タグ付けされた質問 「frequentist」

ベイジアンとフリークエンティストの推論を区別する特徴を、平易な英語でどのように説明しますか？

340 bayesian  frequentist 

ここでのジョリスとスリカントのやり取りは、信頼区間と信頼区間の違いについての私の内部説明が正しいものであったかどうか（再び）不思議に思いました。違いをどのように説明しますか？

229 bayesian  confidence-interval  frequentist  credible-interval  fiducial 

このxkcdコミック（フリークエンティスト対ベイジアン）は、明らかに間違った結果を導き出す頻度の高い統計学者をからかいます。 しかし、彼の推論は標準的な頻度主義の方法論に従うという意味で実際に正しいように思えます。 私の質問は、「彼は頻繁な方法論を正しく適用しているのですか？」です。 「いいえ」の場合：このシナリオで正しい頻度の推論は何ですか？太陽熱安定性に関する「事前知識」を頻繁な方法論に統合するには？ はいの場合：wtf？;-)

113 bayesian  frequentist 

すでにp値としてタグ付けされた複数のスレッドがあり、それらについての多くの誤解が明らかになっています。10か月前、p値を「禁止」した心理学雑誌pppについてのスレッドがありましたが、現在は米国統計協会（2016）の分析では「値の計算で終わるべきではない」と言われています。ppp 米国統計協会（ASA）は、値の適切な使用と解釈の根底にあるいくつかの広く合意された原則を明確にする正式な声明から科学界が利益を得ることができると考えています。ppp 委員会は、値の可能な代替手段または補足として他のアプローチをリストします。ppp 値の一般的な誤用および誤解を考慮して 、一部の統計学者はp値を他のアプローチで補完するか、さらには置き換えることを好み ます。これらには、信頼性、信頼性、予測間隔など、テストよりも推定を重視する方法が含まれます。ベイジアン法; 尤度比やベイズ因子などの証拠の代替手段。意思決定理論モデリングや誤発見率などの他のアプローチ。これらの測定とアプローチはすべて、さらなる仮定に依存していますが、効果のサイズ（および関連する不確実性）または仮説が正しいかどうかにより直接対処する場合があります。pppppp それでは、値後の現実を想像してみましょう。ASAは、p値の代わりに使用できるいくつかのメソッドをリストしていますが、なぜより良いのですか？すべての人生でp値を使用した研究者にとって、実際の代替物となるのはどれですか？私が質問のこの種のことを想像するだろう後に表示されたpので、多分のは、一歩先にそれらのことを試してみましょう、-values現実。すぐに適用できる合理的な代替手段は何ですか？このアプローチが主任研究者、編集者、または読者を説得するのはなぜですか？pppppppppppp このフォローアップブログエントリが示唆しているように、値はそのシンプルさにおいて無敵です。ppp p値には、保持する帰無仮説の下での統計の振る舞いの統計モデルのみが必要です。「良い」統計（p値の構築に使用される）を選択するために対立仮説のモデルが使用される場合でも、この代替モデルは、p値が有効であり、有用です（つまり、実際の効果を検出するためのパワーを提供しながら、希望するレベルでタイプIエラーを制御します）。対照的に、尤度比、効果サイズ推定、信頼区間、ベイジアン法などの他の（驚くほど有用な）統計的手法はすべて、テストされたヌルの下だけでなく、より広い範囲の状況を保持するための仮定モデルを必要とします。 それとも、それとも真実ではないのでしょうか？ 私は知っていますが、これは広範ですが、主な質問は簡単です：代替として使用できる値に代わる最良の（そしてなぜ）実際の代替物は何ですか？ppp ASA（2016）。統計的有意性と値に関するASAステートメント。PPP アメリカの統計学者。（印刷中）

100 hypothesis-testing  bayesian  p-value  frequentist 

統計に興味を持つようになると、「フリークエンティスト」と「ベイジアン」の二分法がすぐに一般的になります（とにかく、ネイトシルバーの「シグナルとノイズ」を読んでいない人はいますか？）。講演と入門コースでは、視点は圧倒的に頻繁（MLE、値）ですが、ベイズの公式を賞賛し、通常は接線で事前分布の概念に触れることに専念する時間はごくわずかである傾向があります。ppp ベイジアン統計を議論するために採用されたトーンは、その概念的基盤の尊重と、高尚な目標間の溝に関する懐疑主義のヒントと、事前分布の選択における意性、または結局は頻繁な数学の最終的な使用との間で振動します。 「もしあなたがハードコアベイジアンなら...」などの文はたくさんあります。 問題は、今日のベイジアンは誰ですか？彼らは、あなたがそこに行けば、あなたがベイジアンになることを知っているいくつかの学術機関ですか？もしそうなら、彼らは特別に求められていますか？尊敬されている統計学者や数学者だけに言及していますか？ それらは、これらの純粋な「ベイジアン」としても存在しますか？彼らはラベルを喜んで受け入れますか？それはいつもお世辞の区別ですか？彼らは、会議で特異なスライドを持ち、値と信頼区間を奪われ、パンフレットで簡単に見つけられる数学者ですか？ppp どのくらいのニッチが「ベイジアン」であるか？私たちは少数の統計学者に言及していますか？ または、現在のベイジアン主義は機械学習アプリケーションと同一視されていますか？ ...またはもっと可能性が高いのは、ベイジアン統計は統計の枝ではなく、むしろ確率計算の範囲を超えて科学哲学へと向かう認識論的運動でしょうか？この点で、すべての科学者は本質的にベイジアンになります...しかし、頻繁なテクニック（または矛盾）に不浸透性の純粋なベイジアン統計学者のようなものはありません。

92 bayesian  mathematical-statistics  inference  bayes  frequentist 

背景：私はベイジアン統計の正式なトレーニングは受けていませんが（詳細については非常に興味がありますが）、多くの人がフリークエンティスト統計よりも好ましいと感じる理由の要点を理解するのに十分なことを知っています。私が教えている導入統計（社会科学）クラスの大学生でさえ、ベイジアンのアプローチが魅力的であることがわかります。「なぜnullが与えられた場合、データの確率を計算することに関心があるのでしょうか？ ？？帰無仮説または代替仮説と私も読んだ糸のようなこれらのほかベイズ統計の経験的な利点を証明する、しかし、私はブラスコによって、この引用に出くわした（2001;強調を追加します）。： 動物の飼育者が帰納に関連する哲学的問題に興味がなく、問題を解決するためのツールに興味がある場合、ベイジアンと頻繁な推論の両方の学校が確立されており、どちらの学校が好まれるのかを正当化する必要はありません。一部の複雑なケースを除き、どちらにも運用上の問題はありません... どちらの学校を選択するかは、一方の学校に他の学校が提供していない解決策があるかどうか、問題がどれだけ簡単に解決できるかに関連する必要があります、そして科学者が表現結果の特定の方法でどれほど快適に感じるか。 質問：Blascoの引用は、Frequentistのアプローチが実際にベイジアンのアプローチよりも好ましい場合があることを示唆しているようです。それで、私は好奇心が強いです：ベイジアンのアプローチよりも頻繁なアプローチがいつ望ましいか？私は、概念的に（つまり、帰無仮説に基づいたデータの確率が特に有用かどうかを知っているのはいつか）、そして経験的に（つまり、どのような条件下で頻度論的手法が優れているか、ベイジアンか）の両方の問題に取り組む回答に興味があります また、回答ができるだけアクセスしやすいものになっている場合も望ましいでしょう-クラスに回答を返して生徒と共有するのは良いことです（ある程度の専門性が必要であることは理解していますが）。 最後に、Frequentist統計の通常のユーザーであるにもかかわらず、私は実際にBayesianが全面的に勝つ可能性にオープンです。

72 bayesian  frequentist  philosophical 

ウィキペディアでは次のように述べています： [確率の]数学は、確率の解釈とはほとんど無関係です。 質問：私たちは数学的に正しいことをしたい場合はその後、我々は禁止すべきではない任意の確率の解釈を？すなわち、ベイジアンと頻度の両方が数学的に間違っていますか？ 私は哲学が好きではありませんが、数学は好きです。コルモゴロフの公理の枠組みの中で独占的に働きたいです。これが私の目標である場合、ウィキペディアでベイジアン主義と頻度主義の両方を拒否すべきであると言っていることに従うべきでしょうか？概念が純粋に哲学的であり、数学的なものではない場合、最初に統計に表示されるのはなぜですか？ 背景/コンテキスト： このブログ投稿ではまったく同じことを言っていませんが、テクニックを「ベイジアン」または「フリークエンシー」に分類しようとすることは、実際的な観点からは逆効果であると主張しています。 ウィキペディアからの引用が真である場合、哲学的観点から統計的方法を分類しようとすることも逆効果であるように思われます-方法が数学的に正しい場合、基礎となる数学の仮定の際に方法を使用することは有効ですそうでなければ、数学的に正しくない場合、または仮定が成り立たない場合、それを使用することは無効です。 一方、多くの人が確率論（つまりコルモゴロフの公理）で「ベイジアン推論」を特定しているように見えますが、その理由はよくわかりません。いくつかの例は、ジェームズ・ストーンの本「ベイズ・ルール」と同様に、「確率」と呼ばれるベイズ推論に関するジェインズの論文です。したがって、これらの主張を額面どおりに受けた場合、それはベイジアン主義を好むべきであることを意味します。 しかし、Casella and Bergerの本は、最尤推定量について説明しているが、最大事後推定量を無視しているため、頻繁に使用されているように見えますが、その中のすべてが数学的に正しいようにも見えます。 それでは、統計的に数学的に正しいバージョンのみが、ベイジアン主義と頻度主義に関して完全に不可知ではないことを拒否するということになるのではないでしょうか？両方の分類のメソッドが数学的に正しい場合、正確で明確に定義された数学よりも曖昧で不明確な哲学を優先するため、他のものよりもいくつかを好むのは不適切な実践ではありませんか？ 要約：要するに、ベイジアン対頻繁な議論の数学的根拠が理解できず、議論の数学的根拠がない場合（これはウィキペディアが主張するものです）、なぜそれが容認されるのか分かりませんすべてが学術的な談話です。

67 probability  bayesian  frequentist  philosophical  kolmogorov-axioms 

タイトルの私の質問は自明ですが、コンテキストを与えたいと思います。 ASAは今週、「p値に関するコンテキスト、プロセス、目的」に関する声明を発表し、p値に関するさまざまな一般的な誤解の概要を示し、コンテキストと思考なしに使用しないように注意を促しています統計的な方法、本当に）。 ASAに応えて、Matloff教授は150年後、ASAはp-valuesにノーと言うブログ投稿を書きました。その後、ベンジャミニ教授（および私）は、「p値の誤りではない -最近のASAステートメントに関する考察」というタイトルの応答投稿を書きました。それに応えて、マトロフ教授はフォローアップの投稿で尋ねました： 私が見たいのは[...は] -p値が有用である、説得力のある良い例です。それは本当に一番下の行でなければなりません。 値の有用性に対する彼の 2つの主要な議論を引用するには：ppp サンプル数が多い場合、有意性検定は、帰無仮説からの重要ではないわずかな逸脱に飛びつきます。 現実世界では帰無仮説がほとんどないので、それらに対して有意性検定を実行するのはばかげて奇妙です。 私は、他の相互検証されたコミュニティのメンバーがこの質問/議論についてどう考えているか、そしてそれに対する良い反応を構成するものに非常に興味があります。

64 hypothesis-testing  bayesian  p-value  inference  frequentist 

ベイジアンとフリークエンティストの間の統計には多くの議論がありました。私は一般的に、これらはむしろ不快なものだと思っています（しかし、私はそれが死んだと思いますが）。一方、私はこの問題について完全に実用的な見方をする複数の人々に会いました。頻繁な分析を行う方が便利な場合もあれば、ベイジアン分析を実行する方が簡単な場合もあります。この視点は実用的で新鮮だと思います。 そのような場合のリストを用意しておくと役立つと思います。統計分析が多すぎるため、そして頻繁に分析を行うのが通常より実用的であると仮定しているため（WinBUGSでt検定をコーディングすることは、R 、たとえば）、ベイジアンのアプローチが頻繁なアプローチよりも単純で、より実用的で、および/またはより便利な状況のリストがあるといいでしょう。 （私が興味のない2つの答えは、「常に」と「決して」ではありません。人々は強い意見を持っていることを理解していますが、ここで放映しないでください。ここでの私の目標は、仕事をするアナリストに役立つリソースを開発することであり、粉砕するxではありません。） 人々は複数のケースを提案することを歓迎しますが、それぞれの状況を個別に評価（投票/議論）できるように、個別の回答を使用して提案してください。回答が表示されるはずです：（1）どのような状況の性質があり、かつ（2）なぜベイジアンアプローチは、この場合には簡単です。いくつかのコード（たとえば、WinBUGSに）分析が行われるだろう、なぜベイジアンバージョンが理想的であるより実用的であるが、私はあまりにも面倒になります期待して方法を示します。簡単にできる場合は感謝しますが、その理由を含めてください。 最後に、あるアプローチが別のアプローチよりも「簡単」であるということの意味を定義していないことを認識しています。真実は、あるアプローチが他のアプローチよりも実用的であることの意味が完全にはわからないということです。私はさまざまな提案を受け入れています。あなたが議論する状況でベイジアン分析がより便利である理由を説明するときに、あなたの解釈を指定するだけです。

63 bayesian  frequentist 

統計の世界は、フリークエンシーとベイジアンに分かれていました。最近では、誰もが両方を少しやっているようです。どうすればいいの？異なるアプローチが異なる問題に適している場合、統計の創設者はなぜこれを見なかったのですか？あるいは、頻度論者が議論に勝ち、真の主観的なベイジアンが決定理論に移行したのでしょうか？

59 bayesian  frequentist  history  philosophical 

我々はすでに求めてスレッドを持っていたBayesiansある人、もう1つは尋ねfrequentistsがBayesiansであれば、しかし直接尋ねるどのスレッドがなかったfrequentistsている人は？これは、@ whuber がこのスレッドへのコメントとして尋ねた質問であり、回答を求めています。それらは存在しますか？たぶん、彼らは主流の統計を批判するときに責めるためにスケープゴートを必要としたベイジアンによって作られたのでしょうか？ すでに与えられた答えへのメタコメント：対照的に、ベイジアン統計は、ベイズの定理の使用（非ベイジアンも使用する）だけで定義されているわけではなく、確率の主観主義的解釈の使用についても定義されていません（素人とは呼ばないでしょう）「確率は50:50未満だと思います！」と言っています）-頻度の採用は、確率の採用された解釈に関してのみ定義できますか？また、統計確率を適用し≠≠\ne、そのfrequentismの定義は、単に確率の解釈に集中する必要がありますか？

55 bayesian  frequentist 

注：私は午前の意識哲学的ベイズとfrequentist統計との違い。 たとえば、「テーブル上のコインが頭である確率」は、すでに頭または尾を上陸させているため、頻繁な統計では意味がありません。確率については何もありません。そのため、この質問には、頻繁な表現では答えがありません。 しかし、そのような違いは、具体的に私が尋ねている種類の違いではありません。 むしろ、上で述べた例のような理論的/哲学的な違いを除いて、整形式の質問に対する彼らの予測が実際にどのように異なるかを知りたいと思います。 言い換えれば： 頻度の高い統計とベイジアン統計の両方で答えられる質問の例は何ですか？その答えは2つで異なりますか？ （たとえば、それらの1つが特定の質問に対して「1/2」と答え、他の1つが「2/3」と答える場合があります。） そのような違いはありますか？ もしそうなら、いくつかの例は何ですか？ そうでない場合、特定の問題を解決するときにベイジアン統計と頻度統計のどちらを使用するかによって、実際に違いが生じるのはいつですか？ なぜ一方が他方を支持して避けるのですか？

54 bayesian  frequentist 

記事「ディスカッション：エコロジストはベイジアンになるべきか？」ブライアンデニスは、ベイジアン統計について驚くほどバランスの取れた前向きな見解を示しています。しかし、ある段落では、引用や正当化なしで、彼は言います： ご覧のとおり、ベイジアンは残差を見ることができません。モデルの下でどれだけ極端かによって結果を判断する可能性の原則に違反します。ベイジアンにとって、悪いモデルはなく、悪い信念だけです。 なぜベイジアンは残差を見ることを許されないのでしょうか？これに適切な引用は何でしょうか（つまり、彼は誰を引用していますか）？ デニス、B。 ディスカッション：生態学者はベイジアンになるべきか？ 生態アプリケーション、アメリカ生態学会、1996、6、1095年から1103年

46 bayesian  residuals  frequentist  likelihood-principle 

このパッセージにつまずいたとき、私はまったく無関係な問題についてベイズ因子に関するこの記事を読んでいた ベイズ形式はモデル選択のバイアスを回避し、帰無仮説を支持して証拠を評価し、モデルの不確実性を含み、ネストされていないモデルを比較できるため、ベイズ因子を使用した仮説検定は、頻繁な仮説検定よりも堅牢です同じ従属変数を持つ）。また、十分な大きさのサンプルサイズで帰無仮説を棄却するために、頻繁な有意性検定は偏りが生じます。[強調を追加] 私はで前にこの主張を見てきた脳画像でカールFristonの2012紙、彼はそれを呼び出す、古典推論の誤謬。 なぜこれが真実なのかという真に教育的な説明を見つけるのに少し苦労しました。具体的には、私は疑問に思っています： これが起こる理由 それを防ぐ方法 それに失敗した、それを検出する方法

46 hypothesis-testing  frequentist 

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