Answers:
零假设不等于贝叶斯先验信息,原因很简单,因为贝叶斯也可以使用零假设并使用贝叶斯因子进行假设检验。如果它们是等价的,贝叶斯主义者将不会使用原假设。
但是,频繁主义者假设和贝叶斯假设假设都包含了自我怀疑的成分,因为我们需要证明有证据表明我们的替代假设在某种程度上比随机机会更合理地解释了观察结果。经常使用具有显着性水平的贝叶斯主义者来做到这一点,通过对贝叶斯因子进行解释的规模来进行贝叶斯主义者的做到这一点,因此除非对原假设的贝叶斯因子足够高,否则我们不会强烈地提出假设。
现在,常客主义假设检验之所以违反直觉,是因为常客主义者无法为假说的真相分配不平凡的概率,而这实际上是我们真正想要的。他们最接近的是计算p值(在H0下观察的可能性),然后据此得出关于H0或H1是否合理的主观结论。贝叶斯可以为假设的真相分配概率,因此可以计算出这些概率的比率,以指示其相对概率,或者至少指示观察值如何改变这些概率的比率(即贝叶斯因子)。
在我看来,尝试在频率论者和贝叶斯假设检验方法之间建立过于紧密的联系是一个坏主意,因为它们根本不同,并且回答了根本不同的问题。将它们视为等效是鼓励贝叶斯对频繁检验的解释(例如p值谬误),这可能是危险的(例如,气候怀疑论者通常认为全球平均表面温度缺乏统计上显着的趋势意味着一直没有变暖-根本不正确)。
我认为,你的表情与那个人的主观表情不同。。。该说法不正确。
无效假设是对照条件和实验条件之间的任何差异都是偶然的假设。
不提供信息的先验意味着您有一个问题的先验数据,但是并没有告诉您有关下一轮的期望。贝叶斯可能会保持以前存在的信息,甚至是均匀分布的信息。
因此,零假设表示对照和实验之间没有区别;另一方面,没有信息的先验可能或不可能,并且如果这样做的话,也不会表明对照和实验之间的差异(这与表明任何差异是由于偶然因素而不同)无关。
不过,也许我对无知的先验知识缺乏了解。我期待其他答案。
看到这篇维基百科文章:
对于单个参数和可以在单个足够统计量中汇总的数据的情况,可以证明,如果未知参数是位置参数(...),则可信区间和置信区间将重合。是均匀的平面分布(...),并且如果未知参数是具有Jeffreys先验的比例参数(...)。
实际上,参考指向Jaynes:
杰恩斯(Jaynes)和美国东部时间(1976年),《置信区间与贝叶斯区间》。
在第185页中,我们可以找到:
如果情况(I)出现(而且发生的次数多于实现),则贝叶斯和正统检验将导致我们得出完全相同的结果和相同的结论,但在语言上存在分歧,即我们应使用“概率”还是“概率”。意义来描述它们。
因此,实际上也有类似的情况,但是如果您使用柯西分布作为可能性,那么我不会说图像中的陈述是真实的...
我是创建图形的人,尽管如随附文章所述,这并不是我最初的见识。让我为它的产生提供一些背景信息,并尽力解释我如何理解它。意识到这一点的过程是在与一个学生的讨论中进行的,该学生到那时为止大多都学习了贝叶斯推理方法。他很难理解整个假设检验范式,而我正在竭尽全力解释这种绝对令人困惑的方法(如果您认为“差异”是负面的-则不是等于-那么标准零假设方法就是三重否定:研究人员的目标是证明没有差别)。通常,正如另一个答复所述,研究人员通常希望存在一些差异。他们真正希望找到的是令人信服的证据,“拒绝”了无效数据。但是,为了不偏不倚,它们从本质上装作无知开始,例如:“也许这种药物对人的影响为零。” 然后他们继续通过数据收集和分析(如果可能)证明,给定数据的这种零假设是一个错误的假设。
对于贝叶斯主义者,这似乎是一个复杂的起点。为什么不直接从先宣布您的先验信念开始,并通过先验先验编码来弄清您的身份(现在不是)呢?这里的关键是,统一先验不是与无信息的先验相同。如果我将硬币掷1000次并得到500个正面,则我的新先验物体对正面和反面的权重相等(但均匀),但是其分布曲线非常陡峭。我正在编码非常有用的其他信息!一个真正的无信息的先验(达到极限)将完全没有分量。实际上,这意味着从头开始,并使用频繁表达,让数据说明一切。“克拉伦斯”(Clarence)所作的观察是,对这种信息缺乏进行编码的惯常方法是零假设。它与无信息的先验并不完全相同;这是一种经常性的方法,以一种诚实的方式表达最大的无知,而这种方法并不假定您想证明什么。