基准论点是将似然性解释为概率。即使可能性度量了事件的合理性,也不能满足概率度量的公理(特别是不能保证其总和为1),这是该概念从未如此成功的原因之一。
让我们举个例子。假设您要估算一个参数,例如放射性元素的半衰期。您进行了两次测量,比如说,您可以从中推导出的值。从传统或常客主义的观点来看,不是随机数。这是一个未知常数,具有似然函数。(X 1,... ,X Ñ)λ λ λ Ñ Π Ñ 我= 1 ë - λ X 我 = λ Ñ ë - λ (X 1 + ... + X Ñ)λ(x1个,… ,xñ)λλλñ∏ñ我= 1Ë- λ X一世= λñË- λ (X1个+ … + xñ)
根据贝叶斯方法,是具有先验分布的随机变量;需要测量值来推导后验分布。例如,如果我先前对lambda值的信念很好地由密度分布,则联合分布是两者的乘积,即。后验是给定测量值的的分布,它是用贝叶斯公式计算的。在这种情况下,的Gamma分布具有参数和(X 1,... ,X Ñ)2.3 ⋅ ë - 2.3 λ 2.3 ⋅ λ Ñ ë - λ (2.3 + X 1 + ... + X Ñ) λ λ Ñ 2.3 + X 1 + ... + X Ñλ(x1个,… ,xñ)2.3 ⋅ È- 2.3 λ 2.3 ·&λñË- λ (2.3 + X1个+ … + xñ)λλñ2.3 + x1个+ … + xñ。
从基准推论的角度来看,也是一个随机变量,但它没有先验分布,只是一个仅取决于的基准分布。为了继续上面的示例,基准分布为。这与可能性相同,只是现在将其解释为概率。通过适当缩放,它是具有参数和的Gamma分布。λ(x1个,… ,xñ)λñË- λ (X1个+ … + xñ)ñX1个+ … + xñ
在置信区间估计的背景下,这些差异具有最明显的影响。经典意义上的95%置信区间是一种在收集任何数据之前就有95%的机会包含目标值的构造。但是,对于基准统计学家来说,一个95%的置信区间是一个具有95%的机会包含目标值的集合(这是对惯常做法的学生的典型误解)。