คำถามติดแท็ก philosophical

ฉันกำลังอ่านบทความในบล็อกของ William Briggs นักสถิติและคำกล่าวอ้างต่อไปนี้สนใจฉันที่จะพูดน้อยที่สุด คุณทำอะไรจากมัน ช่วงความมั่นใจคืออะไร? แน่นอนว่าเป็นสมการที่จะให้ช่วงเวลาสำหรับข้อมูลของคุณ มันมีไว้เพื่อให้การวัดความไม่แน่นอนของการประมาณการพารามิเตอร์ ทีนี้อย่างเคร่งครัดตามทฤษฎีของนักความถี่ - ซึ่งเราสามารถสรุปได้ว่าเป็นเรื่องจริง - สิ่งเดียวที่คุณสามารถพูดเกี่ยวกับ CI ที่คุณมีอยู่ในมือคือมูลค่าที่แท้จริงของพารามิเตอร์นั้นอยู่ในนั้นหรือไม่ นี่คือการพูดซ้ำซากดังนั้นจึงเป็นเรื่องจริงเสมอ ดังนั้น CI จึงไม่ได้ทำการวัดความไม่แน่นอนเลยในความเป็นจริงมันเป็นการออกกำลังกายที่ไร้ประโยชน์ในการคำนวณ ลิงก์: http://wmbriggs.com/post/3169/

12 confidence-interval  frequentist  philosophical 

พิจารณาเชิงเส้นแบบจำลองผลกระทบที่ไม่มีใครสังเกตประเภท: ที่คเป็นลักษณะสังเกต แต่เวลาคงที่และอีเป็นข้อผิดพลาดที่ผมและเสื้อดัชนีสังเกตของแต่ละบุคคลและเวลา ตามลำดับ วิธีการทั่วไปในการแก้ไขเอฟเฟ็กต์คงที่ (FE) คือการลบc iผ่านแต่ละ dummies (LSDV) / de-meaning หรือโดยสร้างความแตกต่างครั้งแรกyit=Xitβ+ci+eityit=Xitβ+ci+eity_{it} = X_{it}\beta + c_{i} + e_{it}ccceeeiiitttcicic_{i} สิ่งที่ฉันได้เคยสงสัยเมื่อเป็นอย่างแท้จริง "คงที่"?cicic_{i} นี่อาจเป็นคำถามที่ไม่สำคัญ แต่ขอให้ฉันยกตัวอย่างสองเหตุผลให้ฉันดู สมมติว่าเราสัมภาษณ์คนในวันนี้และขอให้รายได้ของเธอ, น้ำหนัก, ฯลฯ เราจึงได้รับของเราXในอีก 10 วันข้างหน้าเราจะไปหาคนคนนั้นและสัมภาษณ์เธออีกครั้งทุกวันอีกครั้งดังนั้นเราจึงมีข้อมูลแบบพาเนลสำหรับเธอ เราควรรักษาลักษณะที่ไม่มีใครสังเกตเห็นไว้เป็นระยะเวลา 10 วันซึ่งแน่นอนว่ามันจะเปลี่ยนไปในอนาคต ใน 10 วันความสามารถส่วนตัวของเธออาจไม่เปลี่ยนแปลง แต่จะเกิดขึ้นเมื่อเธออายุมากขึ้น หรือถามอย่างสุดขั้ว: ถ้าฉันสัมภาษณ์คนนี้ทุกชั่วโมงเป็นเวลา 10 ชั่วโมงในหนึ่งวันลักษณะที่ไม่ได้สังเกตของเธอน่าจะได้รับการแก้ไขใน "ตัวอย่าง" นี้ แต่สิ่งนี้มีประโยชน์อย่างไรXXX ทีนี้สมมติว่าเราสัมภาษณ์คนทุกเดือนตั้งแต่ต้นจนจบชีวิตของเธอเป็นเวลา 85 ปีหรือมากกว่านั้น สิ่งที่จะคงอยู่ในเวลานี้? สถานที่เกิดเพศและสีตามีแนวโน้มมากที่สุด แต่นอกเหนือจากนั้นฉันแทบจะไม่สามารถคิดสิ่งอื่นใด แต่ที่สำคัญยิ่งกว่า: …

12 fixed-effects-model  philosophical 

ถ้ามีคนพูดว่า "วิธีการนั้นใช้การประเมินจุดMLEสำหรับพารามิเตอร์ที่เพิ่มสูงสุดดังนั้นจึงเป็นสิ่งที่เกิดขึ้นบ่อยครั้งและยิ่งไม่ใช่ Bayesian"P ( x | θ )P(x|θ)\mathrm{P}(x|\theta) คุณจะเห็นด้วยไหม อัปเดตบนพื้นหลัง : เมื่อเร็ว ๆ นี้ฉันอ่านกระดาษที่อ้างว่าใช้บ่อย ฉันไม่เห็นด้วยกับการเรียกร้องของพวกเขาที่ดีที่สุดฉันรู้สึกว่ามันคลุมเครือ กระดาษไม่ได้กล่าวถึง MLE อย่างชัดเจน (หรือMAPสำหรับเรื่องนั้น) พวกเขาใช้การประมาณค่าจุดและพวกเขาก็ดำเนินการราวกับว่าการประเมินจุดนี้เป็นจริง พวกเขาทำไม่ได้ทำการวิเคราะห์การกระจายตัวตัวอย่างของตัวประมาณค่านี้หรืออะไรทำนองนั้น แบบจำลองค่อนข้างซับซ้อนและดังนั้นการวิเคราะห์ดังกล่าวอาจเป็นไปไม่ได้ พวกเขาไม่ใช้คำว่า 'หลัง' ที่จุดใดก็ได้ พวกเขาเพียงแค่ใช้การประเมินจุดนี้ที่มูลค่าหน้าและดำเนินการในหัวข้อหลักที่น่าสนใจ - อนุมานข้อมูลที่ขาดหายไป ฉันไม่คิดว่าจะมีอะไรในแนวทางของพวกเขาที่ชี้ให้เห็นว่าปรัชญาของพวกเขาคืออะไร พวกเขาอาจจะตั้งใจที่จะเป็นประจำ (เพราะพวกเขารู้สึกว่าจำเป็นต้องสวมปรัชญาบนแขนเสื้อของพวกเขา) แต่วิธีการที่แท้จริงของพวกเขาค่อนข้างง่าย / สะดวก / ขี้เกียจ / คลุมเครือ ตอนนี้ฉันอยากบอกว่าการวิจัยไม่มีปรัชญาใด ๆ อยู่เบื้องหลัง แต่ฉันคิดว่าทัศนคติของพวกเขาในทางปฏิบัติหรือสะดวกกว่า: "ฉันสังเกตุข้อมูล, , และฉันต้องการประเมินข้อมูลที่ขาดหายไป, . มีพารามิเตอร์ที่ควบคุมความสัมพันธ์ระหว่างและ . ฉันไม่สนใจยกเว้นเรื่องที่จะจบ ถ้าฉันมีค่าประมาณสำหรับมันจะทำให้ง่ายต่อการทำนายจากฉันจะเลือกการประมาณค่าของเพราะสะดวกโดยเฉพาะฉันจะเลือกที่เพิ่ม …

12 bayesian  maximum-likelihood  likelihood  frequentist  philosophical 

นั่นคือการวิเคราะห์ตามลำดับ (คุณไม่ทราบล่วงหน้าว่าจะเก็บรวบรวมข้อมูลจำนวนเท่าใด) ด้วยวิธีการที่ต้องทำบ่อยๆต้องใช้ความระมัดระวังเป็นพิเศษ คุณไม่สามารถรวบรวมข้อมูลได้จนกว่าค่า p จะมีขนาดเล็กเพียงพอหรือช่วงความเชื่อมั่นนั้นสั้นพอ แต่เมื่อทำการวิเคราะห์แบบเบย์นี่เป็นข้อกังวลหรือไม่? เราสามารถทำสิ่งต่าง ๆ ได้อย่างอิสระเช่นรวบรวมข้อมูลจนกว่าช่วงเวลาที่เชื่อถือได้จะมีขนาดเล็กเพียงพอหรือไม่?

12 bayesian  inference  philosophical  sequential-analysis 

หากมีคนทำคำสั่งเช่นด้านล่าง: "โดยรวมผู้ที่ไม่สูบบุหรี่ที่สัมผัสกับควันสิ่งแวดล้อมมีความเสี่ยงสัมพัทธ์ของโรคหลอดเลือดหัวใจที่ 1.25 (ช่วงความเชื่อมั่น 95 เปอร์เซ็นต์, 1.17-1.32) เมื่อเทียบกับผู้สูบบุหรี่ที่ไม่ได้สัมผัสกับควัน" อะไรคือความเสี่ยงสัมพัทธ์ของประชากรโดยรวม? สิ่งที่เกี่ยวข้องกับโรคหลอดเลือดหัวใจ? ในหลาย ๆ สิ่งที่สามารถทดสอบได้มีเพียงไม่กี่คนเท่านั้นที่เชื่อมโยงกับโรคหลอดเลือดหัวใจดังนั้นโอกาสที่สิ่งใดก็ตามที่ถูกเลือกแบบสุ่มนั้นเชื่อมต่อกันจะหายไป ดังนั้นเราจึงสามารถพูดได้ว่าความเสี่ยงสัมพัทธ์สำหรับประชากรคือ 1 แต่ช่วงเวลาที่ยกมาไม่มีค่า 1 ดังนั้นอย่างใดอย่างหนึ่งมีการเชื่อมต่อระหว่างสองสิ่งความน่าจะเป็นที่มีขนาดเล็กหายไปหรือนี่คือหนึ่งใน 5% ของช่วงเวลาที่ไม่มีพารามิเตอร์ ในฐานะที่เป็นหลังมีโอกาสมากขึ้นกว่าในอดีตมันเป็นสิ่งที่เราควรคิด ดังนั้นข้อสรุปที่เหมาะสมคือชุดข้อมูลเกือบผิดปกติของประชากร แน่นอนถ้ามีพื้นฐานบางอย่างที่สมมติว่ามากกว่า 5% ของสิ่งต่าง ๆ เชื่อมโยงกับโรคหลอดเลือดหัวใจอาจมีหลักฐานบางอย่างในสถิติเพื่อสนับสนุนข้อเสนอแนะว่าควันสิ่งแวดล้อมเป็นหนึ่งในนั้น สามัญสำนึกแนะนำว่าสิ่งนี้ไม่น่าเป็นไปได้ อะไรคือข้อผิดพลาดในการใช้เหตุผลของพวกเขา (เนื่องจากองค์กรด้านสุขภาพทั้งหมดเห็นด้วยว่ามีวรรณกรรมสำคัญเกี่ยวกับผลกระทบที่เป็นอันตรายจากการสูบบุหรี่มือสอง) เป็นเพราะหลักฐานของพวกเขาที่ว่า "ในจำนวนที่มากของสิ่งที่สามารถทดสอบได้จริง ๆ น้อยมากที่เชื่อมต่อกับโรคหลอดเลือดหัวใจ"? ประโยคนี้อาจเป็นจริงสำหรับปัจจัยที่สุ่มเลือกใด ๆ (เช่นจำนวนสุนัขที่บุคคลหนึ่งเป็นเจ้าของที่มีความเสี่ยงต่อโรคหลอดเลือดหัวใจ) แต่ความน่าจะเป็นนิรนัยนั้นสูงกว่าการสูบบุหรี่มือสองและโรคหลอดเลือดหัวใจมากกว่าแค่ 'ปัจจัยสุ่มใด ๆ ' . นี่เป็นเหตุผลที่ถูกต้องหรือไม่? หรือมีอย่างอื่นอีกไหม

12 probability  statistical-significance  confidence-interval  conditional-probability  philosophical 

คำถามนี้เกิดขึ้นกับฉันเมื่อฉันนั่งบรรยายในที่สาธารณะเกี่ยวกับคำถามที่ยังไม่แก้ในวิชาคณิตศาสตร์ เป็นที่ทราบกันดีว่ายังมีคำถามทางคณิตศาสตร์ที่ยังไม่แก้มากมาย มันทำให้ฉันคิดว่าปัญหาที่ยังไม่คลี่คลายในสถิติคืออะไร หลังจากใช้เวลาสักครู่ใน googleing หัวข้อนี้ฉันไม่คิดว่าจะมีการอภิปรายที่ค่อนข้างละเอียดเกี่ยวกับคำถามนี้ ดังนั้นฉันอยากได้ยินสิ่งที่ผู้คนคิดเกี่ยวกับมัน สถิติจะเป็นวินัยที่ไหน เราควรใช้เวลามากขึ้นในการปรับปรุงทฤษฎีหรือเราควรมุ่งเน้นไปที่วิธีการวิเคราะห์ข้อมูลเฉพาะที่รวบรวมจากการทดลองทางวิทยาศาสตร์ทุกประเภท? ความคิดใด ๆ เกี่ยวกับเรื่องนี้เป็นที่นิยมอย่างมาก ขอบคุณ!

11 self-study  philosophical 

คุณสามารถแนะนำหนังสือบทความเรียงความบทเรียน / หลักสูตรออนไลน์และอื่น ๆ ที่น่าสนใจและมีประโยชน์สำหรับนักระบาดวิทยา / นักชีวสถิติเพื่อเรียนรู้เกี่ยวกับปรัชญาของการอนุมานสาเหตุ / สาเหตุ ฉันรู้ค่อนข้างน้อยเกี่ยวกับการใช้การอนุมานเชิงสาเหตุจากกรอบ epi และ biostats แต่ฉันต้องการเรียนรู้บางอย่างเกี่ยวกับปรัชญาที่สนับสนุนและกระตุ้นงานนี้ ตัวอย่างเช่นมันเป็นความเข้าใจของฉันที่ฮูมพูดถึงความคิดแรกที่สามารถตีความได้ว่าเป็นของต่อต้าน โดยทั่วไปฉันไม่มีการฝึกอบรมหรือมีประสบการณ์เกี่ยวกับปรัชญาดังนั้นฉันต้องการสิ่งที่ค่อนข้างเกริ่นนำเพื่อเริ่มต้นด้วย แต่ฉันจะสนใจคำแนะนำสำหรับข้อความ / ผู้เขียนที่ซับซ้อน แต่สำคัญ / พื้นฐาน / ผู้เขียน (แต่โปรดระบุว่าพวกเขาไม่ได้เกริ่นนำ) ฉันหวังว่านี่จะไม่ใช่หัวข้อที่เกินไปสำหรับการตรวจสอบข้าม แต่ฉันหวังว่าคุณบางคนจะอยู่ในเรือลำเดียวกันกับฉันก่อนหน้านี้และสามารถแบ่งปันทรัพยากรที่คุณโปรดปราน

11 references  causality  philosophical 

ในช่วงไม่กี่ปีที่ผ่านมานักวิชาการหลายคนได้ยกปัญหาอันตรายของการทดสอบสมมติฐานทางวิทยาศาสตร์ขนานนามว่า "ระดับความเป็นอิสระของนักวิจัย" ซึ่งหมายความว่านักวิทยาศาสตร์มีทางเลือกมากมายให้ทำในระหว่างการวิเคราะห์ที่มีอคติต่อการค้นหาด้วย p-value <5% ทางเลือกที่คลุมเครือเหล่านี้จะยกตัวอย่างเช่นกรณีที่จะรวมซึ่งในกรณีนี้จะถูกจัดประเภทเป็นค่าผิดปกติวิ่งข้อกำหนดรูปแบบต่าง ๆ นานาจนบางสิ่งบางอย่างที่แสดงให้เห็นขึ้นไม่ได้เผยแพร่ผล null ฯลฯ (กระดาษที่จุดประกายการอภิปรายครั้งนี้ในด้านจิตวิทยาเป็นที่นี่ , ดูบทความ Slate ยอดนิยมและการติดตามการอภิปรายโดย Andrew Gelman ที่นี่และนิตยสาร Time ยังได้สัมผัสกับหัวข้อนี้ที่นี่ ) ก่อนหนึ่งคำถามเพื่อความกระจ่าง: นิตยสารThe Timeเขียน "พลัง 0.8 หมายถึงว่ามีการทดสอบสมมติฐานจริงสิบข้อมีเพียงสองข้อเท่านั้นที่จะถูกตัดออกเพราะผลกระทบของข้อมูลเหล่านั้นจะไม่ถูกหยิบขึ้นมาในข้อมูล" ผมไม่แน่ใจว่าวิธีการที่เหมาะกับนี้ในความหมายของอำนาจหน้าที่ที่ผมพบในตำราเรียนซึ่งเป็นน่าจะเป็นของการปฏิเสธโมฆะเป็นหน้าที่ของพารามิเตอร์\ด้วยต่างกันเรามีพลังที่แตกต่างกันดังนั้นฉันจึงไม่เข้าใจคำพูดที่กล่าวมาข้างต้นθθθ\thetaθθ\theta ประการที่สองความหมายของการวิจัย: ในสาขารัฐศาสตร์ / เศรษฐศาสตร์ของฉันนักวิชาการใช้ข้อมูลทั้งหมดของประเทศในปีเดียว ดังนั้นเราไม่ควรกังวลกับตัวอย่างที่เล่นซอนี่? ปัญหาของการรันการทดสอบหลายครั้ง แต่การรายงานเพียงแบบเดียวสามารถแก้ไขได้โดยข้อเท็จจริงที่ว่าคนอื่นในสาขาวิชาจะทดสอบกระดาษของคุณอีกครั้งและทำให้คุณผิดหวังทันทีที่ไม่ได้ผลลัพธ์ที่ดี? การคาดการณ์นี้นักวิชาการในสาขาของฉันมีแนวโน้มที่จะรวมrobustness checkส่วนที่พวกเขาแสดงให้เห็นว่าสเปคหลายรุ่นไม่ได้เปลี่ยนผล เพียงพอหรือไม่ Andrew Gelman และคนอื่น ๆ ยกประเด็นที่ไม่ว่าข้อมูลจะเป็นไปได้เสมอในการค้นหาและเผยแพร่ "รูปแบบ" บางอย่างที่ไม่ได้มีอยู่จริง แต่สิ่งนี้ไม่ควรกังวลเนื่องจากข้อเท็จจริงที่ว่า "รูปแบบ" เชิงประจักษ์จะต้องได้รับการสนับสนุนจากทฤษฎีและทฤษฎีการแข่งขันภายในวินัยจะมีส่วนร่วมในการอภิปราย / การแข่งขันเพื่อค้นหาว่าค่ายใดสามารถหา …

10 hypothesis-testing  inference  philosophical  reproducible-research  social-science 

คำถามนี้ขึ้นมาในชั้นเรียน: ถ้าเราใช้ P-ค่าในการประเมินสมมติฐานในการทดลองซึ่งเป็นส่วนหนึ่งของความน่าจะเป็นหลักการที่เราไม่เชื่อฟัง: พอเพียงหรือconditionality ? สัญชาตญาณของฉันจะบอกว่าพอเพียงตั้งแต่คำนวณ p-value อาศัยอยู่กับผลการสังเกตการทดลองและพอเพียงดูเหมือนว่าจะจัดการกับข้อสังเกตอื่น ๆ ที่อยู่ในการทดลองเดียวในขณะที่conditionalityดูเหมือนว่าจะจัดการมากขึ้นด้วยการทดลองที่แตกต่างกัน

9 likelihood  philosophical  likelihood-principle 

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 

บางครั้งเราคิดว่า regressors ได้รับการแก้ไขนั่นคือมันไม่ได้สุ่ม ฉันคิดว่านั่นหมายถึงตัวทำนายของเราการประมาณค่าพารามิเตอร์และอื่น ๆ ทั้งหมดนั้นไม่มีเงื่อนไขใช่ไหม? ฉันอาจไปได้ไกลขนาดนั้นว่าพวกเขาจะไม่เป็นตัวแปรสุ่มอีกต่อไป? หากในอีกทางหนึ่งเรายอมรับว่าผู้ถดถอยส่วนใหญ่ในสาขาเศรษฐศาสตร์พูดว่าสุ่มเพราะไม่มีแรงภายนอกกำหนดพวกเขาด้วยการทดลองในใจ จากนั้นนักเศรษฐศาสตร์ก็ให้ความสำคัญกับการถดถอยแบบสุ่ม สิ่งนี้แตกต่างจากการปฎิบัติตามที่ได้รับการแก้ไขอย่างไร ฉันเข้าใจว่าการปรับสภาพคืออะไร ศาสตร์มันหมายความว่าเราให้ข้อสังเกตและเงื่อนไขในการอนุมานว่าชุดใดชุดหนึ่งของ regressors และมีความทะเยอทะยานที่จะบอกว่าการหาข้อสรุปที่ประมาณการพารามิเตอร์ประมาณการแปรปรวน ฯลฯ ไม่มีจะได้รับเหมือนกันได้เราเห็นแตกต่างกันของการก่อให้เกิด regressors ของเรา (เช่นมี crux ในอนุกรมเวลาซึ่งแต่ละชุดเวลาจะเห็นเพียงครั้งเดียว) อย่างไรก็ตามเพื่อให้เข้าใจถึงความแตกต่างระหว่าง regressors คงที่และการปรับเงื่อนไขในการถดถอยแบบสุ่มฉันสงสัยว่าถ้าใครที่นี่รู้จักตัวอย่างของการประมาณค่าหรือขั้นตอนการอนุมานที่ถูกต้องสำหรับการพูดคง regressors แต่แตกสลายเมื่อพวกเขาสุ่ม เปิดรับ) ฉันรอคอยที่จะเห็นตัวอย่างเหล่านั้น!

9 regression  inference  philosophical  conditioning  ancillary-statistics 

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