贝叶斯无信息先验与惯常主义原假设:是什么关系?


11

我在这里的博客文章中看到了这张图片。

有人在沼泽坑里遇到了EUREKA! 时刻

令我感到失望的是,阅读这份声明并没有像我给这个家伙带来同样的面部表情。

那么,零假设是频繁主义者如何表达无信息先验的陈述意味着什么?是真的吗


编辑:我希望有人可以提供一个慈善的解释,使这个说法正确,即使从某种意义上来说也是这样。


3
我认为这是不正确的。首先,有人可以写下T检验的可能性吗?然后我们可以开始讨论类比了。好吧,如果您不能...我们会认为这张照片没有道理。
joint_p

Answers:


10

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)。


9

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。


2
我只会补充说,非信息性先验更多是关于研究者的态度,而不是分布本身的任何特别有趣的特性。这是Gelman在贝叶斯数据分析中主张的态度,尽管我似乎找不到页码。
Sycorax说恢复Monica

7
原假设并不总是相同的。零假设只是另一种“无聊的”假设,您可以将其与“有趣的”假设进行比较,以查看数据是否相互支持。实际上,“无差异”实际上是一个错误的零假设,因为您先验地知道这是错误的。更好的是“差异低于我关心的某个阈值”。
笨拙的乔·皮特

感谢@Krysta的回答,我对声明基本上有相同的想法,但也许某种意义上说该声明是正确的?
jerad

我最好的猜测是,零假设是常客的起点,还是空虚的假设?也许作者认为,无信息的先验是贝叶斯理论的起点,但是如果这是他们的意思,那么定期提供信息的先验是更好的比喻。空假设和无信息的先验确实​​具有概念上的相似性-它们都是关于假设没有信息/影响的。但这很模糊!
Krysta

“贝叶斯可能会保持以前有信息”。但是,Jeffreys的先验知识不足。
Neil G

4

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...


4

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。


2
经常性原假设不表示最大的无知,它开始假设原假设为真,并且只有在H0下观察不太可能时,才应继续使用替代假设。有人可能会说,原假设检验会先编码一些,但这绝对是一个有益的信息。在我看来,试图用贝叶斯术语来解释常识假设检验是错误的,并且是犯错误的良方。他们不是同一问题的答案。
迪克兰有袋博物馆,

@Dikran Marsupial在某种程度上是一场无休止的辩论,但是从最常见的角度来看,我看不出有什么方法可以将null视为“确定地提供信息”。如果是这种情况,那么未能拒绝null将被视为null的证明(因为我们“已经”获得了有关null的信息)。IMO的所有推理方法都试图回答相同的相互关联的问题:“应如何解释数据?” 和“情况有多强?”
马特·阿瑟

1
空值本身并不是信息量大的信息,也不是信息量大的信息,但是常规的频繁性假设检验固有地(并且非常正确地)偏向于H0(除非您还执行功效分析)。可以将这种偏见与先验相提并论,但这将是有益的。比较先验和假设根本没有意义,它们在分析中有不同的用途。注意贝叶斯在假设检验中也使用零假设(请参阅我对问题的回答),它的作用与频繁假设假设相同。
迪克兰有袋博物馆,2013年

3
要明确的是,以药物为例,我们不会从装扮无知开始,“好吧,这种药物对人的影响为零。”,我们首先假设无效假设是正确的:“药物具有零影响,并且上升了。向药品公司证明其确实有效,方法是证明结果不能由随机机会充分解释。” 这种方法提供的自我怀疑是为什么“无效仪式”尽管有很多缺点,但在科学上仍然具有实用价值。
迪克兰有袋博物馆,2013年
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.