Me encontré esta imagen en un post en el blog aquí.
Estaba decepcionado de que la lectura de la declaración de no obtener la misma expresión facial para mí como lo fue para este chico.
Así que, ¿qué significa la declaración de que la hipótesis nula es cómo frequentists expresar un poco informativas antes? ¿Es realmente cierto?
Edit: estoy esperando que alguien puede ofrecer una buena interpretación que hace la declaración de la verdad, incluso en algunos sueltos sentido.
La razón por la que no tienen la misma epifanía de la mirada en su cara como de que tipo es, creo que . . . la declaración no es cierto.
Una hipótesis nula es la hipótesis de que la diferencia entre el control y las condiciones experimentales es debido a la casualidad.
Un poco informativas antes de que significa para el estado que tiene antes de los datos en una pregunta, pero que no nos dice nada acerca de qué esperar de este en la próxima ronda. Un Bayesiano es probable que sostienen que no hay información en la previa, incluso la distribución uniforme.
Por lo que la hipótesis nula que dice que no hay ninguna diferencia entre el control y experimental; un poco informativo previo en el otro lado puede ser posible o no, y si lo hiciera sería no indican nada acerca de la diferencia entre el control y el experimental (que es diferente de lo que indica que la diferencia es debida al azar).
Tal vez me falta en mi comprensión de la poca información de los priores, aunque. Espero otras respuestas.
La hipótesis nula no es equivalente a un Bayesiano informativo antes por la sencilla razón de que Bayesians también pueden usar la hipótesis nula y realizar pruebas de hipótesis mediante Bayes factores. Si fueran equivalentes, Bayesians no uso de la hipótesis nula.
Sin embargo, frecuentista y Bayesiana de la prueba de hipótesis incorporar un elemento de auto-escepticismo, en la que tenemos la obligación de mostrar que hay alguna evidencia de que nuestra hipótesis alternativa, en cierto modo, una explicación más plausible para las observaciones de azar. Frequentists hacen por tener un nivel de significación, Bayesians hacer esto a través de una escala de interpretación para el factor de Bayes, que no nos fuertemente promulgar una hipótesis, a menos que el factor de Bayes sobre la hipótesis nula eran lo suficientemente alta.
Ahora la razón por la que frecuentista las pruebas de hipótesis son contra-intuitivo es porque un frecuentista no puede asignar no trivial de la probabilidad a la verdad de una hipótesis, que tristemente es lo que en realidad queremos. Lo más cerca que puede llegar a esto es calcular el valor de p (la probabilidad de las observaciones bajo H0) y, a continuación, dibuje un subjetiva conclusión de este como si H0 o H1 son plausibles. El Bayesiano puede asignar una probabilidad a la verdad de una hipótesis, y así pueda trabajar fuera de la relación de estas probabilidades para proporcionar una indicación de su relativa plausibilities, o al menos de cómo las observaciones cambiar la relación de estas probabilidades (que es lo que un factor de Bayes).
En mi opinión es una mala idea para intentar sacar demasiado cerca de un paralelo entre frecuentista y Bayesiana de la prueba de hipótesis métodos como son fundamentalmente diferentes y responder a preguntas fundamentalmente diferentes. Tratarlos como si fueran equivalentes anima a una interpretación Bayesiana de la frecuentista de la prueba (por ejemplo, el p-valor falacia) que es potencialmente peligrosa (por ejemplo, los escépticos del clima a menudo asumen que la falta de una diferencia estadísticamente significativa tendencia en el promedio global de la temperatura de la superficie significa que no ha habido calentamiento - que no es del todo correcta).
Yo soy el que creó el gráfico, a pesar de que, como se señaló en el siguiente post no es originario de mi visión. Permítanme dar un poco de contexto para cómo se vino arriba y hacer mi mejor esfuerzo para explicar cómo entiendo yo. La realización se produjo durante una discusión con un estudiante que había aprendido en su mayoría el enfoque Bayesiano para la inferencia de hasta que punto. Él estaba teniendo un tiempo difícil la comprensión de la totalidad de la prueba de hipótesis de paradigma, y yo estaba haciendo mi mejor esfuerzo para explicar este decididamente confusas enfoque (si consideras que la "diferencia" como un negativo - como en no igual - que el estándar de la hipótesis nula de enfoque es un triple negativo: la de los investigadores, el objetivo es mostrar que no hay ninguna diferencia). En general, y como se dijo en otra respuesta, los investigadores suelen esperar algunas diferencias que existen; lo que realmente la esperanza de encontrar pruebas convincentes de "rechazar" el valor null. Para ser imparcial, aunque, comienzan esencialmente fingiendo ignorancia, como en, "Bueno, tal vez esta droga tiene cero efecto en la gente." A continuación, se procede a demostrar a través de la recopilación y análisis de datos (si se puede), que esta hipótesis nula, dado los datos, fue una mala suposición.
A un Bayesiano, esto debe parecer una enrevesada punto de partida. ¿Por qué no empezar con el anuncio de sus creencias anteriores directamente, y ser claro acerca de lo que son (y no son) suponiendo por medio de la codificación en un previo? Un punto clave aquí es que un uniforme antes es que no la misma como un valor informativo previo. Si me lanzas una moneda 1000 veces y obtener 500 cabezas, mi nuevo antes asigna igual (uniforme), el peso de las dos cabezas y colas, pero su curva de distribución es muy empinada. Yo soy de codificación de la información adicional que es muy informativo! Un verdadero informativo previo (llevado hasta el límite) llevaría a ningún peso en absoluto. Esto significa que, en efecto, partiendo desde cero y, para usar una frecuentista de expresión, dejar que los datos hablen por sí mismos. La observación hecha por el "Clarence" fue que la frecuentista manera de codificar esta falta de información es con la hipótesis nula. No es exactamente la misma como un valor informativo previo; es el enfoque frecuentista a la expresión máxima de la ignorancia de una manera honesta, que no se vanagloria de lo que usted desea probar.
Consulte este artículo de la Wikipedia:
Para el caso de un único parámetro y los datos que se pueden resumir en una sola suficiente estadística, se puede demostrar que la creíbles intervalo y el intervalo de confianza coincidirá si el desconocido el parámetro es un parámetro de localización (...) con un previo que es un uniforme planos de distribución (...) y también si el parámetro desconocido es una escala parámetro (...) con un Jeffreys' antes.
De hecho, los puntos de referencia para Jaynes:
Jaynes, E. T. (1976), los Intervalos de Confianza vs Bayesiano Intervalos.
En la página 185 podemos encontrar:
Si el caso (I) surge (y lo hace más a menudo de lo que se dio cuenta), el El método bayesiano y ortodoxa pruebas se nos va a conducir a exactamente la misma los resultados y a la misma conclusión, con un desacuerdo verbal como si deberíamos usar la 'probabilidad' o 'significado' para describir a ellos.
Así que, de hecho, hay casos similares, pero yo no diría que la declaración en la imagen es la verdad si, por ejemplo, utilizando una distribución de Cauchy como la probabilidad...
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
