ベイジアン統計を学ぶ前に知っておくべき頻出統計のトピックは何ですか？

ベイジアン統計の学習を始める前に知っておくべき頻度統計のトピックのサブセットがあるかどうか疑問に思っていました。私がそれを読んだら、2つの傾向は互いに拮抗しているようです。たとえば、頻度分析は、観測されたデータに対して行われた仮定（仮説）に大きく基づいています。一方、ベイジアン統計は、それに関する事後情報を推測するために、以前のモデルの構築により依存しています。

いずれにせよ、ベイジアン統計に着手する前に、どの頻度論的または一般的な統計のトピックを知っておくべきですか？

頻度論的資料と呼ぶ必要はなく、確率と統計一般からの資料です。

以下は、私の意見では便利だと思われる事前知識の例です。

1. 密度、（条件付き）分布、期待などとは何ですか？
2. いくつかの特定の分布ファミリー（ベータ、ノーマル、ユニフォームなど）
3. ほとんどの場合、ベイジアン法を実際のデータに適用するため、統計ソフトウェアを使用します。私のお気に入り：R
4. いくつかの数学：行列代数、積分、...
5. また、線形モデルなどのいくつかの統計モデルに慣れておくと便利です。$y=X\beta+u$
6. 可能性に重点が置かれているので、以前に最大尤度について聞いたことがあるのは問題ありません。

ベイジアンパラダイムは主観的なパラダイムです。他の人がこのリストに同意しないか、このリストに追加すると思います...

「頻度」やベイジアン統計を特定の順序で学習する必要はありません。まず、自分の分野での調査結果を理解するために必要なことをすべて学習し、次にテクニック間の数学的（計算）および哲学的（解釈）の関係を理解する必要があります。実際のデータのような先生はいないので、それが常に第一の関心事です。

それらを同時に学ぶことができなかった特別な理由はありません。ベイズの微積分の要点を知ることは役に立ちます。これはおそらく「より困難」であるという評判が由来する場所ですが、私たちが数年前よりもはるかに優れたソフトウェアを持っていることを今は必要とは言いません。統計に不慣れで、頻度主義者とベイジアンの両方のフレームワークをいじりたい場合は、新しいJASPソフトウェアをお勧めします。Rが好きなら、BayesFactorパッケージはしっかりしています。

頻出から始めたい場合は、次のことを知っておくことをお勧めします。

1. 以下のすべての項目の完全かつ正確な解釈。
2. p値、信頼区間、サンプルサイズ、検出力、エラー率の関係。
3. Z検定、t検定、分散分析、線形回帰の関係。
4. 線形回帰と非線形回帰、パラメトリックテストとノンパラメトリックテストの関係。
5. ダミー変数、コントラスト、エフェクトコーディングの関係。
6. 上記のすべての項目の完全かつ正確な解釈。

それは多くのように聞こえますが、これらはすべて基本的な方法で接続されています。すべての推論は、同じ本質的なことを要約します。2つ以上のモデルを比較することにより、観測されたデータのモデルに基づいて、観測されていないデータについて正しい予測を行いたいと考えています。これを行うには、2つ以上のモデルで「信頼度」のいくつかの定義について信頼度を計算し、比率を計算します。最も基本的なことはそれだけです。

論争の多くは本当に「信頼」を形式化することについてであり、それは私たちが持っていることを嬉しく思っている重要な議論ですが、それはまたあなたが今気づく必要があるものではありません。頻出主義フレームワークでは、分母に入れる暗黙のnullモデルを作成するために特別な手順が取られますが、ベイズフレームワークでは、両方のモデルが明示的に示されますが、両方のフレームワークの実際の出力と解釈にはかなりの主観性が含まれます。頻出については、それは最大尤度の構築と誤り率の選択にあり、ベイジアンについては、それは以前のものです。私の意見では、誰もが両方を学ぶべきです。