私たちは頻繁にベイジアンを暗黙的/無意識にしていますか？

与えられた推論問題について、ベイジアンアプローチは通常、形式と結果の両方が周波数論的アプローチと異なることを知っています。頻繁に（通常私を含む）彼らの方法は事前を必要としないため、「判断駆動型」よりも「データ駆動型」であるとしばしば指摘します。もちろん、ベイジアンのものは、情報価値のない事前分布を指すことができます。または、実際的であるため、本当に拡散事前分布を使用することもできます。

私の懸念は、特に私の周波数主義的客観性にうんざりしているように感じた後、おそらく「客観的」と言われる方法が、いくつかの異常な事前モデルとデータモデルであるにもかかわらず、ベイジアンフレームワークで定式化できることです。その場合、私は自分のフリークエンシー主義の手法が暗示する、とんでもない前例とモデルを至福のように知らないのでしょうか？

ベイジアンがそのような定式化を指摘した場合、私の最初の反応は「まあ、それはあなたがそれを行うことができるのは素晴らしいことですが、それは私が問題について考える方法ではありません！」しかし、だれが私がそれについてどう考えるか、または私がそれをどのように公式化するかを気にします。私の手順は、統計的/数学的に等価である場合には、いくつかのベイズモデル、そして私は（暗黙的だ無意識のうちにベイズ推定を実行します！）。

以下の実際の質問

この実現は、独善的な誘惑を大幅に弱めました。ただし、ベイジアンのパラダイムがすべての頻繁な手順に対応できるかどうかはわかりません（再度、ベイジアンが適切な事前確率と尤度を選択した場合）。私は逆が間違っていることを知っています。

私が最近条件付き推論に関する質問を投稿したので、私はこれを尋ねます。そして、それは私を次の論文に導きました：ここ（3.9.5、3.9.6を見てください）

彼らは、どの「関連サブセット」が最も関連性があるのか​​という質問を頼み、複数の補助的な統計値が存在する可能性があるというバスの有名な結果を指摘しています。さらに悪いことに、一意の補助統計がある場合でも、他の関連サブセットの存在を排除しない2つの例を示しています。

彼らは、ベイジアンメソッド（またはそれらに相当するメソッド）のみがこの問題を回避でき、問題のない条件推論を可能にすると結論付けています。

それはケースではないかもしれないベイズ統計その Fequentist統計-ここでは、このグループへの私の質問です。しかし、2つのパラダイム間の基本的な選択は、目標よりも哲学にあるようです。高い条件精度または低い無条件エラーが必要ですか。$\supset$

• 特異なインスタンスを分析する必要がある場合、高い条件精度が適用されるようです-この方法は次のデータセット（ハイパーコンディショナリティ/特殊化）に適切または正確でないかもしれないという事実にもかかわらず、この特定の推論に対して正しいことを望みます。

• 長期的なエラーが最小化または制御されている限り、場合によっては条件付きで誤った推論を行う場合は、低無条件エラーが適切です。正直なところ、これを書いた後、私は時間に縛られて、ベイジアン分析を行うことができなかった場合を除き、なぜこれを望むのかわかりません...うーん。

尤度関数からいくつかの（漸近的/近似）条件付けを取得するため、尤度ベースのフェンティクストの推論を好む傾向がありますが、事前に調整する必要はありません-しかし、特にベイジアン推論に慣れてきました私は以前の小さなサンプル推論の正規化用語を参照します。

ごめんなさい。私の主な問題に対する助けをいただければ幸いです。

実際、私たちは頻繁に長期的な頻度を持たないものについて確率論的推論を実行したいので、頻繁に頻繁に「暗黙的/無意識のベイジアン」であると主張します。ヌル仮説統計的検定（NHST）の典型的な例では、ヌルと研究仮説の相対的な確率が真であることを知りたいのですが、特定の仮説の真理にはないため、頻度の高い設定でこれを行うことはできません（自明ではない）長期実行頻度-それは本当かそうでないかのどちらかです。頻度の高いNHSTは、「帰無仮説のもとで少なくとも極端な結果を観測する確率はどれか」という別の質問を代用することでこれを回避し、それを所定のしきい値と比較します。ただし、この手順は論理的には H0またはH1が真であるかどうかについて結論を出せるようにします。そうすることで、実際に頻繁なフレームワークから（通常は主観的な）ベイジアンフレームワークにステップアウトします。非常に低いため、H0が真である可能性が高いとはもはや信じられません（これは、特定の仮説に確率を暗黙的に割り当てていることに注意してください）。

$\alpha$$p(H_0)$$p(H_1)$

$\alpha$

ほぼ間違いなく、信頼区間は、与えられた確率で観測値を見ることができる区間としてよく使用されます（そして、これはベイズ解釈です）。

理想的には、統計学者は両方のアプローチのメリットとデメリットを認識し、手元のアプリケーションに適切なフレームワークを使用する準備をする必要があります。基本的には、実際に回答したい質問に最も直接的な回答を提供する分析を使用することを目的とする必要があります（別の質問を静かに置き換えることはありません）。したがって、長期的な周波数とそうでないベイジアン法。

$H_0$

ベイジアンとフリークエンティストは、推論を得る方法が異なるだけでなく、これらの推論が特定の以前の選択を不確実にする可能性があることも異なります。主な違いは、確率の解釈方法です。

ベイズ確率：

ベイズ確率は、確率の概念の1つの解釈です。確率を何らかの現象の頻度または傾向として解釈するのとは対照的に、ベイズ確率は知識の状態または信念の状態を表すために割り当てられる量です。

頻度の確率：

頻度主義の確率または頻度は、確率の標準的な解釈です。多数の試行における相対頻度の限界としてイベントの確率を定義します。この解釈は、実験科学者と世論調査官の統計的ニーズをサポートしています。確率は、反復可能な客観的プロセスによって（原則として）見つけることができます（したがって、理想的には意見がありません）。すべてのニーズをサポートしているわけではありません。ギャンブラーは通常、実験せずにオッズの推定値を必要とします。

これらの2つの定義は、確率の概念を定義するための2つの相容れないアプローチを表しています（少なくともこれまで）。そのため、いくつかのパラメトリックモデルまたはノンパラメトリックモデルで同様の推定量または同じ結論を得ることができるかどうかよりも、これら2つの領域の間に根本的な違いがあります。