คำถามติดแท็ก bayesian

นี่ไม่ใช่คำถามทำงานที่บ้าน แต่ปัญหาที่แท้จริงของ บริษัท ของเรา เมื่อเร็ว ๆ นี้ (2 วันที่ผ่านมา) เราสั่งให้ผลิตฉลากผลิตภัณฑ์ 10,000 รายการให้กับตัวแทนจำหน่าย ตัวแทนจำหน่ายเป็นบุคคลที่เป็นอิสระ เขาได้รับฉลากที่ผลิตจากภายนอกและ บริษัท ชำระเงินให้กับตัวแทนจำหน่าย ป้ายกำกับแต่ละรายการมีราคาเท่ากับ $ 1 ถึง บริษัท เมื่อวานนี้ดีลเลอร์มาพร้อมกับฉลาก แต่มีการรวมฉลากในแพ็คเก็ตละ 100 ป้าย ด้วยวิธีนี้มี 100 แพ็กเก็ตและแต่ละแพ็คเก็ตมี 100 ป้ายดังนั้นรวม 10,000 ป้าย ก่อนที่จะชำระเงินให้กับตัวแทนจำหน่ายของ $ 10,000 เราตัดสินใจที่จะนับแพ็คเก็ตน้อยเพื่อให้แน่ใจว่าแต่ละแพ็คเก็ตมี 100 ป้าย เมื่อเรานับฉลากเราพบว่าแพ็คเก็ตสั้น 100 ป้าย (เราพบ 97 ป้าย) เพื่อให้แน่ใจว่านี่ไม่ใช่โดยบังเอิญ แต่ได้ทำไปโดยเจตนาเราได้นับ 5 แพ็กเก็ตเพิ่มเติมและพบจำนวนป้ายกำกับต่อไปนี้ในแต่ละแพ็คเก็ต (รวมถึงแพ็กเก็ตแรก): Packet …

66 probability  bayesian  model  decision-theory 

คำถามของฉันในชื่อเป็นคำอธิบายตัวเอง แต่ฉันต้องการที่จะให้บริบท ASA ออกแถลงการณ์เมื่อต้นสัปดาห์นี้“ บนค่า p: บริบทกระบวนการและวัตถุประสงค์ ” สรุปความเข้าใจผิดที่หลากหลายของค่า p และเรียกร้องให้ระมัดระวังไม่ใช้โดยไม่มีบริบทและความคิด (ซึ่งอาจกล่าวได้เพียงเกี่ยวกับ วิธีการทางสถิติใด ๆ จริงๆ) ในการตอบสนองต่อ ASA ศาสตราจารย์ Matloff เขียนบล็อกโพสต์หัวข้อ: หลังจาก 150 ปี, เอเอสเอกล่าวว่าไม่มีค่า P- จากนั้นอาจารย์ Benjamini (และฉัน) โพสต์ตอบกลับหัวข้อมันไม่ใช่ความผิด P-ค่า - การสะท้อนความเห็นในงบ เพื่อตอบสนองต่อมันศาสตราจารย์ Matloff ถามในโพสต์ติดตาม : สิ่งที่ฉันต้องการเห็น [... คือ] - เป็นตัวอย่างที่ดีและน่าเชื่อถือซึ่งค่า p มีประโยชน์ นั่นจะต้องเป็นบรรทัดล่าง เพื่ออ้างถึงสองข้อโต้แย้งที่สำคัญของเขากับประโยชน์ของค่า:ppp ด้วยตัวอย่างขนาดใหญ่การทดสอบอย่างมีนัยสำคัญจะกระโจนเข้าหาตัวเล็ก ๆ ซึ่งไม่สำคัญออกไปจากสมมติฐานว่าง เกือบจะไม่มีสมมติฐานว่างใด ๆ …

64 hypothesis-testing  bayesian  p-value  inference  frequentist 

มีการถกเถียงกันมากมายในสถิติระหว่าง Bayesians และผู้ใช้บ่อย ฉันมักจะพบสิ่งเหล่านี้ค่อนข้างวาง (แม้ว่าฉันคิดว่ามันจะตายลง) ในทางกลับกันฉันได้พบกับคนหลายคนที่มองปัญหาอย่างจริงจังโดยบอกว่าบางครั้งมันสะดวกกว่าที่จะทำการวิเคราะห์เป็นประจำและบางครั้งมันก็ง่ายกว่าที่จะทำการวิเคราะห์แบบเบย์ ฉันพบว่ามุมมองนี้ใช้งานได้จริงและสดชื่น มันเกิดขึ้นกับฉันว่ามันจะมีประโยชน์หากมีรายการของกรณีดังกล่าว เพราะมีการวิเคราะห์ทางสถิติมากเกินไปและเพราะฉันคิดว่ามันเป็นเรื่องปกติในทางปฏิบัติมากขึ้นในการทำการวิเคราะห์แบบประจำ (การเข้ารหัส t-test ใน WinBUGS นั้นมีความเกี่ยวข้องมากกว่าการเรียกใช้ฟังก์ชันเดียวเพื่อดำเนินการเวอร์ชันที่ใช้บ่อยใน R ตัวอย่างเช่น) จะเป็นการดีถ้ามีรายการของสถานการณ์ที่วิธีการแบบเบย์นั้นง่ายกว่าใช้งานได้จริงและ / หรือสะดวกกว่าวิธีที่ใช้เป็นประจำ (สองคำตอบที่ฉันไม่สนใจคือ: 'เสมอ' และ 'ไม่เคย' ฉันเข้าใจว่าผู้คนมีความคิดเห็นที่ดี แต่โปรดอย่าออกอากาศพวกเขาที่นี่ถ้ากระทู้นี้กลายเป็นสถานที่สำหรับการทะเลาะวิวาทย่อยฉันอาจจะลบ มันเป้าหมายของฉันที่นี่คือการพัฒนาทรัพยากรที่จะเป็นประโยชน์สำหรับนักวิเคราะห์ที่มีงานต้องทำไม่ใช่ขวานที่จะบด) ผู้คนสามารถแนะนำมากกว่าหนึ่งกรณีได้ แต่โปรดใช้คำตอบแยกต่างหากเพื่อให้แต่ละสถานการณ์สามารถประเมิน (โหวต / อภิปราย) เป็นรายบุคคล คำตอบควรรายการ: (1) สิ่งที่ธรรมชาติของสถานการณ์ที่เป็นและ (2) ทำไมวิธีคชกรรมง่ายในกรณีนี้ บางรหัส (พูดใน WinBUGS) แสดงให้เห็นว่าการวิเคราะห์จะทำอย่างไรและทำไมรุ่น Bayesian จึงใช้งานได้ดีกว่านั้นจะเหมาะ แต่ฉันคาดหวังว่าจะยุ่งยากเกินไป หากสามารถทำได้อย่างง่ายดายฉันจะขอบคุณ แต่โปรดระบุเหตุผลว่าทำไมทั้งสองวิธี ในที่สุดฉันรู้ว่าฉันไม่ได้กำหนดความหมายสำหรับวิธีการหนึ่งที่จะ 'ง่ายกว่า' อีกวิธีหนึ่ง ความจริงก็คือฉันไม่แน่ใจว่าสิ่งใดที่ควรมีความหมายสำหรับวิธีการหนึ่งที่จะนำไปปฏิบัติได้มากกว่าวิธีอื่น …

63 bayesian  frequentist 

ในหนังสือของเขา "All of Statistics" ศ. Larry Wasserman นำเสนอตัวอย่างต่อไปนี้ (11.10, หน้า 188) สมมติว่าเรามีความหนาแน่นเช่นนั้นf ( x ) = cfffซึ่งกรัมเป็นที่รู้จักกัน(ไม่เป็นลบ, integrable) ฟังก์ชั่นและการฟื้นฟูอย่างต่อเนื่องค> 0คือไม่รู้จักf(x)=cg(x)f(x)=cg(x)f(x)=c\,g(x)gggc>0c>0c>0 เราสนใจในกรณีที่เราไม่สามารถคำนวณ x ตัวอย่างเช่นอาจเป็นกรณีที่ fเป็น pdf ในพื้นที่ตัวอย่างที่มีมิติสูงมากc=1/∫g(x)dxc=1/∫g(x)dxc=1/\int g(x)\,dxfff เป็นที่ทราบกันดีว่ามีเทคนิคการจำลองที่ช่วยให้เราสามารถสุ่มตัวอย่างจากแม้ว่าcจะไม่เป็นที่รู้จัก ดังนั้นตัวต่อคือ: เราจะประมาณค่าcจากตัวอย่างได้อย่างไร?fffcccccc ศ. Wasserman อธิบายถึงวิธีการแก้ปัญหาแบบเบย์ต่อไปนี้: ให้เป็นบางส่วนก่อนสำหรับค ความน่าจะเป็นคือ L x ( c ) = n ∏ i = 1 f ( x i …

62 bayesian  mathematical-statistics 

ฉันเข้าใจว่า Jeffreys ก่อนหน้านั้นคงที่ภายใต้การปรับพารามิเตอร์อีกครั้ง อย่างไรก็ตามสิ่งที่ฉันไม่เข้าใจคือเหตุผลที่ต้องการคุณสมบัตินี้ ทำไมคุณไม่ต้องการการเปลี่ยนแปลงก่อนหน้านี้ภายใต้การเปลี่ยนแปลงของตัวแปร?

61 bayesian  prior 

โลกของสถิติถูกแบ่งระหว่างผู้ใช้บ่อยและเบย์ วันนี้ดูเหมือนว่าทุกคนทำทั้งสองอย่าง สิ่งนี้จะเป็นอย่างไร หากวิธีการที่แตกต่างกันเหมาะสำหรับปัญหาที่แตกต่างกันเหตุใดบรรพบุรุษของผู้ก่อตั้งสถิติจึงไม่เห็นสิ่งนี้ อีกทางเลือกหนึ่งการถกเถียงกันได้รับรางวัลจากการถกเถียงกันบ่อยครั้งและ Bayesians ส่วนตัวที่แท้จริงย้ายไปอยู่กับทฤษฎีการตัดสินใจ?

59 bayesian  frequentist  history  philosophical 

ฉันมีคำถามบางอย่างเกี่ยวกับการถดถอยแบบเบย์: ได้รับการถดถอยมาตรฐานY= β0+ β1x + εY=β0+β1x+εy = \beta_0 + \beta_1 x + \varepsilon ε หากฉันต้องการเปลี่ยนสิ่งนี้เป็นการถดถอยแบบเบย์ฉันต้องมีการแจกแจงก่อนหน้าทั้งคู่สำหรับβ0β0\beta_0และβ1β1\beta_1 (หรือไม่ได้ทำงานด้วยวิธีนี้)? ในการถดถอยมาตรฐานหนึ่งจะพยายามที่จะลดเหลือที่จะได้รับค่าเดียวสำหรับβ0β0\beta_0และβ1β1\beta_1 1 สิ่งนี้จะเกิดขึ้นได้อย่างไรในการถดถอยแบบเบย์ ฉันดิ้นรนมากที่นี่: posterior = โอกาส× ก่อนหน้าด้านหลัง=ก่อน×ความเป็นไปได้ \text{posterior} = \text{prior} \times \text{likelihood} ความน่าจะเป็นมาจากชุดข้อมูลปัจจุบัน (ดังนั้นจึงเป็นพารามิเตอร์การถดถอยของฉัน แต่ไม่ได้เป็นค่าเดียว แต่เป็นการกระจายความเป็นไปได้ใช่มั้ย) ก่อนหน้ามาจากการวิจัยก่อนหน้า (สมมุติว่า) ดังนั้นฉันได้สมการนี้: Y= β1x + εY=β1x+ε y = \beta_1 x + \varepsilon ด้วยβ1β1\beta_1เป็นโอกาสหรือหลังของฉัน (หรือนี่เป็นเพียงความผิดทั้งหมด)? ฉันไม่เข้าใจว่าการถดถอยมาตรฐานเปลี่ยนเป็น Bayes …

57 regression  bayesian 

แล้วเรามีด้ายขอให้ผู้ที่มีความ Bayesiansและเป็นหนึ่งถามถ้า frequentists มี Bayesiansแต่มีด้ายไม่มีถามโดยตรงที่มี frequentists ? นี่เป็นคำถามที่ถูกถามโดย@whuberว่าเป็นความคิดเห็นของกระทู้นี้และจะต้องตอบ พวกมันมีอยู่จริงหรือไม่ บางทีพวกเขาถูกสร้างขึ้นโดย Bayesians ที่ต้องการแพะรับบาปเพื่อตำหนิเมื่อวิพากษ์วิจารณ์สถิติกระแสหลัก? Meta-comment ต่อคำตอบที่ได้รับมาแล้ว:ในทางตรงกันข้ามสถิติแบบเบย์ไม่ได้ถูกนิยามไว้เฉพาะในแง่ของการใช้ทฤษฎีบทแบบเบส์ การพูดสิ่งต่าง ๆ เช่น "ฉันเดิมพันได้โอกาสน้อยกว่า 50:50!"แบบเบย์) - ดังนั้นเราสามารถกำหนดความถี่ในแง่ของการตีความความน่าจะเป็นที่ยอมรับได้หรือไม่? นอกจากนี้สถิตินำมาใช้น่าจะเป็น≠≠\neดังนั้นควรนิยามของ frequentism จะมุ่งเน้น แต่เพียงผู้เดียวในการตีความของความน่าจะ?

55 bayesian  frequentist 

หมายเหตุ: ผมรู้สึกตระหนักถึงปรัชญาความแตกต่างระหว่างสถิติคชกรรมและ frequentist ตัวอย่างเช่น "ความน่าจะเป็นที่เหรียญบนโต๊ะเป็นหัว" ไม่สมเหตุสมผลในสถิติบ่อยครั้งเนื่องจากมันมีหัวหรือก้อยแล้ว - ไม่มีความน่าจะเป็นเกี่ยวกับมัน ดังนั้นคำถามที่ไม่มีคำตอบในแง่บ่อย แต่ความแตกต่างเป็นพิเศษไม่ได้ชนิดของความแตกต่างที่ฉันขอเกี่ยวกับ แต่ฉันอยากรู้ว่าการคาดการณ์ของพวกเขาสำหรับคำถามที่มีรูปแบบที่ดีนั้นแตกต่างกันอย่างไรในโลกแห่งความเป็นจริงโดยไม่รวมความแตกต่างทางทฤษฎี / ปรัชญาเช่นตัวอย่างที่ฉันกล่าวถึงข้างต้น ดังนั้นในคำอื่น ๆ : ตัวอย่างของคำถามคืออะไรตอบได้ทั้งสถิติประจำและสถิติแบบเบย์ซึ่งคำตอบต่างจากทั้งสอง (เช่นบางทีหนึ่งในนั้นตอบ "1/2" สำหรับคำถามเฉพาะและอีกคำตอบ "2/3") มีความแตกต่างเช่นนี้หรือไม่? ถ้าเป็นเช่นนั้นมีตัวอย่างอะไรบ้าง? ถ้าไม่เช่นนั้นจริง ๆ แล้วมันจะสร้างความแตกต่างได้อย่างไรเมื่อฉันใช้สถิติแบบเบย์หรือสถิติที่พบบ่อยเมื่อแก้ไขปัญหาเฉพาะ ทำไมฉันจะหลีกเลี่ยงสิ่งหนึ่งเพื่อประโยชน์ของผู้อื่น?

54 bayesian  frequentist 

กรองฝุ่นละอองและกรองคาลมานมีทั้งประมาณคชกรรม recursive ฉันมักจะพบตัวกรองคาลมานในสาขาของฉัน แต่ไม่ค่อยเห็นการใช้ตัวกรองอนุภาค เมื่อไหร่จะใช้อีกอัน?

51 bayesian  particle-filter  kalman-filter 

โปรดอธิบายให้ฉันทราบถึงความแตกต่างในการประมาณแบบเบย์และการประมาณโอกาสสูงสุด?

50 bayesian  maximum-likelihood 

ฉันพยายามเพิ่มความเร็วให้มากที่สุดในสถิติแบบเบย์ ฉันมีพื้นหลังของสถิติเล็กน้อย (สถานะ 101) แต่ไม่มากเกินไป - ฉันคิดว่าฉันสามารถเข้าใจก่อนหน้าหลังและโอกาส: D ฉันยังไม่ต้องการอ่านหนังสือแบบเบย์ ฉันต้องการอ่านจากแหล่งที่มา (ต้องการเว็บไซต์) ที่จะเพิ่มความรวดเร็วให้ฉัน บางอย่างเช่นนี้แต่มีรายละเอียดเพิ่มเติม คำแนะนำใด ๆ?

47 bayesian  references 

ในบทความ "การสนทนา: นักนิเวศวิทยาควรเป็นชาวเบย์หรือไม่?" ไบรอันเดนนิสให้มุมมองเชิงบวกและเชิงบวกที่น่าประหลาดใจของสถิติแบบเบย์เมื่อเป้าหมายของเขาดูเหมือนจะเตือนผู้คนเกี่ยวกับเรื่องนี้ อย่างไรก็ตามในวรรคหนึ่งโดยไม่มีการอ้างอิงหรือเหตุผลใด ๆ เขาพูดว่า: คุณเห็นไหมไม่ได้รับอนุญาตให้ดูสิ่งที่เหลืออยู่ของพวกเขา มันเป็นการละเมิดหลักการความน่าจะเป็นที่จะตัดสินผลลัพธ์โดยวิธีการที่รุนแรงภายใต้แบบจำลอง สำหรับชาวเบย์นั้นไม่มีรูปแบบที่ไม่ดี แต่เป็นความเชื่อที่ไม่ดี เหตุใดชาว Bayesian จึงไม่ได้รับอนุญาตให้ดูสิ่งตกค้าง การอ้างอิงที่เหมาะสมสำหรับสิ่งนี้คืออะไร (เขาคือใครอ้างอิง) เดนนิส, บี. อภิปราย: นักนิเวศวิทยาควรกลายเป็นชาวเบย์? การประยุกต์ใช้งานระบบนิเวศสังคมนิเวศวิทยาของอเมริกา , 1996 , 6, 1095-1103

46 bayesian  residuals  frequentist  likelihood-principle 

ฉันอยากรู้เกี่ยวกับธรรมชาติของΣ−1Σ−1\Sigma^{-1} 1 ใครสามารถบอกอะไรบางอย่างที่ใช้งานง่ายเกี่ยวกับ "อะไรΣ−1Σ−1\Sigma^{-1}พูดเกี่ยวกับข้อมูล?" แก้ไข: ขอบคุณสำหรับการตอบกลับ หลังจากเรียนจบหลักสูตรที่ยอดเยี่ยมฉันต้องการเพิ่มคะแนน: มันเป็นตัวชี้วัดของข้อมูลเช่นxTΣ−1xxTΣ−1xx^T\Sigma^{-1}xคือปริมาณของข้อมูลตามทิศทางxxxx ความเป็นคู่:เนื่องจากΣΣ\Sigmaเป็นค่าบวกแน่นอนดังนั้นจึงเป็นΣ−1Σ−1\Sigma^{-1}ดังนั้นพวกมันจึงเป็นบรรทัดฐานของดอทโปรดัคยิ่งแม่นยำกว่าพวกเขาจึงเป็นสองมาตรฐานของกันและกันดังนั้นเราสามารถหาเฟนเนลคู่สำหรับปัญหากำลังสองน้อยที่สุด ปัญหา. เราสามารถเลือกอย่างใดอย่างหนึ่งของพวกเขาขึ้นอยู่กับเงื่อนไขของพวกเขา พื้นที่ Hilbert:คอลัมน์ (และแถว) ของΣ−1Σ−1\Sigma^{-1}และΣΣ\Sigmaขยายพื้นที่เดียวกัน ดังนั้นจึงไม่มีข้อได้เปรียบใด ๆ (อื่น ๆ ที่เมื่อหนึ่งในเมทริกซ์เหล่านี้ไม่มีเงื่อนไข) ระหว่างการแสดงด้วยΣ−1Σ−1\Sigma^{-1}หรือΣΣ\Sigma Σ−1Σ−1\Sigma^{-1}∥Σ−1∥→0‖Σ−1‖→0\|\Sigma^{-1}\|\rightarrow 0 สถิติผู้ใช้บ่อย:มันเกี่ยวข้องอย่างใกล้ชิดกับข้อมูลฟิชเชอร์โดยใช้Cramér – Rao ในความเป็นจริงเมทริกซ์ข้อมูลการตกปลา (ผลิตภัณฑ์ชั้นนอกของการไล่ระดับสีของความน่าจะเป็นกับตัวมันเอง) คือCramér – Rao ผูกไว้นั่นคือ (wrt บวกกึ่งกรวยแน่นอน ellipsoids) ดังนั้นเมื่อตัวประมาณความเป็นไปได้สูงสุดนั้นมีประสิทธิภาพนั่นคือข้อมูลสูงสุดที่มีอยู่ในข้อมูล ในคำที่ง่ายขึ้นสำหรับฟังก์ชั่นความเป็นไปได้บางอย่าง (โปรดทราบว่ารูปแบบการทำงานของความน่าจะเป็นล้วนขึ้นอยู่กับแบบจำลอง probablistic ซึ่งสร้างข้อมูลที่รู้จักกันว่าแบบจำลองกำเนิด) aka ความน่าจะเป็นที่มีประสิทธิภาพสูงสุด (ขออภัยที่ทำให้มากเกินไป)Σ−1⪯FΣ−1⪯F\Sigma^{-1}\preceq \mathcal{F}Σ−1=FΣ−1=F\Sigma^{-1}=\mathcal{F}

46 bayesian  maximum-likelihood  covariance  matrix 

ฉันสงสัยว่ามันจะสร้างความแตกต่างในการตีความไม่ว่าจะเป็นเพียงขึ้นอยู่กับทั้งขึ้นอยู่กับและเป็นอิสระหรือตัวแปรอิสระเท่านั้นที่ถูกเปลี่ยนเข้าสู่ระบบ พิจารณากรณีของ log(DV) = Intercept + B1*IV + Error ฉันสามารถตีความ IV เป็นเปอร์เซ็นต์เพิ่มขึ้น แต่จะเปลี่ยนแปลงได้อย่างไรเมื่อฉันมี log(DV) = Intercept + B1*log(IV) + Error หรือเมื่อฉันมี DV = Intercept + B1*log(IV) + Error ?

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model