将样本大小设为随机变量意味着什么？

弗兰克·哈雷尔（Frank Harrell）开了一个博客（统计思维）。在他的重要文章中，他列出了他的统计哲学的一些关键特征。除其他事项外，它还包括：

尽可能将样本数量设为随机变量

“使样本量成为随机变量”是什么意思？
这样做的好处是什么？为什么会更可取？

sample-size random-variable regression-strategies

— gung-恢复莫妮卡
source

在顺序分析中，事件的发生时间被视为随机变量。机器人样本大小也是如此。

— Michael R. Chernick

@RichardHardy，这应该在交叉验证的Meta上进行讨论。我创建了标签b / c，而我们没有1，并且有很多关于ACF的问题，等等。我们总是可以将其作为同义词。

— gung-恢复莫妮卡

我并不是要使用接近数据收集过程的模型，而是要对后验概率进行连续的贝叶斯监测，而对后验概率不做任何惩罚。与其计算一个任意的目标样本数量，不如计算一个尽可能大的样本数量（用于预算批准），否则就停止“当我们得到答案时”，这在物理学中通常会取得很好的效果。不久以后，我会在我的博客http://fharrell.com中详细说明这一点。

— 弗兰克·哈雷尔
source

“当我们得到答案时”的具体含义是什么？我认为进行一项研究直到获得满意的结果（例如，可信度为95％的区间不包括0）在贝叶斯语境中就像在常客中一样腐败。

— gung-恢复莫妮卡

@gung一点都不。贝叶斯推断完全独立于停止规则。在提前停止时，很容易模拟后验概率的校准，表明它们是正确的。这是与常客世界的惊人差异之一。通常，前向概率与上下文无关，而后向概率取决于您到达那里的方式。因此，当效果大于0的后验概率超过某个数字（例如0.95）或可信区间的宽度<某个指定数字时，我将停止。

— Frank Harrell

在我看来，您对@gung的评论的回答似乎是一个问题：一些读者可能会觉得，如果贝叶斯推理确实允许“抽样到已定结论”，那么贝叶斯推理就更糟了。（我将在此处将其引荐给第3段中的参考文献。）期待您的下一篇博客文章！

— Scortchi-恢复莫妮卡

仅当统计学家使用的先验与审阅者使用的先验发生冲突时，才会对不正确的结论进行抽样。例如，如果审阅者将概率质量设为零（即先验具有吸收状态），并且所使用的模型未特别强调零陷，则分析可能表明会停止产生积极影响，但审阅者说存在没有足够的证据证明有效果。如果您用某个先验模拟研究并使用相同先验进行分析，则后验概率将得到完美校准，而后验均值也将是完美的。

— 弗兰克·哈雷尔