To znaczy, aby wykonać sekwencyjną analizę (nie wiadomo z góry dokładnie, ile danych zostanie zgromadzonych) metodami częstych wymaga szczególnej uwagi; nie można po prostu zbierać danych, dopóki wartość p nie stanie się wystarczająco mała lub przedział ufności nie będzie wystarczająco krótki.
Ale czy przy analizie bayesowskiej jest to problem? Czy możemy swobodnie robić takie rzeczy, jak zbieranie danych, dopóki wiarygodny interwał nie stanie się wystarczająco mały?
1
Zależy. Jeśli zbierasz dane, dopóki nie uzyskasz pewnej ilości informacji, które na ogół nie stanowią problemu, bez względu na to, czy jesteś Bayesianinem, czy częstym. Jeśli zależy Ci na częstych charakterystykach pracy (np. Prawdopodobieństwach pokrycia dla wiarygodnych przedziałów, błąd typu 1), problemem jest zatrzymanie, np. Gdy wiarygodny przedział czasowy nie wyklucza żadnego efektu.
—
Björn
@ Björn Czy możesz wyjaśnić, co w tym kontekście oznacza „pewna ilość informacji”? I nawet jeśli nie otrzymujemy stałego poziomu błędu typu 1 przy sekwencyjnym testowaniu bayesowskim, czy nadal jesteśmy w stanie? Czy nadal możemy bezpiecznie wysuwać zwykłe twierdzenia zawarte w analizie bayesowskiej? (tj. oświadczenia o rozkładzie prawdopodobieństwa parametru)
—
Alec
Pewna ilość informacji = np. Informacja Fishera (np. Do analizy przeżycia do określonej liczby przypadków). W przypadku drugiego pytania: tak, jeśli wykorzystasz prawdopodobieństwo odzwierciedlające sposób próbkowania (tj. Odzwierciedlające, w których przypadkach przestaniesz gromadzić więcej danych). Nie, jeśli zignorujesz prawidłowe prawdopodobieństwo (i np. Po prostu zastosujesz standardowe normalne prawdopodobieństwo).
—
Björn
Ach, rozumiem teraz, więc chyba tak naprawdę istnieje prawdopodobieństwo. Reguła zatrzymania uzależnia przyszłe obserwacje od wcześniejszych.
—
Alec
@Bjorn Czy znasz jakieś odniesienia do analizy bayesowskiej, która uwzględnia regułę zatrzymania w funkcji prawdopodobieństwa?
—
Alec