Bu makalenin halihazırda Bayesci bir analiz uyguluyorsanız ve istatistiksel önem bölümünü umursamadığınızda yardımcı olabilecek başka bir açısı daha vardır.
, tahmin etmek istediğiniz miktarın (etki büyüklüğü) arka CDF'si olduğunu varsayalım . Bayesçi durumda, gösterimle bir miktar özgürlük alarak ve olasılık yoğunluk fonksiyonları hakkında konuşmaya geçerek, bazı gözlemlenebilir miktar dayalı bir olasılık fonksiyonuna ve önce saflığa sahip olacaksınız :PβVβ
p(β|V)∼p(V|β)p(β)
Burada olabilirlik açısından olağan ürün vs günlük terimlerinin bir toplamı, içine vektör uzunluğunu dönüm ortaya çıktığı, bir çok bağımsız gözlemler için bir vektör olarak, en basit durumda, bir vektör miktarı olması muhtemeldir bir olacaktır örneklem büyüklüğünün parametrelendirilmesi. Diğer modellerde, diyelim ki Poisson olduğu zaman, örnek büyüklüğünün parametrelendirilmesini ifade eden Poisson parametresine de yuvarlanabilir.VVp(V|β)
Şimdi , literatür taramasına veya diğer araçlara dayalı bir hipotez yaptığınızı varsayalım . Eğer assumed veri üreten süreç kullanabilirsiniz ile simülasyonunu oluşturmak için modeliniz de belirtilmişse göreceğiniz veri temsil ve gerçek efekt boyutudur.βplausibleP(V|β)β=βplausibleVβplausible
Sonra bir tür aptalca şey yapabilirsiniz: arkanı dön ve örneğinin gözlenen veriler olduğu gibi davranın ve genel posteriordan bir sürü örneği çizin . Bu örneklerden, makalede belirtildiği gibi istatistikleri hesaplayabilirsiniz.Vβ
Bağlantılı kağıttan, S tipi hatadan ve abartma oranından miktarlar zaten aynı şeyi temsil ediyor. Bu efekt boyutu için, model seçenekleriniz göz önüne alındığında, bunlar size için seçilen belirli bir örnek boyutu parametresi , yanlış işaretin posterior olasılığının ne olduğunu ve efekt boyutu arasında beklenen (posteriorda) oranın ne olacağını söyleyecektir. modelin ürettiği ve kabul edilen makul etki büyüklüğü, örnek boyutu ile ilgili herhangi bir yönü değiştiğinden .VV
En zor kısım, posterior "gücü", tahmini değerinin , en azından varsayımsal değer kadar büyük olma olasılığını posterior olarak yorumlamaktır . Bu, sıfır hipotezini reddetme kapasitesinin bir ölçüsü değildir, çünkü bu olasılığın boyutu, frekansçı anlamda bir önem ölçüsü olarak kullanılmayacaktır.ββplausible
Buna ne diyeceğimi gerçekten bilmiyorum, uygulamada çalışma tasarımı için akıl yürütmenin çok yararlı bir ölçütü olduğu birkaç uygulamam olduğunu söylemek dışında. Temelde size olasılık ve önceki şekillerle ilgili bazı "yeterince yüksek" sonuçlarla ilgili belirli bir varsayım için ne kadar veri sağlamanız gerektiğini (verilerinizin kullanan bir işlemden mükemmel bir şekilde oluşturulduğunu varsayarak) görmeniz için bir yol sunar. belirli bir boyutta bir etkinin posterior olasılığı.βplausible
Uygulamada bunun benim için en yararlı olduğu durumlarda, aynı genel modelin farklı veri kümelerine tekrar tekrar uygulanması gerektiği, ancak veri kümeleri arasındaki nüansların önceki dağılımı değiştirmeyi veya farklı bir literatür incelemesi alt kümesini kullanmayı haklı kılacağı durumlar pragmatik bir seçimin ne olduğuna karar verin ve ardından farklı veri kümeleri için bu ayarlamaların posteriorda önemsiz olmayan bir olasılık için çok daha fazla veriye ihtiyaç duyacağınız bir durumla sonuçlanıp sonuçlanmayacağına dair kaba bir teşhis alma dağıtımın sağ tarafında yoğunlaşmıştır.βplausible
Hiç kimsenin bu "güç" metriğini, oldukça zor olan sık sık güç hesaplamasıyla aynı şey gibi kötüye kullanmamasına dikkat etmelisiniz. Ancak, tüm bu metrikler, tüm modelleme prosedürü Bayesian olsa da ve herhangi bir istatistiksel anlamlılık sonucuna başvurmasa bile, prospektif ve retrospektif tasarım analizi için oldukça yararlıdır.