Questions tagged «bayesian»

贝叶斯推断是一种统计推断的方法，该方法依赖于将模型参数视为随机变量，并应用贝叶斯定理来推导有关参数或假设的主观概率陈述（取决于观察到的数据集）。

3
是否可以从贝叶斯的角度解释引导程序？
好的，这是一个让我彻夜难眠的问题。 引导程序是否可以解释为近似某些贝叶斯程序（贝叶斯引导程序除外）？ 我真的很喜欢贝叶斯统计的“解释”，我发现它很好地连贯并且易于理解。但是，我的引导程序过程也有一个缺点，它很简单，但是在许多情况下却提供了合理的推断。但是，如果我知道引导程序在某种意义上近似于后验分布，我将对引导更加满意。 我知道“贝叶斯引导程序”（Rubin，1981年），但是从我的角度来看，引导程序的版本与标准引导程序一样有问题。问题是在进行经典和贝叶斯自举时，您所做的模型假设非常特殊，也就是说，分布的可能值只是我已经看到的值。这些奇怪的模型假设如何仍能产生引导程序产生的非常合理的推论？我一直在寻找研究引导程序属性的文章（例如Weng，1989年），但没有找到任何令我满意的明确解释。 参考文献 唐纳德·鲁宾（1981）。贝叶斯引导程序。 安 统计员。第9卷第1期，第130-134页。 翁中星（1989）。贝叶斯Bootstrap均值的二阶渐近性质。 统计年鉴，卷。第17卷，第2期，第705-710页。
7
贝叶斯会承认有一个固定的参数值吗？
在贝叶斯数据分析中，参数被视为随机变量。这源于贝叶斯概率的主观概念化。但是，贝叶斯理论上是否承认“现实世界”中存在一个真正的固定参数值？ 似乎最明显的答案是“是”，因为然后尝试估计参数几乎是荒谬的。对此答案的学术引用将不胜感激。
6
可信区域和贝叶斯假设检验之间有什么联系？
在常客统计中，置信区间和检验之间存在紧密的联系。使用推理约在分布作为一个例子，将置信区间 包含在重要性级别上未被检验拒绝的所有值。Ñ （μ ，σ 2）1 - α ˉ X ± 吨α / 2（Ñ - 1 ）⋅ 小号/ √μμ\muN(μ,σ2)N(μ,σ2)\rm N(\mu,\sigma^2)1−α1−α1-\alpha μ吨αx¯±tα/2(n−1)⋅s/n−−√x¯±tα/2(n−1)⋅s/n\bar{x}\pm t_{\alpha/2}(n-1)\cdot s/\sqrt{n}μμ\mutttαα\alpha 从这个意义上讲，频繁的置信区间是倒置测试。（顺便说一句，这意味着我们可以将值解释为的最小值，为此参数的空值将包含在置信区间中。我发现这可能是一种有用的方法，向了解一些统计信息的人解释真正含义。）α 1 - α ppppαα\alpha1−α1−α1-\alphappp 在阅读了贝叶斯可信区域的决策理论基础后，我开始怀疑可信区域与贝叶斯测试之间是否存在类似的联系/对等关系。 有一般的联系吗？ 如果没有常规连接，是否存在连接的示例？ 如果没有一般的联系，我们怎么看？
6
贝叶斯与惯常论者对概率的解释
有人能很好地概括一下贝叶斯方法和频率论方法之间的差异吗？ 据我了解： 经常性的观点认为，数据是具有特定频率/概率（定义为事件的次数相对于试验次数接近无穷大）的可重复的随机样本（随机变量）。基本参数和概率在此可重复过程中保持恒定，并且变化是由于的变化而不是概率分布（对于某些事件/过程固定的）所致。XnXnX_n 贝叶斯观点认为，数据是固定的，而某个事件的频率/概率可能会发生变化，这意味着分布的参数会发生变化。实际上，您获得的数据会更改参数的先前分布，该参数会针对每组数据进行更新。 在我看来，频率论者的方法似乎更实用/合乎逻辑，因为事件具有特定概率且变异在我们的采样中似乎是合理的。 此外，大多数研究数据分析通常是采用常识性方法进行的（即置信区间，具有p值的假设检验等），因为它很容易理解。 我只是想知道是否有人可以简要介绍一下对贝叶斯方法与频率论方法的解释，包括贝叶斯统计量的频率因子p值和置信区间。另外，可以理解其中一种方法优于另一种方法的具体示例。
5
p值本质上是无用的且使用危险吗？
纽约时报的这篇文章“ 赔率，不断更新”引起了我的注意。简而言之，它指出 [贝叶斯统计]已证明在解决复杂问题时特别有用，包​​括像海岸警卫队在2013年使用的搜索来寻找失踪的渔夫约翰·奥尔德里奇（尽管到目前为止，在寻找马来西亚航空370号班机的过程中）。 ......，从物理学到癌症研究，从生态学到心理学，贝叶斯统计数据遍地开花... 在这篇文章中，还对常客的p值提出了一些批评，例如： 如果p值小于5％，则通常认为结果具有“统计学意义”。哥伦比亚大学统计学教授安德鲁·盖尔曼（Andrew Gelman）表示，但是这种传统存在危险。即使科学家总是正确地进行了计算（但他们没有这样做），接受p值为5％的所有内容也意味着20个“具有统计意义”的结果只是随机噪声。 除上述之外，也许最著名的批评p值的论文就是《自然方法》一书，作者是Regina Nuzzo的《科学方法：统计误差》，其中讨论了许多由p值方法引起的科学问题，例如重现性问题， p值骇客等 P值是统计有效性的“黄金标准”，不像许多科学家所认为的那样可靠。……也许最糟糕的谬论是自欺欺人，宾夕法尼亚大学的心理学家乌里·西蒙索恩（Uri Simonsohn）及其同事已经普及了“ P-hacking”一词。它也被称为数据挖掘，侦听，钓鱼，重要性追踪和两次浸渍。Simonsohn说：“ P黑客正在尝试多种方法，直到获得期望的结果为止”，甚至是在不知不觉中。......……“这一发现似乎是通过p-hacking获得的，作者放弃了其中一个条件，以使整体p值小于.05”，而“她是p-hacker，她总是在收集数据时监视数据。” 另一件事是一个有趣的情节从下面这里，有关剧情的评论： 无论您的影响有多小，您都可以始终努力收集数据以超过p <.05的阈值。只要不存在您要研究的影响，p值就可以衡量您为收集数据付出了多少努力。 综上所述，我的问题是： 第二段引文中的安德鲁·盖尔曼的论点到底意味着什么？他为什么将5％的p值解释为“ 20个具有统计学意义的结果中有1个是随机噪声”？我不相信，因为对我而言，p值可用于一项研究的推断。他的观点似乎与多重测试有关。 更新：有关此内容，请查看安德鲁·盖尔曼（Andrew Gelman）的博客：不，我没有这么说！（提供给@ Scortchi，@ whuber）。 CpCpC_p 是否有使用p值进行统计分析的良好实践指导，可以得出更可靠的研究结果？ 正如某些统计学家所倡导的那样，贝叶斯建模框架会是更好的方法吗？具体来说，贝叶斯方法是否更有可能解决错误的发现或处理数据问题？由于先验在贝叶斯方法中非常主观，因此我在这里也不确信。是否有任何实践和知名的研究表明贝叶斯方法比常客的p值更好，或者至少在某些特定情况下，这种观点更好？ 更新：对于是否存在贝叶斯方法比常客主义的p值方法更可靠的情况，我将特别感兴趣。“可靠”是指贝叶斯方法不太可能操纵数据以获得所需结果。有什么建议么？ 更新6/9/2015 刚注意到这个消息，并认为将其放在此处进行讨论会很好。 心理学杂志禁止P值 一项有争议的统计测试终于结束了，至少在一本期刊上如此。本月初，《基本与应用社会心理学》（BASP）的编辑宣布该期刊将不再发表包含P值的论文，因为统计数据经常被用来支持低质量的研究。 与最近的论文一起，《自然》杂志关于“ P值”的“善变的P值产生了无法再现的结果”。 更新5/8/2016 早在三月，美国统计协会（ASA）就统计意义和p值发布了声明，“ .... ASA声明旨在将研究引导到'p <0.05后时代'。” 该语句包含6条解决p值滥用的原则： P值可以指示数据与指定的统计模型不兼容的程度。 P值不能衡量所研究假设为真的概率，也不能衡量仅由随机机会产生数据的概率。 科学结论和业务或政策决策不应仅基于p值是否超过特定阈值。 正确的推理需要完整的报告和透明度。 p值或统计显着性不能衡量效果的大小或结果的重要性。 就其本身而言，p值不能很好地证明有关模型或假设的证据。 详细信息： “ ASA关于p值的声明：上下文，过程和目的”。
1
变分推理与MCMC：何时选择一个？
我觉得我得到两个VI和MCMC的总体思路，包括MCMC像Gibbs抽样的各种口味，新都黑斯廷斯等这个文件提供了两种方法的精彩论述。 我有以下问题： 如果我想进行贝叶斯推理，为什么要选择一种方法而不是另一种方法？ 每种方法的优缺点是什么？ 我知道这是一个相当广泛的问题，但是任何见解都将受到高度赞赏。
5
像贝叶斯那样思考，像常客一样进行检查：这是什么意思？
我正在查看有关数据科学课程的一些演讲幻灯片，可以在这里找到： https://github.com/cs109/2015/blob/master/Lectures/01-Introduction.pdf 不幸的是，我无法观看此讲座的视频，并且在幻灯片上的某个位置，演示者具有以下文本： 一些关键原则 像贝叶斯一样思考，像常客一样检查（和解） 有人知道这实际上意味着什么吗？我觉得从这可以收集到关于这两种思想流派的深刻见解。
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.