Tôi có nên báo cáo khoảng tin cậy thay vì khoảng tin cậy không?


9

Sau khi vấp phải khái niệm trong sách giáo khoa thống kê, tôi đã cố gắng che giấu nó và cuối cùng đưa ra một kết luận có vẻ phù hợp với tất cả những lời giải thích mà tôi đã thấy cho đến nay: Một khoảng tin cậy là điều mà các nhà thống kê không tin tưởng khoảng là


Sự lạc lõng đối với những người như tôi từ một giờ trước không biết sự khác biệt

Nếu chúng tôi quan sát dữ liệu và dự đoán một số tham số từ nó, giả sử trung bình , khoảng tin cậy là khoảng mà chúng tôi là 95% chắc chắn rằng mu rơi vào bên trong (hoặc một số khác hơn 95%, nếu chúng tôi sử dụng cấp độ khác). Khoảng tin cậy được dạy trong các lớp thống kê giới thiệu có thể trùng lặp với khoảng đáng tin cậy, nhưng sẽ không luôn luôn trùng lặp tốt. Nếu bạn muốn dũng cảm giải thích, hãy thử đọc nàyđây câu hỏi về Hội Chữ thập Validated; Điều cuối cùng đã giúp tôi hiểu, sau nhiều lần gãi đầu, là câu trả lời này .μ[μmin, μmax]


Điều đó có nghĩa là sẽ tốt hơn nếu sử dụng một khoảng tin cậy về mặt khoa học trong khoảng tin cậy trong kết quả của tôi? Nếu có, tại sao tôi chưa thấy ấn phẩm nào sử dụng nó?

  • Có phải vì khái niệm này nên được sử dụng, nhưng các nhà khoa học đo lường vẫn chưa bắt kịp các phương pháp thống kê chính xác?
  • Hay ý nghĩa của khoảng tin cậy ban đầu phù hợp hơn với việc giải thích kết quả từ các nghiên cứu thực nghiệm?
  • Hay là trong thực tế, chúng thường chồng chéo đến mức không thành vấn đề gì cả?
  • Sự lựa chọn có phụ thuộc vào phân phối thống kê mà chúng tôi đang giả định cho dữ liệu của chúng tôi không? Có thể với phân phối Gaussian, chúng luôn trùng lặp về số, vì vậy không ai ngoài thống kê thuần túy quan tâm đến sự khác biệt (nhiều nghiên cứu tôi đã đọc thậm chí không bận tâm để tính bất kỳ loại khoảng nào, và có thể khoảng 1% từng có khoảng trống cho suy nghĩ rằng dữ liệu của họ có thể không được phân phối bình thường).
  • Có phụ thuộc vào chỗ đứng lý thuyết khoa học của chúng tôi? Ví dụ, cảm giác như khoảng tin cậy nên được sử dụng trong công việc thực chứng và khoảng tin cậy trong công việc diễn giải, nhưng tôi không chắc rằng cảm giác này là chính xác.

Khoảng tin cậy là khoảng thời gian thường xuyên và đáng tin cậy cho phương pháp Bayes. "tại sao tôi chưa thấy ấn phẩm nào sử dụng nó?" có rất nhiều (Bayesian)
Theta30

5
Tính đến hôm nay, có 154 bài viết trên PubMed đề cập đến khoảng tin cậy và 489 đề cập đến khoảng tin cậy . Chúng không phổ biến như khoảng tin cậy (179811 bài viết và đếm), nhưng đó chỉ là do cách tiếp cận thường xuyên là phương pháp thống trị. Và vâng, khoảng tin cậy nghe có vẻ tuyệt vời nhưng nó chỉ đúng nếu phân phối trước được chỉ định chính xác. Ma quỷ là tất cả trong các giả định.
Penguin_Knight

Tôi có thể vẫn còn lẫn lộn các thuật ngữ của mình, nhưng trong sách giáo khoa của tôi, tác giả đề nghị sử dụng khoảng tin cậy khi ước tính giá trị trung bình của dữ liệu nhị thức bằng cách sử dụng ước tính khả năng tối đa dựa trên thống kê kiểm tra xuất phát từ sai số chuẩn. Và tôi nghĩ rằng đây là một cách tiếp cận thường xuyên. Có thể có sự khác biệt giữa khoảng tin cậy và khoảng tin cậy "xác suất bảo hiểm thực tế" không?
rumtscho 6/214

Câu trả lời:


4

Loại khoảng cho biết loại phương pháp bạn đã sử dụng. Nếu một khoảng đáng tin cậy (hoặc biến thể Bayes), điều đó có nghĩa là phương pháp Bayes đã được sử dụng. Nếu một khoảng tin cậy, thì một phương pháp thường xuyên đã được sử dụng.

Re: Hay là trong thực tế, chúng thường chồng chéo đến mức không thành vấn đề gì cả? Miễn là

  • các điều kiện để sử dụng các phương pháp được thỏa mãn một cách hợp lý (ví dụ: "tính độc lập của các quan sát" là một yêu cầu đối với nhiều phương pháp),
  • phương pháp Bayes không sử dụng thông tin trước,
  • mẫu không nhỏ và
  • các mô hình / phương thức là tương tự nhau,

khoảng tin cậy và độ tin cậy sẽ gần nhau. Lý do: khả năng sẽ thống trị Bayes trước đó, và khả năng là những gì thường được sử dụng trong các phương pháp thường xuyên.

Tôi sẽ đề nghị không băn khoăn về việc sử dụng. Nếu bạn muốn có thông tin trước, thì hãy chắc chắn sử dụng phương pháp Bayes. Nếu không, sau đó chọn một phương thức và bối cảnh phù hợp (thường xuyên hoặc Bayes), kiểm tra để đảm bảo các điều kiện cần thiết để áp dụng phương pháp đó được thỏa mãn một cách hợp lý (rất quan trọng nhưng rất hiếm khi được thực hiện!), Và sau đó tiến về phía trước nếu phương pháp phù hợp với loại dữ liệu.

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.