सबसे बड़ी समस्या जो मुझे दिख रही है, वह यह है कि कोई भी परीक्षा आँकड़ा नहीं है। -value एक मूल्य के लिए (सभी की आलोचनाओं बायेसियन सांख्यिकीविदों इसके खिलाफ माउंट के साथ) एक परीक्षण आंकड़ा की के रूप में परिभाषित किया गया है (यह मानते हुए कि अधिक मूल्यों के लिए नल अस्वीकार कर दिया गया है , जैसा कि आंकड़ों के साथ मामला होगा , कहते हैं)। यदि आपको अधिक महत्व के निर्णय तक पहुंचने की आवश्यकता है, तो आप महत्वपूर्ण मूल्य को बढ़ा सकते हैं और अस्वीकृति क्षेत्र को आगे बढ़ा सकते हैं। प्रभावी रूप से, यही बोनफ्रोनी जैसे कई परीक्षण सुधार करते हैं, आपको लिए बहुत कम सीमा का उपयोग करने का निर्देश देते हैंटी टी पी आर ओ बी [ टी ≥ टी | एच 0 ] टी χ 2 पी 0 , 1 / 36 , 2 / 36 , ...ptTProb[T≥t|H0]Tχ2p-values। इसके बजाय, अक्सर सांख्यिकीविद् के ग्रिड पर आकारों के परीक्षण के साथ यहां अटक जाता है ।0,1/36,2/36,…
बेशक, यह "लगातार" दृष्टिकोण अवैज्ञानिक है, क्योंकि परिणाम शायद ही प्रतिलिपि प्रस्तुत करने योग्य होगा। एक बार जब सूर्य सुपरनोवा चला जाता है, तो वह सुपरनोवा बना रहता है, इसलिए डिटेक्टर को बार-बार "हां" कहते रहना चाहिए। हालांकि, इस मशीन के बार-बार चलने से "हां" परिणाम फिर से प्राप्त करने की संभावना नहीं है। यह उन क्षेत्रों में मान्यता प्राप्त है जो खुद को कठोर के रूप में पेश करना चाहते हैं और अपने प्रयोगात्मक परिणामों को पुन: पेश करने की कोशिश करते हैं ... जो, जहां तक मैं समझता हूं, 5% के बीच कहीं भी संभावना के साथ होता है (मूल पेपर प्रकाशित करना एक शुद्ध प्रकार मैं त्रुटि थी) और कुछ चिकित्सा क्षेत्रों में लगभग 30-40%। मेटा-विश्लेषण के लोग आपको बेहतर संख्याओं से भर सकते हैं, यह सिर्फ बज़ है जो मेरे लिए समय-समय पर सांख्यिकी अंगूर के माध्यम से आता है।
"उचित" अक्सरवादी दृष्टिकोण से एक अन्य समस्या यह है कि मरना रोलिंग एक कम से कम शक्तिशाली परीक्षण है, जिसमें शक्ति = महत्व स्तर (यदि कम नहीं है, तो 5% महत्व स्तर के लिए 2.7% शक्ति के बारे में घमंड करने के लिए कुछ भी नहीं है)। टी-परीक्षणों के लिए नेमन-पियरसन सिद्धांत यह दर्शाता है कि यह एक यूएमपीटी है, और बहुत सारे ब्रो स्टैटिस्टिकल थ्योरी (जो मुझे बमुश्किल समझ में आती है, मुझे स्वीकार करना होगा) शक्ति घटता को प्राप्त करने और किसी दिए जाने पर शर्तों को पूरा करने के लिए समर्पित है। परीक्षण किसी दिए गए वर्ग में सबसे शक्तिशाली है। (साभार: @Dikran Marsupial ने टिप्पणियों में से एक में शक्ति के मुद्दे का उल्लेख किया है।)
मुझे नहीं पता कि यह आपको परेशान करता है, लेकिन बेयसियन सांख्यिकीविद को यहां उस व्यक्ति के रूप में दिखाया गया है, जिसे कोई गणित नहीं पता है और एक जुआ समस्या है। एक उचित बायेसियन सांख्यिकीविद् पूर्व को पोस्ट करता है, निष्पक्षता की अपनी डिग्री पर चर्चा करता है, पोस्टीरियर को प्राप्त करता है, और प्रदर्शित करता है कि उन्होंने डेटा से कितना सीखा। इनमें से कोई भी काम नहीं किया गया था, इसलिए बायेसियन प्रक्रिया की देखरेख सिर्फ उतनी ही की गई है, जितनी बार की गई है।
यह स्थिति कैंसर की समस्या के लिए शास्त्रीय स्क्रीनिंग को प्रदर्शित करती है (और मुझे यकीन है कि बायोस्टैटिस्ट इसका बेहतर वर्णन कर सकते हैं जितना मैं कर सकता था)। जब एक अपूर्ण साधन के साथ एक दुर्लभ बीमारी की जांच की जाती है, तो अधिकांश सकारात्मक गलत धारणाएं बन जाते हैं। स्मार्ट सांख्यिकीविद् जानते हैं कि, और अधिक महंगे और अधिक सटीक बायोप्सी के साथ सस्ते और गंदे स्क्रीनर्स का पालन करना बेहतर जानते हैं।