Questions tagged «frequentist»

贝叶斯统计学家坚持认为“贝叶斯统计可以估算出参数，而这些参数很难通过惯常方法来估算”。从SAS文档中引用的以下内容是否表示同一件事？ 它提供了以数据为条件且准确的推断，而无需依赖渐近逼近。小样本推论以与大样本一样的方式进行。贝叶斯分析还可以直接估计参数的任何功能，而无需使用“插入”方法（一种通过将估计的参数插入功能中来估计功能的方法）。 我在某些教科书中看到过类似的陈述，但不记得在哪里。有人可以举例说明吗？

9 bayesian  inference  sas  frequentist 

已关闭。这个问题需要细节或说明。它当前不接受答案。 想改善这个问题吗？添加详细信息并通过编辑此帖子来澄清问题。 3年前关闭。 从我阅读的内容以及对我在此处提出的其他问题的答案来看，许多所谓的常客方法在数学上都对应于特殊情况（所谓“频繁主义者”在数学上相对应，我不在乎它们是否在数学上相对应，我只是在乎它是否在数学上相对应）。贝叶斯方法（对于那些反对者，请参阅此问题底部的注释）。这个对相关问题（不是我的问题）的回答支持以下结论： 大多数Frequentist方法都具有贝叶斯等效项，在大多数情况下，其结果基本相同。 注意，在下文中，数学上相同意味着给出相同结果。如果您描述两种方法的特征，可以证明它们总是能得到与“不同”相同的结果，那是您的权利，但这是一种哲学判断，而不是数学判断或实践判断。 但是，许多自称为“贝叶斯方法”的人似乎拒绝在任何情况下都使用最大似然估计，尽管这是（数学上）贝叶斯方法的特例，因为它是“频率论方法”。显然，与贝叶斯主义者相比，贝叶斯主义者还使用有限/有限数量的分布，即使从贝叶斯观点来看，这些分布在数学上也是正确的。 问题：从贝叶斯的角度来看，贝叶斯何时，为什么拒绝在数学上正确的方法？有没有不是“哲学上的”理由吗？ 背景/上下文：以下是我对CrossValidated上一个问题的回答和评论中的引文： 贝叶斯与频繁主义者辩论的数学基础非常简单。在贝叶斯统计中，未知参数被视为随机变量。在常客统计中，它被视为固定要素... 从以上所述，我可以得出以下结论：（从数学上来说）贝叶斯方法比常客方法更通用，在某种意义上，常客模型满足所有与贝叶斯模型相同的数学假设，反之则不然。但是，相同的答案也认为我从以上得出的结论是错误的（以下是我的结论）： 尽管常数是随机变量的特例，但我还是会得出结论，贝叶斯主义更为笼统。简单地将随机变量折叠成一个常数，就不会从贝叶斯函数得到频繁的结果。区别更加深刻... 根据个人喜好...我不喜欢贝叶斯统计使用可用分布的有限子集。 另一位用户，在他们的答案，说正好相反，贝叶斯方法都比较一般，但奇怪的是我能找到的，为什么这可能是这种情况的最好理由是以前的答案，有人作为一个训练有素的频率论定。 数学上的结果是，频繁主义者认为概率的基本方程式有时仅适用，而贝叶斯主义者则认为它们总是适用。因此，他们认为相同的方程式是正确的，但是在通用性上却有所不同……贝叶斯严格比频率论更为通用。由于任何事实都可能存在不确定性，因此可以为任何事实分配概率。特别是，如果您正在处理的事实与现实世界的频率有关（无论是您预测的还是数据的一部分），那么贝叶斯方法就可以像对待任何其他现实世界的事实一样考虑和使用它们。因此，频频主义者觉得他们的方法适用于贝叶斯方法的任何问题也可以自然地解决。 从以上答案中，我得到的印象是，至少有两个常用的贝叶斯术语的不同定义。首先，我将其称为“数学贝叶斯”，它涵盖了所有统计方法，因为它包含了恒定RV和非恒定RV的参数。然后是“文化上的贝叶斯”方法，它拒绝了某些“数学上的贝叶斯”方法，因为这些方法是“频繁的”（即出于对参数的个人仇恨，有时将其建模为常数或频率）。对上述问题的另一个答案似乎也支持这一推测： 还要注意的是，两个营地所使用的模型之间存在很大的差异，这与已完成的事情比可以完成的事情更多相关（即，一个营地传统上使用的许多模型可以由另一个营地证明））。 因此，我想表达我的问题的另一种方式是：如果文化贝叶斯人拒绝许多数学上的贝叶斯方法，为什么他们会称自己为贝叶斯人？为什么他们拒绝这些数学上的贝叶斯方法？对于最经常使用这些特定方法的人来说，这是个人仇恨吗？ 编辑：如果两个对象具有相同的属性，则无论它们如何构造，在数学上都是等效的。例如，我可以想到至少五种不同的方式来构造虚部。然而，关于虚数的研究至少没有五种不同的“思想流派”。实际上，我相信只有一个人，即研究他们属性的那个人。对于那些反对使用最大似然来获得点估计与使用最大先验和统一先验来获得点估计的人不同，因为所涉及的计算是不同的，我承认它们在哲学意义上是不同的，但是他们总是在多大程度上一世ii给出相同的估计值，它们在数学上是等效的，因为它们具有相同的属性。哲学上的差异可能与您个人相关，但与该问题无关。 注意：此问题最初具有统一先验的MLE估计和MAP估计的不正确表征。

9 bayesian  frequentist  philosophical 

来自严格的分析和现代概率论背景，我发现贝叶斯统计信息简单明了，易于理解，常客统计数据令人难以置信且令人困惑。似乎常客确实是在做贝叶斯统计，除非动机和动机没有明确定义的“秘密先验”。 另一方面，很多了解这两种观点的伟大统计学家都将归因于惯常论者的观点，因此那里肯定有些我不理解的东西。我不想放弃并宣布自己是贝叶斯主义者，而是想了解更多关于常客主义的观点，以尝试真正地“理解”它。 从严格的角度来学习频率统计资料有哪些好的参考？理想情况下，我正在寻找能防止定理定理的书籍，或者通过解决这些困难的习题集，可以获得正确的心态。我已经读过很多可能在互联网上找到的“哲学性东西”，例如Wiki页面，.edu /〜randomprof网站中的随机pdf等，但它没有帮助。

9 references  frequentist  intuition 

我不是统计学专家，但是我认为对于概率的“常客”或“贝叶斯”解释是否是“正确”的说法存在分歧。来自Wagenmakers等。al p。183： 考虑均值和width的均匀分布。从该分布中随机抽取两个值，分别标记最小的和最大的，并检查均值是否位于和之间。如果此过程重复很多次，则在一半情况下，平均将位于和之间。因此，给出的50％频繁置信区间。但假设对于特定抽签，且μμ\mu1个11sss升llμμ\musss升llμμ\musss升ll（小号，升）(s,l)(s, l)μμ\mus =9.8s=9.8s = 9.8l =10.7l=10.7l = 10.7。这些值之间的差为，这覆盖了分布范围的9/10。因此，对于和这些特定值，我们可以对 100％的置信度，即使常客的置信区间会让您相信您应该仅拥有50％的置信度。0.90.90.9sss升lls &lt; μ &lt;ls&lt;μ&lt;ls < \mu < l 真的有人相信在这种情况下只有50％的信心吗？ 我想更一般地说，这本书似乎是在说常客不能表达一个有条件的主张，例如“给定且 ， 的概率为1”。条件是否暗含贝叶斯推理是真的吗？s = 9.8s=9.8s = 9.8l = 10.7l=10.7l = 10.7s &lt; μ &lt; ls&lt;μ&lt;ls<\mu<l

9 bayesian  confidence-interval  frequentist  philosophical 

我阅读了有关Apriori的Wiki文章。我在理解修剪和加入步骤时遇到了麻烦。谁能用简单的术语解释我Apriori算法的工作原理（这样像我这样的新手都可以轻松理解）？ 如果有人解释其中涉及的逐步过程，那将是很好的。

9 data-mining  algorithms  frequentist