Usted puede citar la Hay Almuerzo Gratis Teorema si quieres, pero también se puede simplemente citar el Modus Ponens (también conocida como la Ley del Desapego, la base del razonamiento deductivo), que es la raíz de la que nada es Gratis en Teorema.
Los Hay Almuerzo Gratis Teorema de abarcar más específica de la idea: el hecho de que no hay ningún algoritmo que puede adaptarse a todos los efectos. En otras palabras, No hay Almuerzo Gratis Teorema es, básicamente, diciendo que no hay algorítmica de la bala mágica. Esto raíces en el Modus Ponens, porque para que un algoritmo o una prueba estadística para dar el resultado correcto, usted necesita para satisfacer las premisas.
Al igual que en todos los teoremas matemáticos, si usted viola las premisas, entonces el estadístico de prueba es sólo vacía de sentido, y usted no puede derivar la verdad de ella. Así que si usted desea explicar sus datos a través de la prueba, usted debe asumir que las necesarias premisas se cumplen, si no lo son (y usted sabe que), luego de su prueba es absolutamente incorrecto.
Eso es porque el razonamiento científico se basa en la deducción: básicamente, la prueba/la ley/teorema es una implicación de la regla, que dice que si tienes el premisse A a continuación, se puede concluir B: A=>B, pero si usted no tiene A, entonces usted puede tener B o no B, y en ambos casos son verdaderas, que es uno de los principios básicos de la inferencia lógica/deducción (el Modus Ponens de la regla). En otras palabras, si usted viola las premisas, el resultado no importa, y usted no puede deducir cualquier cosa.
Recuerde que la tabla binaria de la implicación:
A B A=>B
F F T
F T T
T F F
T T T
Así que, en su caso, para simplificar, usted tiene Dependent_Variables => ANOVA_correct. Ahora, si el uso de variables independientes, por lo tanto Dependent_Variables es False, entonces la implicación es verdadera, ya que el Dependent_Variables supuesto es violado.
Por supuesto, esto es simplista, y en la práctica de su prueba de ANOVA todavía puede devolver resultados útiles porque casi siempre hay un cierto grado de independencia entre las variables dependientes, pero esto le da la idea de por qué simplemente no se puede confiar en la prueba sin el cumplimiento de los supuestos.
Sin embargo, también puede utilizar las pruebas de que las premisas no son satisfechas por el original por la reducción de su problema: explícitamente que la relajación de la independencia de restricción, su resultado puede ser aún significativa, althrough no garantizada (porque entonces sus resultados se aplican a la reducción de su problema, no el total de problema, por lo que no se puede traducir todos los resultados excepto si usted puede demostrar que las limitaciones de los nuevos problemas no afectan su prueba y por lo tanto sus resultados).
En la práctica, esto se utiliza a menudo para el modelo de datos prácticos, mediante el uso de Bayes Naive por ejemplo, mediante la modelización de la dependiente (en lugar de independiente) variables mediante un modelo que supone que las variables independientes, y , sorprendentemente, funciona a menudo muy bien, y a veces mejor que los modelos de contabilidad para las dependencias. Usted también puede estar interesado por esta cuestión acerca de cómo utilizar ANOVA cuando los datos no cumplen exactamente con todas las expectativas.
Resumen: si usted tiene la intención de trabajar en la práctica de los datos y su objetivo no es probar que cualquier resultado de la ciencia, pero para hacer un sistema que sólo funciona (es decir, un servicio web o cualquier aplicación en la práctica), los relativos a la independencia de la asunción (y tal vez otros supuestos) puede ser relajado, pero si usted está tratando de deducir/probar alguna verdad general, entonces usted debe utilizar siempre las pruebas que usted puede matemáticamente garantía (o, al menos, de forma segura y seguramente supongo) que satisfacer todas las premisas.
