タグ付けされた質問 「bayesian」

関心が単にモデルのパラメーターを推定するだけで（ポイントワイズおよび/または間隔推定）、以前の情報が信頼できず、弱い場合（これは少しあいまいですが、選択のシナリオを確立しようとしています）事前は困難です）...なぜ誰かが、古典的なアプローチの代わりに「非情報的」な不適切な事前確率でベイジアンアプローチを使用することを選択するのでしょうか？

44 bayesian  inference  prior  likelihood  information 

どんな状況でもベイジアン統計法の使用に対する実際的な反対は何ですか？いいえ、私は事前の選択についての通常の対処を意味しません。答えが得られない場合は喜んでいます。

44 bayesian 

わかりました、これは夜に私を維持する質問です。 ブートストラップ手順は、ベイジアン手順を近似していると解釈できますか（ベイジアンブートストラップを除く）。 私は、統計のベイジアンの「解釈」が本当に好きです。ただし、ブートストラップ手順の弱点もあります。これは非常に単純ですが、多くの状況で妥当な推論を提供します。ただし、ブートストラップが何らかの意味で事後分布に近似していることを知っていれば、ブートストラップにもっと満足するでしょう。 「Bayesian bootstrap」（Rubin、1981）は知っていますが、私の観点からすると、このバージョンのブートストラップは標準のブートストラップと同じくらい問題があります。問題は、古典的なブートストラップとベイジアンブートストラップの両方を行うときに行う、本当に独特なモデルの仮定です。つまり、分布の可能な値は、すでに見た値のみです。これらの奇妙なモデルの仮定は、ブートストラップ手順がもたらす非常に合理的な推論をどのようにしてもたらすことができますか？私はブートストラップの特性を調査した記事を探していました（例えば、Weng、1989）が、満足できる明確な説明が見つかりませんでした。 参照資料 ドナルド・B・ルービン（1981）。ベイジアンブートストラップ。 アン。統計学者。ボリューム9、ナンバー1、130-134。 Chung-Sing Weng（1989）。ベイジアンブートストラップ平均の二次漸近特性について 統計学年報、Vol。１７、Ｎｏ．２、ｐｐ．７０５〜７１０。

43 bayesian  bootstrap 

ベイジアンモデルを近似する場合、専門家から事前分布を引き出すにはどうすればよいですか？

42 bayesian  prior  elicitation 

「交換可能性」という概念がさまざまなコンテキスト（たとえば、ベイジアンモデル）で使用されているのを見ていますが、この用語をよく理解したことがありません。 この概念はどういう意味ですか？ この概念はどのような状況で呼び出され、なぜですか？

41 bayesian  intuition  exchangeability 

RのBESTのようなプラグアンドプレイメソッドを探しているのではなく、2つのサンプルの平均値の差をテストするために使用できるベイジアンメソッドの数学的説明を探しています。

39 hypothesis-testing  bayesian  t-test 

ベイジアンデータ分析では、パラメーターはランダム変数として扱われます。これは、ベイズの確率の主観的概念化に由来します。しかし、ベイジアンは理論上、「実世界」には1つの真の固定パラメーター値があることを認めていますか？ 明らかな答えは「はい」であるように思われます。なぜなら、パラメータを推定しようとすることはほとんど無意味だからです。この答えの学術的な引用は大歓迎です。

39 probability  bayesian  parameterization 

頻繁な統計では、信頼区間とテストの間には密接な関係があります。約推論使用におけるN （μ 、σ 2）一例として分布を、1 - α信頼区間 ˉ X ± T α / 2（N - 1 ）⋅ S / √μμ\muN （μ 、σ2）N(μ,σ2)\rm N(\mu,\sigma^2)1 - α1−α1-\alpha は、有意水準αでt検定によって拒否されないμのすべての値が含まれます。バツ¯± 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 この意味で、頻繁な信頼区間は逆のテストです。（ちなみに、私たちは解釈できることを、この手段の最小値として-値αパラメータのNULL値が含まれるであろうために1 - α。信頼区間は、私は、これは何を説明するのに便利な方法であることができることを見つけますp値は、実際には少しの統計を知っている人向けです。）pppαα\alpha1 - α1−α1-\alphappp ベイズの信頼できる領域の決定理論的基礎について読んで、私は信頼できる領域とベイズのテストの間に同様の接続/同等性があるかどうか疑問に思い始めました。 一般的な接続はありますか？ 一般的な接続がない場合、接続がある例はありますか？ 一般的な接続がない場合、どのようにこれを見ることができますか？

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

確率に対するベイジアンアプローチと頻度主義的アプローチの違いを誰かが適切に要約できますか？ 私が理解していることから： 専門家の見解では、データは特定の頻度/確率（試行回数が無限に近づくにつれて発生するイベントの相対頻度として定義されます）を持つ反復可能なランダムサンプル（ランダム変数）です。基礎となるパラメータと確率は、この反復プロセス中、変動がの変動によるものであることが一定のままとしない（特定のイベント/プロセスのために固定されている）の確率分布。XnXnX_n ベイジアンビューでは、データは固定されますが、特定のイベントの頻度/確率は変化する可能性があるため、分布のパラメーターが変化します。実際、取得するデータは、データの各セットに対して更新されるパラメーターの事前分布を変更します。 私には、イベントに特定の確率があり、変動がサンプリングにあることが合理的であると思われるため、頻度主義的アプローチがより実用的/論理的であると思われます。 さらに、研究からのほとんどのデータ分析は、容易に理解できるので、通常、頻繁なアプローチ（すなわち、信頼区間、p値を使用した仮説検定など）を使用して行われます。 頻度のp値と信頼区間のベイジアン統計的同等物を含む、頻度対ベイジアンのアプローチの解釈の簡単な要約を誰かが私に与えることができるかどうか疑問に思っていました。さらに、1つの方法が他の方法よりも好ましい特定の例が評価されます。

37 probability  bayesian  frequentist 

部外者として、統計的推論を実行する方法については2つの競合する見解があるようです。 2つの異なる方法は、両方とも統計学者によって有効と見なされていますか？ 哲学的な質問と考えられているものを選択していますか？または、現在の状況は問題があると考えられており、さまざまなアプローチを何らかの形で統一する試みがなされていますか？

37 bayesian  frequentist 

NY Timesのこの記事「The Odds、Continually Updated」たまたま私の注目を集めました。簡潔に言うと、 [ベイジアン統計]は、2013年に沿岸警備隊が行方不明の漁師ジョン・アルドリッジを見つけるために使用した検索など、複雑な問題へのアプローチに特に有用であることが証明されています（これまでのところ、マレーシア航空370便の捜索ではありません）。 ......、ベイジアン統計は、物理学からがん研究、生態学から心理学まで、あらゆるものを波打っています... この記事では、次のような頻度主義者のp値に関する批判もあります。 p値が5パーセント未満の場合、結果は通常「統計的に有意」とみなされます。しかし、この伝統には危険があります、とコロンビアの統計学教授アンドリュー・ゲルマンは言いました。科学者が常に正しく計算を行っていたとしても、そうではないと彼は主張します。p値が5％のすべてを受け入れるということは、20の「統計的に有意な」結果の1つがランダムノイズに他ならないことを意味します。 上記のほかに、おそらくp値を批判する最も有名な論文はこれです-NatureのRegina Nuzzoによる「科学的方法：統計誤差」では、再現性の懸念など、 p値ハッキングなど 統計的妥当性の「ゴールドスタンダード」であるP値は、多くの科学者が想定しているほど信頼性が高くありません。......おそらく、最悪の誤theは、ペンシルベニア大学の心理学者Uri Simonsohnと彼の同僚がPハッキングという用語を広めた一種の自己欺ceptionです。データのred、スヌーピング、釣り、重要度追跡、ダブルディップとしても知られています。「P-hacking」はサイモンソン氏は言います。「意図した結果が得られるまで、複数のことを試みています」。......「その発見はPハッキングによって得られたようです。著者は、全体のp値が.05未満になるように条件の1つを下げました」と「彼女はpハッカーであり、彼女は収集中のデータを常に監視しています。」 別のことは、プロットについてのコメント付きの、ここから続く興味深いプロットです： 効果がどれほど小さくても、p <.05のしきい値を渡すために、常にデータを収集するという大変な作業を行うことができます。調査している効果が存在しない限り、p値はデータ収集にどれだけの労力を費やしたかを測定するだけです。 上記のすべてについて、私の質問は次のとおりです。 2番目のブロック引用でのAndrew Gelmanの議論は正確に何を意味するのでしょうか？なぜ彼は5％のp値を「統計的に有意な結果の20分の1が注目に値するがランダムなノイズ」と解釈したのですか？私にとって、p値は1つの研究の推論に使用されるため、私は確信していません。彼のポイントは複数のテストに関連しているようです。 更新： Andrew Gelmanのこれについてのブログを確認してください：いいえ、私はそれを言わなかった！（@ Scortchi、@ whuberへのクレジット）。 p値についての批判と、モデルの重要性を評価するためのAIC、BIC、Mallowの（したがって変数）のような多くの情報基準があるため、変数選択にp値を使用しないでくださいそれらのモデル選択基準を使用する以外はすべて？CpCpC_p より信頼性の高い研究結果につながる可能性のある統計分析にp値を使用する実用的なガイダンスはありますか？ 統計学者が主張するように、ベイジアンモデリングフレームワークは追求するより良い方法でしょうか？具体的には、ベイジアンアプローチは、データの問題の誤検出や操作を解決する可能性が高いでしょうか？事前のアプローチはベイジアンのアプローチでは非常に主観的であるため、ここでも納得できません。ベイジアンのアプローチが頻度主義者のp値よりも優れていることを示す実用的で有名な研究はありますか、少なくとも特定のケースではありますか？ 更新：ベイジアンアプローチが頻度主義者のp値アプローチよりも信頼できる場合があるかどうかに特に興味があります。「信頼できる」とは、ベイジアンアプローチが望ましい結果を得るためにデータを操作する可能性が低いことを意味します。助言がありますか？ アップデート6/9/2015 ニュースに気付いたばかりで、議論のためにここに置いておくといいと思いました。 心理学ジャーナルはP値を禁止 少なくとも1つのジャーナルで、物議を醸す統計テストが最終的に終わりました。今月初め、Basic and Applied Social Psychology（BASP）の編集者は、統計が低品質の研究をサポートするためにあまりにも頻繁に使用されたため、P値を含む論文を出版しないと発表しました。 Natureの P値についての最近の論文「気まぐれなP値は再現性のない結果を生成します」に加えて 2016年5月8日更新 3月に、米国統計協会（ASA）は統計的有意性とp値に関する声明を発表しました。「.... ASAの声明は、研究を「ポストp <0.05時代」に導くことを目的としています」 このステートメントには、p値の誤用に対処する6つの原則が含まれています。 P値は、データが指定された統計モデルとどの程度互換性がないかを示すことができます。 P値は、調査した仮説が真である確率、またはデータがランダムチャンスのみによって生成された確率を測定しません。 科学的結論とビジネスまたは政策決定は、p値が特定のしきい値を超えるかどうかだけに基づいてはなりません。 適切な推論には、完全なレポートと透明性が必要です。 p値または統計的有意性は、効果の大きさや結果の重要性を測定しません。 p値自体は、モデルまたは仮説に関する証拠の適切な尺度を提供しません。 詳細： …

36 hypothesis-testing  statistical-significance  bayesian  p-value  reproducible-research 

LDAトピックモデルアルゴリズムでは、この仮定を見ました。しかし、なぜディリクレ分布を選んだのか分かりませんか？Multinomial上の均一分布をペアとして使用できるかどうかわかりませんか？

36 bayesian  dirichlet-distribution  conjugate-prior 

主なアイデア、つまりベイズの定理に関連する概念は何ですか？複雑な数学表記の派生を求めていません。

36 probability  bayesian  theory 

Gibbsサンプリング、Metropolis HastingsなどのMCMCのさまざまなフレーバーを含め、VIとMCMCの両方の一般的なアイデアが得られたと思います。このペーパーでは、両方の方法のすばらしい説明を提供します。 次の質問があります。 ベイジアン推論を行いたい場合、なぜ一方の方法をもう一方より選択するのですか？ 各方法の長所と短所は何ですか？ これはかなり広範な質問であることを理解していますが、洞察をいただければ幸いです。

36 machine-learning  bayesian  mcmc  variational-bayes  approximate-inference 

ここにあるデータサイエンスコースの講義スライドをいくつか見ています。 https://github.com/cs109/2015/blob/master/Lectures/01-Introduction.pdf 残念ながら、この講義のビデオを見ることができず、スライドのある時点で、プレゼンターには次のテキストがあります。 いくつかの重要な原則 ベイジアンのように考え、周波数主義者のように確認する（和解） 誰がそれが実際に何を意味するか知っていますか？これから集められるべきこれらの2つの考え方について、良い洞察があると感じています。

35 bayesian  data-mining  frequentist