नमूना आकार को यादृच्छिक चर बनाने का क्या मतलब है?

Question

फ्रैंक हरेल ने एक ब्लॉग ( सांख्यिकीय सोच) शुरू किया है । अपने प्रमुख पद में , वह अपने सांख्यिकीय दर्शन की कुछ प्रमुख विशेषताओं को सूचीबद्ध करता है। अन्य मदों में, यह शामिल हैं:

• जब संभव हो तो नमूना आकार को एक यादृच्छिक चर बनाएं

1. "नमूना आकार को एक यादृच्छिक चर बनाने" का क्या अर्थ है?
2. ऐसा करने के क्या फायदे हैं? यह बेहतर क्यों हो सकता है?

Comments

अनुक्रमिक विश्लेषण में एक घटना की घटना के समय को एक यादृच्छिक चर के रूप में माना जाता है। यह भी सच है अबोट नमूना आकार।

— माइकल आर। चेर्निक

@ रीचर्डहार्डी, इस पर क्रॉस वैलिडेटेड मेटा पर चर्चा की जानी चाहिए । मैंने टैग बनाया b / c हमारे पास 1 नहीं था और ACF आदि के बारे में बहुत सारे प्रश्न हैं। हम इसे हमेशा एक पर्याय बना सकते हैं।

— गुंग - को पुनः स्थापित मोनिका

Answer 1

मेरा मतलब है कि डेटा एकत्र करने की प्रक्रिया के करीब के मॉडल का उपयोग करना नहीं है, बल्कि पीछे की संभावित संभावनाओं की निरंतर बायेसियन निगरानी करना है, जिसके लिए बहुलता के लिए कोई दंड की आवश्यकता नहीं है। एक मनमाना लक्ष्य नमूना आकार की गणना करने के बजाय, मैं अधिकतम संभव नमूना आकार (बजट अनुमोदन के लिए) और अन्यथा "जब हमें जवाब मिलता है" को रोकने के लिए पसंद करता हूं, जैसा कि आमतौर पर भौतिकी में अच्छे प्रभाव के लिए किया जाता है। मैं इसके बारे में अपने ब्लॉग http://fharrell.com में कुछ दिन पहले कहूंगा ।

Comments

"जब हमें जवाब मिलता है" तो क्या मतलब है? मुझे लगता है कि जब तक आप एक परिणाम प्राप्त नहीं कर लेते, तब तक एक अध्ययन चल रहा है (उदाहरण के लिए, एक 95% विश्वसनीय अंतराल में 0 शामिल नहीं है) बस बायसी के संदर्भ में एक अतिवादी के रूप में भ्रष्ट करना होगा।

— गंग -

@ गुंग बिल्कुल नहीं। बायेसियन इनविक्शन पूरी तरह से रोक नियम से स्वतंत्र है। शुरुआती रोक के समय पीछे की संभावनाओं के अंशांकन का अनुकरण करना आसान है, यह दिखाते हैं कि वे बिल्कुल सही हैं। यह लगातार दुनिया के साथ अद्भुत मतभेदों में से एक है। सामान्य तौर पर, आगे की संभावनाएं संदर्भ-मुक्त होती हैं और पिछड़ी संभावनाएं इस बात पर निर्भर करती हैं कि आप वहां कैसे पहुंचे। इसलिए मैं बंद हो जाऊंगा जब प्रभाव की उत्तरवर्ती संभावना> 0 कुछ संख्या से अधिक होती है जैसे कि 0.95 या जब विश्वसनीय अंतराल की चौड़ाई <कुछ निर्दिष्ट संख्या होती है।

— फ्रैंक हरेल

@ गंग की टिप्पणी पर आपकी प्रतिक्रिया से मुझे यह सवाल उठने लगा है: कुछ पाठकों को यह अच्छी तरह से महसूस हो सकता है कि अगर बायेसियन निष्कर्ष वास्तव में "फोरगोन निष्कर्ष के लिए नमूनाकरण" की अनुमति देता है, तो बायेसियन निष्कर्ष के लिए बहुत बुरा है। (मैं उन्हें यहां तीसरे पैराग्राफ के संदर्भों के लिए संदर्भित करूंगा ।) आपके अगले ब्लॉग पोस्ट की प्रतीक्षा है!

— Scortchi - को पुनः स्थापित मोनिका

एक गलत निष्कर्ष के लिए नमूनाकरण केवल तभी होता है, जब सांख्यिकीविद् द्वारा उपयोग किए गए पहले समीक्षक द्वारा उपयोग किए जाने के साथ संघर्ष करता है। उदाहरण के लिए यदि समीक्षक शून्य पर एक संभाव्यता द्रव्यमान डालता है (अर्थात, पूर्व में अवशोषित अवस्था है) और उपयोग किया गया मॉडल नल पर विशेष जोर नहीं देता है, तो विश्लेषण सकारात्मक प्रभाव के लिए रुकने का संकेत दे सकता है लेकिन समीक्षक का कहना है कि एक प्रभाव के लिए अपर्याप्त सबूत। यदि आप एक निश्चित पूर्व के साथ अध्ययन का अनुकरण करते हैं और उसी पूर्व का उपयोग करके विश्लेषण करते हैं, तो पीछे के प्रोब्स पूरी तरह से कैलिब्रेट किए जाते हैं, और पीछे के साधन भी परिपूर्ण होते हैं।

— फ्रैंक हरेल