คำถามติดแท็ก philosophical

ดูเหมือนว่าในความน่าจะเป็นในชีวิตประจำวัน (ไม่ใช่ฟิสิกส์ควอนตัม) ความน่าจะเป็นเป็นเพียงสิ่งที่ไม่รู้จัก ยกตัวอย่างเช่นการพลิกเหรียญ เราบอกว่ามันเป็น "สุ่ม" การเปลี่ยนแปลงของหัว 50% และมีโอกาส 50% ที่จะก้อย อย่างไรก็ตามถ้าฉันรู้ความหนาแน่นขนาดและรูปร่างของเหรียญอย่างแน่นอน ความหนาแน่นของอากาศ ด้วยแรงที่เหรียญพลิก ตรงที่วางกำลัง; ระยะทางของเหรียญกับพื้น เป็นต้นฉันจะไม่สามารถคาดการณ์ได้โดยใช้ฟิสิกส์พื้นฐานด้วยความแม่นยำ 100% ไม่ว่าจะลงบนหัวหรือก้อย ถ้าใช่ความน่าจะเป็นในสถานการณ์นี้ไม่ใช่วิธีที่ฉันจัดการกับข้อมูลที่ไม่สมบูรณ์ใช่หรือไม่ มันไม่เหมือนกันถ้าฉันสับไพ่ (ซึ่งฉันคิดอะไรเกี่ยวกับมัน) ฉันปฏิบัติตามคำสั่งของการ์ดโดยการสุ่มเพราะฉันไม่รู้ว่าคำสั่งซื้อคืออะไร แต่ก็ไม่เหมือนกับว่ามีโอกาส 1/52 ที่ไพ่ใบแรกที่ฉันจับคือ Ace of Spades - 100% คือ เอซโพดำหรือ 100% ไม่ใช่ ถ้ากลิ้งลูกเต๋าและสับไพ่ไม่สุ่มมันจะไม่ตามเครื่องกำเนิดเลขสุ่มแบบคอมพิวเตอร์ที่ไม่สุ่มเพราะถ้าฉันรู้อัลกอริทึม (และอาจเป็นตัวแปรอื่น ๆ ) ฉันรู้ว่า จำนวนจะเป็นอย่างไร ขอบคุณล่วงหน้าสำหรับทุกคนที่ใช้เวลาในการตอบโดยเฉพาะคำถาม noob จากคนที่ไม่ใช่คณิตศาสตร์อย่างตัวฉัน ฉันไม่ต้องการที่จะไป reddit เพราะคนจำนวนมากแกล้งมีความรู้ แต่ไม่ใช่ ข้อสังเกตเพิ่มเติมเกี่ยวกับเมตา: ครั้งแรกผมรู้ว่ามีคำถามที่คล้ายกันอยู่แล้วรับการตอบรับสุ่ม …

20 probability  philosophical 

มีตัวอย่างที่การทดสอบที่ป้องกันได้สองแบบที่แตกต่างกันซึ่งมีความน่าจะเป็นสัดส่วนจะนำไปสู่การอนุมานที่แตกต่างกันอย่างชัดเจน (และการป้องกันที่เท่ากัน) อย่างเช่นที่ p-values ​​เป็นลำดับของขนาดไกลออกไป ตัวอย่างทั้งหมดที่ฉันเห็นนั้นโง่มากการเปรียบเทียบทวินามกับลบทวินามโดยที่ p-value ของอันแรกคือ 7% และ 3% ที่สองซึ่งเป็น "แตกต่าง" เพียงอย่างเดียวที่จะทำการตัดสินใจไบนารีบนธรณีประตูตามอำเภอใจ อย่างมีนัยสำคัญเช่น 5% (ซึ่งโดยวิธีการเป็นมาตรฐานที่ค่อนข้างต่ำสำหรับการอนุมาน) และไม่ต้องกังวลกับการดูที่อำนาจ ถ้าฉันเปลี่ยนเกณฑ์เป็น 1% ทั้งคู่นำไปสู่ข้อสรุปเดียวกัน ฉันไม่เคยเห็นตัวอย่างที่จะนำไปสู่ข้อสรุปที่แตกต่างและชัดเจนซึ่งสามารถป้องกันได้ มีตัวอย่างเช่นนี้หรือไม่? ฉันถามเพราะฉันเห็นหมึกจำนวนมากที่ใช้ในหัวข้อนี้ราวกับว่าหลักการความน่าจะเป็นเป็นพื้นฐานในการอนุมานเชิงสถิติ แต่ถ้าตัวอย่างที่ดีที่สุดมีตัวอย่างที่ไร้สาระเหมือนตัวอย่างข้างต้นหลักการนั้นดูเหมือนจะไม่สมบูรณ์ ดังนั้นฉันกำลังมองหาตัวอย่างที่น่าสนใจมากซึ่งหากไม่มีใครทำตาม LP น้ำหนักของหลักฐานจะชี้ไปในทิศทางเดียวอย่างท่วมท้นเมื่อได้รับการทดสอบเพียงครั้งเดียว แต่ในการทดสอบอื่นที่มีความเป็นไปได้สัดส่วนน้ำหนักของหลักฐานจะ จะชี้ไปในทิศทางตรงกันข้ามอย่างท่วมท้นและข้อสรุปทั้งสองดูสมเหตุสมผล ตามหลักการแล้วเราสามารถแสดงให้เห็นว่าเรามีคำตอบที่ห่างไกล แต่มีเหตุผลเช่นการทดสอบด้วยp=0.1พี=0.1p =0.1เทียบกับp=10−10พี=10-10p= 10^{-10}ด้วยความน่าจะเป็นสัดส่วนและพลังงานที่เทียบเท่าในการตรวจหาทางเลือกเดียวกัน PS:คำตอบของบรูซไม่ได้ตอบคำถามเลย

20 mathematical-statistics  likelihood  philosophical  likelihood-principle 

สถิติเป็นคณิตศาสตร์หรือไม่? เนื่องจากว่าเป็นตัวเลขทั้งหมดส่วนใหญ่สอนโดยแผนกคณิตศาสตร์และคุณได้รับเครดิตคณิตศาสตร์สำหรับมันฉันสงสัยว่าผู้คนหมายถึงมันเป็นเรื่องตลกเพียงครึ่งเดียวเมื่อพวกเขาพูดเช่นบอกว่ามันเป็นเพียงส่วนน้อยของคณิตศาสตร์หรือแค่ใช้คณิตศาสตร์ ฉันสงสัยว่าบางอย่างเช่นสถิติซึ่งคุณไม่สามารถสร้างทุกอย่างบนสัจพจน์พื้นฐานนั้นถือเป็นคณิตศาสตร์ได้หรือไม่ ตัวอย่างเช่นซึ่งเป็นแนวคิดที่เกิดขึ้นเพื่อทำความเข้าใจกับข้อมูล แต่ไม่ใช่ผลลัพธ์เชิงตรรกะของหลักการพื้นฐานเพิ่มเติมppp

20 mathematical-statistics  philosophical 

ฉันมีปัญหาในการทำความเข้าใจตรรกะพื้นฐานในการตั้งสมมติฐานว่าง ในเรื่องนี้คำตอบข้อเสนอที่เป็นที่ยอมรับกันโดยทั่วไประบุไว้ว่าสมมติฐานว่างเป็นสมมติฐานว่าจะไม่มีผลกระทบทุกอย่างยังคงเหมือนเดิมคือไม่มีอะไรใหม่ภายใต้ดวงอาทิตย์ สมมติฐานทางเลือกคือสิ่งที่คุณพยายามพิสูจน์เช่นยาตัวใหม่ที่ส่งมอบตามสัญญา ตอนนี้ทฤษฎีทางวิทยาศาสตร์แบบฟอร์มและตรรกะทั่วไปที่เรารู้ว่าเราสามารถปลอมแปลงข้อเสนอได้เท่านั้นเราไม่สามารถพิสูจน์อะไรได้ (ไม่มีหงส์ขาวจำนวนหนึ่งที่สามารถพิสูจน์ได้ว่าหงส์ทั้งหมดเป็นสีขาว แต่หงส์ดำหนึ่งคนพิสูจน์ได้) นี่คือเหตุผลที่เราพยายามพิสูจน์สมมติฐานว่างซึ่งไม่เทียบเท่ากับการพิสูจน์สมมติฐานทางเลือก - และนี่คือจุดที่ความสงสัยของฉันเริ่มต้น - ฉันจะยกตัวอย่างง่ายๆ: สมมติว่าฉันต้องการค้นหาสัตว์ชนิดใดที่อยู่หลังม่าน น่าเสียดายที่ฉันไม่สามารถสังเกตสัตว์โดยตรง แต่ฉันมีการทดสอบที่ให้จำนวนขาของสัตว์นี้ ตอนนี้ฉันมีเหตุผลเชิงตรรกะดังต่อไปนี้: หากสัตว์เป็นสุนัขก็จะมี 4 ขา ถ้าฉันทำการทดสอบและพบว่ามันมี 4 ขานี่ไม่ใช่ข้อพิสูจน์ว่ามันเป็นสุนัข (อาจเป็นม้าแรดหรือสัตว์ 4 ขาอื่น ๆ ) แต่ถ้าฉันพบว่ามันไม่มีขา 4 ตัวนี่เป็นข้อพิสูจน์ที่ชัดเจนว่ามันไม่สามารถเป็นสุนัขได้ (สมมติว่าเป็นสัตว์ที่มีสุขภาพดี) แปลเป็นยาแล้วฉันอยากรู้ว่ายาที่อยู่ข้างหลังม่านนั้นมีประสิทธิภาพหรือไม่ สิ่งเดียวที่ฉันจะได้คือตัวเลขที่ให้เอฟเฟกต์กับฉัน หากเอฟเฟกต์เป็นบวกจะไม่มีสิ่งใดพิสูจน์ได้ (4 ขา) หากไม่มีผลใด ๆ ฉันจะพิสูจน์ประสิทธิภาพของยาเสพติด พูดทั้งหมดนี้ฉันคิดว่า - ตรงกันข้ามกับภูมิปัญญาสามัญ - สมมติฐานว่างที่ถูกต้องเท่านั้นจะต้อง ยาเสพติดที่มีประสิทธิภาพ (เช่น: ถ้ายาที่มีประสิทธิภาพคุณจะเห็นผล) เพราะนี่เป็นสิ่งเดียวที่ฉันสามารถหักล้างได้ - จนถึงรอบต่อไปที่ฉันพยายามจะเจาะจงมากขึ้นเรื่อย ๆ …

20 hypothesis-testing  philosophical 

ฉันเป็นนักศึกษาระดับปริญญาตรีปีที่สองเรียนวิชาคณิตศาสตร์และฉันได้พูดคุยกับอาจารย์คนหนึ่งของฉันเกี่ยวกับความแตกต่างระหว่างความสามารถทางคณิตศาสตร์และความสามารถทางสถิติ หนึ่งในความแตกต่างที่สำคัญที่เขานำมาคือ "data sense" ซึ่งเขาอธิบายว่าเป็นการรวมกันของความสามารถด้านเทคนิคในขณะที่ทำงานภายในชุดของสิ่งที่ฉันจะเรียกอย่างไม่เป็นทางการว่า "restraints สามัญสำนึก" อย่างไม่เป็นทางการ ทฤษฎีมากมาย นี่คือตัวอย่างของสิ่งที่ฉันพูดถึงซึ่งปรากฏในบล็อกของ Gowers: ในหลายส่วนของสหราชอาณาจักรตำรวจรวบรวมสถิติเกี่ยวกับสถานที่เกิดอุบัติเหตุบนท้องถนนระบุจุดดำน้ำอุบัติเหตุวางกล้องจับความเร็วไว้ที่นั่นและรวบรวมสถิติเพิ่มเติม มีแนวโน้มที่แน่นอนสำหรับจำนวนอุบัติเหตุที่จุดดำน้ำเหล่านี้จะลดลงหลังจากที่ติดตั้งกล้องจับความเร็ว การแสดงนี้สรุปได้ว่ากล้องจับความเร็วช่วยเพิ่มความปลอดภัยทางถนนหรือไม่ บุคคลเดียวกันที่แย้งกับกลยุทธ์แบบสุ่มในเกมการเจรจาต่อรองโดยทั่วไปรู้คำตอบสำหรับคำถามนี้แล้ว เขาบอกว่าไม่เพราะถ้าคุณเลือกกรณีที่รุนแรงคุณจะคาดหวังให้กรณีเหล่านี้ลดน้อยลงหากคุณทำการทดสอบอีกครั้ง ฉันตัดสินใจที่จะดำเนินการต่อจากคำถามนี้อย่างรวดเร็วเนื่องจากไม่มีอะไรจะพูดอีกมาก แต่ฉันบอกคนอื่นเกี่ยวกับแผนการที่ฉันเคยทำซึ่งเป็นการทดลองกระแสจิตปลอม ฉันจะให้พวกเขาเดาผลลัพธ์ของการโยนเหรียญ 20 อันซึ่งฉันจะพยายามคานให้พวกเขาทางกระแสจิต ฉันจะเลือกนักแสดงที่ดีที่สุดสามคนและสามคนที่แย่ที่สุดและจะโยนเหรียญอีกครั้งคราวนี้ขอให้คนที่ดีที่สุดช่วยฉันส่งคำตอบให้คนที่แย่ที่สุด ผู้คนสามารถเห็นได้อย่างง่ายดายว่าการแสดงนั้นคาดว่าจะปรับปรุงและจะไม่มีอะไรเกี่ยวข้องกับกระแสจิต สิ่งที่ฉันถามคือจะเรียนรู้เพิ่มเติมเกี่ยวกับ "data sense"นี้ได้อย่างไรผ่านการเผยแพร่ใด ๆ ในหัวเรื่องหากมีอยู่หรือผ่านสิ่งที่ผู้ใช้รายอื่นพบว่ามีประโยชน์ในการพัฒนาทักษะนี้ ฉันขอโทษถ้าคำถามนี้ต้องชี้แจง ถ้าเป็นเช่นนั้นกรุณาโพสต์คำถามของคุณ! ขอบคุณ

20 references  philosophical 

ฉันกำลังอ่านบทความที่ผู้เขียนนำมาจากการอภิปรายเกี่ยวกับการประเมินความเป็นไปได้สูงสุดถึงทฤษฎีบทของเบย์ซึ่งดูเหมือนจะเป็นบทนำสำหรับผู้เริ่มต้น ตัวอย่างเช่นพวกเขาเริ่มต้นด้วยการแจกแจงทวินาม: p ( x | n , θ ) = ( nx ) θx(1-θ)n-xp(x|n,θ)=(nx)θx(1−θ)n−xp(x|n,\theta) = \binom{n}{x}\theta^x(1-\theta)^{n-x} จากนั้นเข้าสู่ระบบทั้งสองด้าน ℓ ( θ | x , n ) = x ln ( θ ) + ( n - x ) ln ( 1 - θ )ℓ(θ|x,n)=xln(θ)+(n−x)ln(1−θ)\ell(\theta|x, n) = x \ln (\theta) + …

19 bayesian  likelihood  definition  philosophical 

อะไรคือหนังสือที่ดีเกี่ยวกับปรัชญาแบบเบย์, การเปรียบเทียบตัวแบบอัตนัยกับนักเขียนเชิงวัตถุ, อธิบายมุมมองของความน่าจะเป็นว่าเป็นความรู้ในสถิติแบบเบย์เป็นต้น? บางทีหนังสือของ Savage? ตอนแรกฉันคิดว่าเบอร์เกอร์ (1986) สามารถทำงานได้ แต่มันไม่ใช่สิ่งที่ฉันกำลังมองหา การค้นหาหนังสือเช่นนี้ไม่ได้นำไปสู่ผลลัพธ์ที่ฉันต้องการ

18 bayesian  references  philosophical 

ฉันไม่รู้ว่ามันเป็นเพียงฉัน แต่ฉันเป็นคนที่ไม่เชื่อในสถิติโดยทั่วไป ฉันสามารถเข้าใจได้ในเกมลูกเต๋าเกมโป๊กเกอร์ ฯลฯ เล็กมากง่าย ๆ เกมที่เล่นซ้ำในตัวเองส่วนใหญ่นั้นใช้ได้ ตัวอย่างเช่นการเชื่อมโยงไปถึงเหรียญบนขอบของมันมีขนาดเล็กพอที่จะยอมรับความน่าจะเป็นที่หัวเชื่อมโยงไปถึงหรือก้อย ~ 50% การเล่นโป๊กเกอร์เกม $ 10 โดยมีเป้าหมายเพื่อให้ได้ชัยชนะ 95% นั้นเป็นเรื่องปกติ แต่จะเกิดอะไรขึ้นถ้าการออมทั้งชีวิต + มากกว่านั้นขึ้นอยู่กับว่าคุณจะชนะหรือไม่ จะรู้ได้อย่างไรว่าคุณชนะในเวลา 95% ในสถานการณ์นั้นจะช่วยฉันได้อย่างไร ค่าที่คาดหวังไม่ได้ช่วยอะไรมาก ตัวอย่างอื่น ๆ ได้แก่ การผ่าตัดที่คุกคามชีวิต นั่นช่วยให้รู้ได้อย่างไรว่าเป็นอัตราการรอดชีวิต 51% เทียบกับอัตราการรอดชีวิต 99% จากข้อมูลที่มีอยู่ ในทั้งสองกรณีฉันไม่คิดว่ามันจะสำคัญสำหรับฉันในสิ่งที่แพทย์บอกฉันและฉันจะไปหามัน หากข้อมูลจริงคือ 75% เขาอาจบอกฉัน (ยกเว้นจรรยาบรรณและกฎหมาย) ว่ามีโอกาสรอดชีวิต 99.99999% ดังนั้นฉันจะรู้สึกดีขึ้น กล่าวอีกนัยหนึ่งข้อมูลที่มีอยู่ไม่สำคัญยกเว้นเป็นแบบทวินาม ถึงอย่างนั้นมันก็ไม่สำคัญว่าจะมีอัตราการรอดชีวิต 99.99999% หรือไม่ถ้าฉันตายจากไป นอกจากนี้ความน่าจะเป็นของแผ่นดินไหว ไม่สำคัญว่าจะเกิดแผ่นดินไหวรุนแรงทุก ๆ x (โดยที่ x> …

18 probability  expected-value  philosophical 

มีใครเขียนแบบสำรวจสั้น ๆ เกี่ยวกับวิธีการต่างๆในสถิติ? ในการประมาณแรกคุณจะมีสถิติประจำและ Bayesian แต่เมื่อคุณมองใกล้คุณจะมีวิธีการอื่นเช่น likelihoodist และ empirical Bayes แล้วคุณก็มีส่วนย่อยภายในกลุ่มเช่น Bayes Objective Bayes แบบอัตนัยภายในสถิติ Bayesian เป็นต้น บทความสำรวจจะดี มันจะดียิ่งขึ้นถ้ามันรวมไดอะแกรม

17 bayesian  frequentist  philosophical 

(คำถามนี้ดูเหมือนว่าจะเหมาะกว่าสำหรับปรัชญา SE ฉันหวังว่านักสถิติสามารถอธิบายความเข้าใจที่คลาดเคลื่อนเกี่ยวกับคำแถลงของ Box และ Shmueli ได้ดังนั้นฉันจึงโพสต์ไว้ที่นี่) George Box (จากชื่อเสียงของ ARIMA) กล่าวว่า: "ทุกรุ่นผิด แต่บางรุ่นก็มีประโยชน์" Galit Shmueli ในกระดาษชื่อดังของเธอ"เพื่ออธิบายหรือทำนาย" , (และอ้างอิงคนอื่นที่เห็นด้วยกับเธอ) ระบุว่า: การอธิบายและการทำนายไม่เหมือนกันและบางรุ่นทำหน้าที่อธิบายได้ดีถึงแม้ว่าพวกเขาจะทำงานได้ดีในการทำนาย ฉันรู้สึกว่าหลักการเหล่านี้ขัดแย้งกับสิ่งใด หากแบบจำลองไม่สามารถคาดเดาได้ดีจะเป็นประโยชน์หรือไม่ ที่สำคัญกว่านั้นถ้าแบบจำลองอธิบายได้ดี (แต่ไม่จำเป็นต้องคาดเดาได้ดี) มันจะต้องเป็นจริง (เช่นไม่ผิด) ไม่ทางใดก็ทางหนึ่ง แล้วตาข่ายกับกล่องของ "ทุกรุ่นผิด" อย่างไร ท้ายที่สุดถ้าแบบจำลองอธิบายได้ดี แต่ไม่คาดการณ์ได้ดีมันจะเป็นไปได้อย่างไรทางวิทยาศาสตร์? เกณฑ์การแบ่งเขตทางวิทยาศาสตร์ส่วนใหญ่ (การตรวจสอบยืนยันการปลอมแปลง ฯลฯ ) หมายถึงว่าคำสั่งทางวิทยาศาสตร์จะต้องมีอำนาจการทำนายหรือเรียกขาน: ทฤษฎีหรือรูปแบบที่ถูกต้องเฉพาะถ้ามันสามารถทดสอบเชิงประจักษ์ (หรือเท็จ) ซึ่งหมายความว่ามัน ต้องทำนายผลลัพธ์ในอนาคต คำถามของฉัน: คำแถลงของ Box และความคิดของ Shmueli ขัดแย้งหรือไม่หรือฉันขาดบางสิ่งบางอย่างเช่นแบบจำลองไม่มีพลังการทำนาย แต่ยังคงมีประโยชน์หรือไม่? หากคำแถลงของ …

16 predictive-models  aic  bic  philosophical  explanatory-models 

คำถามนี้ได้รับแรงบันดาลใจจากการโต้ตอบสองครั้งล่าสุดที่ฉันมีหนึ่งที่นี่ในประวัติย่อส่วนอีกเรื่องที่economics.se ที่นั่นผมได้โพสต์คำตอบไปที่รู้จักกันดี "ซองจดหมาย Paradox" (ใจคุณไม่เป็น"คำตอบที่ถูกต้อง" แต่เป็นคำตอบที่ไหลออกมาจากสมมติฐานที่เฉพาะเจาะจงเกี่ยวกับโครงสร้างของสถานการณ์) หลังจากนั้นสักครู่ผู้ใช้โพสต์ความคิดเห็นที่สำคัญและฉันมีส่วนร่วมในการสนทนาพยายามที่จะเข้าใจประเด็นของเขา มันก็เห็นได้ชัดว่าเขาคิดวิธีคชกรรมและเก็บไว้พูดคุยเกี่ยวกับไพรเออร์และอื่นแล้วมัน dawned กับฉันและผมพูดกับตัวเอง: "รอนาทีที่บอกอะไรเกี่ยวกับเรื่องใดก่อน?ในทางที่ผมได้สูตร ปัญหาไม่มีนักบวชอยู่ที่นี่พวกเขาแค่ไม่ป้อนรูปภาพและไม่จำเป็นต้อง " เมื่อเร็ว ๆ นี้ฉันเห็นคำตอบนี้ในประวัติย่อเกี่ยวกับความหมายของความเป็นอิสระทางสถิติ ฉันให้ความเห็นกับผู้เขียนว่าประโยคของเขา "... ถ้าเหตุการณ์มีความเป็นอิสระทางสถิติแล้ว (โดยคำจำกัดความ) เราไม่สามารถเรียนรู้เกี่ยวกับสิ่งหนึ่งจากการสังเกตอื่น ๆ " ผิดอย่างโจ๋งครึ่ม ในการแลกเปลี่ยนความคิดเห็นเขายังคงกลับไปที่ปัญหาของ (คำพูดของเขา) "การเรียนรู้" จะไม่หมายถึงการเปลี่ยนความเชื่อของเราเกี่ยวกับสิ่งที่อยู่บนพื้นฐานของการสังเกตของผู้อื่นหรือไม่ถ้าเป็นเช่นนั้นไม่เป็นอิสระ (นิยาม) แยกแยะเรื่องนี้? อีกครั้งเห็นได้ชัดว่าเขาคิดแบบเบย์และเขาคิดว่าตนเองชัดเจนว่าเราเริ่มต้นด้วยความเชื่อบางอย่าง (เช่นก่อนหน้า)แล้วปัญหาคือวิธีที่เราสามารถเปลี่ยน / อัปเดตพวกเขา แต่ความเชื่อครั้งแรกเกิดขึ้นได้อย่างไร? เนื่องจากวิทยาศาสตร์จะต้องสอดคล้องกับความเป็นจริงฉันทราบว่าสถานการณ์มีอยู่ว่ามนุษย์มีส่วนเกี่ยวข้องไม่มีนักบวช (ฉันมีสิ่งหนึ่งที่เดินเข้าสู่สถานการณ์โดยไม่เคยมีมาก่อน - และโปรดอย่าเถียงว่าฉันมีนักบวช แต่ฉัน เพียงแค่ไม่ได้ตระหนักถึงมันขอให้ตัวเองจิตปลอมที่นี่) เนื่องจากฉันเคยได้ยินคำว่า "นักบวชที่ไม่รู้เรื่อง" ฉันจึงแบ่งคำถามของฉันออกเป็นสองส่วนและฉันค่อนข้างมั่นใจว่าผู้ใช้ที่นี่ที่เข้าใจในทฤษฎี Bayesian รู้ว่าฉันกำลังจะถามอะไร: คำถามที่ 1: การไม่มีตัวตนที่เทียบเท่าก่อนหน้านี้ (ในแง่ทฤษฎีที่เข้มงวด) …

16 bayesian  mathematical-statistics  prior  theory  philosophical 

ฉันมักจะได้ยินคำกล่าวอ้างว่าสถิติแบบเบย์นั้นเป็นเรื่องส่วนตัว เหตุผลหลักคือการอนุมานนั้นขึ้นอยู่กับการเลือกก่อนหน้า (แม้ว่าใครจะสามารถใช้หลักการของความไม่แยแส o สูงสุดของเอนโทรปีในการเลือกก่อน) ในการเปรียบเทียบการเรียกร้องไปสถิติบ่อยครั้งโดยทั่วไปมีวัตถุประสงค์มากขึ้น คำนี้มีความจริงมากน้อยแค่ไหน? นอกจากนี้ยังทำให้ฉันสงสัย: อะไรคือองค์ประกอบที่เป็นรูปธรรมของสถิติผู้ใช้บ่อย (ถ้ามี) ที่สามารถเป็นอัตนัยโดยเฉพาะและที่ไม่ปรากฏหรือมีความสำคัญน้อยกว่าในสถิติแบบเบย์? ความเป็นส่วนตัวนั้นแพร่หลายมากในเบย์มากกว่าในสถิติบ่อย

14 bayesian  interpretation  frequentist  philosophical 

ฉันเห็นข้อความที่โด่งดังนี้ทุกที่ แต่ไม่เข้าใจส่วนที่ถูกเน้นทุกครั้ง คนที่ 'ปฏิเสธ' สมมติฐานเป็นการชั่วคราวเป็นเรื่องของการฝึกฝนเป็นนิสัยเมื่อความสำคัญอยู่ที่ระดับ 1% หรือสูงกว่าจะถูกเข้าใจผิดในการตัดสินใจเช่นนั้นไม่เกิน 1% เพราะเมื่อสมมติฐานถูกต้องเขาจะถูกเข้าใจผิดในเพียง 1% ของกรณีเหล่านี้และเมื่อมันไม่ถูกต้องเขาจะไม่ผิดในการปฏิเสธ [... ] อย่างไรก็ตามการคำนวณนั้นเป็นเรื่องไร้สาระทางวิชาการเพราะในความเป็นจริงไม่มีนักวิทยาศาสตร์คนใดมีระดับความสำคัญคงที่ซึ่งปีต่อปีและในทุกสถานการณ์เขาปฏิเสธสมมติฐาน; เขาค่อนข้างจะทำให้จิตใจของเขากับแต่ละกรณีโดยเฉพาะในแง่ของหลักฐานและความคิดของเขาไม่ควรลืมว่ากรณีที่เลือกใช้การทดสอบนั้นเป็นชุดที่เลือกอย่างชัดเจนและไม่สามารถระบุเงื่อนไขการเลือกแม้สำหรับผู้ปฏิบัติงานคนเดียว และในการโต้แย้งที่ใช้มันจะผิดกฎหมายอย่างชัดเจนสำหรับคนที่จะเลือกระดับความสำคัญที่แท้จริงที่ระบุโดยการทดลองโดยเฉพาะราวกับว่ามันเป็นนิสัยตลอดชีวิตของเขาที่จะใช้เพียงแค่ระดับนี้ (วิธีการทางสถิติและการอนุมานทางวิทยาศาสตร์, 1956, p. 42-45) โดยเฉพาะอย่างยิ่งฉันไม่เข้าใจ เหตุใดจึงถูกเลือกให้ทำการทดสอบ "เลือกอย่างสูง"? สมมติว่าคุณสงสัยว่าความสูงเฉลี่ยของคนในพื้นที่นั้นน้อยกว่า 165 ซม. หรือไม่และตัดสินใจทำการทดสอบ ขั้นตอนมาตรฐานเท่าที่ฉันรู้คือการสุ่มตัวอย่างจากพื้นที่และวัดความสูง วิธีนี้จะถูกเลือกอย่างมาก? สมมติว่าคดีได้รับการคัดสรรมาอย่างดี แต่สิ่งนี้เกี่ยวข้องกับการเลือกระดับนัยสำคัญอย่างไร ลองพิจารณาตัวอย่างข้างต้นอีกครั้งถ้าวิธีการสุ่มตัวอย่างของคุณ (สิ่งที่ฉันคิดว่าฟิชเชอร์หมายถึงเงื่อนไขการเลือก ) จะเบ้และคนที่มีความสูงก็ช่วยให้งานวิจัยทั้งหมดพังลงและการกำหนดระดับนัยสำคัญ พีพีp

14 hypothesis-testing  statistical-significance  references  experiment-design  philosophical 

เรามีวิธีการที่หลากหลายสำหรับการสร้างแบบสุ่มจากการแจกแจงแบบไม่มีตัวแปร (การแปลงผกผันยอมรับ - ปฏิเสธมหานคร - เฮสติ้งส์เป็นต้น) และดูเหมือนว่าเราสามารถสุ่มตัวอย่างจากการแจกแจงที่ถูกต้องใด ๆ คุณสามารถให้ตัวอย่างของการแจกแจงแบบไม่แปรซึ่งเป็นไปไม่ได้ที่จะสุ่มสร้างจากอะไร ผมคิดว่าตัวอย่างเช่นว่าที่มันเป็นไปไม่ได้ไม่ได้อยู่ (?) จึงขอบอกว่าโดย "ไปไม่ได้" เราหมายถึงยังมีกรณีที่มีมาก computationally แพงเช่นที่จำลองความต้องการแรงเดรัจฉานเช่นการวาดภาพจำนวนมากของกลุ่มตัวอย่างที่จะยอมรับเพียง ไม่กี่คน ถ้าตัวอย่างดังกล่าวไม่ได้อยู่ที่เราสามารถจริงพิสูจน์ว่าเราสามารถสร้างแบบสุ่มดึงออกมาจากใด ๆ ที่จัดจำหน่ายถูกต้อง? ฉันแค่อยากรู้อยากเห็นหากมีตัวอย่างตัวอย่างสำหรับเรื่องนี้

12 distributions  simulation  random-generation  mgf  philosophical 

นอกจากการใช้งานแล้วยังมีเหตุผลอื่นใด (ทางคณิตศาสตร์, ปรัชญา, ฮิวริสติก, ฯลฯ ) สำหรับการใช้นักบวชคอนจูเกตหรือไม่? หรือมันเป็นเพียงแค่ว่าโดยปกติแล้วจะเป็นการประมาณที่ดีพอและทำให้สิ่งต่าง ๆ ง่ายขึ้นมาก?

12 bayesian  conjugate-prior  philosophical