คำถามติดแท็ก credible-interval

ช่วงเวลาที่น่าเชื่อถือคือช่วงเวลาในสถิติแบบเบย์ที่รวมค่าที่แท้จริงของพารามิเตอร์ที่มีความน่าจะเป็นช่วงเวลาที่น่าเชื่อถือถือว่าช่วงเวลาคงที่และพารามิเตอร์เป็นแบบสุ่ม (1α)%

9
ความแตกต่างระหว่างช่วงความมั่นใจกับช่วงเวลาที่เชื่อถือได้คืออะไร
การแลกเปลี่ยนของ Joris และ Srikant ที่นี่ทำให้ฉันสงสัย (อีกครั้ง) ถ้าคำอธิบายภายในของฉันสำหรับความแตกต่างระหว่างช่วงความมั่นใจและช่วงเวลาที่น่าเชื่อถือนั้นเป็นสิ่งที่ถูกต้อง คุณจะอธิบายความแตกต่างอย่างไร

6
การเชื่อมต่อระหว่างภูมิภาคที่น่าเชื่อถือกับการทดสอบสมมติฐานแบบเบย์คืออะไร?
ในสถิติที่ใช้บ่อยมีการเชื่อมต่ออย่างใกล้ชิดระหว่างช่วงความมั่นใจและการทดสอบ ใช้การอนุมานเกี่ยวกับในการแจกแจงเป็นตัวอย่างช่วงเวลาความเชื่อมั่น มีค่าทั้งหมดของที่ไม่ได้ปฏิเสธโดย -test ที่ระดับนัยสำคัญ\N ( μ , σ 2 ) 1 - α ˉ x ± เสื้อα / 2 ( n - 1 ) ⋅ s / √μμ\muไม่มี( μ , σ2)ยังไม่มีข้อความ(μ,σ2)\rm N(\mu,\sigma^2)1 - α1-α1-\alpha μtαx¯± tα / 2( n - 1 ) ⋅ s / n--√x¯±เสื้อα/2(n-1)⋅s/n\bar{x}\pm t_{\alpha/2}(n-1)\cdot s/\sqrt{n}μμ\muเสื้อเสื้อtαα\alpha ช่วงความเชื่อมั่นบ่อยครั้งอยู่ในการทดสอบแบบคว่ำนี้ …

6
หากช่วงเวลาที่เชื่อถือได้มีค่าคงที่ก่อนหน้านี้ช่วงความมั่นใจ 95% เท่ากับช่วงเวลาที่เชื่อถือได้ 95% หรือไม่
ฉันใหม่มากกับสถิติแบบเบย์และนี่อาจเป็นคำถามที่โง่ อย่างไรก็ตาม: พิจารณาช่วงเวลาที่น่าเชื่อถือด้วยค่าก่อนหน้าซึ่งระบุการแจกแจงแบบสม่ำเสมอ ตัวอย่างเช่นจาก 0 ถึง 1 โดยที่ 0 ถึง 1 แสดงถึงช่วงเต็มของค่าที่เป็นไปได้ของเอฟเฟกต์ ในกรณีนี้ช่วงเวลาที่เชื่อถือได้ 95% จะเท่ากับช่วงความมั่นใจ 95% หรือไม่

2
พื้นที่ความหนาแน่นสูงสุด (HDR) คืออะไร
ในการอนุมานเชิงสถิติปัญหา 9.6b กล่าวถึง "ภูมิภาคที่มีความหนาแน่นสูงสุด (HDR)" อย่างไรก็ตามฉันไม่พบคำจำกัดความของคำนี้ในหนังสือ หนึ่งคำที่คล้ายกันคือความหนาแน่นหลังสูงสุด (HPD) แต่มันไม่เหมาะสมในบริบทนี้เนื่องจาก 9.6b ไม่ได้พูดถึงเรื่องก่อนหน้า และในการแก้ปัญหาที่แนะนำมันบอกว่า "เห็นได้ชัดว่าc(y)c(y)c(y)คือ HDR" หรือ HDR เป็นภูมิภาคที่มีโหมดไฟล์ PDF อยู่หรือไม่? พื้นที่ความหนาแน่นสูงสุด (HDR) คืออะไร

2
วิธีการสรุปช่วงเวลาที่น่าเชื่อถือสำหรับผู้ชมทางการแพทย์
ด้วยสแตนและส่วนหน้าแพคเกจrstanarmหรือฉันสามารถวิเคราะห์ข้อมูลทางคชกรรมที่สุดเท่าที่ฉันเคยทำมาก่อนกับการผสมรูปแบบเช่นbrms lmeในขณะที่ฉันมีหนังสือและบทความส่วนใหญ่โดย Kruschke-Gelman-Wagenmakers- ฯลฯ บนโต๊ะของฉันสิ่งเหล่านี้ไม่ได้บอกวิธีสรุปผลลัพธ์สำหรับผู้ชมทางการแพทย์ที่ขาดความโกรธแค้นของ Skyesa จาก Bayesian และ Charybdis ของผู้ตรวจสอบทางการแพทย์ ( "เราต้องการความสำคัญไม่ใช่สิ่งที่กระจาย") ตัวอย่าง: ความถี่กระเพาะอาหาร (1 / นาที) วัดเป็นสามกลุ่ม; การควบคุมสุขภาพเป็นข้อมูลอ้างอิง มีการวัดหลายอย่างสำหรับผู้เข้าร่วมแต่ละคนดังนั้นฉันมักใช้แบบผสมต่อไปนี้lme: summary(lme(freq_min~ group, random = ~1|study_id, data = mo)) ผลลัพธ์ที่แก้ไขเล็กน้อย: Fixed effects: freq_min ~ group Value Std.Error DF t-value p-value (Intercept) 2.712 0.0804 70 33.7 0.0000 groupno_symptoms 0.353 0.1180 27 …

2
อะไรคือเหตุผลในการตัดสินใจเชิงทฤษฎีสำหรับขั้นตอนช่วงเวลาที่น่าเชื่อถือแบบเบย์?
(เพื่อดูว่าทำไมฉันถึงเขียนสิ่งนี้ให้ตรวจสอบความคิดเห็นด้านล่างคำตอบของคำถามนี้ ) ข้อผิดพลาดประเภท III และทฤษฎีการตัดสินใจเชิงสถิติ การให้คำตอบที่ถูกต้องกับคำถามที่ผิดนั้นบางครั้งเรียกว่าข้อผิดพลาด Type III ทฤษฎีการตัดสินใจเชิงสถิติเป็นรูปแบบของการตัดสินใจภายใต้ความไม่แน่นอน มันมีกรอบแนวคิดที่สามารถช่วยหนึ่งหลีกเลี่ยงข้อผิดพลาดประเภทที่สาม องค์ประกอบสำคัญของกรอบที่เรียกว่าฟังก์ชั่นการสูญเสีย มันต้องใช้สองข้อโต้แย้ง: ครั้งแรกคือ (ส่วนย่อยที่เกี่ยวข้องของ) สถานะที่แท้จริงของโลก (เช่นในปัญหาการประมาณค่าพารามิเตอร์ค่าพารามิเตอร์จริง ); ที่สองคือองค์ประกอบในชุดของการกระทำที่เป็นไปได้ (เช่นในปัญหาการประมาณค่าพารามิเตอร์การประมาณθ )θθ\thetaθ^)θ^)\hat{\theta}). เอาท์พุทแบบจำลองการสูญเสียที่เกี่ยวข้องกับทุกการกระทำที่เป็นไปได้เกี่ยวกับทุกสถานะที่แท้จริงที่เป็นไปได้ของโลก ตัวอย่างเช่นในปัญหาการประมาณค่าพารามิเตอร์ฟังก์ชันการสูญเสียที่รู้จักกันดีคือ: การสูญเสียข้อผิดพลาดแบบสัมบูรณ์L(θ,θ^)=|θ−θ^|L(θ,θ^)=|θ−θ^|L(\theta, \hat{\theta}) = |\theta - \hat{\theta}| การสูญเสียข้อผิดพลาดกำลังสองL(θ,θ^)=(θ−θ^)2L(θ,θ^)=(θ−θ^)2L(\theta, \hat{\theta}) = (\theta - \hat{\theta})^2 การสูญเสีย LINEX ของHal VarianL(θ,θ^;k)=exp(k(θ−θ^))−k(θ−θ^)−1, k≠0L(θ,θ^;k)=exp⁡(k(θ−θ^))−k(θ−θ^)−1, k≠0L(\theta, \hat{\theta}; k) = \exp(k(\theta - \hat{\theta})) - k(\theta - \hat{\theta}) …

2
ทำไมคนเราถึงใช้ความมั่นใจแบบสุ่มหรือช่วงเวลาที่เชื่อถือได้
เมื่อเร็ว ๆ นี้ฉันกำลังอ่านกระดาษที่รวมการสุ่มในความมั่นใจและช่วงเวลาที่น่าเชื่อถือและฉันสงสัยว่านี่เป็นมาตรฐานหรือไม่และถ้าเป็นเช่นนั้นทำไมมันถึงเป็นสิ่งที่สมเหตุสมผล ไปยังชุดสัญกรณ์สมมติว่าข้อมูลของเราคือและเรามีความสนใจในการสร้างช่วงเวลาสำหรับพารามิเตอร์\ ฉันเคยชินกับช่วงความมั่นใจ / ความน่าเชื่อถือที่ถูกสร้างโดยการสร้างฟังก์ชั่น:θ ∈ Θx∈Xx∈Xx \in Xθ∈Θθ∈Θ\theta \in \Theta fx:Θ→{0,1}fx:Θ→{0,1}f_{x} : \Theta \rightarrow \{0,1\} และปล่อยให้ช่วงเวลาของเราจะเป็น\}I={θ∈Θ:fx(θ)=1}I={θ∈Θ:fx(θ)=1}I = \{ \theta \in \Theta \, : \, f_{x}(\theta) = 1\} นี่คือการสุ่มในแง่ที่ว่ามันขึ้นอยู่กับข้อมูล แต่เงื่อนไขกับข้อมูลมันเป็นเพียงช่วงเวลา กระดาษนี้แทนกำหนด gx:Θ→[0,1]gx:Θ→[0,1]g_{x} : \Theta \rightarrow [0,1] และยังเป็นคอลเลกชันของตัวแปรสุ่ม IID เครื่องแบบบน[0,1]มันกำหนดช่วงเวลาที่เกี่ยวข้องจะเป็นI = \ {\ theta \ in \ Theta \: …

3
เมื่อใดช่วงความเชื่อมั่น“ สมเหตุสมผล” แต่ช่วงเวลาที่น่าเชื่อถือนั้นไม่สอดคล้องกัน?
มันมักจะเป็นกรณีที่ช่วงความเชื่อมั่นที่มีความคุ้มครอง 95% จะคล้ายกันมากกับช่วงเวลาที่น่าเชื่อถือที่มี 95% ของความหนาแน่นหลัง สิ่งนี้เกิดขึ้นเมื่อชุดก่อนหน้านั้นเหมือนกันหรือใกล้เคียงในกรณีหลัง ดังนั้นช่วงความมั่นใจมักจะถูกใช้เพื่อประมาณช่วงเวลาที่น่าเชื่อถือและในทางกลับกัน ที่สำคัญเราสามารถสรุปได้ว่าสิ่งนี้เป็นการตีความที่ผิดพลาดอย่างมากของช่วงความเชื่อมั่นเนื่องจากช่วงเวลาที่น่าเชื่อถือนั้นมีความสำคัญเพียงเล็กน้อยถึงไม่มีประโยชน์เลยสำหรับกรณีการใช้งานที่ง่าย มีตัวอย่างจำนวนมากที่มีกรณีที่สิ่งนี้ไม่ได้เกิดขึ้นอย่างไรก็ตามพวกเขาทั้งหมดดูเหมือนจะถูกเชอร์รี่โดยผู้สนับสนุนของ Bayesian stats ในความพยายามที่จะพิสูจน์ว่ามีบางอย่างผิดปกติกับวิธีการที่ใช้บ่อย ในตัวอย่างเหล่านี้เราจะเห็นช่วงความมั่นใจมีค่าที่เป็นไปไม่ได้ ฯลฯ ซึ่งควรจะแสดงว่าไร้สาระ ฉันไม่ต้องการกลับไปดูตัวอย่างเหล่านั้นหรือการอภิปรายเชิงปรัชญาของ Bayesian vs Frequentist ฉันแค่กำลังมองหาตัวอย่างของสิ่งที่ตรงกันข้าม มีกรณีใดบ้างที่ความมั่นใจและช่วงเวลาที่เชื่อถือได้แตกต่างกันอย่างมีนัยสำคัญและช่วงเวลาที่กำหนดโดยขั้นตอนความเชื่อมั่นนั้นเหนือกว่าอย่างชัดเจนหรือไม่ ในการชี้แจง: นี่เป็นเรื่องเกี่ยวกับสถานการณ์ที่คาดว่าช่วงเวลาที่น่าเชื่อถือจะตรงกับช่วงความเชื่อมั่นที่สอดคล้องกันเช่นเมื่อใช้แบบแฟลตเครื่องแบบและนักบวช ฯลฯ ฉันไม่สนใจในกรณีที่มีคนเลือกที่ไม่ดีโดยพลการมาก่อน แก้ไข: เพื่อตอบสนองต่อคำตอบของ @JaeHyeok Shin ด้านล่างฉันต้องไม่เห็นด้วยว่าตัวอย่างของเขาใช้โอกาสที่ถูกต้อง ฉันใช้การคำนวณแบบเบย์โดยประมาณเพื่อประเมินการกระจายหลังที่ถูกต้องสำหรับทีต้าด้านล่างใน R: ### Methods ### # Packages require(HDInterval) # Define the likelihood like <- function(k = 1.2, theta = 0, …

1
จะหาช่วงเวลาที่น่าเชื่อถือ 95% ได้อย่างไร
ฉันพยายามคำนวณช่วงเวลาที่น่าเชื่อถือ 95% ของการแจกแจงหลัง ฉันไม่พบฟังก์ชันใน R สำหรับมัน แต่วิธีการด้านล่างถูกต้องหรือไม่ x <- seq(0.4,12,0.4) px <- c(0,0, 0, 0, 0, 0, 0.0002, 0.0037, 0.018, 0.06, 0.22 ,0.43, 0.64,0.7579, 0.7870, 0.72, 0.555, 0.37, 0.24, 0.11, 0.07, 0.02, 0.009, 0.005, 0.0001, 0,0.0002, 0, 0, 0) plot(x,px, type="l") mm <- sum(x*px)/sum(px) var <- (sum((x)^2*px)/sum(px)) - (mm^2) cat("95% …

1
ช่วงเวลาการทำนาย = ช่วงเวลาที่เชื่อถือได้?
ฉันสงสัยว่าช่วงเวลาการทำนายและช่วงเวลาที่น่าเชื่อถือจะประเมินสิ่งเดียวกันหรือไม่ ตัวอย่างเช่นการถดถอยเชิงเส้นเมื่อคุณประเมินช่วงเวลาการทำนายของค่าที่ติดตั้งไว้คุณจะประเมินขีด จำกัดของช่วงเวลาที่คุณคาดหวังว่ามูลค่าของคุณจะลดลง ตรงกันข้ามกับช่วงความมั่นใจคุณไม่ได้มุ่งเน้นไปที่พารามิเตอร์การกระจายเช่นค่าเฉลี่ย แต่ในค่าที่ตัวแปรอธิบายของคุณอาจใช้ค่า X ที่กำหนด (สมมติว่า )( 1 - α ) %(1-α)%(1-\alpha)\% Y= + ข X Y=a+ข.X\ Y = a + b.X เมื่อคุณประเมินค่าที่พอดีสำหรับค่ากำหนดภายในกรอบการทำงานแบบเบย์จากการแจกแจงความน่าจะเป็นหลังคุณสามารถประมาณช่วงเวลาที่น่าเชื่อถือได้ ช่วงเวลานี้ให้ข้อมูลเดียวกันกับค่าติดตั้งหรือไม่?XXX

1
ตัวอย่างของเมื่อช่วงความมั่นใจและช่วงเวลาที่น่าเชื่อถือตรงกัน
ในบทความวิกิพีเดียเรื่องCredible Intervalกล่าวว่า: สำหรับกรณีของพารามิเตอร์เดียวและข้อมูลที่สามารถสรุปได้ในสถิติที่เพียงพอเพียงครั้งเดียวก็สามารถแสดงให้เห็นว่าช่วงเวลาที่น่าเชื่อถือและช่วงความเชื่อมั่นจะเกิดขึ้นหากพารามิเตอร์ที่ไม่รู้จักเป็นพารามิเตอร์ตำแหน่ง (เช่นฟังก์ชันความน่าจะเป็นไปข้างหน้ามีรูปแบบ Pr (x | μ) = f (x - μ)) โดยก่อนหน้านั้นคือการกระจายแบบคงที่แบบสม่ำเสมอ [5] และหากพารามิเตอร์ที่ไม่รู้จักเป็นพารามิเตอร์ขนาด (เช่นฟังก์ชันความน่าจะเป็นไปข้างหน้ามีรูปแบบ Pr (x | s) = f (x / s)), กับ Jeffreys 'ก่อนหน้า [5] - หลังต่อไปนี้เนื่องจากการลอการิทึมของพารามิเตอร์มาตราส่วนดังกล่าวจะเปลี่ยนเป็นพารามิเตอร์ตำแหน่งที่มีการแจกแจงแบบเดียวกัน แต่สิ่งเหล่านี้เป็นกรณีพิเศษ (แม้ว่าสำคัญ) โดยทั่วไปไม่สามารถทำการเทียบเท่าได้ " ผู้คนสามารถให้ตัวอย่างที่เฉพาะเจาะจงเกี่ยวกับเรื่องนี้ได้หรือไม่? 95% CI จริง ๆ แล้วตรงกับ "โอกาส 95%" เมื่อใดจึง "ละเมิด" คำจำกัดความทั่วไปของ CI

3
การเลือกแบบเบส์และช่วงเวลาที่น่าเชื่อถือ
ฉันมีชุดข้อมูลที่มีสามตัวแปรโดยที่ตัวแปรทั้งหมดเป็นเชิงปริมาณ อนุญาตเรียกว่า ,และx_2ฉันเหมาะสมกับโมเดลการถดถอยในมุมมองแบบเบย์ผ่าน MCMC ด้วยyyyx1x1x_1x2x2x_2rjags ฉันทำการวิเคราะห์เชิงสำรวจและสแกตเตอร์ล็อตของแนะนำว่าควรใช้เทอมกำลังสอง จากนั้นฉันติดตั้งสองรุ่นy×x2y×x2y\times x_2 (1)y=β0+β1∗x1+β2∗x2y=β0+β1∗x1+β2∗x2y=\beta_0+\beta_1*x_1+\beta_2*x_2 (2)y=β0+β1∗x1+β2∗x2+β3∗x1x2+β4∗x21+β5∗x22y=β0+β1∗x1+β2∗x2+β3∗x1x2+β4∗x12+β5∗x22y=\beta_0+\beta_1*x1+\beta_2*x_2+\beta_3*x_1x_2+\beta_4*x_1^2+\beta_5*x_2^2 ในรูปแบบที่ 1 ขนาดผลของแต่ละพารามิเตอร์ไม่เล็กและช่วงเวลาที่มีความน่าเชื่อถือ 95% ไม่ได้มีค่าที่0000 ในรูปแบบที่ 2 ขนาดของผลของพารามิเตอร์และมีขนาดเล็กและแต่ละช่วงเวลาที่น่าเชื่อถือสำหรับพารามิเตอร์ทั้งหมดมี0β3β3\beta_3β4β4\beta_4000 ความจริงที่ว่าช่วงเวลาที่น่าเชื่อถือมีเพียงพอที่จะบอกได้ว่าพารามิเตอร์นั้นไม่มีนัยสำคัญใช่หรือไม่000 จากนั้นฉันปรับรูปแบบต่อไปนี้ (3)y=β0+β1∗x1+β2∗x2+β3∗x22y=β0+β1∗x1+β2∗x2+β3∗x22y=\beta_0+\beta_1*x_1+\beta_2*x_2+\beta_3*x^2_2 ขนาดผลของแต่ละพารามิเตอร์ไม่เล็ก แต่มีข้อยกเว้นของช่วงเวลาที่น่าเชื่อถือว่ามี0β1β1\beta_1000 วิธีใดที่เหมาะสมในการเลือกตัวแปรในสถิติแบบเบย์ แก้ไข:ฉันสามารถใช้ Lasso ในรูปแบบการถดถอยใด ๆ เช่นรุ่นเบต้าหรือไม่ ฉันใช้โมเดลที่มีการกระจายตัวแปรโดยที่ โดยที่เป็นเวกเตอร์ ฉันควรใช้ Laplace ก่อนหน้าในด้วยหรือไม่log(σ)=−δδXlog(σ)=−δδXlog(\sigma)=-\pmb{\delta}Xδδδδ\pmb{\delta}δδδδ\pmb{\delta} EDIT2:ฉันติดตั้งสองรุ่นโดยหนึ่งมี Gaussian Priori สำหรับ ,และอีกรุ่นด้วย Laplace (เลขชี้กำลังสองเท่า)βjβj\beta_jδjδj\delta_j ค่าประมาณสำหรับแบบเกาส์เซคือ Mean SD Naive SE Time-series SE B[1] -1.17767 …

1
เหตุใดช่วงเวลาที่น่าเชื่อถือของเบย์ในการถดถอยพหุนามนี้จึงเอนเอียงในขณะที่ช่วงความเชื่อมั่นนั้นถูกต้อง
พิจารณาพล็อตด้านล่างที่ฉันจำลองข้อมูลดังนี้ เราดูผลลัพธ์แบบไบนารีซึ่งความน่าจะเป็นที่แท้จริงที่จะเป็น 1 ถูกระบุด้วยเส้นสีดำ ความสัมพันธ์การทำงานระหว่าง covariateและคือพหุนามลำดับที่ 3 ที่มีลิงค์โลจิสติก (ดังนั้นจึงไม่ใช่เชิงเส้นในสองทาง)Yo b sYโอขsy_{obs}xxxp (Yo b s= 1 | x )พี(Yโอขs=1|x)p(y_{obs}=1 | x) เส้นสีเขียวคือการถดถอยโลจิสติก GLM โดยที่ถูกนำมาใช้เป็นพหุนามลำดับที่ 3 เส้นสีเขียวประคือช่วงความมั่นใจ 95% รอบการคาดการณ์โดยที่สัมประสิทธิ์การถดถอยที่พอดี ฉันใช้และสำหรับสิ่งนี้xxxp (Yo b s= 1 | x ,β^)พี(Yโอขs=1|x,β^)p(y_{obs}=1 | x, \hat{\beta})β^β^\hat{\beta}R glmpredict.glm บรรทัด pruple เป็นค่าเฉลี่ยของช่วงหลังที่น่าเชื่อถือ 95% สำหรับของแบบจำลองการถดถอยโลจิสติกแบบเบย์โดยใช้เครื่องแบบก่อนหน้า ฉันใช้แพคเกจพร้อมฟังก์ชั่นสำหรับสิ่งนี้ (การตั้งค่าให้ความรู้เบื้องต้นที่ไม่เหมือนกันมาก่อน)p (Yo b s= 1 …

1
ฉันควรรายงานช่วงเวลาที่น่าเชื่อถือแทนที่จะเป็นช่วงความมั่นใจหรือไม่
หลังจากสะดุดแนวคิดในหนังสือเรียนสถิติฉันพยายามปิดท้ายเกี่ยวกับมันและในที่สุดก็มาถึงบทสรุปที่ดูเหมือนจะพอดีกับคำอธิบายทั้งหมดที่ฉันได้เห็นจนถึงตอนนี้: ช่วงเวลาที่น่าเชื่อถือคือสิ่งที่นักสถิติไม่คิดว่าความมั่นใจ ช่วงเวลาคือ พูดนอกเรื่องสำหรับผู้ที่ชอบฉันจากชั่วโมงที่ผ่านมาที่ไม่ทราบความแตกต่าง หากเราสังเกตข้อมูลและทำนายพารามิเตอร์จากนั้นสมมุติว่าค่าเฉลี่ย μμ\muช่วงเวลาที่น่าเชื่อถือคือช่วงเวลา [μmin, μmax][μmin, μmax][\mu_{\text{min}},\ \mu_{\text{max}}]ซึ่งเรามั่นใจ 95% ว่า mu อยู่ภายใน (หรืออีกจำนวนหนึ่งที่ไม่ใช่ 95% ถ้าเราใช้ระดับอื่น) ช่วงความเชื่อมั่นการสอนในชั้นเรียนสถิติเบื้องต้นสามารถทับซ้อนกับช่วงเวลาที่น่าเชื่อถือ แต่จะไม่เสมอทับซ้อนกัน หากคุณต้องการคำอธิบายที่กล้าลองอ่านนี้และคำถามนี้เกี่ยวกับการตรวจสอบข้าม สิ่งที่ช่วยให้ฉันเข้าใจในที่สุดหลังจากคำตอบที่หัวมากคือคำตอบนี้ หมายความว่าจะเป็นการดีกว่าหรือไม่ในทางวิทยาศาสตร์ที่จะใช้ช่วงเวลาที่น่าเชื่อถือผ่านช่วงความเชื่อมั่นในผลลัพธ์ของฉัน ถ้าใช่ทำไมฉันถึงไม่เห็นสิ่งพิมพ์ใด ๆ ที่ใช้มัน? เป็นเพราะแนวคิดควรใช้ แต่นักวิทยาศาสตร์การวัดยังไม่ทันกับวิธีการทางสถิติที่ถูกต้อง? หรือความหมายของช่วงความมั่นใจเริ่มต้นเหมาะสมกว่าที่จะอธิบายผลลัพธ์จากการศึกษาเชิงประจักษ์หรือไม่? หรือว่าในทางปฏิบัติแล้วพวกเขามักจะทับซ้อนกันซึ่งมันไม่สำคัญเลย? ตัวเลือกขึ้นอยู่กับการแจกแจงเชิงสถิติที่เราสมมติให้กับข้อมูลของเราหรือไม่? อาจมีการแจกแจงแบบเกาส์พวกมันซ้อนทับกันเสมอตัวเลขดังนั้นไม่มีใครอยู่นอกสถิติบริสุทธิ์ที่ใส่ใจเกี่ยวกับความแตกต่าง (การศึกษาจำนวนมากที่ฉันได้อ่านไม่ได้ใส่ใจที่จะคำนวณช่วงเวลาใด ๆและอาจประมาณ 1% ข้อมูลของพวกเขาอาจไม่ได้รับการกระจายตามปกติ มันขึ้นอยู่กับสถานะทางวิทยาศาสตร์ทฤษฎีของเราหรือไม่? ตัวอย่างเช่นรู้สึกว่าควรใช้ช่วงความมั่นใจในการทำงานในเชิงบวกและช่วงเวลาที่น่าเชื่อถือในงานการตีความ แต่ฉันไม่แน่ใจว่าความรู้สึกนี้ถูกต้อง
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.