Enquanto participava de conferências, houve um esforço dos defensores das estatísticas bayesianas para avaliar os resultados dos experimentos. É considerado mais sensível, apropriado e seletivo em relação a descobertas genuínas (menos falsos positivos) do que as estatísticas freqüentes.
Eu explorei o tópico um pouco, e não estou convencido até agora dos benefícios de usar as estatísticas bayesianas. As análises bayesianas foram usadas para refutar a pesquisa de Daryl Bem , apoiando a precognição, no entanto, permaneço cautelosamente curioso sobre como as análises bayesianas podem beneficiar até minha própria pesquisa.
Então, eu estou curioso sobre o seguinte:
- Poder em uma análise bayesiana vs. uma análise freqüentista
- Suscetibilidade a erro tipo 1 em cada tipo de análise
- O trade-off na complexidade da análise (bayesiano parece mais complicado) versus os benefícios obtidos. As análises estatísticas tradicionais são diretas, com diretrizes bem estabelecidas para tirar conclusões. A simplicidade pode ser vista como um benefício. Vale a pena desistir?
Obrigado por qualquer insight!
bayesian
power
frequentist
uma parada
fonte
fonte
Respostas:
Uma resposta rápida ao conteúdo com marcadores:
1) Erro de potência / tipo 1 em uma análise bayesiana vs. uma análise freqüentista
Perguntar sobre o Tipo 1 e a potência (isto é, um menos a probabilidade de erro do Tipo 2) implica que você pode colocar seu problema de inferência em uma estrutura de amostragem repetida. Você pode? Se você não pode, não há muita escolha a não ser afastar-se das ferramentas de inferência freqüente. Se você puder, e se o comportamento do seu estimador em muitas dessas amostras for relevante, e se você não estiver particularmente interessado em fazer declarações de probabilidade sobre eventos específicos, não há motivos fortes para mudar.
O argumento aqui não é que tais situações nunca surjam - certamente elas surgem - mas que elas normalmente não surgem nos campos em que os métodos são aplicados.
2) O trade-off na complexidade da análise (Bayesiano parece mais complicado) versus os benefícios obtidos.
É importante perguntar para onde vai a complexidade. Em procedimentos freqüentistas, a implementação pode ser muito simples, por exemplo, minimizar a soma dos quadrados, mas os princípios podem ser arbitrariamente complexos, geralmente girando em torno de qual estimador (es) escolher, como encontrar o (s) teste (s) certo (s), o que pensar quando eles discordam. Por exemplo. veja a discussão ainda animada, apresentada neste fórum, de diferentes intervalos de confiança para uma proporção!
Nos procedimentos bayesianos, a implementação pode ser arbitrariamente complexa, mesmo em modelos que parecem "simples", geralmente por causa de integrais difíceis, mas os princípios são extremamente simples. Depende bastante de onde você gostaria que a bagunça estivesse.
3) As análises estatísticas tradicionais são diretas, com diretrizes bem estabelecidas para tirar conclusões.
Pessoalmente, não me lembro mais, mas certamente meus alunos nunca as acharam simples, principalmente devido ao princípio da proliferação descrito acima. Mas a questão não é realmente se um procedimento é direto, mas se está mais perto de estar certo, dada a estrutura do problema.
Por fim, discordo totalmente de que existem "diretrizes bem estabelecidas para tirar conclusões" em ambos os paradigmas. E acho que é uma coisa boa . Claro, "encontrar p <0,05" é uma diretriz clara, mas para qual modelo, com quais correções etc.? E o que faço quando meus testes discordam? O julgamento científico ou de engenharia é necessário aqui, como em outros lugares.
fonte
As estatísticas bayesianas podem ser derivadas de alguns princípios lógicos. Tente pesquisar "probabilidade como lógica estendida" e você encontrará uma análise mais aprofundada dos fundamentos. Mas, basicamente, as estatísticas bayesianas se apóiam em três "desiderata" básicos ou princípios normativos:
Esses três desiderados (juntamente com as regras da lógica e da teoria dos conjuntos) determinam exclusivamente as regras da soma e do produto da teoria da probabilidade. Assim, se você gostaria de argumentar de acordo com os três desiderados acima, eles devem adotar uma abordagem bayesiana. Você não precisa adotar a "Filosofia Bayesiana", mas deve adotar os resultados numéricos. Os três primeiros capítulos deste livro os descrevem com mais detalhes e fornecem a prova.
E por último, mas não menos importante, o "maquinário bayesiano" é a ferramenta de processamento de dados mais poderosa que você possui. Isso ocorre principalmente devido ao desiderata 3c), usando todas as informações que você possui (isso também explica por que Bayes pode ser mais complicado que os não-Bayes). Pode ser bastante difícil decidir "o que é relevante" usando sua intuição. O teorema de Bayes faz isso por você (e o faz sem adicionar suposições arbitrárias, também devido a 3c).
EDIT: para abordar a questão mais diretamente (como sugerido no comentário), suponha que você tenha duas hipóteses e H 1 . Você tem uma perda "falsa negativa" L 1 (rejeitar H 0 quando for verdadeira: erro do tipo 1) e perda "falsa positiva"H0 H1 L1 H0 (Aceitar H 0L2 H0 quando é falso: erro do tipo 2). A teoria das probabilidades diz que você deve:
Embora você realmente não precise introduzir as perdas. Se você apenas olhar para as probabilidades, obterá um dos três resultados: i) definitivamenteH0 0 , O > > 1 ii) definitivamente H1 , O < < 1 ou iii) "inconclusivo" O ≈ 1 .
Agora, se o cálculo se tornar "muito difícil", você deverá aproximar os números ou ignorar algumas informações.
Para um exemplo real com números calculados, veja minha resposta a esta pergunta
fonte
I am not familiar with Bayesian Statistics myself but I do know that Skeptics Guide to the Universe Episode 294 has and interview with Eric-Jan Wagenmakers where they discuss Bayesian Statistics. Here is a link to the podcast: http://www.theskepticsguide.org/archive/podcastinfo.aspx?mid=1&pid=294
fonte