(Để xem lý do tại sao tôi viết bài này, hãy kiểm tra các bình luận bên dưới câu trả lời của tôi cho câu hỏi này .)
Lỗi loại III và lý thuyết quyết định thống kê
Đưa ra câu trả lời đúng cho câu hỏi sai đôi khi được gọi là lỗi Loại III. Lý thuyết quyết định thống kê là một hình thức chính thức của việc ra quyết định trong sự không chắc chắn; nó cung cấp một khung khái niệm có thể giúp người ta tránh các lỗi loại III. Phần tử chính của khung được gọi là hàm mất . Phải mất hai đối số: đầu tiên là (các tập con có liên quan của) tình trạng thực sự của thế giới (ví dụ, trong các vấn đề ước lượng tham số, giá trị tham số đúng ); thứ hai là một yếu tố trong tập hợp các hành động có thể (ví dụ, trong các vấn đề ước lượng tham số, ước tính θ ). Đầu ra mô hình sự mất mát liên quan đến mọi hành động có thể có liên quan đến mọi trạng thái thực sự có thể có của thế giới. Ví dụ, trong các vấn đề ước tính tham số, một số hàm mất mát nổi tiếng là:
- mất lỗi tuyệt đối
- mất bình phương lỗi
- LINEX của Hal Varian mất
Kiểm tra câu trả lời để tìm câu hỏi
Có một trường hợp người ta có thể cố gắng tạo ra lỗi loại III đó bằng cách tập trung vào việc xây dựng một hàm mất chính xác và tiến hành phần còn lại của phương pháp lý thuyết quyết định (không được nêu chi tiết ở đây). Đó không phải là tóm tắt của tôi - xét cho cùng, các nhà thống kê được trang bị tốt với nhiều kỹ thuật và phương pháp hoạt động tốt mặc dù chúng không bắt nguồn từ cách tiếp cận như vậy. Nhưng kết quả cuối cùng, dường như đối với tôi, là phần lớn các nhà thống kê không biết và không quan tâm đến lý thuyết quyết định thống kê, và tôi nghĩ rằng họ đang bỏ lỡ. Đối với những nhà thống kê này, tôi cho rằng lý do họ có thể thấy lý thuyết quyết định thống kê có giá trị trong việc tránh lỗi Loại III là vì nó cung cấp một khung để hỏi về bất kỳ quy trình phân tích dữ liệu được đề xuất nào:chức năng mất (nếu có) làm thủ tục đối phó tối ưu là gì? Đó là, trong tình huống ra quyết định, chính xác, nó cung cấp câu trả lời tốt nhất?
Mất hậu kỳ
Từ quan điểm của Bayes, chức năng mất là tất cả những gì chúng ta cần. Chúng ta có thể bỏ qua phần còn lại của lý thuyết quyết định - gần như theo định nghĩa, điều tốt nhất cần làm là giảm thiểu tổn thất dự kiến sau, nghĩa là tìm hành động giảm thiểu .~ L ( một ) = ∫ q L ( θ , một ) p ( θ | D ) d θ
(Và đối với các quan điểm không thuộc Bayes? Vâng, đó là một định lý của lý thuyết quyết định thường xuyên - cụ thể là Định lý Lớp hoàn chỉnh của Wald - rằng hành động tối ưu sẽ luôn là giảm thiểu tổn thất dự kiến của Bayes đối với một số (có thể không đúng) Khó khăn với kết quả này là một định lý tồn tại không đưa ra hướng dẫn nào về việc sử dụng trước. Nhưng nó hạn chế một cách hiệu quả lớp thủ tục mà chúng ta có thể "đảo ngược" để tìm ra chính xác câu hỏi nào là chúng ta đặc biệt, bước đầu tiên trong việc đảo ngược bất kỳ thủ tục phi Bayes nào là tìm ra thủ tục Bayesian (nếu có) mà nó sao chép hoặc xấp xỉ.)
Này Cyan, bạn biết đây là trang web hỏi đáp phải không?
Điều này mang lại cho tôi - cuối cùng - cho một câu hỏi thống kê. Trong thống kê Bayes, khi cung cấp ước tính khoảng cho các tham số đơn biến, hai thủ tục khoảng tin cậy phổ biến là khoảng tin cậy dựa trên lượng tử và khoảng tin cậy mật độ sau cao nhất. Các chức năng mất đằng sau các thủ tục này là gì?