글 머리 기호 내용에 대한 빠른 응답 :
1) 베이지안 분석에서 전력 / 유형 1 오류와 잦은 분석
유형 1과 검정력에 대한 질문 (즉, 1에서 유형 2 오류 확률)은 추론 문제를 반복 샘플링 프레임 워크에 넣을 수 있음을 의미합니다. 너는 할수 있니? 당신이 할 수 없다면 많은 선택의 여지가 없지만 잦은 추론 도구에서 벗어나는 것이 좋습니다. 가능하면 이러한 많은 표본에 대한 견적 자의 행동이 관련성이 있고 특정 사건에 대한 확률 진술에 특별히 관심이 없다면 움직일 이유가 없습니다.
여기서의 주장은 그러한 상황이 결코 일어나지 않는다는 것이 아니라, 일반적으로 방법이 적용되는 분야에서는 발생하지 않는다는 것입니다.
2) 분석의 복잡성 (Bayesian이 더 복잡해 보이는 것)과 이익 사이의 절충.
복잡성이 어디로 가는지 물어 보는 것이 중요합니다. 잦은 절차에서 구현 은 매우 간단 할 수있다. 예를 들어, 제곱의 합을 최소화 할 수 있지만 원칙 은 임의로 선택할 수있는 추정기, 올바른 테스트를 찾는 방법, 언제 생각해야 할지를 중심으로 임의로 복잡 할 수있다. 그들은 동의하지 않습니다. 예를 들어. 이 포럼에서 선택한 활발한 토론에서 비율에 대해 다른 신뢰 구간을 확인하십시오!
베이지안 절차에서, 구현 은 일반적으로 어려운 적분으로 인해 단순 해 보이는 것처럼 보이는 모델에서도 임의로 복잡 할 수 있지만 원리 는 매우 간단합니다. 오히려 당신이 더러워지기를 원하는 곳에 달려 있습니다.
3) 전통적인 통계 분석은 간단하며 결론을 도출하기위한 지침이 잘 정립되어 있습니다.
개인적으로 나는 더 이상 기억할 수 없지만 확실히 내 학생들 은 대부분 위에서 설명한 원리의 확산으로 인해 이러한 것들을 직접적으로 찾지 못했습니다 . 그러나 문제는 실제로 절차가 간단한 지 여부가 아니라 문제의 구조가 올바른지에 가까운 지 여부입니다.
마지막으로, 나는 어느 패러다임에도 "결론을 도출하기위한 잘 확립 된 지침"이 있다는 것에 동의하지 않는다. 그리고 나는 그것이 좋은 것이라고 생각합니다 . 물론 "find p <.05"는 명확한 지침이지만 어떤 모델, 어떤 수정 사항 등이 있습니까? 시험에 동의하지 않으면 어떻게해야합니까? 과학적 또는 공학적 판단은 다른 곳과 마찬가지로 여기에서 필요합니다.