|
|
|
|
|
d******h 发帖数: 39 | 1 有人学了多年统计说不清楚频率学派与贝叶斯学派的区别,什么主观对客观啦,什么似然
函数对后验概率啦,那些都是现象,不是本质。两者本质上的区别是:频率学派把未知参
数看作普通变量,把样本看作随机变量;而贝叶斯学派把一切变量看作随机变量。
数学与统计学最大的区别在于数学研究的是变量,而统计学研究的是随机变量。对统计学
家来说,把一切变量看作随机变量是更自然的事。
如果说贝叶斯学派是纯粹的统计学家,那么频率学派就是数学统计学家,尚处在从数学向
统计学过渡的中间阶段,好比蝌蚪。既然你已经从鱼变成了青蛙,为什么还要保留尾巴呢
?
如果一切变量都是随机变量的话,那么频率学派的很多概念就失去了意义。比如无偏估计
。
若E(T)=t则说统计量T是未知参数t的unbiased estimator。如果参数t是随机变量,那个
等号就毫无意义,因为统计量T的期望E(T)是一个数量,它不可能等于一个随机变量,除
了trivial的情况下。
另外,在对置信区间的含义作解释时,也不用像频率学派那样费劲。什么未知参数是未知
而固定的值,而区间是随机区间,因为区间的端点是统计量,因而也是随机变量,每次随
着观测样本的不 | y***n 发帖数: 309 | 2 呵呵,我不同意你的观点。
先申明我也是Bayesian(or Empirical Bayesian).
频率学派与贝叶斯学派的区别主要是是否允许先验概率分布的使用。
频率学派并不把所有参数看作普通变量(我想应该是known or unknown fixed
variable,姑且用你的名词),比如hierarchical model和random effect model。
而贝叶斯学派在先验分布中也有普通变量,比如hyperprior parameter。
你对无偏估计的论断我也不同意,因为你的定义本身不合理。如果t是随机变量,
你可以用E[T|t]=t,或者在由边际分布得到E[T]=m,一个独立于t的量。
贝叶斯的好处在于贝叶斯的推断问题相对简单,点估计,区间估计和假设检验
全部可以由后验分布得到,尤其是计算机技术的发展和MCMC方法的出现使得
非共轭后验分布的使用和计算成为可能。而且它的理论架构天然符合人渐进
的认识规律。我今天早上刚好还想到可以用“时时勤拂拭,莫使惹尘埃”来
形容贝叶斯学派,恰不恰当大家看看。
但是贝叶斯(Full Bayesian)的问题在于,无信息先验已经被
【在 d******h 的大作中提到】![](/moin_static193/solenoid/img/up.png) : 有人学了多年统计说不清楚频率学派与贝叶斯学派的区别,什么主观对客观啦,什么似然 : 函数对后验概率啦,那些都是现象,不是本质。两者本质上的区别是:频率学派把未知参 : 数看作普通变量,把样本看作随机变量;而贝叶斯学派把一切变量看作随机变量。 : 数学与统计学最大的区别在于数学研究的是变量,而统计学研究的是随机变量。对统计学 : 家来说,把一切变量看作随机变量是更自然的事。 : 如果说贝叶斯学派是纯粹的统计学家,那么频率学派就是数学统计学家,尚处在从数学向 : 统计学过渡的中间阶段,好比蝌蚪。既然你已经从鱼变成了青蛙,为什么还要保留尾巴呢 : ? : 如果一切变量都是随机变量的话,那么频率学派的很多概念就失去了意义。比如无偏估计 : 。
|
|
|
|
|
|