フィッシャーの正確確率検定の不適切な使用を回避する時期と方法

Richard McElreathがフィッシャーの正確な検定が彼の優れたベイジアン紹介本（統計的再考）でますか？

参考までに、コンテキストは以下のとおりです。

なぜ革新的な研究に十分なテストではないのですか？導入統計の古典的な手順は、柔軟性がなく、壊れやすい傾向があります。柔軟性がないということは、彼らが独自の研究状況に適応する方法が非常に限られているということです。壊れやすいということは、新しいコンテキストに適用すると、予測できない方法で失敗するということです。ほとんどの科学の境界では、どの手順が適切であるかがはっきりしないので、これは重要です。従来のゴーレムはどれも斬新な研究環境で評価されていないため、1つを選択してそれがどのように動作するかを理解するのは難しい場合があります。良い例はフィッシャーの正確検定です。これは非常に狭い経験的コンテキストに（正確に）適用されますが、セル数が少ない場合は常に使用されます。私は個人的にフィッシャーの正確な検定の数百の使用法を科学雑誌で読みましたが、フィッシャーの元の使用法は別として、それが適切に使用されたことはありません。多くの点で非常に柔軟性があり、興味深い多様な仮説を非常に多様にエンコードできる通常の線形回帰のような手順でさえ、壊れやすい場合があります。たとえば、予測変数に大きな測定誤差がある場合、手順は見事に失敗する可能性があります。しかし、より重要なことに、主にオーバーフィッティングと呼ばれる現象が原因で、通常の線形回帰よりも優れた処理を行うことがほぼ常に可能です。

この見積もりを読むのは難しく、作成者が分割表の限界合計が設計で固定されていない場合、フィッシャーの厳密検定を使用するのは単なる失敗であると著者が考えるのは当然です。テストの「フィッシャーの元の用途」は、「テストの内容が事前に伝えられている、つまり、8つのカップを味わうように求められ、これらはそれぞれ4杯である」という有名な女性の試飲茶を指す必要があります。 [...] "（フィッシャー（1935）、実験計画法）; ^†＆次に、「非常に狭い経験的コンテキスト」は、「実際に実行されたいくつかの研究に適用可能なサンプリングスキーム」として解析されます。

しかし、それは誤解ではありません。帰無仮説のもとでデータの分布に十分な統計量を条件とすることは、迷惑なパラメーターを排除し、正しいサイズのテストを考案する標準的な手法です（これは順列テストの基礎です）。周辺合計には、関心のあるパラメーターであるオッズ比を推定するために使用できる情報がほとんど含まれていません。＆推定できる精度についての詳細：両方を条件付けすることによって得られるサンプル空間は、一方のみまたは合計数のみを条件付けすることによって得られるものよりも推論にはるかに関連しているという議論があります。それはひどく粗いサンプル空間ですが、悲惨なパワーの損失をもたらします。サンプルスペースの関連性と情報損失のバランスをどのように保つ必要がありますか？漸近的に有効なテストまたは無条件のテストが優先される前に、サンプル空間の粗さはどれくらい許容できますか？これらは厄介な質問であり、2 x 2の分割表の分析は半世紀以上にわたって物議を醸しています。

これがベイジアンのテキストによるものであることを考えると、ジェインズが確率論で行っているように、著者が頻繁に使用する方法の使用へのコミットメントがもたらすジレンマを楽しもうとする機会を逃したと思います：科学の論理

†彼の本と同じ年に発行された論文では、サンプリングスキームは明示的に指定されていませんが、事前に最大で1つのマージンを固定でき、おそらく合計数のみが固定されている例を使用しました。有罪判決を受けた犯罪者のような、性別双子が二卵性双生児＆自体が2×2の表（フィッシャー（1935）、「帰納的推論の論理」で有罪判決を受けていない対犯罪の有罪判決を受けたとして、JRSS、VS一卵性双生児として分類され98、1 39〜82ページ）。[編集：データはLange（1929）、Verbrechen als Schicksal：Studien am kriminellen Zwillingenからのものです。Wetzell（2000）、Inventing the Criminal：A History of German Criminology、1880–1945、p 162]は、ランゲのデータ収集手順を説明しています。それ'