我最近一直在研究经典统计的贝叶斯方法。在阅读了有关贝叶斯因子的信息后，我一直想知道从这种统计角度来看是否需要进行功效分析。我想知道这是贝叶斯因子的主要原因，实际上似乎只是似然比。一旦达到25：1，就好像我可以称之为一个夜晚。
我远吗？我还能做其他阅读以了解更多信息吗？当前正在阅读这本书：WM Bolstad 撰写的 “贝叶斯统计简介”（Wiley-Interscience；第二版，2007年）。
Answers:
在将来的研究中，功效与p <0.05α的长期可能性有关。在贝叶斯中，研究A的证据直接进入研究B的先验，等等。因此，频率统计中定义的权力实际上并不存在。
这个问题导致很多误解，因为人们使用贝叶斯统计数据来问一些常问问题。例如，人们想确定变体B是否比变体A好。他们可以通过确定两个后验分布（BA）之间差异的95％最高密度区间是否大于0或a来用贝叶斯统计量回答这个问题。具有实际意义的区域大约为0。但是，如果您使用贝叶斯统计来回答常客问题，您仍然会犯常客错误：类型I（误报； opps-B实际上并不更好）和类型II（未命中；无法实现） B确实更好）。
功效分析的重点是减少II型错误（例如，至少有80％的机会发现效果，如果存在的话）。当使用贝叶斯统计量来问像上述问题之类的常问问题时，也应使用功效分析。
如果您不使用功耗分析，然后在收集数据时反复查看数据，然后仅在发现明显差异时才停止，那么您将产生比预期更多的I类（错误警报）错误-就像您一直在使用常客统计一样。
查看：
https://doingbayesiandataanalysis.blogspot.com/2013/11/optional-stopping-in-data-collection-p.html
http://varianceexplained.org/r/bayesian-ab-testing/
值得注意的是，某些贝叶斯方法可以减少但不能消除发生I型错误的可能性（例如，适当的先验信息）。
例如，在临床试验中需要进行功效分析，以便能够计算/估计要招募多少名参与者，以便有机会发现（给定的最小尺寸）治疗效果（如果存在）。招募无数的患者是不可行的，首先是由于时间限制，其次是由于成本限制。
因此，想象一下我们正在采用贝叶斯方法进行所述临床试验。尽管从理论上讲可以使用统一的先验，但是无论如何还是建议对先验敏感，因为不幸的是，可以使用多个统一的先验（我现在想这很奇怪，因为实际上只有一种表达完全不确定性的方法）。
因此，想象一下，进一步，我们将进行敏感性分析（此处不仅要对模型进行评估，而不仅仅是对模型进行审查）。这涉及从合理的模型中模拟“真相”。在古典/频率统计中，这里有“真相”的四个候选：H0，mu = 0; H1，mu！= 0，其中观察到有错误（如在我们的真实世界中）或无错误（如在不可观察的现实世界中）。在贝叶斯统计中，这里有两个“真相”候选者：mu是一个随机变量（就像在不可观察的现实世界中一样）；mu是随机变量（从不确定的个体的角度来看，就像在我们可观察的现实世界中一样）。
因此，实际上，这取决于您要尝试通过试验说服A）还是通过敏感性分析说服B）。如果不是同一个人，那将很奇怪。
真正要讨论的是关于什么是真相以及证实了有形证据的共识。共同点是，在我们的实际可观察世界中可以观察到签名概率分布，这些分布在某种程度上显然具有一些潜在的数学真理，而这恰巧是偶然的或设计的。我将停在这里，因为这不是艺术页面，而是科学页面，或者这是我的理解。