Questions tagged «fiducial»

Joris和Srikant 在这里的交流让我再次想知道，我对置信区间和可信区间之间差异的内部解释是否正确。您将如何解释差异？

229 bayesian  confidence-interval  frequentist  credible-interval  fiducial 

RA Fisher的最新贡献之一是基准间隔和基准原则性论证。但是，这种方法远没有像常客主义者或贝叶斯原则论证那样受欢迎。基准论据是什么？为什么未被接受？

33 inference  philosophical  fiducial 

当我为 "fisher" "fiducial" ...我肯定会收到很多成功，但我一直关注的所有事情都超出了我的理解范围。 所有这些命中似乎确实有一个共同点：它们都是为染羊毛的统计学家而写的，这些人对统计的理论，实践，历史和知识都非常了解。（因此，这些陈述都没有费心去解释或说明费舍尔的“基准”的意思，而不求助于术语的大行其道和/或不给某些经典或其他数学统计文献带来损失。） 好吧，我不属于可以从我这个主题的发现中受益的特定目标受众，这也许可以解释为什么我每次试图理解费舍尔“基准”的含义的尝试都撞到了墙上。难以理解的胡言乱语。 有谁知道向非专业统计学家解释费舍尔“基准”是什么意思的尝试？ PS：我意识到费舍尔在确定他的“基准”的含义时是一个移动的目标，但是我认为该术语必须具有一定的“恒定核心”含义，否则它将无法正常工作（因为它很明显确实是本领域内通常理解的术语。

23 bayesian  inference  terminology  fiducial  ronald-fisher 

简短版： 有没有介绍罗纳德·费舍尔（Ronald Fisher ）的统计学著作（论文和书籍），其对象是那些几乎没有统计学背景或没有统计学背景的人？ 我想到的是针对非统计学家的“带注释的Fisher读者”之类的东西。 我在下面阐明了这个问题的动机，但是要警告说，它是一个漫长的过程（我不知道如何更简洁地解释它），而且几乎肯定是有争议的，可能是令人讨厌的，甚至是令人发指的。因此，请跳过本篇文章的其余部分，除非您真的认为问题（如上所述）过于简洁而无法进一步澄清。 我自学了很多人认为很困难的许多领域的基础知识（例如线性代数，抽象代数，实数和复数分析，一般拓扑，测度理论等），但是我在自学统计学上的所有努力都失败了。 这样做的原因不是我发现统计数据在技术上很困难（或者比我设法找到的其他领域要困难的多），而是我发现统计数据始终是异类的（如果不是很奇怪的话），远比其他任何东西都重要。我自学的其他领域 慢慢地，我开始怀疑这种怪异的根源大多是历史性的，而且，作为一个从书本而不是从业者社区学习该领域的人（如果我曾接受过统计学方面的正式培训，情况就是如此）。 ），直到我对统计历史有了更多了解之前，我永远不会摆脱这种疏离感。 因此，我读了几本有关统计历史的书，事实上，这在解释我认为是该领域的怪异方面大有作为。但是我仍然有一些方法可以朝这个方向发展。 我从统计历史上的阅读中学到的一件事是，我认为统计中的许多奇异事物的来源是一个人，罗纳德·费舍尔。 实际上，下面的引号1（我最近才发现）非常符合我的认识，即我只有深入研究历史才能开始理解这一领域，并开始关注费舍尔。参考点： 大多数统计概念和理论可以与其历史渊源分开描述。对于“基准概率”的情况，如果没有不必要的神秘化，这是不可行的。 确实，我认为我的直觉虽然是主观的（当然），但并非完全没有根据。费舍尔不仅贡献了统计学中一些最开创性的想法，而且因不理会先前的工作以及对直觉的依赖而臭名昭著（要么提供几乎其他任何人都无法理解的证据，要么完全忽略它们）。此外，他与20世纪上半叶的许多其他重要统计学家有着终生的争执，这些争执似乎在该领域造成了很多混乱和误解。 我从所有这一切得出的结论是，是的，费舍尔对现代统计的贡献确实意义深远，尽管并非所有人都是积极的。 我还得出结论，要真正了解我对统计的异化，我必须至少阅读一些Fisher的原始形式的作品。 但是我发现，费舍尔的作品不辜负其不可渗透的声誉。我试图找到这些文献的指南，但是，不幸的是，我发现的所有内容都是针对受过统计学训练的人员，因此，对于我来说，理解它所要阐明的内容同样困难。 因此，本文开头的问题。 1 Stone，Mervyn（1983），“基准概率”，《统计科学百科全书 》3 81-86。纽约威利。

11 references  history  fiducial  ronald-fisher 

假设我有一个频率为4个可能的事件的样本： Event1 - 5 E2 - 1 E3 - 0 E4 - 12 并且我具有发生事件的预期概率： p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 利用我四个事件的观测频率之和（18），我可以计算事件的预期频率，对吗？ expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 = 1.8 expectedE1 - …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

Seock-Ho Kim和艾伦·科恩（Allen S. Cohen）撰写的“关于贝伦斯－费舍尔问题：评论” 教育与行为统计杂志，第23卷，第4期，1998年冬季，第356-377页 我正在看这个东西，它说： Fisher（1935，1939）选择统计量 [其中是通常的单样本统计量]，其中位于第一象限中，而 [。。。]的分布是Behrens-Fisher分布，由三个参数，和，τ=δ−(x¯2−x¯1)s21/n1+s22/n2−−−−−−−−−−−√=t2cosθ−t1sinθτ=δ−(x¯2−x¯1)s12/n1+s22/n2=t2cos⁡θ−t1sin⁡θ \tau = \frac{\delta-(\bar x_2 - \bar x_1)}{\sqrt{s_1^2/n_1+s_2^2/n_2}} = t_2\cos\theta - t_1\sin\theta titit_ittti=1,2i=1,2i=1,2θθ\thetatanθ=s1/n1−−√s2/n2−−√.(13)(13)tan⁡θ=s1/n1s2/n2. \tan\theta = \frac{s_1/\sqrt{n_1}}{s_2/\sqrt{n_2}}.\tag{13} ττ\tauν1ν1\nu_1ν2ν2\nu_2θθ\theta 对于，参数先前已定义为。νiνi\nu_ini−1ni−1n_i-1i=1,2i=1,2i=1,2 现在，这里看不到的是，这两个总体的平均值是，，它们的差是，因此是和两个统计量。样本SD和是可观察的，并用于定义，因此是可观察的统计信息，而不是不可观察的总体参数。但是我们看到它被用作这个分布族的参数之一！δδ\deltaμ1μ1\mu_1μ2μ2\mu_2δδ\deltaττ\tauttts1s1s_1s2s2s_2θθ\thetaθθ\theta 可能是他们应该说参数是的反正切值，而不是的反正切值？σ1/n1−−√σ2/n2−−√σ1/n1σ2/n2\dfrac{\sigma_1/\sqrt{n_1}}{\sigma_2/\sqrt{n_2}}s1/n1−−√s2/n2−−√s1/n1s2/n2\dfrac{s_1/\sqrt{n_1}}{s_2/\sqrt{n_2}}

9 distributions  parameterization  fiducial