Bayesci ve sıkça tartışmanın tartışması için herhangi bir * matematiksel * temel var mı?


67

Vikipedi'de şöyle yazıyor :

[olasılık] matematiği, olasılıkla ilgili yorumlardan büyük ölçüde bağımsızdır.

Soru: Biz matematiksel olarak doğru olmak istiyorsanız Sonra izin vermediğimiz olmamalıdır herhangi olasılık yorumunu? Yani, hem Bayesci hem de frekansçılık matematiksel olarak yanlış mı?

Felsefeden hoşlanmıyorum, ama matematikten hoşlanıyorum ve sadece Kolmogorov'un aksiyomları çerçevesinde çalışmak istiyorum. Eğer bu benim hedefimse, Wikipedia'da hem Bayesciliği hem de sıklığı reddetmem gerektiğini söylediği şeyden mi gelmeli ? Eğer kavramlar tamamen felsefi ise ve hiç matematiksel değilse, neden ilk önce istatistiklerde yer alıyorlar?

Arkaplan / Bağlam:
Bu blog yazısı aynı şeyi söylemiyor, ancak teknikleri "Bayesian" veya "sık sık" olarak sınıflandırmaya çalışmanın pragmatik bir perspektiften karşı üretken olduğunu savunuyor.

Vikipedi'den alıntı doğru ise, istatistiksel yöntemleri sınıflandırmaya çalışan felsefi bir perspektiften gibi görünüyor da aynı zamanda ters-üretkendir - eğer bir metot matematiksel olarak doğruysa, temel matematiğin varsayımları kullanılırken metodu kullanmak geçerlidir. aksi halde, eğer matematiksel olarak doğru değilse veya varsayımlar geçerli değilse, o zaman kullanmak geçersizdir.

Öte yandan, pek çok insan neden "Bayesian çıkarımı" olasılık teorisi (yani Kolmogorov'un aksiyomları) ile tanımlamış gibi görünüyor, ancak nedenini bilmiyorum. Bazı örnekler Jaynes'in "Olasılık" adlı Bayesci çıkarsama konusundaki incelemesinin yanı sıra James Stone'un "Bayes Kuralı" adlı kitabıdır. Öyleyse bu iddiaları yüz değerinde almış olursam, bu Bayesçiliği tercih etmem gerektiği anlamına gelir.

Bununla birlikte, Casella ve Berger'in kitabı sık görülüyor gibi görünüyor, çünkü maksimum olasılık tahmin edicilerinden bahsediyor, ancak maksimum bir posteriori tahmin edicisini görmezden geliyor, fakat aynı zamanda her şeyin matematiksel olarak doğru olduğu görülüyor.

Öyleyse, istatistiklerin matematiksel olarak doğru olan tek versiyonunun, Bayescilik ve sıklıkçılığa ilişkin olarak tamamen agnostik olan bir şey olmayı reddeden versiyonudur? Her iki sınıflandırmaya sahip yöntemler matematiksel olarak doğruysa, o zaman bazılarını diğerlerine göre tercih etmek yanlış bir uygulama değildir, çünkü bu kesin ve iyi tanımlanmış bir matematik yerine belirsiz, kötü tanımlanmış bir felsefeye öncelik verirdi?

Özet: Kısacası, Bayesçiye karşı sıkça tartışmanın tartışmasının matematiksel temelinin ne olduğunu anlamıyorum ve tartışma için matematiksel bir temel yoksa (Wikipedia'nın iddia ettiği şey) anlamıyorum. hepsi akademik söylemde.



1
@PeterMortensen Bu soruyu sormadan önce bu soruyu zaten gördüm; bununla birlikte, bu sorunun cevabı benim temel karışıklık kaynağımı, yani ikisi arasında varsa hangi matematiksel farkı ele almadı ; Unutmayın, felsefi farklılıklarla ilgilenmiyorum, çünkü olası modellerin alanı üzerinde hiçbir etkiye sahip olmamalılar.
Chill2Macht

1
Yorumlar genişletilmiş tartışmalar için değildir; bu konuşma sohbete taşındı .
whuber

4
Bayesan tartışması olasılık hakkında daha az, istatistiksel yorumlama ve uygulamanın geçerliliği hakkında çok daha fazla şey .
RBarryYoung

2
@Mehrdad Bu soru, farklı cevaplar veren farklı yaklaşımlarla ilgili değil, matematiksel aksiyomlarla Bayesianizm ve frekansçılık arasındaki farkın biçimselleştirilmesi olasılığı ile ilgili. Bağlantılı soruya verilen cevaplar, iki yaklaşım arasındaki aksiyomatik farklılıkları açıklamaz.
Chill2Macht

Yanıtlar:


14

Olasılık uzayları ve Kolmogorov'un aksiyomları

olasılık alanı , tanım olarak bir üçlü burada bir sonuç kümesidir, bir -algebra ve altkümeleri, Kolmogorov'un aksiyomlarını yerine getiren bir olasılık ölçüsüdür, yani , ile arasında bir fonksiyondur, öyle ki ve ayrık içindeki tutar ( Ω , F , P ) Ω F σ Ω P P F [ 0 , 1 ] P ( Ω ) = 1 E 1 , E 2 , F P ( j = 1 E j ) = j = 1 P ( E j )P(Ω,F,P)ΩFσΩPPF[0,1]P(Ω)=1E1,E2,FP(j=1Ej)=j=1P(Ej).

Böyle bir olasılık alanı içinde biri, iki olay için içindeki koşullu olasılığı olarak tanımlayabilir.E1,E2FP(E1|E2)=defP(E1E2)P(E2)

Bunu not et:

  1. bu '' koşullu olasılık '' yalnızca 'de tanımlandığında tanımlanır , bu nedenle koşullu olasılıkları tanımlayabilmek için bir olasılık alanına ihtiyaç duyarız.PF
  2. Olasılık alanı çok genel terimlerle tanımlanır ( bir set , bir -algebra ve bir olasılık ölçüsü ), tek şart, belirli özelliklerin yerine getirilmesi gerektiğidir; bu üç unsur '' her şey '' olabilir.Ω σFP

Daha fazla ayrıntı bu linkte bulunabilir

Bayes kuralı (geçerli) herhangi bir olasılık alanında bulunur

Koşullu olasılık tanımından aynı zamanda . Ve son iki denklemden Bayes kuralını buluruz. Yani, Bayes kuralı (koşullu olasılık tanımıyla) her olasılık alanında (göstermek için, her denklemden ve türetmek ve eşitlemek Onları (onlar eşittir çünkü kesişme değişmeli)). P(E2|E1)=P(E2E1)P(E1)P(E1E2)P(E2E1)

Bayes kuralı, Bayesian çıkarımının temeli olduğu için, herhangi bir geçerli (yani tüm koşulları yerine getiren, Kolmogorov'un aksiyomlarını yerine getiren) olasılık alanı içinde Bayesan analizi yapılabilir.

Sıklıkla olasılık tanımı '' özel bir durum ''

Yukarıdakiler '' genel '' şeklindedir; yani, belirli bir , , aklımızda yoktur; altkümelerinde bir algebra olduğu sürece ve Kolmogorov'un aksiyomlarını yerine getirir.ΩFPFσΩP

Şimdi "sıkça" tanımının Kolomogorov'un aksiyomlarını yerine getirdiğini göstereceğiz. Eğer durum buysa, o zaman '' sıkıcı '' olasılıklar Kolmogorov'un genel ve soyut olasılıklarının sadece özel bir halidir. P

Bir örnek alalım ve zarları atalım. Sonra tüm olası sonuçlar kümesi edilir . Ayrıca bu sette bir -algebra'ya ihtiyacımız var ve tüm alt kümelerini alırız , yani .ΩΩ={1,2,3,4,5,6}σΩFΩF=2Ω

Yine de olasılık ölçüsü tanımlamak gerekir bir frequentist şekilde. Bu nedenle tanımlama olarak burada , zarın rulosunda elde edilen 'in sayısıdır . Benzer , ... .PP({1})P({1})=deflimn+n1nn11nP({2})P({6})

Bu şekilde , içindeki tüm singletonlar için tanımlanmıştır . diğer herhangi bir küme için , örneğin , ' ı sık yani , ancak 'lim' doğrusallığı ile, bu 'a eşittir , bu Kolmogorov’un aksiyomlarının tuttuğu anlamına gelir.PFF{1,2}P({1,2})P({1,2})=deflimn+n1+n2nP({1})+P({2})

Dolayısıyla, sıklık olasılığının tanımı Kolomogorov'un genel ve özel bir olasılık ölçüsünün soyut tanımıdır.

Kolmogorov'un aksiyomlarını yerine getiren bir olasılık ölçüsü tanımlamanın başka yolları olduğuna dikkat edin, bu nedenle sık tanımlayıcı tek tanım mümkün değildir.

Sonuç

Kolmogorov'un aksiyomatik sistemindeki olasılık '' soyut '', gerçek bir anlamı yok, sadece '' aksiyom '' 'şartlarını yerine getirmek zorunda. Sadece bu aksiyomları kullanarak Kolmogorov çok zengin bir teorem seti elde edebildi.

Olasılığın frekansçı tanımı aksiyomları tamamlar ve bu nedenle soyut, '' anlamsız '' 'ı sıkça tanımlanmış bir olasılıkla değiştirir, tüm bu teoremler geçerlidir çünkü ' 'frekansçı olasılık' 'sadece özeldir Kolmogorov'un soyut olasılığı olgusu (yani aksiyomları yerine getiriyor).P

Kolmogorov'un genel çerçevesi içerisinde türetilebilecek özelliklerden biri de Bayes kuralıdır. Genel ve soyut çerçevede tuttuğu gibi, olasılıkların sıkça bir şekilde tanımlandığı özel bir durumda da (cfr supra) tutacaktır (frekansçı tanımın aksiyomları yerine getirmesi ve bu aksiyomların ihtiyaç duyulan tek şey olması nedeniyle. tüm teoremleri türetir). Böylece, sık sık bir olasılık tanımıyla Bayesian analizi yapılabilir.

Tanımlama bir frequentist şekilde bu tür bu Kolmogorov soyut aksiyomlarını yerine getirmesi tanımlamak için başka yolları da vardır, tek olasılık değildir. Bayes 'kuralı ayrıca bu' 'özel durumlarda' 'geçerli olacaktır. Böylece, sıkça olmayan bir olasılık tanımıyla Bayesian analizi de yapılabilir .P

EDIT 23/8/2016

@mpiktas Yorumlarınıza tepki:

Dediğim gibi, kümeleri ve olasılık ölçüsü aksiyomatik sistemde özel bir anlamı yoktur, soyutturlar. Ω,FP

Eğer daha fazla vermek zorunda bu teoriyi uygulamak için tanımlarını (böylece yorumunuzda söylediklerini "gerek bazı tuhaf tanımları 'ile daha da geçinip' olduğu yanlış, ek tanımlara ihtiyaç duyan ).

Adil bir para atma vakasına uygulayalım. Kolmogorov'un teorisindeki kümesinin özel bir anlamı yoktur, sadece '' küme '' olmalıdır. Bu yüzden adil para için bu setin ne olduğunu belirtmeliyiz, yani set tanımlamalıyız . Biz H olarak baş ve kuyruk T gibi, daha sonra bir dizi temsil ediyorsa olan tanımla .ΩΩΩ Ω=def{H,T}

Olayları da tanımlamalıyız , yani -algebra . Tanımladığımız . in -algebra olduğunu doğrulamak kolaydır .σFF=def{,{H},{T},{H,T}}Fσ

Daha sonra her olay için ölçüsündeki tanımını . Bu yüzden gerek tanımlamak bir harita içinde . Bunu çok sık bir şekilde tanımlayacağım, adil bir madeni para için, çok sayıda , kafaların oranı 0,5 olacaktır, bu yüzden . Benzer şekilde , ve . Not bir haritasıdır içinde ve Kolmogorov belitleri yerine getirir.EFF[0,1]P({H})=def0.5P({T})=def0.5P({H,T})=def1P()=def0PF[0,1]

Sıklık olasılığının tanımına bir referans için bu bağlantıya ('tanım' bölümünün sonunda) ve bu bağlantıya bakın .


10
Belki de bir yerlerde, ihtimalin yorumlanmasıyla ilgili sıkça / Bayesci bir tartışma olduğunu ve istatistiksel çıkarım hakkında sıkça / Bayesci bir tartışma olduğunu unutmamalısınız. Bunlar iki farklı (ilgili olsa da) tartışmalardır. Bu cevap sadece birincisi hakkında konuşuyor, ki bu iyi (ve bu cevabı kabul etmeyi seçtiğinde @William'ın burada neyle ilgilendiğini tahmin ediyorum), fakat diğer cevapların çoğu ikinci cevap hakkında konuşuyor. Bu sadece gelecekteki okuyucular için bir not, aynı zamanda William için bir not.
amip diyor Reinstate Monica

2
Oy kullanıyorum, çünkü "frekansçı olasılık" tanımının tanımına atıfta bulunulmuyor ve onsuz, mesaj anlamlı değil. Örneğin, verilen tanımı matematiksel olarak bile doğru değildir, çünkü tanım bir zarın sınırına bağlıdır . Matematiksel nesneler soyuttur ve fiziksel nesnelere bağlı değildir. Ayrıca, sınırın var olduğunu kanıtlamak için, rastgele değişkeni tanımlandığı bir olasılık alanı oluşturmanız ve sonra ölçü teorisine ve ...P({1})nn1/n
mpiktas

2
Olasılığın tanımı. Yani tanım gibi izin versek bile, daireseldir, yani nesnenin tanımını sağlayıp sağlamadığını kontrol etmek için tanımlanmış olan nesneye ihtiyacınız vardır. Canım sık sık böyle bir tanım kullanan ve istatistikteki tüm olağan sonuçları türetmek için kullanmaya çalışan bir ders kitabına başvurmak isterdim.
16'da

5
Stanford'ın Olasılık Yorumlarına İlişkin Felsefe Ansiklopedisi'nin bu uzun ve ayrıntılı makalesinde, sıklıkçılığa dair uzun ve ayrıntılı bir bölüm yer almaktadır ve Wikipedia'ya bağlantınızdan daha iyi bir referans olabilir (Stanford Ansiklopedisi, Wikipedia'dan farklıdır). Frekansist tanımlamanın hiç mantıklı gelip gelmediği ve hatta frekansçı tanımı tam olarak neyin oluşturduğu bile 150 yıl süren devam eden bir tartışma meselesi olduğu ve @mpiktas'ın burada yorum bölümünde yeniden harekete geçtiği anlaşılıyor.
amip diyor Reinstate Monica

2
@ amoeba: Bağlantınızda, "olasılık" ı genel olarak anlaşılan - örneğin normalize uzunluk - konseptiyle hiçbir ilgisi olmayan her türlü yolla yorumlayabileceğimizi hatırlatmak hoşuma gidiyor.
Scortchi - Monica Yeniden

66

İstatistikler Matematik Değildir

İlk önce, @ whuber'un İstatistikleri'nde yer alan bir yorumdan çıkan sözleri çaldım matematik değil mi? (farklı bir bağlamda uygulanır, bu yüzden alıntı yapmadan, kelimeleri çalıyorum):

"İstatistiği", "kimya", "iktisat", "mühendislik" veya matematiği kullanan herhangi bir alanla (ev ekonomisi gibi) değiştirecekseniz, hiçbir fikrinizin değişmeyeceği anlaşılmaktadır.

Tüm bu alanların var olmasına ve yalnızca hangi teoremlerin doğru olduğunu kontrol ederek çözülmeyen soruları olmasına izin verilir. İstatistiklerdeki bazı cevaplar matematik olmasa da? katılmıyorum, istatistiklerin (saf) matematik olmadığı açıktır. Olasılık teorisi, (saf) matematiğin bir dalı yapmak istiyorsanız, gerçekten sorduğunuz türdeki tüm tartışmaları görmezden gelebilirsiniz. Bazı gerçek dünyası soruları modellemek için olasılık teorisini uygulamak istiyorsanız, sizi matematiksel çerçevenin aksiyomlarından ve teoremlerinden daha fazla yönlendirecek bir şeye ihtiyacınız var. Cevabın geri kalanı bu nokta üzerinde başıboş dolaşıyor.

"Matematiksel olarak doğru olmak istiyorsak, olasılık yorumuna izin vermemeliyiz" iddiası da haksız görünüyor. Bir yorumlamayı matematiksel bir çerçevenin üzerine koymak, matematiği yanlış yapmaz (yorumlamanın matematiksel çerçevede bir teorem olduğu iddia edilmediği sürece).

Tartışma (esas olarak) aksiyomlarla ilgili değil

Bazı alternatif aksiyomatizasyonlar * olmasına rağmen, (?) Tartışması Kolmogorov aksiyomlarına itiraz etmekle ilgili değildir. Sıfır ölçülü koşullandırma olaylarına sahip bazı incelikleri görmezden gelmek, düzenli şartlı olasılığa neden olmak, yani yeterince bilmiyorum, Kolmogorov aksiyomları ve şartlı olasılık, kimsenin tartışamadığı Bayes kuralını ima eder. Bununla birlikte, eğer modelinizde rastgele bir değişken değilse (bir olasılık uzayından veya onların ailesinden oluşan bir matematiksel kurulum anlamında model, rastgele değişkenler, vs.), koşullu hesaplamak mümkün değildir. dağılım . Hiç kimse, eğer doğru hesaplanırsa, frekans özelliklerinin modelin sonuçları olduğunu tartışmaz. Örneğin, koşullu dağılımlarXP(XY)p(yθ)Bir Bayesian modelinde , sadece ve bazı sonuçların ikincisinde all için geçerli olması durumunda endeksli olasılık dağılımları ailesini tanımlayın onlar da tüm tutarlar .p(y;θ)p(yθ)=p(y;θ)θθ

Tartışma matematiğin nasıl uygulanacağı hakkında

Tartışmalar (mevcut olduğu kadar **) bunun yerine, (gerçek yaşam, matematiksel olmayan) bir problem için ne tür olasılık modelinin nasıl oluşturulacağına ve modelin çizim için hangi gerçek sonuçlarla ilgili olduğuna karar vermeyle ilgilidir. -life) sonuçlar. Ancak tüm istatistikçiler kabul etse bile bu sorular ortaya çıkacaktır. [1] ile ilişkilendirdiğiniz blog gönderisinden alıntı yapmak için, aşağıdaki gibi soruları cevaplamak istiyoruz.

Bir ruleti nasıl tasarlamalıyım ki kumarhanem $ kazansın? Bu gübre mahsul verimini arttırıyor mu? Streptomisin, akciğer tüberkülozu tedavi eder mi? Sigara içmek kansere neden olur mu? Bu kullanıcı hangi filmi beğenir? Red Sox hangi beyzbol oyuncusu ile sözleşme yapmalıdır? Bu hasta kemoterapi almalı mı?

Olasılık teorisinin aksiyomları bir beyzbol tanımı bile içermez, bu nedenle "Red Sox'un X beyzbol oyuncusu için bir sözleşme yapması gerektiği" olasılık teorisinde bir teorem olmadığı açıktır.

Bayesian yaklaşımının matematiksel gerekçeleri hakkında not

Tüm bilinmeyenleri Jaynes'in bahsettiği Cox teoremi gibi olasılıksal olarak değerlendirmek için 'matematiksel gerekçeler' vardır (duyduğuma göre, düzeltilmiş veya düzeltilmemiş, matematiksel problemleri olduğunu duydum, bilmiyorum, bkz [2] ve buradaki referanslar) veya (öznel Bayesian) Savage yaklaşımı (bunun [3] 'te olduğunu duydum ama kitabı hiç okumadım), bazı varsayımlar altında rasyonel bir karar vericinin devletler üzerinde olasılık dağılımına sahip olacağını kanıtladı. Dünyayı seçin ve bir fayda fonksiyonunun beklenen değerini maksimize etmeye dayanarak hareketini seçin. Ancak, Red Sox'un yöneticisinin varsayımları kabul etmesi gerekip gerekmediği veya sigara içmenin kansere neden olduğu teorisini kabul edip etmememiz gerekip gerekmediği matematiksel bir çerçeveden düşülemiyor,

Dipnotlar

* Çalışmamıştım, ama Finetti'nin şartlı olasılıkların şart koşullandırma (koşulsuz) ölçütünden elde etmek yerine ilkel olduğu bir yaklaşıma sahip olduğunu duydum. [4] rahat bir Fransız restoranında José Bernardo, Dennis Lindley ve Bruno de Finetti arasında, -additiviteye ihtiyaç duyulup duyulmadığı konusunda bir tartışmadan bahseder .σ

** [1] 'e bağladığınız blog yazısında belirtildiği gibi, bir takıma ait olan ve diğer takımı küçümseyen her istatistikçi ile ilgili kesin bir tartışma olmayabilir. Bugünlerde hepimizin pragmatik olduğumuzu ve işe yaramaz tartışmaların bittiğini söylediğini duydum. Bununla birlikte, benim deneyimlerime göre, bu farklılıklar, örneğin, birinin ilk yaklaşımının tüm bilinmeyenleri rastgele değişkenler olarak modelleyip modellememesi ve birisinin sıklık garantileriyle ne kadar ilgilendiği konusunda olup olmadığı konusunda var.

Referanslar

[1] Rafa Irizarry, Roger Peng ve Jeff Leek'in istatistik blogu olan Simply Statistics, “Veri bilimcileri için Bayesian'e karşı Frequentist tartışmayı ilan ediyorum”, 13 Eki 2014, http://simplystatistics.org/2014/10 / 13 / olarak-bir tatbik edilen statistician-i bulmak-frequentists versus bayesians-tartışma-tam-önemsiz /

[2] Dupré, MJ ve Tipler, FJ (2009). Zorlu Bayesian olasılığı için yeni aksiyomlar. Bayesian Analizi, 4 (3), 599-606. http://projecteuclid.org/download/pdf_1/euclid.ba/1340369856

[3] Savage, LJ (1972). İstatistiğin temelleri. Kurye Şirketi.

[4] Bernardo, JM Valencia Hikayesi - Valencia Uluslararası Toplantıları'nın Bayesian İstatistikleri konusundaki kökeni ve gelişimi hakkında bazı detaylar. http://www.uv.es/bernardo/ValenciaStory.pdf


13
+1, özellikle "Olasılık teorisinin aksiyomları bir beyzbol tanımı bile içermiyor" için.
amip diyor Reinstate Monica

5
@William: Parametrenin sürekli rastgele bir değişken olduğuna inanılmıyor - bu düşülecek ya da gözlenecek bir gerçek değil. Soru, olasılık dağılımını kullanarak parametrenin gerçek değeri hakkındaki epistemik belirsizliği temsil edip etmemesidir. (Sıkça yapılan analizler, olasılık dağılımını kullanan sadece alternatif veri üreten süreci temsil eder.)
Scortchi - Reinstate Monica

4
@William'ın klasik Monty Hall'da bir parametre ya da veri olarak makul bir şekilde yorumlanacak hiçbir şeyi yoktur, bir olasılık problemidir. Eğer, diyelim ki, parametre tahmin etmek istiyorsa Bayes / frequentist yaklaşım sadece oyuna gelirdi parametrized varyantın Burada anlatılan en.wikipedia.org/wiki/Monty_Hall_problem#Variants gameshow birden fazla bölüm seyrederek. Ben bir Bayesian olarak, muhtemelen üzerinde önceden, örneğin bir beta koyardı ve güncellemeyi başlatır. Bunun bir bilgisayar simülasyonunda iyi çalışıp çalışmayacağı, bilgisayar simülasyonunun seçimini nasıl yapacağına bağlıdır . qqq
Juho Kokkala

8
Öncelikli olarak yorum bölümünde bu konuyla ilgili herhangi bir tartışmaya devam etmek istemediğimi, çünkü bunun (ve bu sitenin hiçbirinin tartışmaların yapılmayacağı bir yer olmadığını) belirtiyorum.
Juho Kokkala

2
"İstatistikler matematik değildir" tamamen katılıyorum. Wigner, matematiğin soyut dünyası ile fiziğin somut dünyası arasında içsel bir bağlantı olmadığını öne süren “Fizikte Matematiğin Mantıksız Etkisi” adlı bir makale yazdı. Matematiğin fiziği tarif etmede çok iyi çalışması şaşırtıcıydı (ve harikadı). Aynı durumun istatistikler için de geçerli olduğunu düşünüyorum. "Matematiğin İstatistikte Mantıksız Etkisi" yazan birini sabırsızlıkla bekliyorum. Ben şahsen soyut matematiğin istatistiksel olayları tanımlamada çok iyi çalıştığını şaşırtıcı buluyorum.
aginensky

32

Bayesian vs sık görüşme tartışmasının matematiksel temeli çok basittir. Bayesian istatistiklerinde, bilinmeyen parametre rastgele bir değişken olarak değerlendirilir; frekansçı istatistiklerde sabit bir unsur olarak ele alınır. Rastgele bir değişken, kümenin basit bir öğesinden çok daha karmaşık bir matematiksel nesne olduğundan, matematiksel fark oldukça belirgindir.

Ancak, modeller açısından gerçek sonuçların şaşırtıcı şekilde benzer olabileceği ortaya çıkmıştır. Örneğin doğrusal regresyon atın. Bilgi vermeyen önceliğe sahip Bayesçi doğrusal regresyon, ortalamaları, olasılık teorisinden bir problem olmayan, en küçük kareler problemine bir çözüm olan, sık sık doğrusal regresyon parametresinin tahminine eşit olan bir regresyon parametresi tahmininin dağılımına yol açar. . Bununla birlikte, benzer bir çözüme ulaşmak için kullanılan matematik, yukarıda belirtilen sebeplerden dolayı oldukça farklıdır.

Doğal olarak, bilinmeyen parametre matematiksel özelliklerinin (kümenin değişken elemanı - rasgele değişkeni vs) muamele farkından ötürü, hem Bayesci hem de frekansçı istatistikler, rakip bir yaklaşım kullanmanın daha avantajlı göründüğü durumlarda ortaya çıkmaktadır. Güven aralıkları en önemli örnek. Basit bir tahminde bulunmak için MCMC'ye güvenmek zorunda kalmamak başka bir şeydir. Ancak, bunlar genellikle matematikten ziyade daha zevke sahiptir.


5
Sabit, rastgele bir değişken için özel bir durum olsa da, Bayesçiliğin daha genel olduğu sonucuna varmaktan çekinirim. Rastgele değişkeni sabit olarak daraltmak suretiyle Bayesyenlerden sık sonuçlar elde edemezsiniz. Fark daha derindir. Parametrenizin bilinmeyen bir sabit olduğunu varsaydığınızda, çalışmanın odak noktası, rastgele bir değişken olan (örneğin, numunenin ölçülebilir bir işlevi olduğundan) ve parametrenin gerçek değerine ne kadar yakın olduğunu tahmin eder. veya hangi tahminde bulunacağını, bu yüzden doğru tahminde bulunmayacak kadar yakın.
mpiktas

6
Tahmin rastgele bir değişken olduğu için, ölçü teorisini görmezden gelerek çalışamazsınız, bu yüzden birçok istatistikçinin ölçü teorisi için şaşırtıcı derecede cehalet ve küçümseme gösterdiğini ifade ediyorum. A. van der Vaart tarafından Asimptotik İstatistik okudunuz mu? Bu kitabı sıkça kullanılan istatistiklere çok iyi bir genel bakış olarak görüyordum ve orada oldukça belirgin bir şekilde teori özelliklerini ölçtüm.
mpiktas

3
Öte yandan, Bayes istatistikleri parametrenin hemen dağılımını türetmektedir ve daha sonra asıl soru nasıl hesaplanacağıdır (çeşitli örnekleme algoritmaları, Metropolis-Hastings, vb. Üzerinde birçok araştırma) ve önceliklerin önemi nedir. Bayesian istatistik araştırmalarına aşina değilim, bu yüzden genellemem biraz kapalı olabilir. Kişisel tercihlere gidip gelmek, sık sık az ya da çok sık eğitilmiş
olmamdan bağımsız olarak

3
Her zaman normal dağılım ve eşlenikleriyle başlar ve bunun sizi ne kadar uzağa götürdüğünü gösterir. Çalıştığım neredeyse tüm veriler normalde dağılmadığı için hemen şüpheliyim ve dağıtım agnostik yöntemleri ile çalışmayı tercih ediyorum. Ancak bu kişisel bir tercihtir ve uygulamalı çalışmalarda, sık sık yaklaşımın başarısız olacağı bir problem bulamadığımı farkettim, o kadar olağanüstü ki Bayesian'e geçmek zorunda kalacağım.
mpiktas

4
“Her zaman normal dağılım ve eşlenikleri ile başlar ve bunun sizi ne kadar uzağa götürür ...” - bu yüzden posterior parametre dağılımından örnek almak için Monte Carlo yöntemlerini kullanır; bunlar genel dağıtımlar için de çalışır (BUGS yazılımı ve çeşitleri).
John Donn

25

Felsefeden hoşlanmıyorum, ama matematikten hoşlanıyorum ve sadece Kolmogorov'un aksiyomları çerçevesinde çalışmak istiyorum.

Herhangi bir yorum yapmadan Kolmogorov'un aksiyomlarını tam olarak nasıl uygularsınız ? Nasıl olur sen olasılığını yorumlamak? Sana "Olasılık hakkındaki tahminin ne anlama geliyor?"0.5 Diye sormuş birine ne söylersin ? Sonucunuzun olduğunu söyler misiniz0.5, aksiyomları takip ettiğinden beri hangisi doğrudur? Herhangi bir yorum olmadan, denememizi tekrarlarsak sonucu ne kadar sık ​​görmeyi beklediğimizi söyleyemezsiniz. Ayrıca bu sayının, bir olayın gerçekleşmesi ihtimalinden ne kadar emin olduğunuzu söyleyemezsiniz. Ayrıca, bunun olayın ne kadar olacağına inandığınızı da söyleyemezsiniz. Beklenen değeri nasıl yorumluyorsunuz - bazı sayılar diğer sayılarla çarpılır ve aksiyomları ve birkaç teoremi takip ettiklerinden geçerli olan birlikte toplanırlar mı?

Matematiği gerçek dünyaya uygulamak istiyorsanız, yorumlamanız gerekir. Yorumsuz yalnız sayılar ... sayılardır. İnsanlar beklenen değerleri tahmin etmek için beklenen değerleri hesaplamazlar, ancak gerçeklik hakkında bir şeyler öğrenirler.

Ayrıca, gerçek dünya olaylarına istatistik (ve kendi başına olasılık) uygularken olasılık soyuttur. En temel örneği ele alalım: adil bir para. Sık yapılan yorumda, eğer bu kadar çok para attıysanız, aynı sayıda kafa ve kuyruk beklersiniz. Ancak, gerçek hayattaki bir deneyde bu neredeyse hiç olmayacaktı. Yani, ihtimalinin, belirli sayıda, belirli bir defa atılan herhangi bir madeni para ile hiçbir ilgisi yoktur.0.5

Olasılık yok

- Bruno de Finetti


3
"Çok fazla para attıysanız, aynı sayıda kafa ve yazı beklersiniz" - bu, çok sayıda kanunun yanlış anlaşılmasıdır. Feller'in Cilt 1'in III. Olasılık Teorisi ve Uygulamalarına Giriş bölümüne bakınız . Örneğin, bkz. S.67 "Normal madeni paraların bulunduğu bir popülasyonda çoğunluk mutlaka ayarlanamaz".
Chill2Macht

1
@William, "p = 0.5 ne anlama geliyor?" Sorusuna tam olarak ne cevaplarsınız? p'nin para atma deneyindeki olasılık tahmini nerede ...?
Tim

1
Aynı zamanda “çoğunluktan” bahseden Feller’den de bahsediyorsunuz - çoğunluğun olasılıkla ilgili sık sık yorum yapmıyorsanız ne olduğunu ..?
Tim

7
Her şeyi basitleştirmek: sık görüş açısında olasılık, olası olaylar arasında meydana gelen olayların oranlarıyla ilgilidir; Bayesca'da yapılan yorumlama bir şeyin ne kadar inandırıcı olduğu ile ilgilidir (bkz. en.wikipedia.org/wiki/Probability#Interpretations ). Bana örnek alanını vb. Söyleyerek gelecekteki yazı tura atmanın yanı sıra bir şey olduğunu varsaydınız - bu sadece sizin için bir yorum olacağından , sizin olasılık yorumlamanızdır ; o. Yorumunuzla tamamen haklısınız, ama bu
Tim

5
yorumlama. Olasılığı gerçek dünyadaki olaylara uygulamak için bu tür yorumlamalar yapmanız gerekir. Trump'ın 2016'da ABD seçimlerini kazanma olasılığı nedir? Olasılığın ne olduğu hakkında varsayımlarda bulunmazsanız, bu soru cevapsız.
Tim

10

Bayesian ile sık görüşme çıkarımı arasındaki karşıtlığı benim görüşüme göre, ilk meselenin olasılık istediğiniz olayın seçimi olduğu yönünde. Sıkça sorulanlar, kanıtlamaya çalıştığınız şeyi (örneğin, boş bir hipotez) daha sonra gözlemlediğiniz bir şeyi bu varsayım altında gözlemleme olasılığını hesaplar. Bu tür ters bilgi akış sırası olasılıkları ile tıbbi tanıdaki duyarlılık ve özgüllük arasında kesin bir yanlışlık var, bu da çok büyük yanlış anlaşılmalara neden oldu ve Bayes 'in kurallarını ileriye götürmek için ("test sonrası olasılıklar") bırakılması gerekiyor. Bayesliler bir olayın olasılığını hesaplar ve mutlak olasılıkların çapa olmadan hesaplanması imkansızdır (önceki). Bayesian bir ifadenin doğruluğunun olasılığı belli bir bilinmeyen varsayım altında veri gözlemleme sıklığından çok farklıdır. Farklılıklar, yapılan ya da yapılabilecek diğer analizler için ayarlamalar gerektiğinde (çokluk; sıralı testler, vb.) Farklılıklar daha belirgindir.

Dolayısıyla matematiksel temelin tartışılması çok ilginç ve olması gereken çok uygun bir tartışma. Ancak, ileri ve geri olasılıklar için temel bir seçim yapmak zorundasınız. Dolayısıyla, tam olarak matematik olmayan şartlandırılmış olan şey inanılmaz derecede önemlidir. Bayesliler, bildiklerinizin tam şartlandırılmasının anahtar olduğuna inanıyor. Sıklık yapanlar matematiği basitleştiren şeye daha sık şart verir.


9

Bunu iki ayrı soruya ayıracağım ve her birine cevap vereceğim.

1.) Olasılığın, Frequentist ve Bayesian perspektifinde ne anlama geldiğine dair farklı felsefi görüşler göz önüne alındığında, bir yoruma uygulanan ve bir başkasına uygulanmayan matematiksel olasılık kuralları var mı?

Hayır. Olasılık kuralları iki grup arasında tamamen aynı kalır.

2.) Bayesanlar ve Frequentists verileri analiz etmek için aynı matematik modelleri kullanıyor mu?

Genel olarak konuşursak, hayır. Bunun nedeni, iki farklı yorumun, bir araştırmacının farklı kaynaklardan fikir edinebileceğini öne sürmesidir. Özellikle, Frequentist çerçevesinin çoğu zaman kişinin gözlemlenen parametrelere yalnızca gözlemlenen verilerden çıkarım yapabileceğini öne sürdüğü düşünülürken, Bayesçi bir bakış açısı kişinin konu hakkında bağımsız uzman bilgisi içermesi gerektiğini öne sürüyor. Farklı veri kaynakları, analiz için farklı matematiksel modellerin kullanılacağı anlamına gelir.

Bu ne fazla ilgilidir iki kampa kullandığı modeller arasında bol böler olduğu notun da vardır olandan yapılmış olabiliryapılmalıdır (geleneksel olarak bir kamp tarafından kullanılan birçok model diğer kamp tarafından haklı gösterilebilir). Örneğin, BUG modelleri (Bayesian çıkarımı Gibbs örneklemesini kullanarak, pek çok nedenden dolayı model kümesini artık doğru bir şekilde tanımlayamayan bir ad) geleneksel olarak Bayesian yöntemleriyle, çoğunlukla bunu yapmak için harika yazılım paketlerinin bulunması nedeniyle analiz edilir (JAG'ler, Örneğin Stan). Ancak, bu modellerin kesinlikle Bayesian olması gerektiğini söyleyen hiçbir şey yok. Aslında, bu modelleri BUG çerçevesine göre inşa eden NIMBLE projesi üzerinde çalıştım, ancak kullanıcının kendileri hakkında nasıl bir çıkarım yapabileceği konusunda çok daha fazla özgürlük sağladım. Sağladığımız araçların büyük çoğunluğu özelleştirilebilir Bayesian MCMC yöntemleri olsa da, bu modeller için de geleneksel olarak Sık Kullanılan bir yöntem olan maksimum olabilirlik tahmini de kullanılabilir. Benzer şekilde, öncelikleri genellikle Bayesian ile yapabileceğiniz ve Frequentist modellerle yapamayacağınız şeyler olarak düşünülür. Bununla birlikte, cezalandırılmış tahmin, normalleştirici parametre tahminlerini kullanarak aynı modeller sağlayabilir (Bayesian çerçevesi, düzenlileştirme parametrelerini gerekçelendirmek ve seçmek için daha kolay bir yol olsa da, Frequentists, en iyi durumda, çok sayıda veri senaryosuyla birlikte kaldı. " Bu normalizasyon parametreleri, çünkü çok sayıda çapraz onaylanmış numuneden daha fazla, daha iyi veya daha kötüsü için “...


1
Bir şekilde, bu alıntıya itiraz ediyorum: "Özellikle, Frequentist çerçevenin genellikle ilgilenilen parametrelere yalnızca gözlemlenen verilerden çıkarım yapabileceğini öne sürdüğü düşünülürken, Bayesçi bir bakış açısı birinin bağımsız uzman bilgisi içermesi gerektiğini öne sürüyor Konuyla ilgili". Öncelikle, sıklık yapanların, ne nedenle olursa olsun, konu hakkında bağımsız uzman bilgisine ilgi duymadıkları anlamında. Frekansçılarla Bayesliler arasındaki fark, eskilerin inatla önceki bilgi ya da bağlamı kullanmayı reddetmeleri değildir ... (1/2)
Ryan Simmons

1
... ama bunun yerine, iki düşünce okulu bu önceki bilgileri / bağlamı farklı şekillerde kullanır. Bayesian perspektifinin, bu önceki bilgiyi doğrudan bir modele dahil etmeye yönelik daha ilkeli bir yaklaşım benimsediğini iddia edebilirsiniz (buna rağmen, bilgilendirici olmayan öncüllerin yaygın bir şekilde kullanılmasının bu argümanı sulandırdığını savunuyorum). Ancak, bu bilgiyi kullanmayan bir sıklık sorunu olarak nitelendirmenin adil olduğunu düşünmüyorum. (2/2)
Ryan Simmons

1
@RyanSimmons: doğru, bu yüzden "genellikle önerdiği düşünülüyor ..." demiştim. Örneğin, bir araştırmacı bir uzmanın görüşüne göre düzenli parametre tahminlerinin uzun vadede kendini daha iyi tahminlere götürme eğiliminde olduğunu gözlemlerse, bunu Frequentist çerçeveye dahil etmede sorun yoktur ("Frequentist önlemlere dayanarak, bu artırılmış tahminci daha iyidir." yalnızca veri tahmin ediciden daha uzun süreli çalışma özellikleri "). Ancak bu Bayesian çerçevesindeki kadar kolay değil.
Cliff AB

1
Yeterince adil! Aynı fikirdeyim
Ryan Simmons

5

Bayesanlar ve Frequentists olasılıkların farklı şeyleri temsil ettiğini düşünüyor. Sık görüşmeler frekanslarla ilgili olduklarını düşünür ve yalnızca frekansların mümkün olduğu bağlamlarda anlamlı olur. Bayesliler onları belirsizliği temsil etmenin bir yolu olarak görüyorlar. Herhangi bir gerçek belirsiz olabileceğinden, herhangi bir şeyin olasılığı hakkında konuşabilirsiniz.

Matematiksel sonuç, Frequentists'in temel olasılık denklemlerinin yalnızca bazen geçerli olduğunu düşündüğü ve Bayesanların her zaman geçerli olduğunu düşündüğüdür. Bu yüzden aynı denklemleri doğru olarak görüyorlar, fakat ne kadar genel olduklarına göre farklılaşıyorlar.

Bunun aşağıdaki pratik sonuçları vardır:

(1) Bayesanlar yöntemlerini, olasılık teorisinin temel denklemlerinden (Bayes Teoremi sadece bir örnektir) elde edeceklerdir;

(2) Eksik bilgilerden kaynaklanırsanız olasılık teorisinin temel denklemlerini tutarlı bir şekilde kullanmanızın veya başınızın belaya girdiğini gösteren teoremler vardır. Birçok insan bu teoremlerin ne kadar anlamlı olduğu konusunda şüpheleri vardır, ancak pratikte gördüğümüz şey budur.

Örneğin, gerçek dünyadaki masum% 95 Güven Aralıklarını arayan, tamamen imkansız olan değerlerden oluşması mümkündür (Güven Aralığı türetmek için kullanılan aynı bilgilerden). Başka bir deyişle, Frequentist yöntemler basit tümdengelim mantığına aykırı olabilir. Tamamen olasılık teorisinin temel denklemlerinden elde edilen Bayes yöntemleri bu problemi yaşamamaktadır.

(3) Bayesian, Frequentist'ten kesinlikle daha geneldir. Herhangi bir gerçek hakkında belirsizlik olabileceğinden, herhangi bir gerçeğe olasılık atanabilir. Özellikle, üzerinde çalıştığınız gerçekler gerçek dünya frekansları ile ilişkiliyse (tahmin ettiğiniz bir şey veya verilerin bir parçası olarak), Bayesian yöntemleri onları gerçek dünyadaki herhangi bir gerçeği gibi düşünebilir ve kullanabilir.

Sonuç olarak, herhangi bir sorun Frequentist, yöntemlerinin Bayesanlar için de geçerli olduğunu düşünüyor, ayrıca doğal olarak da çalışabiliyor. Ancak bunun tersi, Frequentists, olasılıklarını, örneğin, birden fazla evreni hayal etmek veya asla gerçekleştirilmemiş ve çoğu zaman prensipte olamayan sonsuza kadar varsayımsal tekrarlar icat etmek gibi bir "frekans" olarak yorumlamak için alt bölümleri icat etmedikçe, genellikle doğru değildir. .


7
Sağladığınız cesur ifadelere referans verebilir misiniz? Örneğin, "Frekansistler, temel olasılık denklemlerinin sadece bazen geçerli olduğunu düşünüyorlar" mı? Ve temel olasılık denklemleri nelerdir?
mpiktas

6
B - F tartışmalarından çok daha ilginç, imkansız değerler içeren Güven aralıkları hakkındaki düşünceniz. Yalnızca imkansız değerler içeren% 95 CI örneğini verebilir veya bunlara bağlanabilir misiniz? Bu, her istatistikçinin hayatında en az bir kez görmesi gereken şeylerden biri olabilir (dikkatli bir hikaye olarak), ama yapmadım.
Vincent,

9
Bir CI'nin tüm "imkansız" değerleri içerebileceği "basit tümdengelim mantığına" karşı gelmez. Bu, bir CI tanımının yanlış anlaşılması veya belki de CI'lerin yorumlanması ile güvenilir aralıklar arasında bir karışıklık gibi görünmektedir.
whuber

7
Bu, OP'nin (kesinlikle felsefe ile ilgili olmayan ) sorusuna cevap vermek yerine, felsefi bir rant gibi görünüyor .
Cliff AB

5
“Her istatistikçinin bir CI'den (CI'lerin pratik bir amacı veya gerçek dünyayla iletişim kurmadan) yapacağı çıkarımının aynı kanıtlardan elde edilebilecek olanla çelişmesi mümkündür”. Bu hala hiçbir şekilde Frequentists olasılık kurallarını görmezden iddianızı destekliyor. Ve korkarım ki "Bayes vs Frequentists: kavga et!" Buradaki çoğu okuyucu kaçınmayı tercih eder.
Cliff AB

3

Soru: O zaman matematiksel olarak doğru olmak istiyorsak, olasılık yorumuna izin vermemeli miyiz? Yani, hem Bayesci hem de frekansçılık matematiksel olarak yanlış mı?

Evet, ve bu tam olarak insanların hem Bilim Felsefesinde hem de Matematikte yaptığı şeydir.

  1. Felsefi yaklaşım. Wikipedia bir yorum / olasılık tanımları özeti sunmaktadır .

  2. Matematikçiler güvende değil. Geçmişte, Kolmogorov okulu olasılık tekeline sahipti: olasılık, bütün alana 1 atanan sonlu bir ölçü olarak tanımlanıyor ... Bu hegemonya artık Kuantum olasılığı ve Ücretsiz olasılık .


Rastgele değişkenlerin değişebilirlik varsayımlarının gevşetilmesi varsayımlarının ne anlama geldiğini biliyor musunuz? (serbest olasılık ile ilgili olarak - kuantum olasılığın ardındaki fikirleri anlamak için yeterli QM bilmiyorum) Bu, veya mı geliyor? Sanırım von Neumann cebirleri ve cebirleri tartışması ikincisini ima ediyor. X Y Y X C X+YY+XXYYXC
Chill2Macht

7
@William cebirleri hangi istatistiklerin uygulandığını doğru şekilde modellemez. (Benzer şekilde, karmaşık sayıların icat edilmesi, hiçbir şekilde doğal sayıların fenomenlere uygulanmasını etkilememiştir. Matematiksel olasılık kavramının olası bir şekilde uzatılması hiçbir zaman, olasılıkın - şu anda anlaşıldığı gibi - nasıl uygulanacağını değiştirmeyecektir.) Tim Bu cevap şaşırtıcıdır: Olasılık uygulamalarıyla ilgili yalnızca tamamen matematiksel olan, aksiyomlarının tutarlı olup olmadığıdır ve basit modellerle kolayca kanıtlanmıştır. C
whuber

2

Bayes / sık görüşme tartışması çok sayıda temele dayanıyor. Eğer matematiksel temelden bahsediyorsanız, fazla olduğunu sanmıyorum.

Her ikisinin de karmaşık problemler için çeşitli yaklaşık yöntemler kullanması gerekir. İki örnek, frekansçı için "önyükleme" ve bayesyen için "mcmc" dir.

İkisi de nasıl kullanılacağına dair ritüellerle / prosedürlerle birlikte gelir. Sık rastlanan bir örnek "bir şeyin tahmincisini önermek ve özelliklerini tekrarlanan örnekleme altında değerlendirmek" iken, bir bayesyen örnek "bildiklerinize bağlı olmayan bildikleriniz için olasılık dağılımlarını hesaplamaktır". Olasılıkları bu şekilde kullanmak için matematiksel bir temel yoktur.

Tartışma, uygulama, yorumlama ve gerçek dünyadaki problemleri çözme yeteneği hakkında daha fazla.

Aslında, bu genellikle, "diğer taraf" tarafından kullanılan ve tüm teorinin kendileri için atılması gerektiğini savunan belirli bir “ritüel / prosedür” kullanacakları “kendi taraflarını” tartışan insanlar tarafından kullanılır. Bazı örnekler ...

  • aptal öncelikleri kullanmak (ve onları kontrol etmemek)
  • aptal CI'leri kullanmak (ve onları kontrol etmemek)
  • hesaplamalı bir tekniğin teoriyle karıştırılması (bölmeler mcmc değildir!
  • Bir teoriyle ilgili belirli bir uygulama ile ilgili bir problem hakkında konuşmak, diğer teorinin özel problemi "daha iyi" olarak çözemeyeceği hakkında konuşmak

Haha evet bu bence çok doğru. Bayesçiliğin nasıl korkunç olduğu konusunda yarım saat kadar devam eden bir profesörü dinlemek zorunda kaldım çünkü öncelikleri ortaya koymak mantıklı gelmiyordu ve bütün düşündüğüm zaman "iyi, ah, bu yüzden bir seçim yapmazdın bu şekilde önce ". Demek istediğim, Strawman tartışmalarının boldur olduğuna katılıyorum.
Chill2Macht

1

Öyleyse, istatistiklerin matematiksel olarak doğru olan tek versiyonunun, Bayescilik ve sıklıkçılığa ilişkin olarak tamamen agnostik olan bir şey olmayı reddeden versiyonudur? Her iki sınıflandırmaya sahip yöntemler matematiksel olarak doğruysa, o zaman bazılarını diğerlerine göre tercih etmek yanlış bir uygulama değildir, çünkü bu kesin ve iyi tanımlanmış bir matematik yerine belirsiz, kötü tanımlanmış bir felsefeye öncelik verirdi?

Hayır. İzlemez. Duygularını hissedemeyen bireyler, yalnızca tek bir nesnel çözüme sahip gibi görünen kararlar da dahil olmak üzere, karar vermede biyolojik olarak yetersizdir. Bunun nedeni, rasyonel karar vermenin duygusal kapasitemize ve hem bilişsel hem de duygusal tercihlerimize bağlı olmasıdır. Bu korkutucu olsa da, ampirik gerçekliktir.

Gupta R, Koscik TR, Bechara A, Tranel D. Amigdala ve karar verme. Neuropsychologia. 2011; 49 (4): 760-766. doi: 10.1016 / j.neuropsychologia.2010.09.029.

Elmaları portakal tercih eden bir kişi bunu tercih ettiği için savunamaz. Tersine, portakalları elmaları tercih eden bir kişi, bu tercihi olduğu gibi rasyonel olarak savunamaz. Elmayı tercih eden insanlar genellikle portakal yer. Çünkü elmanın maliyeti, portakalın maliyeti ile karşılaştırıldığında çok fazladır.

Bayesci ve Frequentist tartışmaların çoğu, Likelihoodist ve Frequentist tartışmaların yanı sıra, anlama hatalarının etrafında toplandı. Bununla birlikte, Carnapian olasılığı veya güvene dayalı istatistikler gibi küçük veya artık kullanılmayan yöntemler de dahil olmak üzere tüm yöntemlerde iyi eğitilmiş bir insanımız olduğunu hayal edersek, o zaman sadece bazı araçları diğer araçlara göre tercih etmek akılcıdır.

Rasyonellik sadece tercihlere bağlıdır; davranış tercihlere ve maliyetlere bağlıdır.

Tamamıyla matematiksel bir bakış açısıyla, bir aracın diğerinden daha iyi olduğu, bazı maliyet veya fayda işlevini kullanarak daha iyi tanımlandığı, ancak yalnızca bir aracın çalışabileceği benzersiz bir cevap olmadığı sürece, hem maliyetlerin hem de Tercihler tartılacak.

Karmaşık bir bahis teklif etmeyi düşünerek bir bahisçi sorununu düşünün. Açıkçası, bu durumda tutarlı ve diğer hoş özelliklere sahip olduğu için, bahisçi Bayesian yöntemlerini kullanmalıdır, ancak bahisçinin yalnızca bir hesap makinesi olduğunu ve bir kalem ve kâğıt bile olmadığını hayal edin. Bahisçinin hesap makinesini kullanarak ve kafasındaki şeyleri takip ederek Frequentist çözümü hesaplayabileceği ve Bayesyen'i hesaplamak için Dünya'da hiç şansı olmadığı durumda olabilir. “Hollandalı Rezervasyon Yapma” riskini almaya istekliyse ve potansiyel maliyeti yeterince düşük buluyorsa, Frequentist yöntemleri kullanarak bahis teklif etmesi mantıklı olacaktır.

Öyle rasyonel için size olmaya agnostik duygusal tercihleri sizin için daha iyi olmasını bulmak için. Tüm insanların duygusal ve bilişsel tercihlerinizi paylaştığına inanmadığınız sürece, durumun agnostik olması mantıklı değildir, ki böyle olmadığını biliyoruz.

Kısacası, Bayesçiye karşı sıkça tartışmanın tartışmasının matematiksel temelinin ne olduğunu anlamıyorum ve tartışma için matematiksel bir temel yoksa (Wikipedia'dakilerin iddia ettiği şey) anlamıyorum. akademik söylem

Akademik tartışmaların amacı hem eskilere hem de yeni fikirlere ışık vermektir. Bayesian ve Frequentist tartışmaların çoğu ile Likelesshoodist ve Frequentist tartışmaların çoğu yanlış anlamalardan ve düşüncenin eksikliğinden kaynaklanıyordu. Bazıları, ne oldukları için tercihler söyleyememekten geldi. Tahmin edicinin tarafsız ve gürültülü olmalarına rağmen erteleme ve tahminci önyargılı ve doğru olmanın bir tartışması, duygusal tercihlerin bir tartışmasıdır;

Felsefeden hoşlanmıyorum, ama matematikten hoşlanıyorum ve sadece Kolmogorov'un aksiyomları çerçevesinde çalışmak istiyorum.

Neden? Çünkü Kolmogorov'u Cox'lara, de Finetti'lere mi yoksa Savage'lara mı tercih edersin? Bu tercih gizlice mi içeri giriyor? Ayrıca, olasılık ve istatistik matematik değildir, matematik kullanırlar. Bu bir retorik dalı. Bunun neden önemli olduğunu anlamak için ifadenizi dikkate alınız:

eğer bir yöntem matematiksel olarak doğru ise, o zaman temel matematiğin varsayımları geçerli olduğunda yöntemi kullanmak geçerlidir, aksi takdirde matematiksel olarak doğru değilse veya varsayımlar geçerli değilse, kullanmak geçersizdir.

Bu doğru değil. Güven aralıklarıyla ilgili güzel bir makale var ve kötüye kullanılması alıntı:

Morey, Richard; Hoekstra, Rink; Rouder, Jeffrey; Lee, Michael; Wagenmakers, Eric-Jan, Güven aralıklarına güven duymanın yanlışlığı, Psychonomic Bulletin & Review, 2016, Cilt.23 (1), s.103-123

Makaledeki farklı potansiyel güven aralıklarını okursanız, her biri matematiksel olarak geçerlidir, ancak daha sonra özelliklerini değerlendirirseniz, bunlar büyük ölçüde farklılık gösterir. Aslında, sağlanan güven aralıklarının bir kısmı, sorundaki tüm varsayımlara uysalar da "kötü" özelliklere sahip olduğu düşünülebilir. Bayesian aralığını listeden çıkarırsanız ve yalnızca dört Frequentist aralığına odaklanırsanız, aralıklar geniş ya da dar ya da sabit olduğunda daha derin bir analiz yaparsanız, aralıkların eşit olmayabileceğini göreceksiniz. "Her biri varsayım ve gereklilikleri karşılasa da.

Yararlı olması veya alternatif olarak mümkün olduğu kadar faydalı olması için matematiksel olarak geçerli olması yeterli değildir. Aynı şekilde, matematiksel olarak doğru olabilir, ancak zararlı olabilir. Makalede, doğru konum hakkında en az miktarda bilgi olduğunda ve parametrenin konumu hakkında mükemmel bilgi veya mükemmel bilgiye yakın olduğunda en dar düzeyde olan bir aralık vardır. Ne olursa olsun, kapsam gereksinimlerini karşılar ve varsayımları karşılar.

Matematik asla yeterli olamaz.


İkinci yazıyı gerçekten beğendim. (İlk makalenin sonucu, beni ikna edici bir şekilde savunduğunu duymuş olduğum bir şeydi, bu yüzden okumam için gereksiz görünüyordu.) Çoğunlukla söylediklerinize katılıyorum. Dürüst olmak gerekirse, matematik dediğimde, matematiksel araştırma konularının ve yönlerinin yanı sıra matematiksel aksiyomların seçimlerinin modele getirilmesi anlamına geldiğini ima eden açık anlayışın yanı sıra "uygulamalı matematik" anlamına da daha fazla aklımdaydım. gerçek dünya. Ayrıca, ikinci makalenin söylediklerimle çelişmediğini düşünmüyorum - yazarlar ortak yanılsamaları, cümle
Chill2Macht

Onları matematiksel olarak (yani kesin, titizlikle) ve sonra yanlış olduklarını gösteren karşı örnekler sunar. Söylemeye çalıştığım şey (birkaç ay önce niyetlerimi doğru hatırlıyorsam), “felsefeniz” veya “felsefi fikriniz” veya kesin bir ifadeyle ifade edilemeyen / daraltılamazsa, yani açıkça ifade edilmemişse, o zaman etrafa atmak işe yaramaz. Örneğin, MLE (önceden düz olan MAP) ile belirsiz sebeplerden ötürü diğer objektif türler arasında bir ayrım yapan frekansçılar - eğer itirazınız matematiksel bir aksiyom şeklinde ifade edilemezse, o zaman orada
Chill2Macht

itirazı ilk etapta belirtmek için iyi bir sebep değildir, çünkü itirazınız yanlışlanamayacak kadar belirsizdir. Sadece istatistiklerin "matematiği kullanması" demek, benim görüşüme göre, istatistikçilerin matematikçilerden daha şık düşünürler olarak haklı oldukları anlamına gelmez. Matematikçiler, matematiksel aksiyomların, belirttiginiz gibi, nihayetinde sadece duygusal tercihlere dayanarak, “değinmeye değer” veya “ilginç” olduğunu tartışırlar. Ancak bu argümanlar aslında madde ve hareket eden alanları ileri taşıyabilecek kapasitededir, çünkü her bir tarafın pozisyonları açıkça ve belirsizdir-
Chill2Macht

Belirtildiği gibi - örneğin, sezgisellerin Dışlanmış Ortamı Yasası'nı kullanarak reddettiği açıkça söylenebilir, diğer matematikçiler bunu kullanmaktan memnundur. Ayrıca, Seçim Aksiyomu hakkındaki şiddetli tartışmayı da not edin. Ancak, Hem Dışlanan Orta Yasası hem de Seçim Aksiyomu, diğer kesin varsayımlar verildiğinde , tahrif edilebilecek, yanlışlanabilir, kanıtlanmış vb. Gibi kesin ifadelerdir (diğer varsayımlara bağlıdır). Diğer bir deyişle, "felsefe" / "duygu" nun yalnızca farklı belirsiz / kesin aksiyomlar için tercihleri ​​belirtmek için devreye girmesi gerektiğini savunduğum şeydi . As
Chill2Macht

"öncelikler kötüdür" diyen biriyle karşılaştırıldığında, çıkarımın yerine getirmesi gerektiğine inandıkları matematiksel bir aksiyom vermemek ve hangisinin önceliği seçtiğini ihlal etmek mantıklı olarak gösterilebilir. Birincisi yararsızdır, ikincisi yapıcıdır, çünkü rakiplere çalışacak somut bir şey verir; örneğin, "bu problem için üstlenmeleri daha makul görünüyor" gibi alternatif bir aksiyom önerme fırsatı. Bu nedenle, bağlantı kurduğunuz ikinci makaleyi gerçekten beğeniyorum, çünkü CI'lerin yanlış yorumlarını "matematiğe çeviriyor " ve tam olarak yanlış olduklarını kanıtlıyor .
Chill2Macht
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.