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?
Odpowiedzi:
Rouder (2014) ma fajny artykuł na ten temat (napisany dla psychologów), wyjaśniający, dlaczego testowanie sekwencyjne (tak zwane wyszukiwanie danych ) jest w porządku z perspektywy Bayesa. (Papier jest dostępny bezpłatnie online, jeśli go szukasz).
Schoenbrodt i in. (w druku) przedstawiają ładne analizy pokazujące, jak korzystać z analizy sekwencyjnej z czynnikami Bayesa, aby określić, kiedy zatrzymać gromadzenie danych.
Z procedury szacowania parametrów bayesowskich John Kruschke ma bardzo fajny post na blogu, który porównuje różne metody bayesowskie podczas testowania sekwencyjnego.
Mam nadzieję, że znajdziesz ich pomoc.
Bibliografia
Rouder, Jeffrey N. (2014). Opcjonalne zatrzymanie: bez problemu dla Bayesian. Biuletyn psychonomiczny i przegląd, 21, 301–308.
Schoenbrodt, FD, Wagenmakers, E.-J., Zehetleitner, M., i Perugini, M. (w druku). Sekwencyjne testowanie hipotez z czynnikami Bayesa: Skuteczne testowanie średnich różnic. Metody psychologiczne.
źródło
SPRT jest dobrym przykładem metody sekwencyjnej, która jest sekwencyjna.
Z drugiej strony, podczas gdy modele bayesowskie mają pierwszeństwo w przezwyciężaniu rzadkości danych, tym więcej danych jest „węższych”, gdy tylna dystrybucja staje się mniej odpowiednia do uczenia się w czasie online.
źródło