Là phương pháp bayes vốn có tuần tự?

Tức là, để thực hiện phân tích tuần tự (bạn không biết trước chính xác số lượng dữ liệu bạn sẽ thu thập) với các phương pháp thường xuyên đòi hỏi sự chăm sóc đặc biệt; bạn không thể thu thập dữ liệu cho đến khi giá trị p đủ nhỏ hoặc khoảng tin cậy trở nên đủ ngắn.

Nhưng khi thực hiện phân tích Bayes, đây có phải là một mối quan tâm? Chúng ta có thể tự do làm những việc như thu thập dữ liệu cho đến khi một khoảng tin cậy trở nên đủ nhỏ không?

— Alec
nguồn

Phụ thuộc. Nếu bạn thu thập dữ liệu cho đến khi bạn có một lượng thông tin nhất định thường không phải là vấn đề, cho dù bạn là người Bayes hay người thường xuyên. Nếu bạn quan tâm đến các đặc điểm hoạt động thường xuyên (ví dụ: xác suất bảo hiểm cho các khoảng tin cậy, lỗi loại 1), thì đó vẫn là một vấn đề phải dừng lại, ví dụ như một khi khoảng tin cậy không bao gồm hiệu lực.

— Bjorn

@ Bjorn Bạn có thể giải thích "một lượng thông tin nhất định" nghĩa là gì trong bối cảnh này không? Và ngay cả khi chúng tôi không nhận được tỷ lệ lỗi loại 1 không đổi với thử nghiệm bayes tuần tự, chúng tôi vẫn "được phép" chứ? Chúng ta vẫn có thể đưa ra những tuyên bố thông thường được đưa ra trong phân tích Bayes một cách an toàn chứ? (nghĩa là các tuyên bố về phân phối xác suất của một tham số)

— Alec

Lượng thông tin nhất định = ví dụ thông tin của Fisher (ví dụ: để phân tích tỷ lệ sống lên đến một số trường hợp nhất định). Đối với câu hỏi thứ hai: có, nếu bạn sử dụng khả năng phản ánh cách bạn đã lấy mẫu (ieeg phản ánh, trong trường hợp đó bạn sẽ ngừng thu thập thêm dữ liệu). Không, nếu bạn bỏ qua khả năng chính xác là gì (và ví dụ: chỉ sử dụng khả năng bình thường tiêu chuẩn).

— Bjorn

Ah, tôi hiểu rồi, nên vấn đề thực sự nằm ở khả năng tôi đoán. Một quy tắc dừng làm cho các quan sát trong tương lai có điều kiện phụ thuộc vào những điều trước đó.

— Alec

@Bjorn Bạn có biết bất kỳ tài liệu tham khảo nào cho phân tích Bayes có tính đến quy tắc dừng trong chức năng thích hợp của nó không?

— Alec

Câu trả lời:

Rouder (2014) có một bài viết hay về điều này (viết cho các nhà tâm lý học), giải thích lý do tại sao thử nghiệm tuần tự (cái gọi là nhìn trộm dữ liệu ) vẫn ổn từ góc độ Bayes. (Giấy có sẵn miễn phí trực tuyến nếu bạn thực hiện tìm kiếm cho nó.)

Schoenbrodt et al. (báo chí) trình bày các phân tích hay cho thấy cách sử dụng phân tích tuần tự với các yếu tố Bayes để xác định thời điểm dừng thu thập dữ liệu.

Từ một thủ tục ước tính tham số Bayes, John Kruschke có một bài đăng blog rất hay , so sánh các phương pháp Bayes khác nhau trong quá trình thử nghiệm tuần tự.

Hy vọng bạn tìm thấy họ giúp đỡ.

Người giới thiệu

Rouder, Jeffrey N. (2014). Tùy chọn dừng: Không có vấn đề cho Bayes. Bản tin & Đánh giá tâm lý, 21, 301-308.

Schoenbrodt, FD, Wagenmakers, E.-J., Zehetleitner, M., & Perugini, M. (trên báo chí). Kiểm tra giả thuyết tuần tự với các yếu tố Bayes: Kiểm tra hiệu quả sự khác biệt có nghĩa. Phương pháp tâm lý.

— JimGrange
nguồn

Bạn có thể tóm tắt các bài báo thay vì chỉ cung cấp các trích dẫn?

— Tim

SPRT là ví dụ điển hình của phương pháp thường xuyên là tuần tự.

Mặt khác, trong khi các mô hình Bayes có các linh mục để khắc phục sự thưa thớt của dữ liệu, thì càng có nhiều dữ liệu "thu hẹp" phân phối sau của bạn trở nên ít phù hợp hơn cho việc học tạm thời trực tuyến.

— Gorri
nguồn