " ความสงสัยในตนเองที่วิธีการนี้ให้ไว้คือสาเหตุที่ "พิธีกรรมว่างเปล่า" แม้จะมีข้อบกพร่องมากมาย แต่ก็ยังมีคุณค่าในทางปฏิบัติทางวิทยาศาสตร์
Dikran Marsupial
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.