통계 이력에서 베이지안과 Fiducial이라는 두 가지 시도가 있습니다. RA Fisher는 통계적 사고의 두 학교를 설립했습니다. 우도주의 학교는 최대 우도의 방법과 기준을 기반으로 구축되었으며 실패로 끝났지 만 원하는 것을 정확하게 시도합니다.
왜 실패했는지에 대한 짧은 대답은 확률 분포가 결국 통합에 통합되지 않았다는 것입니다. 결국 교훈은 이전의 확률이 당신이 만들고자하는 것을 창조하는 데 필요한 것이라는 것이었다. 실제로, 당신은 역사상 가장 위대한 통계 학자 중 한 사람의 길을 바로 가고 있으며, 다른 위대한 대가들보다이 문제에 대한 해결책을 찾기 위해 죽었습니다. 그것이 발견되면, 그들이 해결할 수있는 문제의 유형의 관점에서 베이지안 방법과 동등하게 귀무 가설 방법을 배치 할 것이다. 실제로, 실제 사전 정보가 존재하는 경우를 제외하고는 베이를 지나칠 것입니다.
또한 p- 값이 대안의 가능성이 높음을 나타내는 진술에주의를 기울이고 싶습니다. 그것은 Fisherian Likelihoodist 학교에서만 사실입니다. Pearson-Neyman Frequentist 학교에서는 전혀 사실이 아닙니다. 하단의 베팅은 Pearson-Neyman 베팅 인 것처럼 보이지만 피셔 리언 스쿨에서 오는 p- 값은 호환되지 않습니다.
자선을 위해 저는 여러분의 예를 들어 출판 편견이 없기 때문에 저널에 중대한 결과 만 나타나고 잘못된 발견 률을 생성한다고 가정합니다. 나는 결과에 관계없이 수행 된 모든 연구의 무작위 샘플로 이것을 취급하고 있습니다. 나는 당신의 베팅 배당률이 고전적인 Fine Fine의 단어 의미에서 일관되지 않을 것이라고 주장합니다.
드 파인 티의 세계에서, 북이 플레이어가 게임을 할 수 없어서 확실한 손실을 입을 수 없다면, 베팅은 일관됩니다. 가장 간단한 구조에서는 케이크를 자르는 문제에 대한 해결책과 같습니다. 한 사람은 조각을 반으로 자르지 만 다른 사람은 원하는 조각을 선택합니다. 이 구성에서 한 사람은 각 가설에 대한 베팅 가격을 말하지만 다른 사람은 베팅을 사고 팔 것입니다. 본질적으로 null을 짧은 매도 할 수 있습니다. 최적의 확률은 엄격하게 공평해야합니다. P- 값은 공정한 배당률로 이어지지 않습니다.
이를 설명하기 위해 Wetzels 등의 연구 ( http://ejwagenmakers.com/2011/WetzelsEtAl2011_855.pdf)를 고려하십시오 .
인용은 Ruud Wetzels, Dora Matzke, Michael D. Lee, Jeffrey N. Rounder, Geoffrey J. Iverson 및 Eric-Jan Wagenmakers입니다. 실험 심리학의 통계적 증거 : 855 t 테스트를 사용한 경험적 비교. 심리 과학에 대한 관점. 6 (3) 291-298. 2011 년
이는 이전 분포 문제를 우회하기 위해 Bayes 요인을 사용하여 855 개의 공개 된 t- 검정을 직접 비교 한 것입니다. .05와 .01 사이의 p- 값의 70 %에서 베이 즈 요인은 일화 적이었습니다. 이것은 Frequentists가 문제를 해결하기 위해 사용한 수학적 형식 때문입니다.
귀무 가설 방법은 모형이 참이고 모형의 구성에 따라 확률 분포보다는 최소 최대 통계 분포를 사용한다고 가정합니다. 이 두 가지 요소는 베이지안 솔루션과 비 베이지안 솔루션의 차이점에 영향을줍니다. 베이지안 방법이 가설의 사후 확률을 3 %로 평가하는 연구를 고려하십시오. p- 값이 5 % 미만이라고 상상해보십시오. 3 %가 5 % 미만이기 때문에 둘 다 사실입니다. 그럼에도 불구하고 p- 값은 확률이 아닙니다. 가설이 참인지 거짓인지 실제 확률이 아니라 데이터를 볼 확률 일 수있는 최대 값 만 표시합니다. 실제로, p- 값 구성 하에서 데이터가 양호하고 참 널 (null) 및 거짓 널 (null)이있을 가능성으로 인한 효과를 구별 할 수 없습니다.
Wetzel 연구를 살펴보면 p- 값으로 암시 된 확률이 베이지안 측도에서 암시 된 확률과 일치하지 않는 것이 매우 분명합니다. 베이지안 측정 값은 허용 가능하고 일관되며 비베 이지언 측정 값은 일관되지 않으므로 p- 값이 실제 확률에 매핑되는 것으로 가정하는 것이 안전하지 않습니다. 널 (null)이 유효하다는 강제 가정은 적용 가능성이 크지 만 도박 가능성은 크지 않습니다.
이유에 대해 더 나은 느낌을 얻으려면 가설의 타당성을 실수로 설명 할 수있는 Cox의 첫 번째 원칙을 고려하십시오. 암시 적으로 이것은 모든 가설이 그 타당성과 관련이있는 실수를 가짐을 의미합니다. 귀무 가설 방법에서는 귀사 만 그 타당성과 관련된 실수를 갖습니다. 대립 가설은 측정 된 것이 없으며 null이 참인 경우 데이터를 관찰 할 확률에 대한 보완이 아닙니다. 실제로, 널이 참이면, 데이터에 관계없이 가정에 의해 보수는 거짓이다.
측정 기준으로 p- 값을 사용하여 확률을 구성한 경우 Bayesian 측정을 사용하는 Bayesian은 항상 사용자보다 이점을 얻을 수 있습니다. Bayesian이 확률을 설정하면 Pearson과 Neyman 의사 결정 이론은 내기의 진술을 제공하거나 내기하지 않지만 내기 금액을 정의 할 수는 없습니다. 베이지안 확률이 공평하기 때문에 Pearson과 Neyman의 방법을 사용하면 기대되는 이득은 0이됩니다.
실제로, Wetzel 연구는 실제로 당신이하고있는 일이지만 145 개의 베팅이 적습니다. 표 3을 보면 Frequentist가 널을 거부하는 일부 연구가 있지만 베이지안은 확률이 널을 선호한다는 것을 알게됩니다.