베이지안 통계가 통계 프로세스 제어에 더 인기가없는 이유는 무엇입니까?

베이지안 대 잦은 논쟁에 대한 나의 이해는 잦은 통계입니다.

• 객관적이거나 주장
• 또는 적어도 편견
• 서로 다른 가정을 사용하는 다른 연구자들은 여전히 ​​정량적으로 비교 가능한 결과를 얻을 수 있습니다.

베이지안 통계

• 사전 지식을 사용할 수 있기 때문에 "더 나은"예측 (즉, 예상 손실 감소) 주장
• 최소한의 "임시"선택이 필요하며 (적어도 원칙적으로는) 실제 해석이 가능한 이전 / 모델 선택으로 대체합니다.

이를 감안할 때, SPC에서 베이지안 통계가 매우 인기가있을 것으로 기대했을 것입니다. 프로세스 품질을 제어하려고하는 공장 소유자 인 경우, 주로 예상 손실에 관심을 갖습니다. 이를 줄일 수 있다면 경쟁 업체보다 사전 / 지식이 많기 때문에 훨씬 좋습니다.

그러나 실제로 SPC에 대해 읽은 모든 것은 확고하게 빈번한 것으로 보입니다 (즉, 사전 분배, 모든 매개 변수의 포인트 추정치, 샘플 크기, p- 값 등에 대한 많은 임시 선택).

왜 그런 겁니까? 펜과 종이를 사용하여 SPC를 수행 한 1960 년대에 빈번한 통계가 더 나은 선택 인 이유를 알 수 있습니다. 그런데 왜 그때 이후로 다른 방법을 시도하지 않았습니까?

경고 나는 오래 전에 내가 무엇에 관해 이야기하고 있는지 거의 알지 못하고이 답변을 썼습니다. 승인되었으므로 삭제할 수 없지만 대부분의 콘텐츠 뒤에 숨을 수 없습니다.

이것은 매우 긴 답변이며 어떤 식 으로든 도움이되기를 바랍니다. SPC는 제 영역이 아니지만 이러한 의견은 여기에 적용 할 정도로 일반적이라고 생각합니다.

나는 가장 많이 인용 된 장점, 즉 이전의 신념을 통합 할 수있는 능력 은 약한 적용 / 임시적 분야 라고 주장한다 . 이전 을 수량화 해야하기 때문입니다. "음, 레벨 z는 확실히 믿어지지 않습니다"라고 말할 수 있더라도, z의 삶에서 z 아래에서 일어날 일을 말할 수는 없습니다. 작성자가 원시 데이터를 드라이브에 게시하기 시작하지 않는 한 이전 작업에 대한 최선의 추측은 이전 작업에서 가져온 조건부 모멘트입니다.

기본적으로 베이지안 기법 (적어도 개념적 수준에서)은 강력한 가정 / 아이디어 / 모델이 있고이를 데이터로 가져 오려는 경우에 탁월 합니다. 그러나 종종 비즈니스 프로세스에 대한 하나의 특정 모델에 대한 올바른지 여부를보고 싶어하지 않습니다. 더 가능성이 높습니다 더모델을 만들고 프로세스가 수행 할 작업을 찾고 있습니다. 결론을 내리지 않고 데이터가 결론을 내리기를 원합니다. 충분한 데이터가 있다면 어쨌든 이런 일이 일어날 것입니다. 그런데이 경우 왜 이전의 것을 귀찮게합니까? 어쩌면 그것은 지나치게 회의적이고 위험을 피할 수는 있지만 낙관적 인 사업가에 대해 들어 본 적이 없습니다. 자신의 신념에 대한 당신의 불확실성을 정량화 할 방법이 없으며 , 잘못된 것에 지나치게 확신 할 위험이 없습니다 . 따라서 정보를 미리 설정하지 않으면 이점이 사라집니다.

예를 들어 디지털 마케팅과 달리 비즈니스 프로세스 가 예측할 수없는 플럭스 상태에 있지 않기 때문에 이는 SPC 사례에서 흥미 롭습니다 . 비즈니스 프로세스가 고의적이고 점진적으로 변화하는 경향이 있습니다. 즉, 당신은 좋은 안전한 사전을 구축하는 데 오랜 시간이 걸립니다. 그러나 이전의 모든 것이 불확실성 전파에 관한 것임을 상기하십시오. 주관적 측면에서 베이지안주의는 깊이 중첩 된 데이터 생성 프로세스에서 객관적으로 불확실성을 전파 한다는 이점이 있습니다 . 즉, 나에게,이다 정말 무엇을 베이지안 통계 것이 좋습니다. 그리고 1-in-20 "유의"컷오프를 넘어서 공정의 신뢰성을 찾고 있다면 가능한 한 많은 불확실성을 설명하는 것처럼 보입니다.

베이지안 모델은 어디에 있습니까? 먼저 구현하기 가 어렵습니다.. 솔직히 말해서, 나는 15 분 안에 기계 엔지니어에게 OLS를 가르 칠 수 있고 또 다른 5 번에 Matlab에서 회귀와 t- 테스트를 할 수 있습니다. 그런 다음 회사의 누군가가 알고있는 언어로 기성품 라이브러리가 있는지 확인하십시오. 그렇지 않으면 BUGS 또는 Stan을 사용해야합니다. 그런 다음 기본 답변을 얻기 위해 시뮬레이션을 실행해야하며 8 코어 i7 시스템에서 약 15 분이 걸립니다. 빠른 프로토 타이핑을위한 많은 것들. 두 번째로, 답변을받을 때까지 2 시간의 코딩과 대기 시간을 보냈으며 군집 된 표준 오류로 인해 자주 발생하는 무작위 효과와 동일한 결과를 얻었습니다. 어쩌면 이것은 모두 모호하고 잘못된 것이며 SPC를 전혀 이해하지 못합니다.

나는 베이지안을 매우 높은 품질의 요리사 칼, 스톡 포트 및 소테 팬에 비유합니다 . 빈번 함은 바나나 슬라이서와 같은 As-Seen-On-TV 도구로 가득 찬 주방 과 배수구를 쉽게 만들 수 있도록 뚜껑에 구멍이있는 파스타 포트와 같습니다 . 주방에서, 실제로 깨끗하고 체계적이고 모든 것이 어디에 있는지 알고있는 실질적인 지식을 가진 자신의 부엌에서 많은 경험을 가진 실습 요리사라면 작은 선택으로 놀라운 일을 할 수 있습니다 우아하고 고품질의 도구. 또는 사용하기에는 기술이 필요하지 않은 간단하고 실제로 반 나쁘지 않은 식사를 만들기 위해 몇 가지 다른 임시 도구를 사용할 수 있으며 몇 가지 기본 맛이 있습니다. 방금 데이터 광산에서 집으로 돌아 왔으며 결과에 굶주리고 있습니다. 당신은 어느 요리사입니까?

* Bayes는 애드혹과 동일하지만 덜 투명 합니다. coq au vin에 얼마나 많은 와인이 들어 갑니까? 당신은 프로이기 때문에, 당신은 그것을 안구. 또는 피노 그리지오와 피노 누아의 차이점을 알 수는 없지만 Epicurious의 첫 번째 레시피는 빨간색 컵 2 컵을 사용한다고 말했기 때문에 그렇게 할 것입니다. 어느 것이 "애드혹"입니까?

나의 겸손한 의견으로는, 베이지안 통계는 (SPC에서뿐만 아니라 다른 연구 분야에서도) 널리 사용되는 것과 상충되는 몇 가지 단점이있다.

1. 잦은 편에 비해 추정값을 얻는 것이 더 어렵습니다 (통계에 대한 클래스의 가장 넓은 부분이 빈번한 접근 방식을 채택합니다) 그러나 이것이 베이지안 통계의 제한된 인기의 원인인지 또는 효과인지 조사하는 것이 흥미로울 것입니다 ).

2. 베이지안 통계는 종종 클릭 앤 보 (click-and-see )뿐만 아니라 동일한 문제를 처리하는 다양한 방법 (예 : 가장 좋은 방법은 무엇입니까?)에 대한 선택을 부과하는 경우가 많습니다 (어쨌든이 접근법은 잦은 틀에서 권장되지 않아야합니다).

3. 베이지안 통계에는 경험이 적은 통계 학자 (예 : 부적절한 사전 ) 가 관리하기 어려운 일부 주제가 있습니다 .

4. 그것은 필요 민감도 분석 의 누락 데이터 분석과 같은 몇 가지 주제를 만들어 (보통 빈도주의 프레임 워크에서 피할 수), 및 예외.

5. 계산에 사용할 수있는 소프트웨어는 하나만 있습니다 (무료 다운로드 가능).

6. 잦은 도구보다 Bayesian의 자율 연구원 이되는 데 더 많은 시간 이 걸립니다 .

한 가지 이유는 베이지안 통계가 1990 년 경까지 주류에서 동결 되었기 때문입니다. 1970 년대에 통계를 연구 할 때 거의 모든 이단이되었습니다 (어디서나 대부분의 대학원 프로그램에서). 흥미로운 문제의 대부분이 다루기 힘들다는 사실은 도움이되지 못했습니다. 결과적으로 오늘날 통계를 가르치고 있으며 (저널 기사를 검토하고 커리큘럼을 디자인하는) 거의 모든 사람들이 빈번한 훈련을받습니다. SAS와 Stata와 같은 꾸러미에 점차적으로 적용되고있는 Markov Chain Monte Carlo (MCMC) 방법이 대중화되면서 1990 년 경에 상황이 바뀌기 시작했습니다. 개인적으로 나는 그들이 10 년 안에 훨씬 더 일반적 일 것이라고 생각하지만, SPC (specialized applications)에서는 그다지 유리하지 않을 수 있습니다.

베이지안 분석을보다 널리 이용할 수있게하는 한 그룹은 STAN 패키지 (mc-stan.org)를 개발하는 그룹입니다.