我应该报告可信区间而不是置信区间吗？

在统计教科书中迷失了这个概念之后，我试图做出自己的决定，最后得出一个结论，该结论似乎符合我到目前为止所看到的所有解释：非统计学家认为可信的区间是可信的间隔是。

对于像我这样一个小时的人来说，离题

如果我们观察到数据并从中预测出一些参数，则可以说是平均值 $\mu$，可信区间是区间 $[\mu_{\text{min}},\ \mu_{\text{max}}]$为此，我们有95％的把握确保mu属于内部（如果使用其他级别，则为95％以外的某个数字）。入门级统计课中讲授的置信区间可以与可信区间重叠，但并不总是重叠良好。如果你要勇敢的解释，尝试阅读这和这对交叉验证的问题; 经过反复的摸爬滚打，我终于明白了的是这个答案。

这是否意味着在结果中使用可信区间而不是置信区间在科学上更可取？如果是，为什么我还没有看到使用它的出版物？

• 是因为应该使用该概念，但测量科学家尚未赶上正确的统计方法吗？
• 还是说原始置信区间的含义更适合于解释经验研究的结果？
• 还是在实践中它们经常重叠以至根本没有关系？
• 选择是否取决于我们为数据假设的统计分布？也许具有高斯分布，它们总是在数值上重叠，因此，纯粹的统计数据之外没有人关心这种差异（我读过的许多研究甚至都不费心计算任何间隔，也许大约有1％会给思想留下空间他们的数据可能不会以正态分布）。
• 这是否取决于我们的科学理论地位？例如，感觉在实证主义工作中应该使用置信区间，而在解释主义工作中应该使用可信区间，但是我不确定这种感觉是否正确。

间隔类型指示您使用的方法类型。如果间隔是可信的（或贝叶斯变体），则表示使用了贝叶斯方法。如果有置信区间，则使用频度法。

回复：还是在实践中，它们是如此频繁地重叠以至根本没有关系？只要

• 使用方法的条件得到合理满足（例如，“观察独立性”是许多方法的要求），
• 贝叶斯方法不使用先验信息，
• 样本不是很小，并且
• 模型/方法是相似的，

可信区间和可信区间将彼此接近。原因是：似然性将优先于贝叶斯先验，而似然性是常用方法中常用的。

我建议不要为使用哪个而烦恼。如果需要先验的信息，请确保使用贝叶斯方法。如果不是，则选择合适的方法和上下文（频繁使用或贝叶斯方法），检查以确保合理地满足应用该方法所需的条件（非常重要，但很少这样做！），然后继续进行，如果该方法适合数据类型。