Answers:
有许多方法的示例不基于统计中的可能性(我不知道机器学习)。一些例子:
费舍尔的纯粹意义检验。仅基于明确定义的零假设(例如,Lady Tasting Tea实验中先牛奶和后牛奶之间没有差异。此假设导致零假设分布,然后是p值。不涉及可能性。这种最小的推论机制本身无法提供功效分析(没有正式定义的替代方案)或置信区间(没有正式定义的参数)的基础。
与1.相关的是随机化测试随机化测试和置换测试之间的差异,其最基本的形式是纯意义测试。
自举是在不需要似然函数的情况下完成的。但是与可能性的想法有联系,例如经验的可能性。
基于等级的方法通常不使用可能性。
大量可靠的统计信息。
中位数(或其他分位数)的置信区间可以基于顺序统计。计算中不涉及任何可能性。对于中值的置信区间, 为经验值的方差的最佳估计
V Vapnik提出了跨性别学习的想法,这似乎与《黑天鹅塔莱布》和《黑天鹅》中讨论的https://en.wikipedia.org/wiki/Epilogism有关。
在《数据分析和近似模型》一书中,劳里·戴维斯(Laurie Davis)建立了统计模型的系统理论,以近似值表示,置信区间被近似值区间取代,并且没有参数分布族,没有仅等。而且没有可能性。
在您获得似然函数的那一刻,有一个巨大的机制可以建立。贝叶斯主义者离不开,大多数人在大多数时间都使用可能性。但是在评论中指出,即使是贝叶斯主义者也尝试这样做,请参阅 rox_Bayesian_computation。甚至有关于该主题的新文本。
但是它们来自哪里?为了以通常的方式获得似然函数,我们需要很多假设,而这些假设可能很难证明是正确的。
有趣的是,我们是否可以从某些无可能性的方法中以某种方式构造似然函数。例如,上面的第6点,我们是否可以根据从顺序统计中计算出的(一系列)置信区间为中位数构造似然函数?我应该单独提出一个问题...
您对GAN的最后一个问题是,我必须离开别人。
具体来说,[最近]的无可能性方法是ABC算法的改写,其中ABC代表近似贝叶斯计算。这旨在涵盖不需要使用封闭形式似然函数的推理方法,但仍旨在研究特定的统计模型。他们摆脱了可能性带来的计算困难,但没有产生这种可能性的模型。例如看
为了增加答案,渐进统计实际上没有任何可能性。
这里的“可能性”是指数据的概率模型。我可能不在乎。但是我可能会找到一些简单的估计器,例如均值,它是数据的适当摘要,并且我想对分布的均值进行推断(假设存在均值,这通常是一个合理的假设)。
根据中心极限定理,当方差也存在时,均值在大N中具有近似正态分布。我可以创建大小正确的一致的测试(当null为false时,功率变为1,N变为无穷大)。虽然我有一个有限样本量中均值采样分布的概率模型(即错误),但我可以获得有效的推论和无偏估计,以增强我的“有用的数据摘要”(均值)。
应当注意,基于中位数的95%CI进行的测试(即@kjetilbhalvorsen答案中的选项6)也依赖于中心极限定理来证明它们是一致的。因此,将简单的T检验视为“非参数”或“基于非似然性”的检验并不为过。