Các linh mục không thông tin Bayes so với các giả thuyết null thường xuyên: mối quan hệ là gì?


11

Tôi đã xem qua hình ảnh này trong một bài đăng blog ở đây .

Ai đó trong một mosh pit trải nghiệm EUREKA!  chốc lát

Tôi đã thất vọng khi đọc bản tuyên bố không gợi ra biểu cảm khuôn mặt giống như tôi đối với anh chàng này.

Vì vậy, những gì có nghĩa là tuyên bố rằng giả thuyết null là làm thế nào những người thường xuyên thể hiện một không chính xác trước? Có thật không?


Chỉnh sửa: Tôi hy vọng ai đó có thể đưa ra một giải thích từ thiện làm cho tuyên bố đó đúng, thậm chí trong một số ý nghĩa lỏng lẻo.


3
Tôi không nghĩ nó chính xác. Đầu tiên, ai đó có thể viết ra Khả năng của một bài kiểm tra T không? Sau đó chúng ta có thể bắt đầu nói về sự tương tự. Chà, và nếu bạn không thể ... thì bức tranh đó sẽ không có ý nghĩa.
khớp_p

Câu trả lời:


10

Giả thuyết null không tương đương với một trường hợp không thông tin trước đây vì lý do đơn giản là Bayes cũng có thể sử dụng các giả thuyết null và thực hiện các kiểm tra giả thuyết sử dụng các yếu tố của Bayes. Nếu chúng tương đương, Bayes sẽ không sử dụng các giả thuyết null.

Tuy nhiên, cả hai thử nghiệm giả thuyết thường xuyên và Bayes đều kết hợp yếu tố tự hoài nghi, trong đó chúng tôi được yêu cầu phải chứng minh rằng có một số bằng chứng cho thấy giả thuyết thay thế của chúng tôi theo một cách nào đó là một lời giải thích hợp lý hơn cho các quan sát hơn là cơ hội ngẫu nhiên. Những người thường xuyên làm điều này bằng cách có một mức độ quan trọng, người Bayes làm điều này bằng cách có một thang giải thích cho yếu tố Bayes, do đó chúng tôi sẽ không đưa ra một giả thuyết mạnh mẽ trừ khi yếu tố Bayes trên giả thuyết null là đủ cao.

Bây giờ lý do tại sao các bài kiểm tra giả thuyết thường xuyên là phản trực giác là bởi vì một người thường xuyên không thể gán một xác suất không tầm thường cho sự thật của một giả thuyết, điều đáng buồn là nói chung là những gì chúng ta thực sự muốn. Cách gần nhất họ có thể làm là tính toán giá trị p (khả năng quan sát theo H0) và sau đó rút ra kết luận chủ quan từ việc này xem liệu H0 hay H1 có hợp lý hay không. Bayesian có thể gán một xác suất cho sự thật của một giả thuyết, và do đó có thể tìm ra tỷ lệ của các xác suất này để đưa ra một dấu hiệu về tính hợp lý tương đối của chúng, hoặc ít nhất là cách các quan sát thay đổi tỷ lệ của các xác suất này (đó là những gì Yếu tố Bayes nào).

Theo tôi, một ý tưởng tồi là cố gắng vẽ quá gần song song giữa các phương pháp kiểm tra giả thuyết thường xuyên và Bayes vì ​​chúng khác nhau về cơ bản và trả lời các câu hỏi khác nhau cơ bản. Đối xử với họ như thể họ tương đương khuyến khích một cách giải thích Bayes về thử nghiệm thường xuyên (ví dụ sai lầm giá trị p) có khả năng gây nguy hiểm (ví dụ, những người hoài nghi về khí hậu thường cho rằng thiếu xu hướng có ý nghĩa thống kê về nhiệt độ bề mặt trung bình toàn cầu có nghĩa là có đã không ấm lên - điều này hoàn toàn không đúng).


9

Lý do bạn không có nét mặt giống nhau trên khuôn mặt của bạn như anh chàng đó là tôi nghĩ vậy. . . tuyên bố không đúng

Một giả thuyết khống là giả thuyết cho rằng bất kỳ sự khác biệt nào giữa điều kiện kiểm soát và điều kiện thí nghiệm là do tình cờ.

Một ưu tiên không chính xác có nghĩa là tuyên bố rằng bạn có dữ liệu trước về một câu hỏi, nhưng nó không cho bạn biết bất cứ điều gì về những gì sẽ xảy ra trong lần tới. Một Bayes có khả năng duy trì rằng có thông tin trong bất kỳ trước, ngay cả phân phối thống nhất.

Vì vậy, giả thuyết khống nói rằng không có sự khác biệt giữa kiểm soát và thử nghiệm; mặt khác, một thông tin không chính xác có thể hoặc không thể, và nếu nó không cho thấy gì về sự khác biệt giữa kiểm soát và thử nghiệm (khác với việc chỉ ra rằng bất kỳ sự khác biệt nào là do tình cờ).

Mặc dù vậy, có lẽ tôi đang thiếu hiểu biết về các linh mục không thông tin. Tôi mong chờ câu trả lời khác.


2
Tôi chỉ nói thêm rằng các linh mục không thông tin liên quan nhiều đến thái độ của nhà nghiên cứu hơn bất kỳ tính chất đặc biệt thú vị nào của bản phân phối. Đây là thái độ mà Gelman lập luận trong Phân tích dữ liệu Bayes, mặc dù tôi dường như không thể tìm thấy số trang.
Sycorax nói Phục hồi lại

7
Giả thuyết null không phải lúc nào cũng giống nhau. Giả thuyết khống chỉ là một giả thuyết "nhàm chán" thay thế mà bạn so sánh với giả thuyết "thú vị" của mình, để xem liệu dữ liệu có hỗ trợ cái này hơn cái kia không. Trên thực tế, "không có sự khác biệt" thực sự là một giả thuyết không tốt, vì bạn biết a-prori là sai. Tốt hơn là "sự khác biệt là dưới một số ngưỡng của tôi chăm sóc".
Stumpy Joe Pete

Cảm ơn câu trả lời @Krysta, và về cơ bản tôi đã có cùng suy nghĩ với tuyên bố, nhưng có lẽ có một ý nghĩa trong đó tuyên bố đó là đúng?
jerad

Dự đoán tốt nhất của tôi là giả thuyết null là điểm khởi đầu cho những người thường xuyên, hoặc tập hợp các giả thuyết trống rỗng?; có lẽ người viết bài này nghĩ rằng ưu tiên không thông tin là điểm khởi đầu của Bayes, nhưng một thông tin trước thông thường là một sự tương tự tốt hơn nếu đó là những gì họ muốn nói. Giả thuyết không và trước đây không có thông tin chính xác có những điểm tương đồng về mặt khái niệm - cả hai đều là về việc giả định không có thông tin / hiệu ứng. Nhưng điều đó khá mơ hồ!
Krysta

"Một Bayes có khả năng duy trì rằng có thông tin trong bất kỳ trước". Nhưng, một Jeffreys trước là không thông tin.
Neil G

4

Xem bài viết Wikipedia này :

Đối với trường hợp một tham số và dữ liệu có thể được tóm tắt trong một thống kê đủ duy nhất, có thể chỉ ra rằng khoảng tin cậy và khoảng tin cậy sẽ trùng khớp nếu tham số chưa biết là tham số vị trí (...) với trước đó là phân phối phẳng đồng đều (...) và cả nếu tham số chưa biết là tham số tỷ lệ (...) với trước đó của Jeffreys.

Trong thực tế, các điểm tham chiếu đến Jaynes:

Jaynes, ET (1976), Khoảng tin cậy và Khoảng thời gian Bayes .

Trong trang 185 chúng ta có thể tìm thấy:

Nếu trường hợp (I) phát sinh (và nó thường xảy ra hơn so với nhận ra), các bài kiểm tra Bayes và chính thống sẽ dẫn chúng ta đến cùng một kết quả và cùng một kết luận, với sự bất đồng bằng lời nói rằng liệu chúng ta nên sử dụng 'xác suất' hay ' ý nghĩa 'để mô tả chúng.

Vì vậy, trên thực tế cũng có những trường hợp tương tự, nhưng tôi sẽ không nói rằng tuyên bố trong hình ảnh là sự thật nếu bạn sử dụng phân phối Cauchy như khả năng ...


4

Tôi là người đã tạo ra đồ họa, mặc dù như đã lưu ý trong bài đăng kèm theo, ban đầu nó không phải là cái nhìn sâu sắc của tôi. Hãy để tôi cung cấp một số bối cảnh cho cách nó xuất hiện và làm hết sức mình để giải thích làm thế nào tôi hiểu nó. Việc thực hiện xảy ra trong một cuộc thảo luận với một sinh viên hầu hết đã học cách tiếp cận Bayes để suy luận cho đến thời điểm đó. Anh ấy đã có một thời gian khó khăn để hiểu toàn bộ mô hình thử nghiệm giả thuyết, và tôi đã cố hết sức để giải thích cách tiếp cận khó hiểu này (nếu bạn coi sự khác biệt của Drake là một tiêu cực - như khôngbằng - thì cách tiếp cận giả thuyết null tiêu chuẩn là một tiêu cực ba: mục tiêu của các nhà nghiên cứu là chỉ ra rằng không có sự khác biệt). Nói chung, và như đã nêu trong một phản ứng khác, các nhà nghiên cứu thường mong đợi một số khác biệt tồn tại; những gì họ thực sự hy vọng tìm thấy là bằng chứng thuyết phục để từ chối không thành công. Tuy nhiên, để được thiên vị, họ bắt đầu bằng cách giả vờ không biết gì, như trong, Vâng, có lẽ loại thuốc này không có tác dụng đối với con người. Sau đó, họ tiến hành chứng minh thông qua thu thập và phân tích dữ liệu (nếu có thể), rằng giả thuyết khống này, đưa ra dữ liệu, là một giả định tồi.

Đối với một người Bayes, điều này có vẻ như là một điểm khởi đầu phức tạp. Tại sao không chỉ bắt đầu bằng cách thông báo trực tiếp niềm tin của bạn, và rõ ràng về những gì bạn (và không) giả định bằng cách mã hóa nó trước? Một điểm quan trọng ở đây là đồng phục trước khônggiống như một không xác định trước. Nếu tôi tung đồng xu 1000 lần và nhận được 500 đầu, thì trước đó tôi sẽ gán trọng lượng (đồng đều) bằng nhau cho cả đầu và đuôi, nhưng đường cong phân phối của nó rất dốc. Tôi đang mã hóa thông tin bổ sung có nhiều thông tin! Một thông tin không chính xác trước đó (được đưa đến giới hạn) sẽ không mang trọng lượng nào cả. Điều đó có nghĩa là, thực tế, bắt đầu từ đầu và, để sử dụng một biểu thức thường xuyên, hãy để dữ liệu tự nói lên. Quan sát được thực hiện bởi "Clarence" là cách thường xuyên để mã hóa sự thiếu thông tin này là với giả thuyết khống. Nó không chính xác giống như trước đây không thông tin; đó là cách tiếp cận thường xuyên để thể hiện sự thiếu hiểu biết tối đa một cách trung thực, một cách không giả định những gì bạn muốn chứng minh.


2
Giả thuyết null thường xuyên không thể hiện sự thiếu hiểu biết tối đa, nó bắt đầu giả định rằng giả thuyết null là đúng và chúng ta chỉ nên tiến hành giả thuyết thay thế nếu các quan sát không đủ khả năng theo H0. Có thể lập luận rằng kiểm tra giả thuyết null mã hóa một số trước đó, nhưng nó là một thông tin quyết định. Theo ý kiến ​​của tôi, việc cố gắng diễn giải thử nghiệm giả thuyết thường xuyên theo thuật ngữ Bayes là sai lầm và là một công thức cho lỗi; chúng không phải là câu trả lời cho cùng một câu hỏi
Dikran Marsupial

@Dikran Marsupial đây là một cuộc tranh luận không hồi kết, nhưng từ góc độ thường xuyên nhất, tôi thấy không có cách nào để xem null là "thông tin quyết định". Nếu đây là trường hợp, thì việc không từ chối null sẽ được xem là bằng chứng của null (vì chúng tôi "đã" có thông tin về null). IMO tất cả các phương pháp tiếp cận suy luận đang cố gắng trả lời các câu hỏi liên quan đến nhau: "Dữ liệu nên được giải thích như thế nào?" và "trường hợp mạnh như thế nào?"
Matt Asher

1
Bản thân null không có nhiều thông tin hoặc không có thông tin, nhưng kiểm tra giả thuyết thường xuyên thông thường vốn dĩ (và hoàn toàn đúng) thiên về H0 (trừ khi bạn cũng thực hiện phân tích công suất). Sự thiên vị này có thể được so sánh với trước, nhưng nó sẽ là một thông tin. Đơn giản là không có ý nghĩa khi so sánh các linh mục và giả thuyết, chúng phục vụ các mục đích khác nhau trong phân tích; lưu ý Bayesian cũng sử dụng các giả thuyết không trong kiểm tra giả thuyết (xem câu trả lời của tôi cho câu hỏi) trong đó nó phục vụ mục đích tương tự như trong kiểm tra giả thuyết thường xuyên.
Dikran Marsupial

3
Để rõ ràng, bằng cách sử dụng ví dụ về thuốc, chúng ta không bắt đầu bằng cách giả vờ không biết "Chà, có lẽ thuốc này không có tác dụng với mọi người.", Chúng ta bắt đầu bằng cách giả sử null là đúng "Thuốc không có tác dụng và nó đã hết cho công ty dược phẩm để chứng minh rằng nó có ảnh hưởng bằng cách chỉ ra rằng kết quả không thể được giải thích thỏa đáng bằng cơ hội ngẫu nhiên ". Sự hoài nghi bản thân mà phương pháp này cung cấp là lý do tại sao "nghi thức null", mặc dù có nhiều lỗi, vẫn có giá trị thực tiễn trong khoa học.
Dikran Marsupial
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.