베이지안처럼 생각하고, 잦은 주의자처럼 확인하십시오 : 그게 무슨 뜻입니까?

여기에서 찾을 수있는 데이터 과학 과정에 대한 강의 슬라이드를보고 있습니다.

https://github.com/cs109/2015/blob/master/Lectures/01-Introduction.pdf

안타깝게도이 강의에 대한 비디오를 볼 수 없으며 슬라이드의 어느 시점에서 발표자가 다음과 같은 텍스트를 가지고 있습니다.

일부 주요 원칙

베이지안처럼 생각하고, Frequentist처럼 확인하십시오 (조정)

그게 실제로 무엇을 의미하는지 아는 사람이 있습니까? 이 두 가지 생각 학교에 대해 좋은 통찰력이 있다는 느낌이 듭니다.

베이지안과 빈번한 통계 학교의 주요 차이점은 확률 해석의 차이로 인해 발생합니다. 베이지안 확률은 사건이 일어날 것이라는 개인적인 신념에 대한 진술입니다. 잦은 확률은 해당 사건의 수가 증가함에 따라 한계에서 발생하는 유사한 사건의 비율에 대한 진술입니다.

저에게 "베이지안처럼 생각한다"는 것은 새로운 정보가 발생할 때 개인의 신념을 업데이트하고 "빈번 주의자처럼 [또는 걱정]을 확인"한다는 것은 해당 절차가 사용 된 시간에 걸쳐 집계 된 통계적 절차의 수행에 관심이 있다는 것을 의미합니다. 예를 들어, 신뢰할 수있는 구간의 적용 범위, 유형 I / II 오류율 등

베이지안 통계는 신념을 요약하지만 빈번한 통계는 증거를 요약합니다. 베이지안은 확률을 신념의 정도로 본다. 이 포괄적이고 생성적인 추론 유형은 가설을 공식화하는 데 유용합니다. 예를 들어, 베이지안은 우주 비행사가 실제로이를 확인하기 위해 그곳을 여행 할 수 있었는지 여부에 관계없이 달이 녹색 치즈로 만들어 졌다는 개념에 임의로 확률을 할당 할 수 있습니다. 이 가설은 아마도 멀리서 달이 보인다 는 생각에 의해 뒷받침 될 것입니다그린 치즈 처럼요 빈번한 사람들은 밀짚 꾼 이상의 가설을 단념 적으로 생각할 수 없으며, 어떤 가설이 다른 가설보다 우위에 있다고 말할 수도 없습니다. 최대 우도조차도 "관찰 된 것과 가장 일치하는"통계량 만 생성합니다. 공식적으로 베이지안 통계를 통해 우리는 상자 밖에서 사고하고 데이터로부터 방어 가능한 아이디어를 제안 할 수 있습니다. 그러나 이것은 본질적으로 본질적으로 생성되는 가설입니다.

빈번한 통계는 가설을 확인하는 데 가장 적합합니다. 실험이 잘 수행 될 때, 빈번한 통계는 소거 이전의 결과에 의해 "독립적 관찰자"또는 "임시적"맥락을 제공한다. 이것은 칼 포퍼 과학 철학과 일치합니다. 증거의 요점은 특정 아이디어를 공표하는 것이 아닙니다. 많은 증거가 잘못된 가설과 일치 합니다. 증거는 단지 신념을 위조 할 수 있습니다.

이전의 영향은 일반적으로 통계적 추론의 편견으로 간주됩니다. 아시다시피, 우리는 일이 일어나는 이유를 많이 만들 수 있습니다. 심리적으로 많은 사람들은 우리의 관찰자 편견이 우리가 보는 것에 진정으로 가중치를 부여하지 못하게하는 뇌의 이전 결과라고 생각합니다. 목사 어머니가 모래 언덕에서 말했다시피 "희망 구름 관찰". 포퍼는이 아이디어를 엄격하게 만들었습니다.

이것은 우리 시대의 가장 위대한 과학 실험에서 역사적으로 매우 중요했습니다. 예를 들어, 존 스노 꼼꼼하게 콜레라 전염병에 대한 증거를 수집하고 콜레라가되어 기민하게 체결 되지 도덕적 결핍에 의해 발생하고, 증거가 하수 오염이 매우 일치 함을 지적했다 : 노트 그는하지 않았다 결론이로 인해 스노우의 발견은 박테리아의 발견을 앞질렀 고, 기계적인 또는 어원 학적 이해는 없었다. 종의 기원에서도 비슷한 담론이있다. 우주 비행사가 실제로 표면에 착륙하여 샘플을 수집 할 때까지 달이 녹색 치즈로 만들어 졌는지 실제로 알지 못했습니다. 이 시점에서 베이지안 후부들은 다른 가능성에 대해 매우 낮은 확률을 할당했으며, Frequentists는 기껏해야 샘플이 달 먼지를 제외한 모든 것과 일치하지 않는다고 말할 수 있습니다.

요약하면, 베이지안 통계는 가설 생성에 적합하고 잦은 통계는 가설 확인에 적합합니다. 이러한 노력에서 데이터가 독립적으로 수집되도록하는 것은 현대 통계학자가 직면 한 가장 큰 과제 중 하나입니다.

당 Cliff AB그들이 경험적 베이지안 철학으로 향하고있다처럼 영업 이익의 의견 들린다. 베이지안의 세 가지 주요 학교가 있으며 Empirical Bayes 는 종종 빈번한 방법으로 데이터로부터 사전을 추정합니다. 그것은 인용문과 정확히 일치하지는 않지만 (이후 베이 즈가 앞뒤로 자주 제기되는 관심사를 암시 함) 우리는 Cliff AB훌륭한 의견을 간과해서는 안됩니다 .

또한 베이지안 학교가 있었지만 여전히 베이지안 절차 후에는 아무것도 점검 할 필요가 없다고 생각했습니다. 더 현대적인 생각은 사후 예측 검사를 사용하며 아마도 이중 답변 귀하의 답변에 대한 접근 방식이 인용문이 말하는 것입니다.

또한 잦은 철학은 데이터의 추론보다는 절차와 관련이 있습니다. 아마도 그것은 또한 인용의 의미에 대한 단서 일 것입니다.

이 데이터 과학 수업의 맥락에서, "빈번주의처럼 확인"에 대한 나의 해석은 보류 된 유효성 검사 데이터에 대한 예측 기능 또는 의사 결정 기능의 성능을 평가한다는 것입니다. "베이지안처럼 생각하기"에 대한 조언은 베이지안 접근 방식에서 파생 된 예측 함수가 일반적으로 좋은 결과를 줄 것이라는 의견을 나타냅니다.

"베이지안처럼 생각하고, 잦은 주의자처럼 확인"하는 것은 통계 설계 및 분석에 대한 접근 방식을 나타냅니다. 내가 이해하는 것처럼 베이지안 사고는 이전의 상황 (실험적으로 또는 통계적으로)에 대한 약간의 신념을 포함합니다. . 이들은 이전 연구와 가설에 근거한 신념입니다. 빈번한 사고는 개입의 결과를 추정하여 이론적, 실제적인 빈도 또는 이러한 결과가 다시 발생할 확률 (즉, "빈번한")에 기반한 신뢰 구간 또는 기타 통계를 얻습니다. 예를 들어, 중재 후 읽기 점수는 분당 85 ~ 97 단어의 95 % 신뢰 구간을 갖는 분당 91 워드 일 수 있으며 이와 관련된 p- 값 (확률 값)은 중재 전 점수와 다릅니다. 따라서 시간의 95 %에서 새로운 읽기 점수는 중재 후 분당 85 ~ 97 단어입니다. 따라서 "베이지안처럼 생각"-즉, 이론, 가설, 이전 증거를보고 "빈번 주의자처럼 확인"-즉, 이러한 실험 결과가 얼마나 자주 발생하며 얼마나 많은 결과가 발생할 수 있는지 개입보다는 기회. 새로운 읽기 점수는 중재 후 분당 85 ~ 97 단어입니다. 따라서 "베이지안처럼 생각"-즉, 이론, 가설, 이전 증거를보고 "빈번 주의자처럼 확인"-즉, 이러한 실험 결과가 얼마나 자주 발생하며 얼마나 많은 결과가 발생할 수 있는지 개입보다는 기회. 새로운 읽기 점수는 중재 후 분당 85 ~ 97 단어입니다. 따라서 "베이지안처럼 생각"-즉, 이론, 가설, 이전 증거를보고 "빈번 주의자처럼 확인"-즉, 이러한 실험 결과가 얼마나 자주 발생하며 얼마나 많은 결과가 발생할 수 있는지 개입보다는 기회.