क्या मुझे विश्वास अंतराल के बजाय विश्वसनीय अंतराल की रिपोर्ट करनी चाहिए?


9

एक सांख्यिकी पाठ्यपुस्तक में अवधारणा पर ठोकर खाने के बाद, मैंने इसके बारे में अपना सिर लपेटने की कोशिश की, और अंत में एक निष्कर्ष आया जो सभी स्पष्टीकरणों को फिट करने के लिए लगता है, जो मैंने अब तक देखा है: एक विश्वसनीय अंतराल जो गैर-सांख्यिकीविदों का एक विश्वास है अंतराल है।


मेरे जैसे उन लोगों के लिए एक-घंटे पहले-जो कि अंतर नहीं जानते हैं, के लिए पाचन

यदि हमने डेटा का अवलोकन किया और उसमें से कुछ पैरामीटर की भविष्यवाणी की, तो कि _ , विश्वसनीय अंतराल अंतराल [\ mu _ {\ text {min}}, \ \ mu \ {\ text {max}} है , जिसमें से हम हैं 95% सुनिश्चित करें कि म्यू अंदर गिरता है (या 95% के अलावा कुछ संख्या, अगर हमने दूसरे स्तर का उपयोग किया है)। परिचयात्मक सांख्यिकी कक्षाओं में पढ़ाया जाने वाला आत्मविश्वास अंतराल विश्वसनीय अंतराल के साथ ओवरलैप कर सकता है, लेकिन हमेशा अच्छी तरह से ओवरलैप नहीं होगा । यदि आप स्पष्टीकरण को बहादुर करना चाहते हैं, तो क्रॉस वैलिडेट पर इस और इस प्रश्न को पढ़ने का प्रयास करें ; आखिरकार सिर को खुजलाने में मुझे क्या मदद मिली, क्या यह जवाब था ।μ[μmin, μmax]


क्या इसका मतलब यह है कि मेरे परिणामों में विश्वास अंतराल पर एक विश्वसनीय अंतराल का उपयोग करना वैज्ञानिक रूप से बेहतर होगा? यदि हाँ, तो मैंने ऐसा कोई प्रकाशन क्यों नहीं देखा है जो इसका उपयोग करता है?

  • क्या यह इसलिए है क्योंकि अवधारणा का उपयोग किया जाना चाहिए, लेकिन मापने वाले वैज्ञानिकों ने अभी तक सही सांख्यिकीय तरीकों के साथ नहीं पकड़ा है?
  • या अनुभवजन्य अध्ययनों से परिणामों की व्याख्या करने के लिए मूल आत्मविश्वास अंतराल बेहतर है?
  • या यह है कि व्यवहार में, वे इतनी बार अतिव्यापी होते हैं कि यह बिल्कुल भी मायने नहीं रखता है?
  • क्या चुनाव उस सांख्यिकीय वितरण पर निर्भर करता है जिसे हम अपने डेटा के लिए मान रहे हैं? शायद गॉसियन डिस्ट्रीब्यूशन के साथ, वे हमेशा संख्यात्मक रूप से ओवरलैप करते हैं, इसलिए किसी भी व्यक्ति को अंतर के बारे में शुद्ध सांख्यिकीय परवाह नहीं है (मैंने जो पढ़ा है वह किसी भी तरह के अंतराल की गणना करने से भी परेशान नहीं है , और शायद लगभग 1% ने कभी सोचा को स्थान दिया। कि उनका डेटा सामान्य रूप से वितरित नहीं किया जा सकता है)।
  • क्या यह हमारे वैज्ञानिक-सिद्धांत पर निर्भर है? उदाहरण के लिए, ऐसा लगता है कि विश्वास अंतराल का उपयोग प्रत्यक्षवादी काम और व्याख्यात्मक कार्य में विश्वसनीय अंतराल का उपयोग किया जाना चाहिए, लेकिन मुझे यकीन नहीं है कि यह भावना सही है।

बायिसियन दृष्टिकोण के लिए आत्मविश्वास अंतराल लगातार और विश्वसनीय अंतराल के लिए हैं। "मैंने ऐसा कोई प्रकाशन क्यों नहीं देखा, जो इसका उपयोग करता हो?" बहुत सारे (बायेसियन) हैं
Theta30

5
आज तक PubMed पर 154 लेख हैं जिनमें विश्वसनीयता अंतराल का उल्लेख है और 489 में विश्वसनीय अंतराल का उल्लेख है । वे आत्मविश्वास के अंतराल (179811 लेख और गिनती) के रूप में आम नहीं हैं, लेकिन यह सिर्फ लगातार दृष्टिकोण के हावी होने के कारण है। और हाँ, विश्वसनीय अंतराल भयानक लगता है लेकिन यह केवल सच है अगर पूर्व वितरण सही ढंग से निर्दिष्ट किया गया है। शैतान सभी मान्यताओं में हैं।
पेंग्विन_कास्ट

मेरे पास अभी भी मेरी शर्तें मिश्रित हो सकती हैं, लेकिन मेरी पाठ्यपुस्तक में, लेखक एक विश्वसनीय अंतराल का उपयोग करने का सुझाव दे रहा है, जब मानक त्रुटियों से प्राप्त एक परीक्षण सांख्यिकीय के आधार पर अधिकतम संभावना अनुमान का उपयोग करते हुए द्विपद डेटा का मतलब अनुमान लगा रहा है। और मुझे लगता है कि यह एक लगातार दृष्टिकोण है। क्या एक विश्वसनीय अंतराल और एक "वास्तविक कवरेज संभावना" विश्वास अंतराल के बीच अंतर हो सकता है?
रुमचो

जवाबों:


4

अंतराल का प्रकार इंगित करता है कि आपने किस प्रकार की विधि का उपयोग किया है। यदि एक विश्वसनीय अंतराल (या बायेसियन संस्करण), इसका मतलब है कि एक बायेसियन विधि का उपयोग किया गया था। यदि एक आत्मविश्वास अंतराल, तो एक लगातार पद्धति का उपयोग किया गया था।

पुन: या यह है कि व्यवहार में, वे इतनी बार अतिव्यापी हैं कि यह बिल्कुल कोई फर्क नहीं पड़ता? जब तक

  • तरीकों का उपयोग करने की शर्तें यथोचित रूप से संतुष्ट हैं (उदाहरण के लिए "टिप्पणियों की स्वतंत्रता" कई तरीकों के लिए एक आवश्यकता है),
  • बायेसियन विधि एक सूचनात्मक पूर्व का उपयोग नहीं करता है,
  • वह नमूना जो बहुत छोटा नहीं है, और
  • मॉडल / तरीके अनुरूप हैं,

विश्वसनीय और आत्मविश्वास अंतराल एक दूसरे के करीब होंगे। कारण: संभावना पूर्व में बायेसियन पर हावी होगी, और संभावना यह है कि आमतौर पर अक्सरवादी तरीकों में उपयोग किया जाता है।

मैं सुझाव दूंगा कि किस चीज का उपयोग न करें। यदि आप पहले एक सूचनात्मक चाहते हैं, तो एक बायेसियन विधि का उपयोग करना सुनिश्चित करें। यदि नहीं, तो एक उपयुक्त विधि और संदर्भ (लगातार या बायेसियन) चुनें, यह सुनिश्चित करने के लिए जाँच करें कि विधि को लागू करने के लिए आवश्यक शर्तें यथोचित रूप से संतुष्ट हैं (इतनी महत्वपूर्ण लेकिन शायद ही कभी की गई हो!), और उसके बाद आगे बढ़ें यदि विधि के लिए उपयुक्त है। डेटा का प्रकार।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.