Sık sık olduğunu düşünen pek çok kişi (uzman uzmanların dışında) aslında Bayesian. Bu, tartışmayı biraz anlamsız hale getirir. Bayesçiliğin kazandığını düşünüyorum, ama sık olduklarını düşünen birçok Bayesi hala var. Öncelikleri kullanmadıklarını düşünen bazı insanlar var ve bu yüzden sık olduklarını düşünüyorlar. Bu tehlikeli bir mantık. Bu, öncelikler hakkında çok fazla değildir (tek tip öncel veya tek tip olmayan), gerçek fark daha belirsizdir.
(Resmi olarak istatistik departmanında değilim; özgeçmişim matematik ve bilgisayar bilimidir. Bu 'tartışmayı' diğer istatistikçi olmayanlarla ve hatta bazı erken kariyerleriyle tartışmaya çalıştığım zorluklar nedeniyle yazıyorum. istatistikçiler.)
MLE aslında bir Bayesian yöntemidir. Bazı insanlar "Ben sıkıcıyım çünkü parametrelerimi tahmin etmek için MLE kullanıyorum" diyecekler. Bunu hakemli literatürde gördüm. Bu saçmalık ve buna göre (söylenmemiş, ancak ima edilen), bir sıklığın bir önceki üniforma yerine önceki üniforma kullanan bir kişi olduğu efsanesine dayanıyor.
μ = 0θ
X≡ N( μ = 0 , σ2= θ )
xθθx
f( x , θ ) = Pσ2= θ( X= x ) = 12 πθ√e- x22 θ
xθ
θθx
Yatay ve dikey dilimler arasındaki bu ayrım çok önemlidir ve bu analojinin önyargıya yönelik sıkça yaklaşımı anlamama yardımcı oldu .
Bir Bayesian söyleyen biri
θf( x , θ )
g( θ )
θf( x , θ ) g( θ )
Böylece bir Bayesian x'i sabitler ve bu kontur çiziminde (veya öncüyü içeren değişken çizimde) karşılık gelen dikey dilime bakar . Bu dilimde, eğri altındaki alanın 1 olması gerekmez (daha önce dediğim gibi). Bir Bayesian% 95 güvenilir aralığı (CI) mevcut alanın% 95'ini içeren aralıktır. Örneğin, alan 2 ise, Bayesian CI altındaki alan 1.9 olmalıdır.
θ
θ
N-( μ = 0 , σ2= θ )θx- 3 θ√+ 3 θ√
θ
Frekansist CI'yi inşa etmenin tek yolu bu değil, hatta iyi (dar) bir değil, bir anlığına benimle kal.
'Aralık' kelimesini yorumlamanın en iyi yolu, 1-d çizgisindeki bir aralık değil, yukarıdaki 2-d düzlemindeki bir alan olarak düşünmektir. Bir 'aralık', herhangi bir 1 boyutlu çizgiden değil, 2 boyutlu düzlemin alt kümesidir. Birisi böyle bir 'aralık' önerdiğinde, test etmemiz gereken 'aralık'% 95 güven / güvenilirlik düzeyinde geçerlidir.
Bir uzman, her bir yatay dilimi sırasıyla dikkate alarak ve eğri altındaki alana bakarak bu "aralığın" geçerliliğini kontrol edecektir. Daha önce de söylediğim gibi, bu eğri altındaki alan her zaman bir olacaktır. Çok önemli gereksinim, 'aralık' içindeki alanın en az 0,95 olması.
Bir Bayesian geçerliliğini dikey dilimlere bakarak geçerliliğini kontrol edecektir. Yine, eğrinin altındaki alan, aralığın altındaki denizaltıyla karşılaştırılacaktır. İkincisi öncekilerin en az% 95'i ise, 'aralık' geçerli bir% 95 Bayesian güvenilir aralığıdır.
Şimdi, belirli bir aralığın 'geçerli' olup olmadığını nasıl test edeceğimizi bildiğimize göre, geçerli seçenekler arasında en iyi seçeneği nasıl seçeceğimiz sorusudur. Bu siyah bir sanat olabilir, ancak genellikle en dar aralığı istersiniz. Her iki yaklaşım da burada aynı fikirde olma eğilimindedir - dikey dilimler göz önünde bulundurulur ve amaç, aralığı her dikey dilimin içinde mümkün olduğunca dar hale getirmektir.
Yukarıdaki örnekte mümkün olan en dar frekansçı güven aralığını tanımlamayı denemedim. Daha dar aralıklarla ilgili örnekler için aşağıdaki @cardinal yorumlarına bakınız. Amacım en iyi aralıkları bulmak değil, geçerliliği belirlerken yatay ve dikey dilimler arasındaki farkı vurgulamak. % 95 sıklıkta güven aralığının koşullarını sağlayan bir aralık genellikle% 95'lik Bayesian güvenilir aralığının koşullarını karşılamaz ve bunun tersi de geçerlidir.
Her iki yaklaşım da dar aralıkları arzu eder, yani bir dikey dilimi göz önüne alırken, o dilimdeki (1-d) aralığını olabildiğince dar hale getirmek istiyoruz. Fark,% 95'in nasıl uygulandığı ile ilgilidir - bir sıklık uzmanı, yalnızca her yatay dilimin alanının% 95'inin aralığın altında olduğu önerilen aralıklara bakacaktır; oysa bir Bayesyen, her dikey dilimin kendi alanının% 95'i olacak şekilde ısrar edecektir. aralığın altında.
Birçok istatistikçi bunu anlamıyor ve sadece dikey dilimlere odaklanıyor; Bu, başka türlü düşünmelerine rağmen onları Bayezyalı yapar.