คำถามติดแท็ก bayesian

ในหนังสือของเจย์นส์'ความน่าจะเป็นทฤษฎี: ตรรกะของวิทยาศาสตร์' , เจย์นส์มีบท (CH 18) ชื่อ ' หน้าการจัดจำหน่ายและกฎของความสำเร็จ' ซึ่งเขาแนะนำความคิดของพีกระจายซึ่งเส้นทางนี้จะช่วยอธิบาย:AพีAพีA_pAพีAพีA_p [... ] เพื่อดูสิ่งนี้ลองนึกภาพผลของการรับข้อมูลใหม่ สมมติว่าเราโยนเหรียญห้าครั้งและมันจะก้อยทุกครั้ง คุณถามฉันว่าความน่าจะเป็นของฉันในการโยนครั้งต่อไปคืออะไร ฉันจะบอกว่า 1/2 แต่ถ้าคุณบอกความจริงเพิ่มเติมเกี่ยวกับดาวอังคารฉันก็พร้อมที่จะเปลี่ยนการมอบหมายความน่าจะเป็นของฉันอย่างสมบูรณ์ [ ว่าครั้งหนึ่งมีชีวิตบนดาวอังคาร ] มีบางสิ่งที่ทำให้สถานะความเชื่อของฉันเสถียรมากในกรณีของเงิน แต่มีความไม่แน่นอนในกรณีของดาวอังคาร สิ่งนี้อาจดูเหมือนเป็นการคัดค้านอย่างร้ายแรงต่อทฤษฎีความน่าจะเป็นในเชิงตรรกะ บางทีเราจำเป็นต้องเชื่อมโยงกับข้อเสนอไม่ใช่เพียงตัวเลขเดียวที่แสดงถึงความน่าเชื่อถือ แต่มีสองตัวเลข: ตัวเลขหนึ่งแสดงถึงความน่าเชื่อถือและอีกวิธีหนึ่งคือความเสถียรในการเผชิญกับหลักฐานใหม่ ทฤษฏีที่มีค่าสองชนิดจะต้องการ [ ... ] เขาก็จะแนะนำใหม่เรื่องพีดังกล่าวว่า P ( | พีอี) ≡ พีAพีAพีA_pP( A | AพีE) ≡ หน้าP(A|AพีE)≡พีP(A|A_pE) ≡ p AพีAพีA_pAพีAพีA_p ≡≡≡ ฉันพยายามที่จะเห็นความแตกต่างระหว่างความคิดสองหมายเลข("ความน่าเชื่อถือและอีกวิธีหนึ่งที่มีความเสถียรเมื่อเผชิญกับหลักฐานใหม่")โดยใช้การแจกแจงแบบเบต้าซึ่งเป็นไปตามเกณฑ์เหล่านั้น α = …

25 probability  bayesian  beta-distribution 

ฉันมีชุดข้อมูลสองชุดชุดหนึ่งจากชุดการสังเกตการณ์ทางกายภาพ (อุณหภูมิ) และอีกชุดจากชุดตัวเลข ฉันกำลังทำการวิเคราะห์แบบจำลองที่สมบูรณ์แบบสมมติว่าชุดรูปแบบแสดงตัวอย่างที่แท้จริงอิสระและการตรวจสอบเพื่อดูว่าการสังเกตนั้นมาจากการแจกแจงนั้นหรือไม่ สถิติที่ฉันคำนวณได้ถูกทำให้เป็นมาตรฐานและในทางทฤษฎีควรจะมีการแจกแจงแบบปกติมาตรฐาน แน่นอนว่ามันไม่สมบูรณ์แบบดังนั้นฉันต้องการทดสอบความดีที่ลงตัว ด้วยการใช้เหตุผลแบบประจำฉันสามารถคำนวณสถิติCramér-von Mises (หรือ Kolmogorov-Smirnov ฯลฯ ) หรือที่คล้ายกันและค้นหาค่าในตารางเพื่อรับค่า p เพื่อช่วยฉันตัดสินใจว่าค่าที่ฉันไม่น่าจะเป็นไปได้คืออะไร เห็นคือให้สังเกตเป็นแบบเดียวกับที่ สิ่งที่เทียบเท่ากับ Bayesian ของกระบวนการนี้จะเป็นอย่างไร นั่นคือฉันจะวัดความแข็งแกร่งของความเชื่อของฉันได้อย่างไรว่าการแจกแจงสองแบบนี้ (สถิติที่คำนวณได้และมาตรฐานทั่วไป) แตกต่างกันอย่างไร

25 bayesian  goodness-of-fit 

ในบทความล่าสุดที่กล่าวถึง demerits ของการพึ่งพา p-value สำหรับการอนุมานเชิงสถิติเรียกว่า"Matrixx v. Siracusano และ Student v. Fisher นัยสำคัญทางสถิติในการทดลอง" (DOI: 10.1111 / j.1740-9713.2011.00511.x), Stephen T. Ziliak คัดค้านการใช้ค่า p ในย่อหน้าสุดท้ายเขาพูดว่า: ข้อมูลเป็นสิ่งหนึ่งที่เรารู้และแน่นอน สิ่งที่เราต้องการทราบจริง ๆ คือสิ่งที่แตกต่างกันมาก: ความน่าจะเป็นของสมมติฐานที่เป็นจริง (หรืออย่างน้อยก็มีประโยชน์ในทางปฏิบัติ) จากข้อมูลที่เรามี เราต้องการทราบความน่าจะเป็นที่ยาทั้งสองนั้นแตกต่างกันและได้รับหลักฐานเท่าใด การทดสอบอย่างมีนัยสำคัญ - ขึ้นอยู่กับการเข้าใจผิดของเงื่อนไขการย้ายกับดักที่ฟิชเชอร์ล้มลง - ไม่ได้และไม่สามารถบอกเราว่าน่าจะเป็น ฟังก์ชั่นพลังงาน, ฟังก์ชั่นการสูญเสียที่คาดหวังและวิธีการตัดสินใจเชิงทฤษฎีและวิธีเบย์อื่น ๆ อีกมากมายที่สืบทอดมาจาก Student และ Jeffreys ซึ่งตอนนี้มีให้ใช้กันอย่างแพร่หลายและออนไลน์ฟรี ฟังก์ชั่นพลังงานฟังก์ชั่นการสูญเสียที่คาดหวังและ "วิธีการตัดสินใจเชิงทฤษฎีและวิธีเบย์อื่น ๆ " คืออะไร? วิธีการเหล่านี้ใช้กันอย่างแพร่หลายหรือไม่? พวกเขามีอยู่ใน …

25 r  hypothesis-testing  statistical-significance  bayesian  p-value 

ฉันสงสัยว่า Bayesians ในชุมชน CrossValidated มองปัญหาความไม่แน่นอนของโมเดลอย่างไรและพวกเขาต้องการจัดการกับปัญหาอย่างไร ฉันจะพยายามตั้งคำถามของฉันในสองส่วน: ความสำคัญ (ในประสบการณ์ / ความคิดเห็นของคุณ) มีความสำคัญต่อความไม่แน่นอนของแบบจำลองอย่างไร ฉันไม่พบเอกสารใด ๆ ที่เกี่ยวข้องกับปัญหานี้ในชุมชนการเรียนรู้ของเครื่องดังนั้นฉันแค่สงสัยว่าทำไม อะไรคือวิธีการทั่วไปในการจัดการกับความไม่แน่นอนของแบบจำลอง (คะแนนโบนัสหากคุณให้การอ้างอิง) ฉันได้ยินเกี่ยวกับค่าเฉลี่ยของแบบจำลอง Bayesian แต่ฉันไม่คุ้นเคยกับเทคนิค / ข้อ จำกัด เฉพาะของวิธีการนี้ อะไรคือคนอื่นบ้างและทำไมคุณถึงชอบมากกว่ากัน?

25 machine-learning  bayesian  model-selection 

ดังนั้นฉันคิดว่าฉันมีความเข้าใจที่ดีเกี่ยวกับพื้นฐานของความน่าจะเป็นที่พบบ่อยและการวิเคราะห์ทางสถิติ (และสามารถใช้งานได้ไม่ดี) ในโลกที่พบบ่อยมันสมเหตุสมผลที่จะถามคำถามเช่น "คือการกระจายนี้แตกต่างจากการแจกแจงนั้น" เนื่องจากการแจกแจงจะถือว่าเป็นจริงวัตถุประสงค์และไม่เปลี่ยนแปลง (สำหรับสถานการณ์ที่กำหนดอย่างน้อย) และเพื่อให้เราสามารถคิด ดูว่ามีโอกาสมากน้อยเพียงใดที่ตัวอย่างหนึ่งจะถูกดึงมาจากการแจกแจงที่มีรูปร่างเหมือนตัวอย่างอื่น ในมุมมองโลก Bayesian เราสนใจเฉพาะสิ่งที่เราคาดหวังที่จะเห็นได้รับประสบการณ์ที่ผ่านมาของฉัน (ฉันยังคงคลุมเครือเล็กน้อยในส่วนนี้ แต่ฉันเข้าใจแนวคิดของการปรับปรุง Bayesian) หากเป็นเช่นนั้น Bayesian จะพูดว่า "ชุดข้อมูลนี้แตกต่างจากชุดข้อมูลนั้นได้อย่างไร" สำหรับจุดประสงค์ของคำถามนี้ฉันไม่สนใจนัยสำคัญทางสถิติหรือวิธีการหาปริมาณที่แตกต่างกัน ฉันสนใจเท่าเทียมกันในการแจกแจงพารามิเตอร์และไม่ใช่พารามิเตอร์

25 distributions  bayesian 

ดังนั้นฉันเพิ่งเสร็จสิ้นการอ่านหนังสือที่ดีรู้เบื้องต้นเกี่ยวกับเชิงประจักษ์เบส์ ฉันคิดว่าหนังสือเล่มนี้ยอดเยี่ยม แต่การสร้างนักบวชจากข้อมูลรู้สึกผิด ฉันได้รับการฝึกฝนว่าคุณเกิดแผนการวิเคราะห์จากนั้นรวบรวมข้อมูลจากนั้นคุณทดสอบสมมติฐานที่คุณได้กำหนดไว้ก่อนหน้านี้ในแผนการวิเคราะห์ของคุณ เมื่อคุณทำเช่นการวิเคราะห์ข้อมูลที่เก็บรวบรวมไว้แล้วทำให้คุณเข้าสู่การอนุมานโพสต์เลือกที่คุณจะต้องมีความเข้มงวดมากขึ้นในสิ่งที่คุณเรียกว่า "อย่างมีนัยสำคัญ" ดูที่นี่ ฉันคิดว่าการเรียนรู้ด้วยเครื่องมีบางสิ่งที่คล้ายคลึงกันซึ่งเรียกว่า "การเก็บเชอร์รี่" ซึ่งหมายถึงการเลือกตัวทำนายล่วงหน้าก่อนตั้งค่าชุดการทดสอบและการฝึกอบรม ( รู้เบื้องต้นเกี่ยวกับสถิติ ) จากสิ่งที่ฉันได้เรียนรู้มาก่อนหน้านี้ดูเหมือนว่าสำหรับฉันแล้วเบย์เชิงประจักษ์ตั้งอยู่บนรากฐานที่อ่อนแอ ผู้คนใช้งานในการตั้งค่าที่ข้อมูลถูกสร้างขึ้นเฉยๆหรือไม่? ถ้าเป็นเช่นนั้นอาจเป็นเหตุผล แต่ดูเหมือนจะไม่ถูกต้องที่จะใช้เมื่อทำการออกแบบการทดลองอย่างเข้มงวด แต่ฉันรู้ว่าแบรด Efron ใช้เบย์เชิงประจักษ์โดยเฉพาะสำหรับชีวสถิติโดยทั่วไปเป็นเขต NHST มาก คำถามของฉันคือ: empirical Bayes ใช้ได้อย่างไร? ใช้ในสถานการณ์อะไร คุณควรหลีกเลี่ยงสถานการณ์ใดในการใช้วิธีทดลองเบย์และทำไม? ผู้คนใช้งานในสาขาอื่นนอกเหนือจากชีวสถิติและหากเป็นเช่นนั้นในสถานการณ์ใดที่พวกเขาใช้งานอยู่

24 machine-learning  hypothesis-testing  bayesian  empirical-bayes 

ตามนี้และนี้คำตอบ autoencoders ดูเหมือนจะเป็นเทคนิคที่ใช้โครงข่ายประสาทเทียมสำหรับการลดมิติ ฉันต้องการทราบเพิ่มเติมว่าautoencoder แบบแปรผันคืออะไร(ความแตกต่าง / ประโยชน์หลัก ๆ ของมันมากกว่า autoencoders แบบดั้งเดิม) และสิ่งที่เป็นหน้าที่การเรียนรู้หลักที่อัลกอริทึมเหล่านี้ใช้

24 machine-learning  bayesian  deep-learning  autoencoders  variational-bayes 

ขณะนี้ฉันกำลังทำงานกับปัญหาซึ่งฉันจำเป็นต้องพัฒนาอัลกอริทึมMarkov chain Monte Carlo (MCMC) สำหรับแบบจำลองพื้นที่ของรัฐ เพื่อให้สามารถแก้ปัญหาได้ฉันได้รับความน่าจะเป็น : p ( ) = 2I ( > 0) / (1+ ) เป็นค่าเบี่ยงเบนมาตรฐานของxττ\tauττ\tauττ\tauτ2τ2\tau^2ττ\tauxxx ตอนนี้ฉันรู้แล้วว่ามันคือการแจกแจงครึ่งโคชีเพราะฉันจำได้จากการดูตัวอย่างและเพราะฉันถูกบอกอย่างนั้น แต่ฉันไม่เข้าใจว่าทำไมมันถึงเป็นการกระจาย "Half-Cauchy" และคุณสมบัติที่มาพร้อมกับมัน ในแง่ของคุณสมบัติฉันไม่แน่ใจว่าสิ่งที่ฉันต้องการ ฉันค่อนข้างใหม่สำหรับทฤษฎีเศรษฐมิติประเภทนี้ ดังนั้นฉันจึงเข้าใจการกระจายตัวและวิธีที่เราใช้ในบริบทของแบบจำลองพื้นที่ของรัฐ ตัวแบบมีลักษณะดังนี้: Yเสื้อxt + 1at + 1p ( σ2)p ( τ)= xเสื้อ+ eเสื้อ= xเสื้อ+ at + 1∼ N ( 0 , τ2)∝ 1 / …

24 distributions  bayesian  prior  state-space-models  cauchy 

ฉันกำลังเขียนเรียงความเชิงทฤษฎีสั้น ๆ สำหรับหลักสูตรสถิติแบบเบย์ (ในสาขาเศรษฐศาสตร์) กับนักบวชที่ไม่รู้เรื่องและฉันพยายามเข้าใจซึ่งเป็นขั้นตอนในการพัฒนาทฤษฎีนี้ ในตอนนี้ไทม์ไลน์ของฉันมีสามขั้นตอนหลัก: หลักการความเฉยเมยของ Laplace (1812), นักบวชที่ไม่แปรเปลี่ยน (Jeffreys (1946)), อ้างอิงจากเบอร์นาร์โดก่อน (1979) จากการทบทวนวรรณกรรมของฉันฉันได้เข้าใจว่าหลักการไม่แยแส (Laplace) เป็นเครื่องมือแรกที่ใช้แทนการขาดข้อมูลก่อนหน้านี้ แต่ความไม่แน่นอนของความไม่แปรเปลี่ยนได้นำไปสู่การละทิ้งจนกระทั่งยุค 40 เมื่อ Jeffreys แนะนำวิธีการของเขา คุณสมบัติที่ต้องการของค่าคงที่ การเกิดขึ้นของความขัดแย้งของคนชายขอบเนื่องจากการใช้ความไม่ระมัดระวังอย่างไม่เหมาะสมก่อนหน้าในยุค 70 ผลักให้เบอร์นาร์โดอธิบายรายละเอียดของทฤษฎีก่อนหน้านี้อย่างละเอียดเพื่อจัดการกับปัญหานี้ การอ่านวรรณกรรมผู้แต่งทุกคนต่างอ้างถึงการมีส่วนร่วม: เอนโทรปีสูงสุดของเจย์เนส, กล่องและความเป็นไปได้ในการแปลข้อมูล, Zellner, ... ในความเห็นของคุณอะไรคือขั้นตอนสำคัญที่ฉันขาดหายไป แก้ไข : ฉันเพิ่มการอ้างอิง (หลัก) ของฉันหากมีคนต้องการ: 1) การเลือกก่อนโดยกฎอย่างเป็นทางการ, Kass, Wasserman 2) แคตตาล็อกของนักบวชที่ไม่มีข้อมูล Yang, Berger 3) การตีความแบบไม่เป็นทางการของ Bayesians Priors และปัญหาเกี่ยวกับการก่อสร้างและการใช้งาน

24 bayesian  references  prior  history 

นี่เป็นคำถามที่เกิดขึ้น (ดูโพสต์นี้ , โพสต์นี้และโพสต์นี้ ) แต่ฉันมีสปินที่แตกต่างกัน สมมติว่าฉันมีกลุ่มตัวอย่างจากตัวอย่าง MCMC ทั่วไป สำหรับแต่ละตัวอย่างθθ\thetaฉันรู้ค่าของการบันทึกความเป็นไปได้เข้าสู่ระบบฉ( x | θ )เข้าสู่ระบบ⁡ฉ(x|θ)\log f(\textbf{x} | \theta)และเข้าสู่ระบบก่อนเข้าสู่ระบบฉ( θ )เข้าสู่ระบบ⁡ฉ(θ)\log f(\theta) ) ถ้ามันช่วยได้ฉันก็รู้ค่าของความน่าจะเป็นของการบันทึกต่อจุดข้อมูล, เข้าสู่ระบบฉ( xผม| θ)เข้าสู่ระบบ⁡ฉ(xผม|θ)\log f(x_i | \theta) (ข้อมูลนี้ช่วยในวิธีการบางอย่างเช่น WAIC และ PSIS-LOO) ฉันต้องการที่จะได้รับ (น้ำมันดิบ) ประมาณการของโอกาสร่อแร่เพียงกับกลุ่มตัวอย่างที่ฉันมีและอาจจะไม่กี่การประเมินผลการทำงานอื่น ๆ ( แต่ไม่ rerunning เฉพาะกิจ MCMC) ก่อนอื่นมาล้างตารางกันก่อน เราทุกคนรู้ว่าตัวประมาณค่าฮาร์มอนิกเป็นตัวประมาณที่แย่ที่สุดที่เคยมีมา ไปกันเถอะ หากคุณกำลังทำตัวอย่างกิ๊บส์กับนักบวชและผู้โพสต์ในรูปแบบปิดคุณสามารถใช้วิธีการของ Chib ; แต่ฉันไม่แน่ใจว่าจะพูดคุยกันนอกเรื่องเหล่านี้ได้อย่างไร นอกจากนี้ยังมีวิธีการที่ต้องการให้คุณปรับเปลี่ยนขั้นตอนการสุ่มตัวอย่าง (เช่นผ่านทางโปสเตอร์ที่มีอารมณ์ …

24 machine-learning  bayesian  sampling  mcmc  likelihood 

ดังนั้นคำถามนี้จะยุ่งเล็กน้อย แต่ฉันจะรวมกราฟสีสันเพื่อชดเชย ก่อนอื่นมาที่พื้นหลังของคำถาม พื้นหลัง สมมติว่าคุณมีการแจกแจงพหุคูณแบบหลายมิติแบบมิติที่มีโพรไบท์เท่ากันในประเภทให้เป็นจำนวนปกติ ( ) จากการแจกแจงนั่นคือ:nnnnnnπ=(π1,…,πn)π=(π1,…,πn)\pi = (\pi_1, \ldots, \pi_n)ccc (c1,…,cn)∼Multinomial(1/n,…,1/n)πi=cin(c1,…,cn)∼Multinomial(1/n,…,1/n)πi=cin(c_1, \ldots, c_n) \sim \text{Multinomial}(1/n, \ldots, 1/n) \\ \pi_i = {c_i \over n} ตอนนี้การกระจายทั่วมีการสนับสนุนใน -simplex แต่มีขั้นตอนแบบแยก ตัวอย่างเช่นด้วยการกระจายนี้มีการสนับสนุนดังต่อไปนี้ (จุดสีแดง):ππ\pinnnn=3n=3n = 3 การแจกแจงอื่นที่มีการรองรับที่คล้ายกันคือการแจกแจงแบบ -dimensionalนั่นคือการกระจายแบบสม่ำเสมอทั่วหน่วย simplex ตัวอย่างเช่นนี่คือการสุ่มจับจาก 3-dimesional :nnnDirichlet(1,…,1)Dirichlet(1,…,1)\text{Dirichlet}(1, \ldots, 1)Dirichlet(1,1,1)Dirichlet(1,1,1)\text{Dirichlet}(1, 1, 1) ตอนนี้ฉันมีความคิดว่าการกระจายของจากการแจกแจงอาจมีลักษณะเหมือนวาดจากที่มี discretized การสนับสนุนต่อเนื่องของ\ต่อเนื่องผมมีอยู่ในใจ (และที่ดูเหมือนว่าจะทำงานได้ดี) คือการใช้เวลาในแต่ละจุดในเริมและ "รอบมันออก" เพื่อจุดที่ใกล้ที่สุดที่อยู่ในการสนับสนุนของ\สำหรับ simplex …

24 distributions  bayesian  bootstrap  multinomial  dirichlet-distribution 

โดยทั่วไปแล้วทฤษฎีความน่าจะเป็นนั้นถูกสอนด้วยสัจพจน์ของ Kolgomorov Bayesians ยอมรับความจริงของ Kolmogorov หรือไม่?

24 probability  bayesian  kolmogorov-axioms 

ฉันสนใจที่จะเรียนรู้วิธีพัฒนาจุดศูนย์กลางทางภูมิศาสตร์ของจุดศูนย์กลางบางจุดบนพื้นฐานของข้อมูลจากการระบาดของจอห์นสโนว์อหิวาตกโรค การสร้างแบบจำลองทางสถิติใดที่สามารถใช้ในการแก้ปัญหาดังกล่าวโดยไม่ต้องทราบล่วงหน้าว่ามีหลุมอยู่ที่ใด ตามปัญหาทั่วไปคุณจะมีเวลาสถานที่ตั้งของจุดที่รู้จักและเส้นทางเดินของผู้สังเกตการณ์ วิธีที่ฉันกำลังมองหาจะใช้สามสิ่งนี้เพื่อประเมินจุดศูนย์กลางของ "การระบาด"

23 bayesian  spatial  epidemiology  gis 

ฉันต้องการถามคำถามที่ได้รับแรงบันดาลใจจากคำตอบที่ยอดเยี่ยมสำหรับคำถามเกี่ยวกับสัญชาตญาณการแจกแจงเบต้า ฉันต้องการได้รับความเข้าใจที่ดีขึ้นเกี่ยวกับการได้มาของการกระจายก่อนหน้านี้สำหรับค่าเฉลี่ยการตี ดูเหมือนว่าดาวิดกำลังสนับสนุนพารามิเตอร์จากค่าเฉลี่ยและช่วง ภายใต้สมมติฐานที่ว่าค่าเฉลี่ยคือและส่วนเบี่ยงเบนมาตรฐานคือ0.18คุณสามารถถอยออกαและβได้โดยการแก้สมการทั้งสองนี้: α0.270.270.270.180.180.18αα\alphaββ\betaαα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182αα+β=0.27α⋅β(α+β)2⋅(α+β+1)=0.182\begin{equation} \frac{\alpha}{\alpha+\beta}=0.27 \\ \frac{\alpha\cdot\beta}{(\alpha+\beta)^2\cdot(\alpha+\beta+1)}=0.18^2 \end{equation}

23 bayesian  prior 

เมื่อฉัน Google สำหรับ "fisher" "fiducial" ... ฉันแน่ใจว่าจะได้รับความนิยมมาก แต่สิ่งที่ฉันติดตามทั้งหมดนั้นเกินกว่าความเข้าใจของฉัน เพลงฮิตทั้งหมดเหล่านี้ดูเหมือนจะมีสิ่งหนึ่งที่เหมือนกัน: พวกเขาทั้งหมดเขียนขึ้นสำหรับนักสถิติย้อมสีขนสัตว์ผู้คนแพร่หลายในทฤษฎีการปฏิบัติประวัติศาสตร์และตำนานของสถิติ (ดังนั้นไม่มีบัญชีเหล่านี้รบกวนจิตใจที่จะอธิบายหรือแสดงให้เห็นถึงสิ่งที่ฟิชเชอร์หมายถึง "ความไว้วางใจ" โดยไม่ต้องหันไปหามหาสมุทรของศัพท์แสงและ / หรือผ่านเจ้าชู้ไปบางคลาสสิกหรืออื่น ๆ ของวรรณกรรมสถิติคณิตศาสตร์) ฉันไม่ได้อยู่ในกลุ่มเป้าหมายที่เลือกซึ่งอาจเป็นประโยชน์ต่อสิ่งที่ฉันพบในเรื่องนี้และอาจอธิบายได้ว่าทำไมทุกคนที่ฉันพยายามเข้าใจว่า Fisher หมายถึง "fiducial" ชนกับกำแพงของ พูดไม่ชัดเข้าใจยาก ไม่มีใครรู้ว่ามีความพยายามที่จะอธิบายให้คนที่ไม่ใช่นักสถิติมืออาชีพที่ชาวฟิชเชอร์หมายถึง "ความไว้วางใจ" หรือไม่? ป.ล. ฉันรู้ว่าฟิชเชอร์เป็นเป้าหมายที่เคลื่อนไหวเมื่อมันมาถึงสิ่งที่เขาหมายถึงโดย "fiducial" แต่ฉันคิดว่าคำนี้ต้องมี "ความหมายคงที่" ซึ่งหมายความว่าไม่เช่นนั้นมันจะไม่ทำงาน (อย่างชัดเจน ทำ) เป็นคำศัพท์ที่เข้าใจโดยทั่วไปภายในฟิลด์

23 bayesian  inference  terminology  fiducial  ronald-fisher