Ý định điều tra của người dùng và các ngưỡng / giá trị p

Tôi đang đọc các slide "Làm phân tích dữ liệu Bayesian" của John Kruschke , nhưng thực sự có một câu hỏi về cách giải thích của ông về các bài kiểm tra t và / hoặc toàn bộ khung kiểm tra ý nghĩa giả thuyết null. Ông lập luận rằng giá trị p là không xác định bởi vì chúng phụ thuộc vào ý định của điều tra viên.

Cụ thể, ông đưa ra một ví dụ (trang 3-6) của hai phòng thí nghiệm thu thập các bộ dữ liệu giống hệt nhau so sánh hai phương pháp điều trị. Một phòng thí nghiệm cam kết thu thập dữ liệu từ 12 đối tượng (6 đối tượng), trong khi phòng thí nghiệm khác thu thập dữ liệu trong một khoảng thời gian cố định, điều này cũng xảy ra để mang lại 12 đối tượng. Theo các slide, giá trị quan trọng cho khác nhau giữa hai lược đồ thu thập dữ liệu này: cho cái trước, nhưng cho cái sau !$t$$p<0.05$$t_{\textrm{crit}}=2.33$$t_{\textrm{crit}}=2.45$

Một bài đăng trên blog - mà bây giờ tôi không thể tìm thấy - đã đề xuất rằng kịch bản thời lượng cố định có nhiều mức độ tự do hơn vì họ có thể đã thu thập dữ liệu từ 11, 13 hoặc bất kỳ số lượng đối tượng nào khác, trong khi kịch bản N cố định, bởi định nghĩa, có .$N=12$

Ai đó có thể vui lòng giải thích cho tôi:

• Tại sao giá trị tới hạn sẽ khác nhau giữa các điều kiện này?

• (Giả sử đó là một vấn đề) Làm thế nào một người sẽ sửa chữa / so sánh các tác động của các tiêu chí dừng khác nhau?

Tôi biết rằng việc đặt tiêu chí dừng dựa trên mức độ quan trọng (ví dụ: mẫu cho đến khi ) có thể làm tăng khả năng xảy ra lỗi Loại I, nhưng dường như điều đó không xảy ra ở đây, vì quy tắc dừng không phụ thuộc vào kết quả của phân tích.$p<0.05$

Dưới đây là một số thông tin khác: http://doingbayesiandataanalysis.blogspot.com/2012/07/sampling-distribution-of-t-when.html

Một cuộc thảo luận đầy đủ hơn được cung cấp ở đây: http://www.indiana.edu/~kruschke/BEST/ Bài viết đó xem xét các giá trị p để dừng ở ngưỡng N, dừng ở ngưỡng thời gian và dừng ở giá trị ngưỡng t.

Cuối cùng tôi đã theo dõi bài báo liên quan đến các slide: Kruschke (2010) , cũng có sẵn trực tiếp từ tác giả (thông qua CiteSeerX) ở đây , vì tạp chí không được mang đi rộng rãi. Lời giải thích là một chút prosaic, nhưng tôi vẫn không chắc chắn tôi mua nó.

Trong trường hợp N cố định, giá trị quan trọng được tính như sau: 2 mẫu N được rút ngẫu nhiên từ dân số (cùng) và giá trị t được tính. Quá trình này được lặp đi lặp lại nhiều lần để xây dựng một bản phân phối null. Cuối cùng, t c r i t được đặt là phân vị thứ 95 của phân phối đó.$t$$2N$$t$$t_{crit}$

Đối với trường hợp thời gian cố định, ông giả định rằng đối tượng đến với tốc độ trung bình . Phân phối null được xây dựng bằng cách lặp lại hai bước. Trong bước đầu tiên, số lượng các đối tượng cho mỗi điều kiện N 1 và N 2 được rút ra từ một phân phối possion với tham số λ . Tiếp theo, N 1 và N 2 rút ngẫu nhiên từ dân số được sử dụng để tính giá trị t . Điều này được lặp đi lặp lại nhiều lần và t c r i t được đặt là tỷ lệ phần trăm thứ 95 của phân phối đó.$\lambda$$N_1$$N_2$$\lambda$$N_1$$N_2$$t$$t_{crit}$

$t$$N$$N$$t$$2N-2$

Trong điều kiện khác, có vẻ như phân phối giống như " " thực sự là sự kết hợp của các mẫu từ nhiều phân phối t khác nhau , tùy thuộc vào các lần rút cụ thể. Bằng cách đặt λ = N , người ta có thể nhận được trung bình bậc tự do để bằng 2 N - N , nhưng đó không phải là khá đủ. Ví dụ: trung bình của các phân phối t cho ν = 1 và ν = 5 dường như không phải là phân phối t với 3 bậc tự do.$t$$t$$\lambda=N$$2N-N$$t$$\nu=1$$\nu=5$$t$

Tóm tắt:

• Tác giả đã tạo ra bằng cách mô phỏng, thay vì chỉ tính toán chúng từ CDF.$t_{crit}$
• Cách tác giả mô phỏng kịch bản thời lượng cố định có vẻ như nó có thể vỗ béo các đuôi của phân phối tương ứng .$t$
• Tôi vẫn không tin rằng đây thực sự là một vấn đề, nhưng sẽ rất vui khi đọc / upvote / chấp nhận câu trả lời nếu có ai nghĩ khác.