답변:
이것은 내 개인적인 견해이므로 이것이 제대로 답변인지 확실하지 않습니다.
가설 검정을 가르쳐야하는 이유는 무엇입니까?
간단히 말해서, 매우 큰 이유 중 하나는, 모든 가능성에서,이 문장을 읽는 데 걸리는 시간에, 당신이 앉아있는 10 피트 반경 내에서 수천 (또는 수백만)의 가설 테스트가 수행되지 않았더라도 수백 번의 가설 테스트가 수행 되었기 때문입니다.
귀하의 휴대 전화입니다 확실히 는 기지국의 범위 내에 있는지 여부를 결정하기 위해 우도 비 테스트를 사용. 랩탑의 WiFi 하드웨어가 라우터와 통신 할 때 동일한 작업을 수행합니다.
이틀간의 피자 조각을 자동 재가열하는 데 사용한 전자 레인지는 피자가 언제 뜨거워 졌는지 결정하기 위해 가설 테스트를 사용했습니다.
얼음 도로에 너무 많은 가스를 주거나 타이어 압력 경고 시스템이 뒷좌석 승객 타이어가 비정상적으로 낮았고 헤드 라이트가 약 5시에 자동으로 켜지면 자동차의 트랙션 컨트롤 시스템이 작동했습니다. 황혼이 시작되면서 19pm.
iPad가 (노이즈) 가속도계 판독 값을 기반으로이 페이지를 가로 형식으로 렌더링합니다.
"당신"이 텍사스 주 베스트 바이 (Best Buy)에서 평면 TV를 구입하고 Zales에서 워싱턴 주 쇼핑몰의 점심, 가스 및 영화를 구매 한 후 2 시간 이내에 2000 달러짜리 다이아몬드 반지를 구매하면 신용 카드 회사가 카드를 종료했습니다. 피츠버그 교외의 집 근처.
브라우저에서이 웹 페이지를 렌더링하기 위해 전송 된 수십만 비트는 각각 개별적 으로 가설 테스트를 거쳤습니다.
그 "관련된"주제를 약간 오른쪽으로보십시오.
이러한 모든 것들은 가설 검정 으로 인해 "일어났다" . 이러한 많은 것들에 대해, 일부 파라미터의 일부 간격 추정치가 계산 될 수있다. 그러나 특히 자동화 된 산업 공정의 경우 가설 검정의 사용 및 이해가 중요합니다.
보다 이론적 인 통계 수준에서, 통계 력의 중요한 개념은 의사 결정 이론 / 가설 검증 프레임 워크에서 자연스럽게 발생합니다. 또한 순수한 수학자 인 "심지어"도 Neyman-Pearson의 명예와 그 증거의 아름다움과 단순함을 높이 평가할 수 있다고 생각합니다.
이것은 가설 검정이 잘 가르쳐 지거나 이해되었다고 말하는 것은 아닙니다. 대체로 그렇지 않습니다. 그리고, 특히 의학 분야에서 효과의 크기와 실용적 통계적 통계적 통계적 개념과 함께 간격 추정치를보고하는 것이 공식적인 가설 검정보다 보편적으로 선호된다는 데 동의하지만 이는 가설 검정과 관련이 있다는 것을 의미하지는 않습니다. 개념은 그 자체로는 중요하지 않고 흥미롭지 않습니다.
여러 가지 이유로 가설 검정을 가르칩니다. 하나는 역사적입니다. 그들은 가설 테스트 관점을 읽고 이해하는 많은 사전 연구를 이해해야합니다. 두 번째는, 현대에도 불구하고, 다른 종류의 통계 분석을 수행 할 때 종종 암시 적으로 일부 연구자들에 의해 사용된다는 것입니다.
그러나 제가 가르 칠 때, 이러한 가정과 추정은 건물 모델의 일부라고 모델 구축의 틀에서 가르칩니다. 이렇게하면 더 복잡하고 이론적으로 흥미로운 모델을 비교하는 것이 비교적 쉽습니다. 연구는 이론이 아닌 이론이 아닌 이론에 대해 종종 구덩이를 던진다.
가설 검정의 죄는 수학에 내재되어 있지 않으며 이러한 계산을 올바르게 사용합니다. 그들이 주로 거짓말을하는 곳은 지나치게 의존하고 잘못 해석합니다. 순진한 대다수의 연구자들이 이러한 것들과의 관계를 전혀 인식하지 않고 구간 추정을 독점적으로 사용한다면 우리는 가설이라고 부를 수 있습니다.
저는 개인적으로 우리가 가설 검증없이 더 나아질 것이라고 생각합니다. 가설 검정이 독특하고 유용한 무언가를 제공하는 곳을 생각할 수있는 유일한 곳은 여러 자유도 관절 가설 검정 영역입니다. 예에는 두 개 이상의 그룹을 비교하기위한 분산 분석, 주 효과와 교호 작용을 결합한 동시 검정 (총 효과 검정) 및 연속 예측 변수와 관련된 선형 및 비선형 항을 결합한 동시 검정 (다중 df 검정 연관)이 포함됩니다. 간단한 것의 경우 구간 추정이 더 쉽고 값보다 오도 될 가능성이 훨씬 적습니다 . 고전 논문에서 잘 언급했듯이 증거의 부재는 부재의 증거가 아니며 , 큰 값에는 정보가 없습니다. P P P-값 은 가설 에 반대 되는 증거 만 제공 하며 절대로 찬성하지 않습니다 (큰 값 을 해석하는 방법을 물었을 때 Fisher의 응답 은 "더 많은 데이터 얻기"). 자신감 또는 신뢰할 수있는 간격은 연구원이 모르는 정도를 설명함으로써 연구원의 정직성을 유지합니다.
나는에 따라 생각 하는 당신에 대해 이야기하고 테스트 가설. "고전적인"가정 테스트 (Neyman-Pearson)는 테스트를 수행 할 때 실제로 발생한 상황을 적절하게 조절하지 않기 때문에 결함이 있다고합니다 . 대신 실제로 보았던 것과 상관없이 작동하도록 설계되었습니다. 그러나 조건을 지키지 않으면 개별 사례에서 잘못된 결과를 초래할 수 있습니다. 이는 절차가 장기적으로 개별 사례에 대해 "관심을 두지 않기"때문입니다.
가설 테스트는 의사 결정 이론적 프레임 워크에서 캐스트 할 수 있습니다.이를 이해하는 것이 훨씬 더 좋은 방법이라고 생각합니다. 두 가지 결정으로 문제를 다시 설명 할 수 있습니다.
의사 결정 프레임 워크는 "무엇을 하시겠습니까?"라는 개념을 명확하게 구분하기 때문에 이해하기가 훨씬 쉽습니다. "진리는 무엇입니까?" (사전 정보를 통해).
질문에 "결정 이론"(DT)을 적용 할 수도 있습니다. 그러나 가설 테스트를 중단하기 위해 DT는 다른 결정을 내려야한다고 말합니다. 따라서 문제는 : 가설 검정이 포기되면 어떻게해야합니까? 이 질문에 대한 답을 생각할 수 없습니다. 가설 검정을 수행하는 대체 방법 만 생각할 수 있습니다.
(참고 : 가설 검정의 맥락에서 데이터, 샘플링 분포, 사전 분포 및 손실 함수는 모두 결정을 내리기 전에 얻은 것이므로 모든 사전 정보 입니다.)
만약 내가 하드 코어 Frequentist라면, 신뢰 구간은 규칙적으로 거꾸로 된 가설 검정, 즉 95 % 구간이 단순히 당신의 데이터와 관련된 시험이 0.05에서 거부하지 않는 모든 포인트를 설명하는 또 다른 방법 일 때를 상기시켜 줄 것입니다. 수평. 이러한 상황에서 다른 것보다 선호하는 것이 방법보다는 설명의 문제입니다.
물론, 박람회는 중요하지만, 저는 이것이 꽤 좋은 주장이라고 생각합니다. 두 가지 접근 방식을 다른 관점에서 동일한 추론의 설명으로 설명하는 것이 깔끔하고 명확합니다. (모든 구간 추정기 가 역전 된 테스트가 아니라는 사실은 교육적 측면에서 우아하지만 특히 어색한 사실은 아닙니다).
위에서 지적한 바와 같이, 관측에 대한 조건 결정의 결정에서 훨씬 더 심각한 의미가 발생합니다. 그러나 후퇴에서도 Frequentist는 관측에 대한 조정이 현명하지 않거나 비 조명적일 수있는 많은 상황 (아마 대다수는 아님)이 있음을 항상 관찰 할 수있었습니다. 이를 위해 HT / CI 설정은 정확히 '원하는'것이 아니라 원하는대로 가르쳐야합니다.
초기 통계 학생들에게 Neyman Pearson 가설 테스트를 가르 칠 때, 나는 종종 의사 결정의 원래 설정에서 찾기 위해 노력했습니다. 그런 다음 귀무 가설을 받아 들일 수 있다는 생각과 마찬가지로 유형 1 및 유형 2 오류의 인프라가 모두 의미가 있습니다 .
우리는 결정을 내려야하며, 결정의 결과는 모수에 대한 지식으로 개선 될 수 있다고 생각하며, 그 모수에 대한 추정치 만 있습니다. 우리는 여전히 결정을 내려야합니다. 그렇다면 모수의 추정치와 관련하여 가장 좋은 결정은 무엇입니까?
원래의 설정 (불확실성에 대한 결정을 내림)에서 NP 가설 검정은 완벽하게 이해되는 것 같습니다. 예를 들어 N & P 1933, 특히 p. 291.
네이 먼과 피어슨. 통계적 가설에 대한 가장 효율적인 테스트 문제. 런던 왕립 학회의 철학적 거래. 시리즈 A, 수학 또는 물리 특성의 논문 (1933) vol. 231 289-337 쪽
가설 검증은 많은 의문을 제기 할 수있는 유용한 방법입니다. 치료 효과가 0이 아닌가? 이러한 진술과 통계 모델 또는 절차 (간격 추정기 구성 포함) 사이의 능력은 내가 생각하는 실무자에게 중요합니다.
또한 신뢰 구간 (전통적인 의미에서)은 본질적으로 가설 검증보다 덜 문제가되지 않는다는 점을 언급하고 있습니다.
아마도 문제는 고전 버전이므로 가설 검정이나 구간 추정이 아닐 수도 있습니다. 베이지안 공식은 이것들을 아주 잘 피합니다.