Dlaczego w 8 szkolnym przykładzie Gelmana znany jest błąd standardowy szacunku indywidualnego?

17

Kontekst:

W 8-szkolnym przykładzie Gelmana (analiza danych bayesowskich, wydanie 3, rozdz. 5.5) istnieje osiem równoległych eksperymentów w 8 szkołach testujących efekt coachingu. Każdy eksperyment daje oszacowanie skuteczności coachingu i związanego z nim błędu standardowego.

Następnie autorzy budują model hierarchiczny dla 8 punktów danych efektu coachingu w następujący sposób:

yiN(θi,sei)θiN(μ,τ)

Pytanie W tym modelu zakładają, że sei jest znana. Nie rozumiem tego założenia - jeśli czujemy, że mamy do modelu θi dlaczego nie możemy zrobić to samo dla sei ?

Sprawdziłem oryginalną pracę Rubina przedstawiającą przykład ze szkoły 8 i tam też autor mówi, że (s. 382):

założenie o normalności i znanym błędzie standardowym jest dokonywane rutynowo, gdy podsumujemy badanie na podstawie szacunkowego efektu i jego błędu standardowego, i nie będziemy tutaj kwestionować jego zastosowania.

Podsumowując, dlaczego nie możemy modelować sei ? Dlaczego traktujemy to jako znane?

Heisenberg
źródło
Zakładam, ponieważ znają całkowitą liczbę szkół w okolicy, więc SE jest funkcją wielkości próby i oszacowania?
Nauka statystyk przez przykład
1
Rozmiar próbki jest znany i ustalony, ale błąd standardowy zależy również od standardowego odchylenia danych i nie jestem pewien, dlaczego traktujemy to jako ustalone.
Heisenberg
1
Jeśli jesteś zadowolony z pełnego uzależnienia wyników od założenia stałych błędów standardowych, nie ma nic złego w tym (i stwierdzeniu) tego warunku. Wciąż dlaczego? Brak defensywnego przeora? A może jeśli standardowe błędy zostaną przekazane szerokiemu, nieinformacyjnemu przełożeniu, reszta analizy po prostu zmyje. Nie wiem.
Peter Leopold

Odpowiedzi:

2

Na p114 tej samej książki cytujesz: „Problem oszacowania zestawu średnich o nieznanych wariancjach będzie wymagał dodatkowych metod obliczeniowych, przedstawionych w rozdziałach 11.6 i 13.6”. Tak jest z prostotą; równania w twoim rozdziale działają w formie zamkniętej, podczas gdy jeśli modelujesz wariancje, nie robią tego i potrzebujesz technik MCMC z późniejszych rozdziałów.

1n1(xix¯)2

Drew N
źródło
Rozumiem - zakładają, że wariancja jest szacowana bardzo dokładnie, innymi słowy, że błąd standardowy wariancji jest bardzo mały?
Heisenberg
nσ^22σ4/(n1)