Я же правильно понимаю, что вы симулировали данные с уже заранее заданным аплифотом? Не очень поняла, был это реальный эксперимент или нет. Наверное тут логично данные как раз симулировать и потом смотреть на точность выводов.
По поводу априорных распределений. Насколько я понимаю, вы использовали метод conjugate prior для выбора. Это в целом имеет смысл, я сейчас смотрю курс Statistical rethinking https://github.com/rmcelreath/stat_rethinking_2023 там автор говорит о том, что prior distribution можно рассматривать как метод регуляризации значений апостериорного распределения. Грубо говоря, если мы знаем, что переменная не может принимать отрицательных значений, то логично использовать априорное распределение которое принимает только положительные значения (лог нормальное или экспоненциальное например). Ну это если подходить к выбору с более логической стороны, а не со стороны вычислений)
Можете подсказать, что за пакеты использовали для байесовской статистики? По виду следа MCMC похоже на PyMC в питоне, но могу ошибаться.
По поводу методов оценки, а вы их как-то тестировали на чувствительность при изменении аплифта? Также вопрос какими пакетами считали. Вообще я когда сама размышляла, подумала, что можно сделать распределение разниц средних семплируя из апостериорных распределений (вроде того как когда делается posterior prediction) и посмотреть на распределение разниц, в частности попадает ли там 0 в определенный доверительный интервал. То есть примерно как при бутстрапе оценка теста делается.
Как вообще пришли к тому чтобы начать тестировать байесовский подход? Было сложно бизнесу интерпретировать частотную статистику или просто был интерес к изучению?
Еще раз, спасибо!
Information
Rating
Does not participate
Location
Санкт-Петербург, Санкт-Петербург и область, Россия
Спасибо большое за статью!
Несколько вопросов/обсуждений по материалу.
Я же правильно понимаю, что вы симулировали данные с уже заранее заданным аплифотом? Не очень поняла, был это реальный эксперимент или нет. Наверное тут логично данные как раз симулировать и потом смотреть на точность выводов.
По поводу априорных распределений. Насколько я понимаю, вы использовали метод conjugate prior для выбора. Это в целом имеет смысл, я сейчас смотрю курс Statistical rethinking https://github.com/rmcelreath/stat_rethinking_2023 там автор говорит о том, что prior distribution можно рассматривать как метод регуляризации значений апостериорного распределения. Грубо говоря, если мы знаем, что переменная не может принимать отрицательных значений, то логично использовать априорное распределение которое принимает только положительные значения (лог нормальное или экспоненциальное например). Ну это если подходить к выбору с более логической стороны, а не со стороны вычислений)
Можете подсказать, что за пакеты использовали для байесовской статистики? По виду следа MCMC похоже на PyMC в питоне, но могу ошибаться.
По поводу методов оценки, а вы их как-то тестировали на чувствительность при изменении аплифта? Также вопрос какими пакетами считали. Вообще я когда сама размышляла, подумала, что можно сделать распределение разниц средних семплируя из апостериорных распределений (вроде того как когда делается posterior prediction) и посмотреть на распределение разниц, в частности попадает ли там 0 в определенный доверительный интервал. То есть примерно как при бутстрапе оценка теста делается.
Как вообще пришли к тому чтобы начать тестировать байесовский подход? Было сложно бизнесу интерпретировать частотную статистику или просто был интерес к изучению?
Еще раз, спасибо!