Zrozumienie bayesowskich, częstoistniczych i klasycznych statystyk

Statystyka frequentystyczna

Statystyka frequentystyczna, dominująca w wielu dziedzinach naukowych, traktuje prawdopodobieństwo jako długoterminową częstotliwość zdarzeń. Skupia się na wiarygodności danych obserwowanych przy powtarzalnych doświadczeniach.

Kluczowe pojęcia to wartości p (prawdopodobieństwo wystąpienia danych tak ekstremalnych lub bardziej ekstremalnych niż rzeczywiste, założonego, że hipoteza zerowa jest prawdziwa) i przedziały ufności (zakresy zawierające określoną proporcję możliwych wartości parametru populacji).

Podstawowym elementem statystyk frequentystycznych jest fakt, że nie bezpośrednio uwzględniają one wcześniejszych przekonań dotyczących parametrów; opiera się jedynie na danych próbowych.

P-value = P(Data | Null Hypothesis)

Klasyczna (lub frequentystyczna) inferencja

Serce klasycznej inferencji leży w testach hipotez. Ustalana jest hipoteza zerowa, a następnie wykonane są statystyczne testy, aby wywnioskować, czy istnieje wystarczające dowody na to, że należy odmieńć tę hipotezę.

Statystyczna znaczenie ustala się poprzez wartość p. Mała wartość p (wytypowo <0,05) wskazuje, że obserwowane dane są nieprawdopodobne, jeśli hipoteza zerowa jest prawdziwa.

Fokus pozostaje na prawdopodobieństwie obserwacji danych *danej* modelu, a nie przypisaniu prawdopodobieństw do samego modelu.

Confidence Interval = Sample Mean ± (Critical Value * Standard Error)

Statystyka bayesowska

Statystyka bayesowska łączy przede wszystkim nasze wcześniejsze przekonania dotyczące parametrów z danymi obserwowanymi. Korzysta z Twierdzenia Bayesa do aktualizacji tych przekonania, co prowadzi do rozkładu postrzennego parametru.

Twierdzenie Bayesa: P(Gipoteza | Dane) = [P(Dane | Gipoteza) * Przedział] / P(Dane)

'Przedział' reprezentuje nasze początkowe przekonanie dotyczące parametru przed obserwacją żadnych danych. 'Postrzenny' odzwierciedla nasze zaktualizowane przekonanie po rozważeniu danych.

P(H|D) = [P(D|H) * P(H)] / P(D)

Porównanie paradigmov

Podchodzimy do prawdopodobieństwa w sposób fundamentalnie różny w zależności od tego, czy jesteśmy frequentystami czy bayesjanistami. Frequentysti interpretują prawdopodobieństwo jako częstotliwość zdarzeń, podczas gdy bayesjanisci widzą je jako stopień przekonania.

Metody bayesjanowe pozwalają na uwzględnianie ekspertnych wiedzy i subiektywnych ocen, a metody frequentystyczne starają się osiągnąć obiektywność opartą jedynie na danych.

Oboje ramki są wartościowe; wybór zależy od konkretnego problemu i dostępnej informacji.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Random Walk i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.