隨筆 -- 為什麼不相信推論統計
更新於 發佈於 閱讀時間約 1 分鐘
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
- 先設一個虛無假設 (H0)
- 拿資料, 算 p value ( = P(Data | Hypothesis)
- 如果 p value <= alpha (usually .05 or .10) 那麼就拒絕 H0
問題來了 P(Data | Hypothesis) 和 P(Hypothesis | Data) 以及 P(Hypothesis)是不同的東西 所以明顯不能把 p value 當作 P(Hypothesis | Data) 或者 P(Hypothesis) （在這裡 Hypothesis 就是 H0) 來拒絕
所以步驟2不能跳到步驟3
所以為什麼要相信推論統計
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。
為了讓順序比較恰當，這篇比較晚發的文章被設定成假設檢定後的下一篇。
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
人在討論不確定的事情時，容易就此打住的原因，通常是覺得跟自己沒有直接關係，但如果這件事對自己很重要時，就會假設各種狀況，設想各種新的對策，想讓事情更順利的進行。
也就是說對方也一樣，當你們對話因為不確定因素而停滯時，善用假設某個前提，就能展開更多討論。
假設是一種允許我們在資訊不足的狀況下，
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
終於要開始講統計檢定的實作部分了。因為是舉實例所以滿長的。
為了讓順序比較恰當，這篇比較晚發的文章被設定成假設檢定後的下一篇。
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
以下內容是我閱讀Probabilistic Graphical Model, Koller 2009一書的讀書筆記，未來將不定期新增內容，此技術屬AI人工智慧範疇。
1.2 Structured Probabilistic Models
既然要融入Uncertainty和Probability
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
人在討論不確定的事情時，容易就此打住的原因，通常是覺得跟自己沒有直接關係，但如果這件事對自己很重要時，就會假設各種狀況，設想各種新的對策，想讓事情更順利的進行。
也就是說對方也一樣，當你們對話因為不確定因素而停滯時，善用假設某個前提，就能展開更多討論。
假設是一種允許我們在資訊不足的狀況下，
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。