คำถามติดแท็ก frequentist

สถิติแบบเบย์ยืนยันว่า "สถิติแบบเบย์สามารถประมาณค่าพารามิเตอร์ที่มีความท้าทายมากในการประมาณค่าด้วยวิธีการที่ใช้บ่อย" ข้อความต่อไปนี้นำมาจากเอกสาร SAS นี้บอกว่าเหมือนกันหรือไม่ มันให้การอนุมานที่มีเงื่อนไขกับข้อมูลและเป็นที่แน่นอนโดยไม่ต้องพึ่งพาการประมาณเชิงเส้นกำกับ การอนุมานตัวอย่างขนาดเล็กดำเนินไปในลักษณะเดียวกับที่มีตัวอย่างขนาดใหญ่ การวิเคราะห์แบบเบย์ยังสามารถประมาณฟังก์ชั่นของพารามิเตอร์ได้โดยตรงโดยไม่ต้องใช้วิธี "ปลั๊กอิน" (วิธีการประมาณฟังก์ชั่นโดยการเสียบพารามิเตอร์ที่ประมาณไว้ในฟังก์ชั่น) ฉันเห็นข้อความที่คล้ายกันในหนังสือเรียนบางเล่ม แต่ไม่จำที่ มีใครช่วยอธิบายสิ่งนี้ให้ฉันฟังได้ไหม

9 bayesian  inference  sas  frequentist 

ปิด คำถามนี้ต้องการรายละเอียดหรือความคมชัด ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ เพิ่มรายละเอียดและชี้แจงปัญหาโดยแก้ไขโพสต์นี้ ปิดให้บริการใน3 ปีที่ผ่านมา จากสิ่งที่ฉันได้อ่านและจากคำตอบของคำถามอื่น ๆ ที่ฉันถามที่นี่วิธีการที่ใช้กันบ่อย ๆ นั้นเรียกว่าคณิตศาสตร์เป็นประจำ ( ฉันไม่สนใจว่าพวกเขาสอดคล้องกับปรัชญาหรือไม่ฉันแค่สนใจว่ามันสอดคล้องกับคณิตศาสตร์) หรือไม่ วิธีการแบบเบย์ (สำหรับผู้ที่คัดค้านเรื่องนี้ให้ดูหมายเหตุที่ด้านล่างของคำถามนี้) คำตอบสำหรับคำถามที่เกี่ยวข้อง (ไม่ใช่ของฉัน) นี้สนับสนุนข้อสรุปนี้: วิธีการของผู้ใช้บ่อย ๆ ส่วนใหญ่มีความเท่าเทียมกันแบบเบย์ซึ่งในกรณีส่วนใหญ่จะให้ผลลัพธ์ที่เหมือนกัน โปรดทราบว่าในสิ่งต่อไปนี้การมีความหมายทางคณิตศาสตร์เหมือนกันจะให้ผลลัพธ์เดียวกัน หากคุณกำหนดลักษณะสองวิธีที่สามารถพิสูจน์ได้ว่าให้ผลลัพธ์ที่เหมือนกันว่า "แตกต่าง" อยู่เสมอนั่นคือสิ่งที่ถูกต้องของคุณ แต่นั่นเป็นการตัดสินเชิงปรัชญาไม่ใช่เชิงคณิตศาสตร์หรือวิธีปฏิบัติ หลายคนที่อธิบายตนเองว่า "Bayesians" แต่ดูเหมือนว่าจะปฏิเสธโดยใช้การประเมินความเป็นไปได้สูงสุดภายใต้สถานการณ์ใด ๆ แม้ว่ามันจะเป็นกรณีพิเศษของวิธีการแบบเบส์( ทางคณิตศาสตร์ ) เพราะมันเป็น "วิธีการประจำ" เห็นได้ชัดว่า Bayesians ยังใช้การแจกแจงแบบ จำกัด / จำกัด เมื่อเปรียบเทียบกับผู้ใช้บ่อยแม้ว่าการแจกแจงแบบนั้นจะถูกต้องทางคณิตศาสตร์จากมุมมองแบบเบย์ คำถาม: Bayesians ปฏิเสธและวิธีการที่ถูกต้องทางคณิตศาสตร์จากมุมมองของ Bayesian เมื่อใดและเพราะเหตุใด มีเหตุผลสำหรับสิ่งนี้ซึ่งไม่ใช่ …

9 bayesian  frequentist  philosophical 

มาจากพื้นฐานที่เข้มงวดในการวิเคราะห์และทฤษฎีความน่าจะเป็นที่ทันสมัยฉันพบว่าสถิติแบบเบย์ตรงไปตรงมาและเข้าใจง่ายและสถิติบ่อยครั้งทำให้เกิดความสับสนและไม่เข้าใจง่ายอย่างเหลือเชื่อ ดูเหมือนว่าผู้ใช้บ่อยกำลังทำสถิติแบบเบย์จริง ๆ ยกเว้น "นักบวชลับ" ที่ไม่มีแรงจูงใจหรือคำจำกัดความที่ดี ในทางกลับกันนักสถิติที่ยอดเยี่ยมจำนวนมากที่เข้าใจทั้งสองมุมมองได้อธิบายมุมมองของผู้ใช้บ่อยดังนั้นจึงต้องมีบางสิ่งที่ฉันไม่เข้าใจ แทนที่จะยอมแพ้และประกาศตัวเองเป็นชาวเบย์ฉันต้องการเรียนรู้เพิ่มเติมเกี่ยวกับมุมมองของผู้ใช้บ่อย ๆ เพื่อพยายาม "หาความรู้" อย่างแท้จริง อะไรคือการอ้างอิงที่ดีสำหรับการเรียนรู้สถิติผู้ใช้บ่อยจากมุมมองที่เข้มงวด นึกคิดฉันกำลังมองหาหนังสือประเภทนิยามทฤษฎีบทพิสูจน์หรือปัญหาที่ยากอาจกำหนดว่าโดยการแก้ไขพวกเขาฉันจะได้รับความคิดที่ถูกต้อง ฉันได้อ่าน "เนื้อหาเชิงปรัชญา" มากกว่านี้แล้วอาจพบว่าการค้นหาทางอินเทอร์เน็ต - หน้าวิกิ, ไฟล์ PDF สุ่มจาก. edu / ~ ไซต์สุ่มสุ่ม ฯลฯ - และมันไม่ได้ช่วยอะไรเลย

9 references  frequentist  intuition 

ฉันไม่ใช่ผู้เชี่ยวชาญด้านสถิติ แต่ฉันรวบรวมว่ามีความขัดแย้งไม่ว่าการตีความ "ความเป็นไปได้" หรือ "เบย์" เป็นความน่าจะเป็น "ขวา" หรือไม่ จากWagenmakers และ อัลพี 183: พิจารณาการแจกแจงแบบสม่ำเสมอด้วยค่าเฉลี่ย μμ\mu และความกว้าง 111. วาดค่าสองค่าแบบสุ่มจากการแจกแจงเลเบลค่าที่เล็กที่สุดsss และที่ใหญ่ที่สุด ล.ล.lและตรวจสอบว่าค่าเฉลี่ย μμ\mu อยู่ในระหว่าง sss และ ล.ล.l. หากขั้นตอนนี้ซ้ำหลายครั้งค่าเฉลี่ยμμ\mu จะอยู่ในระหว่าง sss และ ล.ล.lในครึ่งหนึ่งของกรณี ดังนั้น,( s , l )(s,ล.)(s, l) ให้ช่วงความมั่นใจเป็นประจำ 50% สำหรับ μμ\mu. แต่สมมติว่าสำหรับการจับรางวัลโดยเฉพาะs = 9.8s=9.8s = 9.8 และ l = 10.7ล.=10.7l = 10.7. …

9 bayesian  confidence-interval  frequentist  philosophical 

ฉันอ่านบทความเกี่ยวกับ Apriori ฉันมีปัญหาในการทำความเข้าใจกับลูกพรุนและเข้าร่วมขั้นตอน ทุกคนสามารถอธิบายได้ว่าอัลกอริทึม Apriori ทำงานอย่างไรในเงื่อนไขง่าย ๆ (เช่นสามเณรอย่างฉันสามารถเข้าใจได้ง่าย) มันจะดีถ้ามีคนอธิบายกระบวนการทีละขั้นตอนที่เกี่ยวข้อง

9 data-mining  algorithms  frequentist