Lo frecuencial de las estadísticas de los temas que debería saber antes de aprender la estadística Bayesiana?

Question

Me preguntaba si existe un subconjunto de temas de estadística frecuentista que uno debe saber antes de comenzar a aprender la estadística Bayesiana. Una vez leí que parece que las dos tendencias que se oponen el uno al otro; como por ejemplo frecuentista análisis se basa en gran medida en los supuestos (hipótesis) que se realizan a través de los datos observados; mientras que la estadística Bayesiana se basan más en la construcción de un modelo previo para inferir posterior información al respecto.

En cualquier caso, que los temas de frecuentista o estadísticas generales debo saber antes de embarcarse en la estadística Bayesiana?

Answer 1

Usted no tiene que aprender "frecuentista" o la estadística Bayesiana en ningún orden en particular. Usted debe primero aprender lo que usted necesita para comprender los descubrimientos en su campo y, a continuación, usted debe entender la matemática (cálculo) y filosófico (interpretación) de las relaciones entre las técnicas. No hay un profesor como datos reales, por lo que es siempre la primera preocupación.

No hay ninguna razón particular que no se podía aprender de ellos al mismo tiempo. Es útil conocer la esencia de cálculo de Bayes, que es probablemente donde su reputación de ser el "más difícil", pero no diría que fue necesario ahora que tenemos mucho mejor software que hace apenas unos años. Si usted es nuevo a las estadísticas y quiere jugar con ambos el frecuentista y Bayesiano marco, puedo recomendar el nuevo JASP software. Si te gusta el R, el BayesFactor paquete es sólido.

Si quieres empezar desde frequentism, me permito sugerir a conocer los siguientes:

1. La completa y exacta interpretación de todos los elementos siguientes.
2. La relación entre los valores de p, intervalos de confianza, tamaño de la muestra, el poder y las tasas de error.
3. La relación entre Z-pruebas, pruebas t, análisis de varianza y de regresión lineal.
4. La relación entre la regresión lineal y regresión no lineal, así como paramétrico de comparación con pruebas no paramétricas.
5. La relación entre las variables ficticias, contrastes y efectos de codificación.
6. La completa y exacta interpretación de todos los elementos anteriores.

Eso suena como mucho, pero estas cosas están conectadas de manera fundamental. Cada inferencia se reduce a la misma cosa esencial: queremos hacer predicciones correctas acerca de inadvertida de datos, basado en un modelo de los datos observados, mediante la comparación de dos o más modelos. Hacemos esto mediante el cálculo de nuestra confianza, para algunos definición de "confianza", en dos o más modelos y de la relación. En su forma más básica, eso es todo.

Mucha de la controversia en realidad es sólo acerca de la formalización de "confianza", y aunque es un debate importante que me alegro de que estamos teniendo, además no es algo que usted necesita estar consciente de ahora. En el frecuentista marco, medidas especiales adoptadas para crear implícito un modelo nulo para poner en el denominador, mientras que en el marco Bayesiano, ambos modelos se indique explícitamente, pero el resultado real y las interpretaciones de ambos marcos implican un importante grado de subjetividad. Para frequentism, es en la construcción de máxima verosimilitud y la elección de la tasa de error, y para Bayesians, es en la previa. Todo el mundo debería aprender tanto, en mi opinión.

Answer 2

No es necesario llamar frecuentista material, en lugar de material de probabilidad y estadística en general.

Aquí están algunos ejemplos de los conocimientos previos que, en mi opinión, sería útil:

1. ¿Cuáles son las densidades, (condicional) distribuciones, expectativas, etc.?
2. Algunos específico de la distribución de las familias (Beta, normal, uniformes, etc.)
3. Lo más probable es que se desee aplicar métodos Bayesianos a datos reales, por lo que software estadístico. Mi favorito: R
4. Algo de matemáticas: álgebra de matrices, integración, ...
5. Además, podría ser útil estar familiarizado con algunos de los modelos estadísticos, tales como el modelo lineal $y=X\beta+u$.
6. Dado el fuerte énfasis en la probabilidad, no puede lastimar para haber oído acerca de máxima verosimilitud antes de

El paradigma Bayesiano de ser subjetivo, estoy seguro de que otros no estarán de acuerdo con o agregar a esta lista...