통계 학자로서 가장 큰 질문 중 하나는 가능성 원칙을 믿거 나 고수할지 여부를 스스로에게 물어봐야한다고 생각합니다. 만약 당신이 우도 원리를 믿지 않는다면 통계에 대한 빈번한 패러다임은 매우 강력 할 수 있다고 생각합니다. 그러나 우도 원리를 믿으면 베이지안 패러다임을 위반하지 않습니다.
익숙하지 않은 경우 가능성 원칙에 따라 다음과 같이 알려줍니다.
θx
ℓ(θ;x)=p(x|θ)
x
xyℓ(θ;x)ℓ(θ;y)C(x,y)
ℓ(θ;x)=C(x,y)ℓ(θ;y)for all θ,
xy
C(x,y)(x,y)C(x,y)θ
C(x,y)=1θθ
이제 베이지안 통계의 장점 중 하나는 적절한 사전에 베이지안 패러다임이 우도 원칙을 위반하지 않는다는 것입니다. 그러나 빈번주의 패러다임이 가능성 원칙을 위반하는 매우 간단한 시나리오가 있습니다.
다음은 가설 검정에 기반한 매우 간단한 예입니다. 다음을 고려하세요:
12 개의 베르누이 (Beroulli) 시험이 실시되었고 3 회의 성공이 관찰 된 실험을 고려하십시오. 중지 규칙에 따라 데이터를 다음과 같이 특성화 할 수 있습니다.
- X|θ∼Bin(n=12,θ)x=3
- Y|θ∼NegBin(k=3,θ)y=12
따라서 다음과 같은 우도 함수를 얻을 수 있습니다.
이는
, 따라서 우도 원리에 의해, 우리는 우도에서 동일한 에 대한 추론을 얻어야합니다 .
ℓ1(θ;x=3)ℓ2(θ;y=12)=(123)θ3(1−θ)9=(112)θ3(1−θ)9
ℓ1(θ;x)=C(x,y)ℓ2(θ,y)
θ
이제 빈번주의 패러다임
Ho:θ≥12versusHa:θ<12
이항 모델의 경우 다음이 있습니다.
p-value=P(X≤3|θ=12)=(120)(12)12+(121)(12)12+(122)(12)12+(123)(12)12=0.0723
알 그러나 다른 조건 할 가능성 원칙을 만족시키지 않습니다.(123)(12)12=ℓ1(12;x=3)
음 이항 모델의 경우 다음과 같습니다.
p-value=P(Y≥12|θ12)=(112)(12)12+(122)(12)12+(132)(12)12+...=0.0375
위의 p- 값 계산에서 이항 모형에서는 를 기각 못하지만 음수 이항 모형을 사용하면 기각 . 따라서 p- 값과 이러한 p- 값에 따른 결정이 와 일치하더라도 일치하지 않습니다. 이 p- 값 인수는 베이지 안에서 Frequentist p- 값 사용에 대해 자주 사용하는 것입니다.HoHoℓ1(θ;x)∝ℓ2(θ;y)
이제 다음 가설을 다시 테스트하는 것이 그러나 베이지안 패러다임
Ho:θ≥12versusHa:θ<12
이항 모델의 경우 다음이 있습니다.
P(θ≥12|x)=∫11/2π(θ|x)dx=∫11/2θ3(1−θ)9π(θ)dθ/∫10θ3(1−θ)9π(θ)dθ
마찬가지로, 이항 이항 모형의 경우 다음이 있습니다.
P(θ≥12|y)=∫11/2π(θ|x)dx=∫11/2θ3(1−θ)9π(θ)dθ/∫10θ3(1−θ)9π(θ)dθ
이제 베이지안 결정 규칙을 사용하여 (또는 다른 임계 값) 인 경우 선택 하고 대해 유사하게 반복하십시오 .Ho 년P(θ≥12|x)>12y
그러나 그래서 우리는 동일한 결론과 따라서이 접근법은 가능성 원칙을 만족시킨다.P(θ≥12|x)=P(θ≥12|y)
그리고 결론을 내릴 수 있도록, 만약 당신이 가능성 원칙에 관심이 없다면, 자주주의하는 것이 좋습니다! (당신이 말할 수 없다면, 나는 베이지안입니다 :))