peuhp의 탁월한 답변을 보완하기 위해 , 내가 알고있는 유일한 논쟁은 가설 검정이 베이지안 패러다임의 일부 여야하는지의 여부에 관한 것입니다. 이 논쟁은 수십 년 동안 진행되어 왔으며 새로운 것이 아닙니다. 질문에 대한 명확한 답변을 제시하는 것에 대한 주장은 ” 파라미터 공간의 서브 세트 내에있는 파라미터입니까?” Θ 0 θ

Θ0

또는 질문 “모델 주어진 데이터 뒤에 모델이 있습니까?” 제 생각에는 고려하기에 충분히 매력적입니다. 예를 들어, peuhp가 지적한 최근 논문에서M 1M1

, 우리는 모델 선택과 가설 테스트가 추정 될 수있는 임베딩 혼합물 모델, 각 모델의 관련성 또는 현재 데이터에 대한 가설이 혼합물의 무게에 대한 사후 분포에 의해 변환됨을 통해 수행 될 수 있다고 주장한다. “추정”으로 본다.

가설을 검정하기위한 전통적인 베이지안 절차는 상기 가설 또는 모델의 사후 확률에 기초하여 결정적인 답을 반환하는 것이다. 이것은 Neyman-Pearson의 손실 함수를 사용하는 의사 결정 이론 논증에 의해 공식적으로 검증되며 , 이는 모든 잘못된 결정에 동일한 손실을가합니다. 모델 선택과 가설 테스트 설정의 복잡성을 감안할 때,이 손실 함수는 너무 초보적인 것으로 나타났습니다.0−1

Kruschke의 논문을 읽은 후 , 그는 Neesmann-Pearson 테스트 절차와 반전 신뢰 구간 사이의 빈번한 반대에 대한 베이지안 대응과 같은 베이 즈 계수 사용에 대한 HPD 지역 기반 접근 방식에 반대하는 것 같습니다.

답변