Questions tagged «frequentist»

您将如何用简单的英语描述将贝叶斯与常识推理区分开的特征？

339 bayesian  frequentist 

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 

这张xkcd漫画（Frequentists vs. Bayesians）取笑了一个得出明显错误结果的常客统计学家。 然而，在我看来，他的推理实际上是正确的，因为它遵循标准的频繁论者方法。 所以我的问题是“他是否正确地采用了常客主义方法？” 如果否：在这种情况下正确的常客推断是什么？如何将有关太阳稳定性的“先验知识”整合到频率论方法中？ 如果是：wtf？;-)

113 bayesian  frequentist 

我们已经有多个线程标记为p值，这些线程揭示了许多关于它们的误解。十个月前，我们有一个线程关于心理杂志，“禁止” -值ppp p，现在美国统计协会（2016）指出，与我们的分析，我们“不应该用的计算结束 -值”。ppp 美国统计协会（ASA）认为，科学界可以从一份正式声明中受益，该声明阐明了一些正确使用和解释值的公认原则。ppp 该委员会列出了其他方法作为可能替代或补充：ppp 鉴于普遍存在对误用和误解 ，一些统计学家倾向于用其他方法来补充甚至替代 。这些方法包括强调评估而不是测试的方法，例如置信度，可信度或预测间隔；贝叶斯方法；替代的证据度量，例如似然比或贝叶斯因子；以及其他方法，例如决策理论建模和错误发现率。所有这些措施和方法都依赖于进一步的假设，但它们可能更直接地解决效应的大小（及其相关的不确定性）或假设是否正确。 ppppppp 因此，让我们想象一下后的现实。ASA列出了一些可以代替，但是为什么它们更好？对于一生使用的研究人员，其中哪一个可以代替他？我想，这样的问题会出现在后 -值的现实，所以也许我们尽量在他们面前的一个步骤。可以直接使用的合理替代方法是什么？为什么这种方法应该说服您的首席研究员，编辑或读者？p p ppppppppppppp 正如此后续博客条目所建议的那样，在其简单性方面无与伦比：ppp p值只需要一个统计模型，即可统计要保留的原假设下的统计行为。即使使用替代假设的模型来选择“良好”统计量（将用于构造p值），该替代模型也不必正确才能使p值有效，并且有用（即：控制I型错误在期望的水平上，同时提供检测实际效果的能力）。相比之下，其他（出色且有用的）统计方法（如似然比，效果大小估计，置信区间或贝叶斯方法）都需要假定的模型来保持更广泛的情况，而不仅是在经过测试的零值下。 是它们，还是不正确，我们可以轻松地替换它们？ 我知道，这是广义的，但主要问题很简单：什么是可以替代的值的最佳（以及为什么）现实生活中的替代方法？ppp ASA（2016）。ASA关于统计意义和声明。PPP 美国统计学家。（在新闻）

100 hypothesis-testing  bayesian  p-value  frequentist 

随着人们对统计数据产生兴趣，二分法“ Frequentist”与“ Bayesian”很快就变得司空见惯了（谁还没有读过Nate Silver的《信号与噪声》？）。在讲座和入门课程中，观点绝大多数是常客（MLE，值），但往往只花很少的时间来欣赏贝叶斯公式并触及先验分布的想法，通常是切向的。ppp 讨论贝叶斯统计的语气在对概念基础的尊重与对崇高目标之间的鸿沟的怀疑以及暗示对先验分布的选择的任意性或最终使用频数数学之间摇摆不定。 诸如“如果您是贝叶斯人的核心...”之类的句子比比皆是。 问题是，今天的贝叶斯是谁？他们是某些精选的学术机构，您知道如果您去那里会成为贝叶斯主义者？如果是这样，他们是否受到特别追捧？我们仅指的是一些受人尊敬的统计学家和数学家，如果是的话，他们是谁？ 它们甚至以纯正的“贝叶斯”形式存在吗？他们会愉快地接受标签吗？它总是一个讨人喜欢的区别吗？他们是在会议上有奇特幻灯片的数学家，没有任何值和置信区间，容易在小册子上发现吗？ppp “贝叶斯”成为一个利基市场？我们是指少数统计学家吗？ 还是当前的贝叶斯主义等于机器学习应用程序？ ...或者甚至更有可能是，贝叶斯统计不是仅仅是统计的一个分支，而是一种超越了概率计算范围而成为科学哲学的认识论运动吗？在这方面，所有科学家都将是贝叶斯的内心……但是就不会有纯粹的贝叶斯统计学家无法渗透到频繁主义者的技术（或矛盾）中。

92 bayesian  mathematical-statistics  inference  bayes  frequentist 

背景：我没有接受贝叶斯统计方面的正式培训（尽管我对学习更多内容非常感兴趣），但我知道-我想知道的要点是为什么许多人觉得它们似乎比频率统计更可取。甚至我所教授的入门统计学（社会科学）课程中的大学生都发现贝叶斯方法很吸引人-“为什么我们对计算数据的概率感兴趣（给定null呢？）为什么我们不能仅仅量化是零假设还是替代假设？我也读过类似这样的线索，它们也证明了贝叶斯统计的经验优势，但后来我碰到了布拉斯科（Blasco，2001；重点强调）： 如果动物育种者对与归纳相关的哲学问题不感兴趣，但对解决问题的工具感兴趣，那么贝叶斯推理派和惯常论推论派都已建立，并且没有必要证明为什么选择另一派或另一派来论证。除了一些复杂的案例外，它们现在都没有操作上的困难... 选择一所学校或另一所学校应与一所学校是否存在另一所学校没有提供的解决方案，解决问题的容易程度有关，以及科学家对特定表达方式的感觉如何。 问题：布拉斯科的名言似乎暗示，有时频频方法实际上比贝叶斯方法更可取。因此，我很好奇：什么时候比贝叶斯方法更偏爱常去方法？我对从概念上（即什么时候知道以原假设为条件的数据的概率特别有用？）和凭经验（即在什么条件下Frequentist方法优于贝叶斯方法？）都可以解决这个问题的答案感兴趣。 如果答案尽可能地易于传达也将是可取的-最好将一些答案反馈给我的班级以与我的学生分享（尽管我知道需要一定程度的技术性）。 最后，尽管经常使用频率统计，但实际上我对贝叶斯全盘获胜的可能性持开放态度。

72 bayesian  frequentist  philosophical 

它在Wikipedia上说： 数学[概率]在很大程度上与概率的任何解释无关。 问题：那么如果我们想在数学上是正确的，我们是否不应该拒绝对概率的任何解释？即，贝叶斯主义和频繁主义在数学上都是错误的吗？ 我不喜欢哲学，但是我喜欢数学，并且我想只在Kolmogorov公理的框架内工作。如果这是我的目标，应该从它说在维基百科上，我应该拒绝遵循双方贝叶斯和frequentism？如果这些概念纯粹是哲学上的而不是数学上的，那么为什么它们首先出现在统计学中？ 背景/上下文： 这篇博客文章并没有说同样的话，但是它确实认为，从实用主义的角度来看，将技术归类为“贝叶斯”或“频率论者”是适得其反的。 如果Wikipedia的引用是正确的，那么从哲学的角度来看，试图对统计方法进行分类似乎也适得其反-如果一种方法在数学上是正确的，则当基础数学的假设成立时使用该方法是有效的否则，如果在数学上不正确或假设不成立，则使用它无效。 另一方面，尽管我不太确定为什么，但很多人似乎都用概率论（例如，柯尔莫哥洛夫的公理）来识别“贝叶斯推论”。贾恩斯（Jaynes）关于贝叶斯推理的论着称为“概率”（Probability），以及詹姆斯·斯通（James Stone）的书“贝叶斯规则”（Bayes'Rule）。因此，如果我以表面价值来接受这些主张，那意味着我应该更喜欢贝叶斯主义。 但是，Casella和Berger的书似乎是常客，因为它讨论了最大似然估计量，却忽略了最大后验估计量，但似乎其中的所有内容在数学上都是正确的。 那么，难道不是只能从统计学上说，统计学上唯一正确的版本是对贝叶斯主义和频繁主义完全不知情的统计吗？如果两种分类的方法在数学上都是正确的，那么在某些情况下偏爱某些方法不是不正确的做法，因为这将使模糊，定义不清的哲学优先于精确且定义明确的数学吗？ 简介：简而言之，我不了解贝叶斯与常客辩论的数学基础是什么，并且如果没有辩论的数学基础（这是维基百科所声称的），我也不明白为什么在容忍中全部在学术话语中。

67 probability  bayesian  frequentist  philosophical  kolmogorov-axioms 

标题中的问题是不言而喻的，但我想提供一些背景信息。 ASA在本周早些时候发布了“ 关于p值：上下文，过程和目标 ”的声明，概述了对p值的各种常见误解，并敦促在没有上下文和思想的情况下不要使用它（可以这样说）。任何统计方法，真的）。 为了回应ASA，马特洛夫（Matloff）教授写了一篇博客文章：150年后，ASA对p值表示否。然后，本杰米尼（Benjamini）教授（和我）写了一篇题为“ 这不是p值的过错 –对最近ASA声明的反思”的回复。作为回应，马特洛夫教授在后续帖子中问： 我想看到的是一个很好的，令人信服的示例，其中p值很有用。那确实是底线。 要引用他的两个主要论点反对的用处 -值：ppp 对于大样本，显着性检验是针对原假设的微小，不重要的偏离而发动的。 在现实世界中，几乎没有零假设是真实的，因此对它们进行显着性检验是荒谬而离奇的。 我对其他经过交叉验证的社区成员对这个问题/论点的看法以及对它的良好回应感到非常感兴趣。

64 hypothesis-testing  bayesian  p-value  inference  frequentist 

贝叶斯主义者和常客之间的统计数据之间存在许多争论。我通常认为这些内容令人反感（尽管我认为它已经消失了）。另一方面，我遇到了几个对这个问题完全务实的人，他们说有时进行频繁分析会更方便，有时进行贝叶斯分析会更容易。我觉得这种观点实用而令人耳目一新。 在我看来，列出此类案件会有所帮助。因为统计分析太多，并且由于我认为通常进行频率分析更为实用（在WinBUGS中编码t检验比在R中执行基于频率的版本所需的单个函数调用要复杂得多。 （例如），最好列出比贝叶斯方法更简单，更实用和/或更方便的贝叶斯方法。 (Two answers that I have no interest in are: 'always', and 'never'. I understand people have strong opinions, but please don't air them here. If this thread becomes a venue for petty squabbling, I will probably delete it. My goal here is to develop a resource that …

63 bayesian  frequentist 

统计领域分为常客和贝叶斯。这些天，似乎每个人都做这两者。怎么会这样？如果不同的方法适合于不同的问题，为什么统计的开国元勋们没有看到这一点？或者，是否有常胜者赢得辩论，真正的主观贝叶斯主义者转向决策理论？

59 bayesian  frequentist  history  philosophical 

我们已经有一个线程询问谁是贝叶斯主义者，以及一个询问常问者是否是贝叶斯主义者，但是没有线程直接询问谁是贝叶斯主义者？@whuber提出了这个问题，以作为对此线程的注释，并希望得到解答。它们是否存在（是否有任何自我识别的常客）？也许它们只是由贝叶斯主义者组成的，他们在批评主流统计数据时需要替罪羊怪罪？ 对已经给出的答案进行元注释：相比之下，贝叶斯统计不仅是根据使用贝叶斯定理（非贝叶斯定理也使用）来定义的，也不是关于对概率的主观解释的（您不会称其为外行）这样说： “我敢打赌，机会小于50:50！”（贝叶斯）-那么我们是否只能根据对概率的解释来定义频繁性？此外，统计学≠≠\ne应用概率，那么对频繁性的定义应仅专注于概率的解释吗？

55 bayesian  frequentist 

注：我是知道的哲学贝叶斯和频率统计之间的差异。 例如，“在桌上的硬币正面朝上的概率是多少”在常客统计中是没有意义的，因为它已经落在正面或反面了，没有任何概率。因此，该问题没有常人性的答案。 但是，这种差异显然不是我要问的那种差异。 相反，我想知道他们的预测是如何形成良好的问题实际上是不同在现实世界中，不包括任何理论/哲学分歧，如我上面提到的例子。 换句话说： 这是一个例子的问题，该问题在常客和贝叶斯统计中都可以回答，两者的答案不同？ （例如，也许其中一个回答“ 1/2”，而另一个回答“ 2/3”。） 有这样的区别吗？ 如果是这样，有哪些例子？ 如果没有，那么什么时候解决特定问题时使用贝叶斯统计或常客统计实际上有什么不同？ 我为什么要避免一个偏向另一个？

54 bayesian  frequentist 

当我偶然发现这篇文章时，我只是在阅读有关贝叶斯因子的文章，这是一个完全不相关的问题 由于贝叶斯形式避免了模型选择偏差，评估了支持原假设的证据，包括模型不确定性，并且允许比较非嵌套模型，因此使用贝叶斯因子进行的假设检验比频繁假设检验更为稳健。具有相同的因变量）。同样，频繁性显着性检验偏向于拒绝具有足够大样本量的零假设。[重点添加] 在卡尔·弗里斯顿（Karl Friston）2012年在NeuroImage中的论文中，我已经看到过这种说法，他称其为经典推理的谬误。 我很难找到一个真正的教学方法来解释为什么这应该是正确的。具体来说，我想知道： 为什么会这样 如何防范 失败了，如何检测到它

46 hypothesis-testing  frequentist 

在文章“讨论：生态学家应该成为贝叶斯主义者？”中 当布莱恩·丹尼斯（Brian Dennis）的目的似乎是警告人们时，他给出了令人惊讶的平衡和积极的贝叶斯统计观点。但是，他在一段中没有任何引用或理由的情况下说： 您会看到，贝叶斯不允许查看其残差。通过模型下的极端程度来判断结果违反了似然原理。对于贝叶斯来说，没有坏的模型，只有坏的信念。 为什么不允许贝叶斯分析残差？对此适当的引用是什么（即他在引用谁）？ Dennis，B. 讨论：生态学家应该成为贝叶斯主义者吗？ 生态应用，美国生态学会，1996年，6，1095-1103

46 bayesian  residuals  frequentist  likelihood-principle 

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？

38 hypothesis-testing  bayesian  confidence-interval  frequentist  credible-interval