Por que as estatísticas bayesianas não são mais populares para controle estatístico de processos?

18

Meu entendimento do debate bayesiano x frequentista é que as estatísticas freqüentistas:

  • é (ou afirma ser) objetivo
  • ou pelo menos imparcial
  • pesquisadores tão diferentes, usando suposições diferentes ainda podem obter resultados quantitativamente comparáveis

enquanto estatísticas bayesianas

  • afirma fazer previsões "melhores" (ou seja, menor perda esperada), porque pode usar conhecimento prévio (entre outros motivos)
  • precisa de menos opções "ad hoc", substituindo-as por escolhas anteriores / modelo que (pelo menos em princípio) tenham uma interpretação do mundo real.

Dado isso, eu esperava que as estatísticas bayesianas fossem muito populares no SPC: se eu fosse proprietário de uma fábrica tentando controlar a qualidade do meu processo, me preocuparia principalmente com a perda esperada; Se eu pudesse reduzir isso, porque tenho mais / melhor conhecimento prévio do que meus concorrentes, ainda melhor.

Mas praticamente tudo o que li sobre o CPE parece ser firmemente freqüentador (ou seja, sem distribuições anteriores, estimativas pontuais de todos os parâmetros, muitas opções ad-hoc sobre tamanho da amostra, valores-p etc.)

Por que é que? Percebo por que as estatísticas freqüentistas foram uma escolha melhor nos anos 60, quando o CEP era feito com papel e caneta. Mas por que ninguém tentou métodos diferentes desde então?

nikie
fonte
2
Penso que as estatísticas bayesianas são minha câmera digital SLP, enquanto freqüentam a câmera iPhone. Comprei os dois em algum momento, mas uso DSLR menos 5% das fotos enquanto o descanso para telefone é 95%. Porque é fácil, prático e de bolso, e muitas horas fornecem conforme a qualidade (com base nas minhas habilidades DSLR). Assim como incorporando as correntes anteriores e correntes nos fenos, preciso encontrar o equilíbrio ideal entre a duração da abertura, o comprimento e outros parâmetros. Iphone final de popular.
Ram Sharma
@ RamSharma, você deve postar isso como resposta! Eu gosto mais do que a analogia da minha faca de chef.
shadowtalker

Respostas:

18

AVISO Escrevi esta resposta há muito tempo, com muito pouca ideia do que estava falando. Não posso excluí-lo porque ele foi aceito, mas não posso apoiar a maior parte do conteúdo.


Esta é uma resposta muito longa e espero que seja útil de alguma forma. O CEP não é minha área, mas acho que esses comentários são gerais o suficiente para serem aplicados aqui.

Eu argumentaria que a vantagem mais citada - a capacidade de incorporar crenças anteriores - é uma vantagem fraca aplicada / campos empíricos. Isso porque você precisa quantificar seu prior. Mesmo que eu possa dizer "bem, o nível z é definitivamente implausível", eu não posso lhe dizer o que deve acontecer abaixo de z. A menos que os autores comecem a publicar seus dados brutos em massa, minhas melhores suposições para os anteriores são momentos condicionais extraídos de trabalhos anteriores que podem ou não ter sido ajustados em condições semelhantes às que você está enfrentando.

Basicamente, as técnicas bayesianas (pelo menos em um nível conceitual) são excelentes para quando você tem uma forte suposição / idéia / modelo e deseja levá-la aos dados, para ver como está errado ou não. Mas muitas vezes você não está olhando para ver se está certo sobre um modelo específico para o seu processo de negócios; mais provavelmente você não temmodelo e estão olhando para ver o que seu processo fará. Você não quer tirar suas conclusões, quer que seus dados tirem suas conclusões. Se você tiver dados suficientes, é o que acontecerá de qualquer maneira, mas nesse caso, por que se preocupar com o anterior? Talvez isso seja excessivamente cético e avesso a riscos, mas nunca ouvi falar de um empresário otimista que também teve sucesso. Não há como quantificar sua incerteza sobre suas próprias crenças, e você prefere não correr o risco de ficar confiante demais na coisa errada. Então você define um prior não informativo e a vantagem desaparece.

Isso é interessante no caso da SPC porque, diferentemente do marketing digital, por exemplo, seus processos de negócios não estão para sempre em um estado imprevisível de fluxo. Minha impressão é que os processos de negócios tendem a mudar deliberada e incrementalmente. Ou seja, você tem muito tempo para criar priores bons e seguros. Mas lembre-se de que os anteriores se referem à propagação da incerteza. Subjetividade à parte, o bayesianismo tem a vantagem de propagar objetivamente a incerteza em processos de geração de dados profundamente aninhados. Para mim, é realmente para isso que serve a estatística bayesiana. E se você está procurando a confiabilidade do seu processo muito além do limite de "significância" de 1 em 20, parece que você gostaria de levar em conta a maior incerteza possível.

Então, onde estão os modelos bayesianos? Primeiro, eles são difíceis de implementar. Para ser franco, posso ensinar a OLS a um engenheiro mecânico em 15 minutos e fazer com que ele faça regressões e testes t no Matlab em outro 5. Para usar o Bayes, primeiro preciso decidir que tipo de modelo estou ajustando, e veja se há uma biblioteca pronta para ele em um idioma que alguém da minha empresa conhece. Caso contrário, eu tenho que usar BUGS ou Stan. E então eu tenho que executar simulações para obter uma resposta básica, e isso leva cerca de 15 minutos em uma máquina i7 de 8 núcleos. Tanto para prototipagem rápida. E segundo, quando obtém uma resposta, você passa duas horas codificando e aguardando, apenas para obter o mesmo resultado que poderia obter com efeitos aleatórios freqüentes com erros padrão em cluster. Talvez tudo isso seja presunçoso e mal-intencionado e eu não entenda o SPC.

Comparo o bayesianismo a uma faca de chef de alta qualidade, uma panela e uma panela refogada ; o frequentismo é como uma cozinha cheia de ferramentas como assistidas na TV, como cortadores de banana e panelas com furos na tampa para facilitar a drenagem . Se você é um cozinheiro experiente, com muita experiência na cozinha - na verdade, na sua própria cozinha, com conhecimento substantivo, que é limpo e organizado e você sabe onde tudo está localizado -, você pode fazer coisas incríveis com sua pequena seleção de ferramentas elegantes e de alta qualidade. Ou então, você pode usar várias pequenas ferramentas ad-hoc *, que requerem zero habilidade para usar, para fazer uma refeição simples, não muito ruim e com alguns sabores básicos que esclarecem a questão. Você acabou de chegar das minas de dados e está com fome de resultados; qual cozinheiro você é?

* Bayes é tão ad-hoc, mas menos transparente . Quanto vinho entra no seu coq au vin? Não faço ideia, você olha porque é um profissional. Ou você não pode dizer a diferença entre um Pinot Grigio e um Pinot Noir, mas a primeira receita do Epicurious disse usar 2 xícaras de vermelho, então é isso que você fará. Qual deles é mais "ad-hoc?"

shadowtalker
fonte
1
+1, ótima resposta. Estou curioso: você poderia adicionar um parágrafo sobre tamanhos de amostra pequenos / adaptáveis? No CPE, tamanhos de amostras de 3-5 parecem comuns. E se o software SPC pudesse dizer ao técnico após 2 amostras se realmente precisava de mais 3 amostras ou não, isso seria um ótimo recurso. Com um modelo bayesiano, isso é quase um acéfalo: defina um custo para medições, falsos positivos e negativos e, em seguida, estime o custo esperado de realizar outra medição versus parar. Na estatística freqüentista, você tem que lidar com os efeitos da regra estranha parada (você pode ensinar aqueles a um ME em 15 minutos?)
Nikie
1
Quanto ao tamanho da amostra, o problema, e eu teria mencionado isso se soubesse que as amostras eram pequenas, é que, com muito poucas observações, suas estimativas serão muito sensíveis à sua escolha anterior. Você não pode obter sangue de uma pedra, por isso é uma troca: ou você se superestima grosseiramente com um estimador freqüentista, mas o faz com poucas suposições, ou incorpora seu próprio conhecimento (ou falta dele) a um número suficientemente essencialmente se encaixam tanto nos dados que você tem à sua frente quanto nos "dados" que você tem em sua cabeça. Você pode ter um uniforme anterior em sua cabeça.
shadowtalker
1
Basicamente, Bayes coloca mais carga no analista para usar seu cérebro desde o início. Pessoalmente, acho que ser avesso à ideia de estabelecer prévios é um sinal de que você a) é preguiçoso demais ou b) não entende realmente como as estatísticas funcionam (é preciso conhecer alguém etc.). Eu disse que era difícil quantificar priores na minha resposta; Na verdade, eu não concordo com isso na prática. Uma coisa que você sempre pode fazer é desenhar uma curva de sino em uma página e se perguntar "eu esperaria que meus dados fossem assim?" Caso contrário, comece a ajustar a curva. E se você não conseguir decidir onde colocar o modo, use um hyperprior.
shadowtalker
2
Uma pergunta (sem intenção de ser malcriada): você sabe que há uma literatura sobre (quantitativamente) a solicitação de crenças anteriores, certo? Incluindo crenças publicadas, opiniões de especialistas e não especialistas entrevistadas e crenças pessoais. A razão pela qual pergunto é que já ouvi essa reclamação antes, mas os autores dessas reclamações pensaram que a objeção era o fim da discussão, e não o início de uma investigação.
Alexis
1
@CliffAB Interessante ... eu não li essa literatura profundamente (Bernardo, Kaas, Garthwaite ... de várias décadas atrás) ... mas isso é uma ciência carregada de valor para você: diferentes crenças anteriores informam se alguém prefere métodos frequentistas ou bayesianos. ;)
Alexis
5

Na minha humilde opinião, as estatísticas bayesianas sofrem alguns inconvenientes que conflitam com seu uso generalizado (no CEP, mas também em outros setores de pesquisa):

  1. É mais difícil obter estimativas do que sua contraparte freqüentista (a maior parte das classes de estatística adota a abordagem freqüentista. A propósito, seria interessante investigar se essa é a causa ou o efeito da popularidade limitada das estatísticas bayesianas )

  2. Muitas vezes, as estatísticas bayesianas impõem escolhas sobre diferentes maneiras de lidar com o mesmo problema (por exemplo, qual é o melhor anterior?), E não apenas clicar e ver (de qualquer forma, essa abordagem também não deve ser incentivada sob a estrutura freqüentadora).

  3. A estatística bayesiana tem alguns tópicos que são difíceis de gerenciar por estatísticos menos experientes (por exemplo, antecedentes impróprios );

  4. Requer análises de sensibilidade (geralmente evitadas sob a estrutura freqüentista) e exceções feitas para alguns tópicos, como análise de dados ausentes.

  5. Ele possui apenas um software (louvávelmente, disponível para download gratuito) disponível para cálculo.

  6. Ele leva mais tempo para ser um pesquisador autônomo com Bayesian que com ferramentas freqüentista.

Carlo Lazzaro
fonte
6
Boa resposta, mas não concordo com o ponto 5: Posso pensar em muitos softwares (gratuitos) diferentes para análise bayesiana: WinBUGS, OpenBUGS, JAGS, Stan, PyMC ... e tenho certeza de que existem mais. O que eu diria é que todos esses softwares têm uma curva de aprendizado acentuada e exigem uma quantidade razoável de programação e conhecimento estatístico.
COOLSerdash
COOLSerdash está certo e congratulo-me com ambos os esclarecimentos e comentários. Minha falta de abrangência na listagem de softwares de análise bayesiana provavelmente foi motivada apenas pela minha familiaridade (frouxa) com o WinBugs.
Carlo Lazzaro
@CarloLazzaro Concordo com o ponto de COOLSerdash sobre o número 5, também: A partir da versão 14, o pacote de estatísticas privado, ainda licenciado, Stata agora incorpora modelos Bayesianos e estimativa no pacote vanilla. Eu acho que a disponibilidade computacional bayesiana só aumentará. Mas seus outros pontos são importantes e devem ajudar a informar a agenda dos defensores bayesianos.
Alexis
@ Alexis: como usuário do Stata, estou feliz com seu sabor bayesiano bastante recente. Como um pensamento mais geral, eu atestaria o aprendizado de abordagens freqüentistas e bayesianas durante as aulas de estatística na universidade (provavelmente os probabilistas começam a resmungar !!).
Carlo Lazzaro
3

Uma razão é que as estatísticas bayesianas foram congeladas do mainstream até por volta de 1990. Quando eu estudava estatística na década de 1970, era quase uma heresia (não em todos os lugares, mas na maioria dos programas de pós-graduação). Não ajudou que a maioria dos problemas interessantes fosse intratável. Como resultado, quase todo mundo que está ensinando estatística hoje (e revisando artigos para periódicos e projetando currículos) é treinado como freqüentador. As coisas começaram a mudar por volta de 1990, com a popularização dos métodos de Markov Chain Monte Carlo (MCMC), que estão gradualmente chegando a pacotes como SAS e Stata. Pessoalmente, acho que eles serão muito mais comuns em 10 anos, embora em aplicativos especializados (SPC) eles possam não ter muita vantagem.

Um grupo que está trabalhando para tornar a análise bayesiana mais amplamente disponível é o grupo que desenvolve o pacote STAN (mc-stan.org).

equinn1
fonte
Bem vindo ao nosso site! Apenas uma observação de que é "Stata" em vez de "STATA" - eu estive do lado errado dos usuários do Stata quando capitalizei isso sozinho! (Eu pensei que era como SAS, SPSS etc, mas, aparentemente, não ...)
Silverfish