কামিং (২০০৮) দাবি করেছে যে প্রতিলিপিগুলিতে প্রাপ্ত পি-মানগুলির বিতরণ কেবলমাত্র মূল পি-মানের উপর নির্ভর করে। এটা কিভাবে সত্য হতে পারে?

52

আমি জেফ কামিংয়ের ২০০৮-এর পেপারের প্রতিলিপি এবং অন্তরগুলি $p$ $p$ পড়ছি : মানগুলি কেবলমাত্র অস্পষ্টভাবে ভবিষ্যতের পূর্বাভাস দেয় তবে আত্মবিশ্বাসের ব্যবধানগুলি আরও ভাল করে তোলে [গুগল স্কলারে ২০০ ডলার উদ্ধৃতি] - এবং এর কেন্দ্রীয় দাবির মধ্যে একটি বিভ্রান্ত হয়ে পড়েছি। এটি কাগজপত্রের সেই সিরিজের একটি যেখানে কমিং মূল্যগুলির বিরুদ্ধে এবং আত্মবিশ্বাসের ব্যবস্থার পক্ষে যুক্তি দেয় ; আমার প্রশ্ন, তবে, হয় না এই বিতর্কের সম্পর্কে এবং মাত্র একটি নির্দিষ্ট দাবি উদ্বেগ -values। $p$ $p$

আমাকে বিমূর্ত থেকে উদ্ধৃতি দিন:

এই প্রবন্ধ দেখায় টু-টেইলড মধ্যে ইনিশিয়াল পরীক্ষা ফলাফল যদি, , একটি হল সুযোগ ওয়ান-টেইলড একটি রেপ্লিকেশন থেকে -value ব্যবধান কমে যাবে , একটি চান্স যে , এবং সম্পূর্ণরূপে সুযোগ যা । লক্ষণীয়ভাবে, অন্তর — ব্যবধান হিসাবে অভিহিত this এই প্রশস্ত তবে নমুনার আকার বড়। $p= .05$ $80\%$ $p$ $(.00008, .44)$ $10\%$ $p < .00008$ $10\%$ $p > .44$ $p$

কামিং দাবী করেন যে এই " ব্যবধান", এবং আসলে গোটা বন্টন -values যে এক প্রাপ্ত হবে যখন (একই সংশোধন নমুনা আকার সঙ্গে) মূল পরীক্ষা প্রতিলিপি নির্মাণ, নির্ভর শুধুমাত্র আসল পোস্টে -value এবং সত্য প্রভাবের আকার, শক্তি, নমুনার আকার বা অন্য কোনও কিছুর উপর নির্ভর করে না: $p$ $p$ $p$ $p_\mathrm{obt}$

[...] এর সম্ভাব্যতা বন্টন knowing (বা শক্তি) এর জন্য কোনও মূল্য জেনে বা ধরে না করেই নেওয়া যায় । [...] আমরা সম্পর্কে কোনও পূর্ববর্তী জ্ঞান ধরে নিই না , এবং আমরা কেবলমাত্র [গোষ্ঠীগত পার্থক্যের মধ্যে লক্ষ্য করা যায়] প্রদত্ত for এর গণনার ভিত্তি হিসাবে প্রদত্ত তথ্য ব্যবহার করি use এবং অন্তরগুলির বিতরণ $p$ $\delta$ $\delta$ $M_\mathrm{diff}$ $\delta$ $p_\mathrm{obt}$ $p$ $p$

$\quad\quad\quad$

আমি এতে বিভ্রান্ত হয়ে পড়েছি কারণ আমার কাছে মনে হয় ভ্যালুগুলির বিতরণ শক্তির উপর নির্ভর করে, যেখানে মূল its তার নিজের সম্পর্কে কোনও তথ্য দেয় না। এটি হতে পারে যে সত্যের প্রভাবের আকারটি এবং তারপরে বিতরণটি অভিন্ন; অথবা হতে পারে সত্যিকারের প্রভাবের আকারটি বিশাল এবং তারপরে আমাদের বেশিরভাগই খুব ছোট মূল্য আশা করা উচিত । অবশ্যই কেউ সম্ভাব্য প্রভাবের আকারগুলির চেয়ে কিছু পূর্বের ধারণা ধরে নিয়ে এর সাথে একীভূত করতে পারে তবে কামিং মনে করছেন যে তিনি যা করছেন এটি এটি নয়। $p$ $p_\mathrm{obt}$ $\delta=0$ $p$

প্রশ্ন: এখানে ঠিক কী চলছে?

মনে রাখবেন যে এই বিষয়টি এই প্রশ্নের সাথে সম্পর্কিত: প্রথম পরীক্ষার 95% আত্মবিশ্বাসের ব্যবধানের মধ্যে পুনরাবৃত্তি পরীক্ষার কোন ভগ্নাংশের প্রভাবের আকার থাকবে? @ ভুবার দ্বারা দুর্দান্ত উত্তর সহ। কামিংয়ের এই বিষয়টিতে একটি প্রবন্ধ রয়েছে: কামিং এবং মেলার্ডেট, 2006, আত্মবিশ্বাসের বিরতি এবং প্রতিলিপি: পরেরটি কোথায় পড়বে? - তবে এটি একটি পরিষ্কার এবং অপ্রয়োজনীয়।

আমি আরও উল্লেখ করেছি যে 2015 এর প্রকৃতি পদ্ধতি গবেষণাপত্রে কামিংয়ের দাবিটি বেশ কয়েকবার পুনরাবৃত্তি হয়েছে চঞ্চল মানটি অপ্রতিরোধ্য ফলাফল তৈরি করে $P$ যা আপনার মধ্যে কেউ কেউ আসতে পারে (এটি ইতিমধ্যে গুগল স্কলারে ~ 100 উদ্ধৃতি রয়েছে):

[...] পুনরাবৃত্তি পরীক্ষাগুলির মানে যথেষ্ট পরিবর্তন হবে । বাস্তবে, পরীক্ষাগুলি খুব কমই পুনরাবৃত্তি হয়; আমরা জানি না যে পরের কতটা আলাদা হতে পারে। তবে সম্ভবত এটি খুব আলাদা হতে পারে। উদাহরণস্বরূপ, পরীক্ষার পরিসংখ্যানগত শক্তি নির্বিশেষে, যদি কোনও একক প্রতিলিপি একটি মান দেয় , তবে পুনরায় পরীক্ষায় এবং (এবং পরিবর্তন) এর মধ্যে মান ফেরত আসার সম্ভাবনা থাকে [sic] যে আরও বড় হবে)। $P$ $P$ $P$ $0.05$ $80\%$ $P$ $0$ $0.44$ $20\%$ $P$

(দ্রষ্টব্য, কীভাবে, কামিংয়ের বক্তব্য সঠিক কিনা তা নির্বিশেষে, নেচার মেথডস পেপারগুলি এটিকে সঠিকভাবে উদ্ধৃত করেছে: কামিংয়ের মতে এটি উপরে মাত্র সম্ভাবনা রয়েছে । এবং হ্যাঁ, কাগজটি "20% চান" বলে জি ই "। পিএফএফ।) $10\%$ $0.44$

— অ্যামিবা বলছেন মনিকাকে রিইনস্টেট করুন
সূত্র

8

এই জাতীয় ধরণের দাবী কি প্রকৃতির একটি অনুমিত অবস্থার উপর শর্তযুক্ত হতে হবে না - এবং এটি কি পূর্বনির্ধারিতভাবে নাল কল্পনা নয়? জন্য সহজ নাল অনুমানের এবং ক্রমাগত বিতরণ পরিসংখ্যাত, পি-মান একটি অভিন্ন বিতরণ হয়েছে। সমস্ত কিছুই সেই সত্য থেকে প্রবাহিত হয়।

— হুশিয়ার

4

@ হুবহু আচ্ছা, আমি এখানে পুনরুত্পাদন করা চিত্র 5 এ প্রদর্শিত বিতরণগুলি স্পষ্টভাবে অভিন্ন নয়। যদিও আমি মনে করি যে এ জাতীয় কোনও বিতরণ এটি প্রকৃতির অবস্থার উপর শর্তাধীন হতে পারে তবে কামিং তার বিপরীতে দাবি করে বলে মনে হচ্ছে। সুতরাং আমার প্রশ্ন: এই কাগজে আসলে কী চলছে? আমি কি দাবিটি ভুল বুঝছি? কাগজটি কি কেবল ভুল? আমরা কিছু লুকানো অনুমান খুঁজে বের করতে পারি? ইত্যাদি

— অ্যামিবা 21

আমার জন্য দ্রষ্টব্য: এই arxiv.org/abs/1609.01664 আপাতদৃষ্টিতে সম্পর্কিত তবে একটি তাত্ক্ষণিক নজরে আমার ধাঁধাটি সমাধান করা যায় নি।

— অ্যামিবা বলেছেন মনিকা

1

আমি আশা করি আমি এই সপ্তাহে ফাইনাল দিচ্ছি না বা আমি এটিতে কিছুটা সময় দিতে পারি। এটি অনুভূত হয় না যে পরবর্তী পি-মানটি পাওয়ার উপর নির্ভর করে, যদি উভয় নমুনার আকার একই থাকে izes পর্যবেক্ষণ করা পি-মানটি কেবলমাত্র প্যারামিটারের সত্যিকারের মান এবং আপনার নাল পছন্দের উপর নির্ভর করে। অনুমানের কার্যকারিতা ক্ষমতার উপর নির্ভর করে, তবে এটি এখানে কোনও প্রশ্ন নয়।

— ডেভ হ্যারিস

3

আমি এখানে আমার লীগ থেকে বেরিয়ে আসছি ... তবে কাগজটি স্কার্ফ করে মনে হচ্ছে, 0 টি শূন্যের সাথে একই পরিচিত বৈচিত্র এবং নমুনা মাপের সাথে দুটি গাউসীয় জনগোষ্ঠীর মধ্যে একটি উল্লেখযোগ্য পার্থক্যের জন্য সমস্ত কিছু পরীক্ষার প্রসঙ্গে রয়েছে 0 . এটা কি সঠিক? (অর্থাত্ যেখানে নালার নীচে)) বা কাগজের বিস্তৃত সুযোগ রয়েছে, যেমনটি প্রশ্ন / মন্তব্য এখানে ইঙ্গিত বলে মনে হচ্ছে?

z = \frac{Δ \bar{x}}{σ} \sqrt{\frac{N}{2}} \sim N_{⟨ z ⟩, 1}

$z=\frac{\Delta\bar{x}}{\sigma}\sqrt{\frac{N}{2}}\sim\mathrm{N}_{\langle{z}\rangle,1}$

⟨ z ⟩ = \frac{Δ μ}{σ} \sqrt{\frac{N}{2}} = 0

$\langle{z}\rangle=\frac{\Delta\mu}{\sigma}\sqrt{\frac{N}{2}}=0$

— জিওম্যাট 22

21

সারাংশ: কৌতুক একটি Bayesian পদ্ধতির যা একটি অভিন্ন (অনুমান উপস্থিত হতে পারে জেফ্রিস () লুকানো পরামিতি জন্য পূর্বের কাগজ পরিশিষ্ট বি এ, এখানে)। $z_\mu$ $\theta$

আমি বিশ্বাস করি কাগজের অ্যাপেন্ডিক্স বিতে দেওয়া সমীকরণগুলি পেতে কোনও বায়সিয়ান-স্টাইলের পদ্ধতির থাকতে পারে I

আমি এটি বুঝতে পারি, পরীক্ষাটি একটি পরিসংখ্যান । গড় স্যাম্পলিং বিতরণের অজানা, কিন্তু নাল হাইপোথিসিস অধীনে vanishes, $z\sim\mathrm{N}_{\theta,1}$ $\theta$ । $\theta\mid{}H_0=0$

পরীক্ষামূলকভাবে পরিলক্ষিত পরিসংখ্যাত ফোন করুন । তারপর যদি আমরা একটি "অভিন্ন" অনুমান ( অপ্রকৃত ) এ পূর্বে , Bayesian অবর হয় । আমরা কি তবে বেশি খর্ব করা করে মূল স্যাম্পলিং বন্টন আপডেট করেন , অবর হয়ে $\hat{z}\mid\theta\sim\mathrm{N}_{\theta,1}$ $\theta\sim1$ $\theta\mid\hat{z}\sim\mathrm{N}_{\hat{z},1}$ $\theta\mid\hat{z}$ $z\mid\hat{z}\sim\mathrm{N}_{\hat{z},2}$ । (দ্বিগুণ বৈচিত্রটি গাউসিয়ানদের সমঝোতার কারণে))

গাণিতিকভাবে কমপক্ষে, এটি কাজ করে বলে মনে হচ্ছে। এবং এটি কীভাবে ব্যাখ্যা করে ফ্যাক্টর "ম্যাজিকালি" সমীকরণ বি থেকে সমীকরণ বি 3-তে গিয়ে উপস্থিত হয়। $\frac{1}{\sqrt{2}}$

আলোচনা

এই ফলাফলটি কীভাবে মান নাল অনুমানের পরীক্ষার কাঠামোর সাথে মিলিত হতে পারে? নিম্নলিখিত সম্ভাব্য একটি ব্যাখ্যা নিম্নরূপ।

স্ট্যান্ডার্ড কাঠামোর মধ্যে নাল অনুমানটি কিছুটা অর্থে "ডিফল্ট" (যেমন আমরা "নালকে প্রত্যাখ্যান" বলি) of উপরে Bayesian প্রসঙ্গে এই একটি হবে নন-ইউনিফর্ম পূর্বে যে পছন্দ । আমরা যদি এটি তবে তারতম্য আমাদের পূর্বের অনিশ্চয়তার প্রতিনিধিত্ব করে। $\theta=0$ $\theta\sim\mathrm{N}_{0,\lambda^2}$ $\lambda^2$

উপরের বিশ্লেষণের মাধ্যমে এটি বহন করে, আমরা পাই থেকে আমরা দেখতে পাচ্ছি যে সীমাতেআমরা উপরের বিশ্লেষণ পুনরুদ্ধার করি। কিন্তু সীমা মধ্যেআমাদের "অধোদেশ" নাল, পরিণতএবং, তাই আমরা পুনরুদ্ধার মান

θ \sim N_{0, λ^{2}} ⟹ θ ∣ \hat{z} \sim N_{δ^{2} \hat{z}, δ^{2}}, z ∣ \hat{z} \sim N_{δ^{2} \hat{z}, 1 + δ^{2}}, δ^{2} \equiv \frac{1}{1 + λ^{- 2}} \in [0, 1]

$\theta\sim\mathrm{N}_{0,\lambda^2} \implies \theta\mid\hat{z}\sim\mathrm{N}_{\delta^2\hat{z},\delta^2} \,,\, z\mid\hat{z}\sim\mathrm{N}_{\delta^2\hat{z},1+\delta^2} \,,\, \delta^2\equiv\tfrac{1}{1+\lambda^{-2}}\in[0,1]$

λ \to \infty

$\lambda\to\infty$

λ \to 0

$\lambda\to{0}$

θ ∣ \hat{z} \sim N_{0, 0}

$\theta\mid\hat{z}\sim\mathrm{N}_{0,0}$

z ∣ \hat{z} \sim N_{0, 1}

$z\mid\hat{z}\sim\mathrm{N}_{0,1}$

p ∣ \hat{z} \sim U_{0, 1}

${p}\mid{\hat{z}}\sim\mathrm{U}_{0,1}$ ।

(বারবার অধ্যয়নের জন্য, উপরোক্তগুলি এখানে বায়সিয়ান আপডেটের বনাম " মেটা-বিশ্লেষণের জন্য " traditional তিহ্যবাহী " পদ্ধতিগুলি সম্পর্কে জড়িত সম্পর্কে একটি আকর্ষণীয় প্রশ্নের পরামর্শ দেয় though যদিও আমি মেটা-বিশ্লেষণের বিষয়ে সম্পূর্ণ অজ্ঞ!)

উপাঙ্গ

মন্তব্যে অনুরোধ হিসাবে, এখানে তুলনা করার জন্য একটি প্লট। এটি কাগজে সূত্রগুলির একটি অপেক্ষাকৃত সহজবোধ্য প্রয়োগ। যাইহোক আমি এগুলি লিখব যাতে কোনও দ্বিধা প্রকাশ না হয় ensure

$p$ $z$ $F[u]\equiv\Pr\big[\,p\leq{u}\mid{\hat{z}}\,\big]$

F [p] = 1 - Φ [\frac{1}{\sqrt{2}} (z [p] - \hat{z})], z [p] = Φ^{- 1} [1 - p]

$F[p]=1-\Phi\left[\tfrac{1}{\sqrt{2}}\left(z[p]-\hat{z}\right)\right] \,,\, z[p]=\Phi^{-1}[1-p]$

Φ []

$\Phi[\,\,]$

f [p] \equiv F^{'} [p] = \frac{ϕ [(z - \hat{z}) / \sqrt{2}]}{\sqrt{2} ϕ [z]}

$f\big[p\big]\equiv{F^\prime}\big[p\big]=\frac{\phi\Big[(z-\hat{z})/\sqrt{2}\,\Big]}{\sqrt{2}\,\phi\big[z\big]}$

ϕ []

$\phi[\,\,]$

z = z [p]

$z=z[p]$

\hat{p}

$\hat{p}$

\hat{z}

$\hat{z}$

\hat{z} = Φ^{- 1} [1 - \frac{\hat{p}}{2}]

$\hat{z}=\Phi^{-1}\Big[1-\tfrac{\hat{p}}{2}\Big]$

এই সমীকরণগুলি ব্যবহার করে নীচের চিত্রটি দেয় যা প্রশ্নের সাথে উদ্ধৃত হওয়া কাগজের চিত্র 5 এর সাথে তুলনীয় হওয়া উচিত ।

(এটি নিম্নলিখিত মতলব কোড দ্বারা উত্পাদিত হয়েছিল; এখানে চালানো ।)

phat2=[1e-3,1e-2,5e-2,0.2]'; zhat=norminv(1-phat2/2);
np=1e3+1; p1=(1:np)/(np+1); z=norminv(1-p1);
p1pdf=normpdf((z-zhat)/sqrt(2))./(sqrt(2)*normpdf(z));
plot(p1,p1pdf,'LineWidth',1); axis([0,1,0,6]);
xlabel('p'); ylabel('PDF p|p_{obs}');
legend(arrayfun(@(p)sprintf('p_{obs} = %g',p),phat2,'uni',0));

— GeoMatt22
সূত্র

1

আমার আশা হ'ল অন্তর্নিহিত অনুমানটি প্রকাশ করে (যেমন লুকানো প্যারামিটারের আগে ইউনিফর্ম), আলোচনার ফলে এখন বৈজ্ঞানিক / পরিসংখ্যানগত প্রশ্নের উপর দৃষ্টি নিবদ্ধ করা যেতে পারে যে আমি বিশ্বাস করি যে আপনার লক্ষ্য ছিল! ( আমি উপরে গণিত / সম্ভাব্য প্রশ্নের চেয়ে উত্তর দিয়েছি))

— জিওম্যাট 22

আমি এই বিষয়ে কিছু পুরাতন এবং এত পুরানো আলোচনা খুঁজে পেয়েছি: গুডম্যান 1992 , সেন 2002 এর গুডম্যান সম্পর্কে একটি মন্তব্য এবং সাম্প্রতিক লাজেরোনি এট আল 2014 । শেষটি বরং অস্বাস্থ্যকর বলে মনে হচ্ছে (তবে আমি এটি সম্পূর্ণতার জন্য উল্লেখ করেছি) তবে প্রথম দুটি বিশেষত সেনের মন্তব্য অত্যন্ত প্রাসঙ্গিক বলে মনে হচ্ছে।

— অ্যামিবা

অ্যামিবা এই রেফারেন্সগুলি খননের জন্য আপনাকে ধন্যবাদ, তারা আকর্ষণীয় দেখায়! সম্পূর্ণতার জন্য, আমি একটি "আলোচনার" বিভাগটি যোগ করেছি কামিংয়ের ফলাফল এবং মানক কাঠামোকে সংযুক্ত করার চেষ্টা করছি।

— জিওম্যাট 22

আপডেট: আমি উপরের লিঙ্কে গুডম্যানস এবং সেনের কাগজপত্র পড়েছি এবং আমার বর্তমান স্বজ্ঞাততার সংক্ষিপ্তসার জন্য এখন আমার নিজের উত্তর পোস্ট করেছি। (যাইহোক, আমি আপনার উত্তরটি গ্রহণ করে খুশী হয়েছি এবং এটিকে অনুগ্রহপূর্বক উপহার দিয়েছি again আবারও ধন্যবাদ

— oe

27

সব আকর্ষণীয় আলোচনার জন্য ধন্যবাদ! ২০০৮ সালের নিবন্ধটি লেখার সময়, আমাকে নিজেকে বোঝাতে কিছুটা সময় লেগেছিল যে প্রতিলিপি পি বিতরণ ( একটি গবেষণার সঠিক প্রতিরূপ দ্বারা প্রদত্ত পি মান, অর্থ একটি সমীক্ষা যা একই, তবে একটি নতুন নমুনা সহ) নির্ভরশীল শুধুমাত্র মূল অধ্যয়ন দ্বারা দেওয়া পি । (কাগজে আমি একটি সাধারণভাবে বিতরণ করা জনসংখ্যা এবং এলোমেলো নমুনা অনুমান করি এবং আমাদের গবেষণাগুলি জনসংখ্যার গড় অনুমান করা লক্ষ্য করে।) সুতরাং পি ব্যবধান (প্রতিলিপি p এর 80% পূর্বাভাস ব্যবধান ) একই, এন যাই হোক না কেন , শক্তি, বা আসল অধ্যয়নের সঠিক প্রভাব আকার।

অবশ্যই, এটি প্রথমে অবিশ্বাস্য। তবে সাবধানতার সাথে লক্ষ্য করুন যে আমার মূল বিবৃতিটি মূল অধ্যয়ন থেকে পি জানার উপর ভিত্তি করে । এই ভাবে চিন্তা করুন। মনে করুন আপনি আমাকে বলছেন যে আপনার মূল গবেষণায় p = .05 পাওয়া গেছে । আপনি আমাকে স্টাডি সম্পর্কে আর কিছু বলবেন না। আমি জানি যে আপনার নমুনার 95% সিআই এর অর্থ হ'ল শূন্য পর্যন্ত বিস্তৃত হয়েছে (ধরে নিলাম পি শূন্যের নাল অনুমানের জন্য গণনা করা হয়েছিল)। সুতরাং আপনার নমুনার গড়টি হ'ল এমওই (যে 95% সিআই এর এক বাহুর দৈর্ঘ্য), কারণ এটি শূন্যের থেকে দূরত্ব। আপনার মতো অধ্যয়ন থেকে মাধ্যমের নমুনা বিতরণটির স্ট্যান্ডার্ড বিচ্যুতি এমওই / 1.96 রয়েছে। এটি স্ট্যান্ডার্ড ত্রুটি।

একটি সঠিক প্রতিরূপ দ্বারা প্রদত্ত গড় বিবেচনা করুন। সেই প্রতিলিপি গড়ের বিতরণটির অর্থ হল MoE, অর্থাত্ বিতরণটি আপনার মূল নমুনা গড়কে কেন্দ্র করে। আপনার নমুনা গড় এবং একটি প্রতিলিপি গড় মধ্যে পার্থক্য বিবেচনা করুন। এটিতে আপনার মূল অধ্যয়নের মতো পড়াশুনার গড়ের পরিবর্তনের যোগফল এবং প্রতিলিপিগুলির সমান বৈচিত্র রয়েছে। এটি আপনার মূল অধ্যয়নের মতো অধ্যয়নের দ্বিগুণ, যেমন 2 x এসই ^ 2। যা 2 x (MoE / 1.96) ^ 2। সুতরাং সেই পার্থক্যের এসডি হ'ল এসকিউআরটি (2) এক্স এমওই / 1.96।

সুতরাং আমরা প্রতিলিপিটির অর্থ বিতরণটি জানি: এর গড় অর্থ হল MoE এবং এর এসডি হচ্ছে এসকিউআরটি (2) এক্স এমওই / 1.96। অবশ্যই, অনুভূমিক স্কেলটি স্বেচ্ছাসেবী, তবে কেবলমাত্র আপনার মূল অধ্যয়ন থেকে সিআইয়ের সাথে আমাদের এই বিতরণটি জানতে হবে। প্রতিলিপিগুলি চালিত হওয়ার সাথে সাথে, বেশিরভাগ মাধ্যম (প্রায় 83%) সেই মূল 95% সিআইতে পড়ে যাবে এবং প্রায় 8% এর নীচে নেমে যাবে (অর্থাত শূন্যের নীচে, যদি আপনার মূল গড়টি> 0 ছিল) এবং এর চেয়ে 8% বেশি থাকে সি আই। যদি আমরা জানতে পারি যে প্রতিলিপিটির অর্থটি আপনার মূল সিআইয়ের সাথে পড়ে তবে আমরা এর p মান গণনা করতে পারি । আমরা এই জাতীয় প্রতিরূপের অর্থ বিতরণ জানি (আপনার সিআই সম্পর্কিত) সুতরাং আমরা প্রতিলিপি পি এর বিতরণটি বের করতে পারিমান। প্রতিলিপি সম্পর্কে আমরা কেবলমাত্র অনুমান করছি যে এটি হুবহু, অর্থাত্ এটি একই জনসংখ্যা থেকে এসেছে, একই প্রভাব আকারের সাথে, আপনার মূল অধ্যয়ন হিসাবে, এবং এন (এবং পরীক্ষামূলক নকশা) আপনার গবেষণার মতোই ছিল ।

উপরের সমস্তটি নিবন্ধে যুক্তিযুক্ত চিত্রগুলির ব্যতীত পুনরায় বিশ্রাম দেওয়া।

এখনও অনানুষ্ঠানিকভাবে, মূল গবেষণায় পি = .05 কী বোঝায় তা ভাবতে সহায়ক হতে পারে । এর অর্থ হতে পারে যে আপনার একটি ক্ষুদ্র প্রভাবের আকারের সাথে একটি বিশাল অধ্যয়ন বা একটি বিশাল প্রভাব আকারের সাথে একটি ছোট অধ্যয়ন। যেভাবেই হোক, আপনি যদি সেই স্টাডিটি পুনরায় (একই এন , একই জনসংখ্যা) পুনরায় করেন তবে আপনি কোনও সন্দেহ নেই অন্যরকম নমুনা গড় পাবেন mean দেখা যাচ্ছে যে পি মানের দিক থেকে , 'কিছুটা আলাদা' একই, আপনার প্রচুর বা ছোট অধ্যয়ন ছিল কিনা। সুতরাং, কেবলমাত্র আপনার পি মানটি বলুন এবং আমি আপনাকে আপনার পি ব্যবধান বলব ।

জিওফ

— জিওফ কামিং
সূত্র

8

আমার প্রশ্নের উত্তর দিতে এই ওয়েবসাইটে নিবন্ধনের জন্য অনেক ধন্যবাদ! আমি এটা সমর্থনন করি. আমি এখনও নিশ্চিত নই তবে আমি আপনার উত্তরটি নিয়ে চিন্তা করতে কিছুটা সময় নেব। আমার বর্তমান অনুভূতিটি হ'ল আপনি বৈধ পয়েন্টটি তৈরি করেছেন তবে আপনি কীভাবে এটি প্রণয়ন করেন তাতে আমি একমত নই। একটি সাধারণ আপত্তি: পি = 0.05 এইচ 0 টি সত্য হওয়ার সাথে সামঞ্জস্যপূর্ণ। যদি এইচ 0 টি সত্য হয়, পি সময়ের 1% 0.04-0.05 পরিসরে থাকবে। যদি এটি হয় তবে প্রতিলিপি পি-মানগুলির বন্টন 0 থেকে 1 পর্যন্ত অভিন্ন হবে তবে আপনি সমস্ত পরিস্থিতিতে প্রাথমিক পি = 0.05 এর জন্য আলাদা বিতরণের পূর্বাভাস দিয়েছেন । এটা সম্পর্কে কেউ চিন্তা করা উচিত?

— অ্যামিবা বলছেন মনিকাকে

7

এই যুক্তিতে একটি অন্তর্নিহিত অনুমানটি অদম্য দেখাচ্ছে: এটি একটি "সঠিক প্রতিলিপি" এর এমওই সমান একটি গড় থাকে has যদি "নির্ভুল প্রতিলিপি" বলতে আমাদের অর্থ একই প্রকৃতির একই অবস্থা নিয়ে পুনরাবৃত্তি করা হয় , তবে পরীক্ষার পরিসংখ্যান বিতরণ অজানা: এটি প্রকৃতির অবস্থার উপর নির্ভর করে। বায়েশিয়ান দৃষ্টিভঙ্গি গ্রহণ করা ছাড়াও - যার অর্থ আপনার স্পষ্টভাবে আপনার পূর্বেরটি বলা দরকার - অগ্রগতির একমাত্র উপায় সম্পর্কে মূল বা প্রতিলিপিটি সঞ্চালনের আগে সম্ভাব্যতাগুলি গণনা করা, প্রতিরূপে শর্তসাপেক্ষ নয়।

— হোবার

2

@ ব্যবহারকারী 84৪৪৪৯ আমি সমস্ত শ্রদ্ধার সাথে জমা দিয়ে বলব যে এই জাতীয় ব্যক্তি পি-মান কী তা বুঝতে পারে না। একটি পি-মান ভবিষ্যতের পরীক্ষাগুলি সম্পর্কে সামান্য বা কিছুই বলে । ভবিষ্যদ্বাণী ব্যবস্থার একটি ঘন ঘন ধারণা রয়েছে যা এখানে সরাসরি প্রযোজ্য: প্রতিলিপিটির প্রশ্নটি কেবলমাত্র একক ভবিষ্যতের পরীক্ষার পি-মানটির জন্য ভবিষ্যদ্বাণী ব্যবধানকে উদ্বেগ করে। উত্তরটি শাস্ত্রীয় পরিসংখ্যানতত্ত্বের ভিত্তিতে ভাল, কোনও উদ্ভাবনী ধারণার প্রয়োজন নেই, এবং স্পষ্টতই বেইসিয়ান নয়।

— হোবার

2

@ যে কাগজে খনন করেছেন, আমি বিশ্বাস করি যে অনুশীলনের অন্তর্নিহিত কোনও বায়েশিয়ান অনুমান থাকতে পারে (আমার উত্তর দেখুন)।

— জিওম্যাট 22

1

@ জিওম্যাট হ্যাঁ, এটি গণনাগুলি ন্যায়সঙ্গত করার একমাত্র উপায় বলে মনে হচ্ছে।

— হোবার

10

@ জিওম্যাটট 22 দ্বারা বিষয়টি স্পষ্ট করে দেওয়া হয়েছে, এবং আমি @ জিফকামিং এখানে আলোচনায় অংশ নিতে এসে দেখে আনন্দিত হয়েছি। আমি এই উত্তরটি আরও মন্তব্য হিসাবে পোস্ট করছি।

দেখা যাচ্ছে যে, এই আলোচনাটি কমপক্ষে গুডম্যানের দিকে ফিরে যায় (1992) প্রতিরূপ সম্পর্কে একটি মন্তব্য, পি ‐ মূল্যবোধ এবং প্রমাণ এবং পরবর্তী উত্তর সেন (2002) সম্পাদককে চিঠি । আমি এই দুটি সংক্ষিপ্ত নিবন্ধটি পড়ার জন্য বিশেষত সুপারিশ করতে পারি, বিশেষত স্টিফেন সেনের একটিতে; আমি নিজেকে সেনের সাথে পুরোপুরি একমত হতে দেখছি।

$p$ $p<0.05$

$p=0.001$ $0.78$ $p=0.05$ $0.5$ $1/2$ $\alpha$ $p=\alpha$

$p$ $p$

আমি এও বিবেচনা করি যে তাঁর [গুডম্যানের] প্রদর্শন দুটি কারণে কার্যকর two প্রথমত, এটি সবেমাত্র সম্পন্ন হওয়া (এবং যার সামান্য উল্লেখযোগ্য ফলাফল রয়েছে) এর সাথে আরও অনুরূপ অধ্যয়নের পরিকল্পনা করা যে কারও জন্য এটি একটি সতর্কতা হিসাবে কাজ করে যে এটি দ্বিতীয় গবেষণায় মেলে না। দ্বিতীয়ত, এটি একটি সতর্কতা হিসাবে কাজ করে যে পৃথক অধ্যয়ন থেকে প্রাপ্ত ফলাফলগুলিতে আপাত অসঙ্গতি সাধারণ হতে পারে বলে আশা করা যায় এবং এই ঘটনার সাথে কারও প্রতিরোধ করা উচিত নয়।

$p$ $H_0:\mu<0$ $\mu$

$p$ $p$ $1/2$ $p=0.05$ $0.5$ $p_\mathrm{obs}$

$0.5$ $50$ $5$

$p$ $p=0.05$ $1$

$2.5$

— অ্যামিবা বলছেন মনিকাকে রিইনস্টেট করুন
সূত্র

5

(+1) ভাগ্যক্রমে , আপনি গুডম্যান বা সেনের উপরে ঘটেননি যতক্ষণ না আপনি করেন। :-)

— কার্ডিনাল

6

আরও আকর্ষণীয় আলোচনার জন্য সবাইকে ধন্যবাদ। আমার মন্তব্যগুলি করার পরিবর্তে, একের পর এক, আমি কিছু সাধারণ প্রতিচ্ছবি সরবরাহ করব।

বায়েসের। বায়সিয়ান পদ্ধতির বিরুদ্ধে আমার কিছু নেই। শুরু থেকেই আমি প্রত্যাশা করেছি যে কোনও বায়েশিয়ান বিশ্লেষণ, সমতল বা বিচ্ছুরণের আগে ধরে ধরে একই বা খুব অনুরূপ ভবিষ্যদ্বাণী অন্তর দেবে। পি উপর একটি প্যারা আছে। এটি সম্পর্কে ২০০৮ সালের নিবন্ধে 291, আংশিকভাবে পর্যালোচকদের দ্বারা অনুরোধ করা হয়েছিল। সুতরাং আমি উপরে, এই পদ্ধতির মাধ্যমে কাজ করে দেখে সন্তুষ্ট। এটি দুর্দান্ত, তবে এটি আমি গ্রহণ করেছি তার থেকে একেবারেই আলাদা পদ্ধতি approach

একদিকে যেমন আমি বায়েশিয়ান অনুমানের দিকে না গিয়ে (বিশ্বাসযোগ্য ব্যবধানের উপর ভিত্তি করে) আত্মবিশ্বাসের ব্যবস্থাগুলির (নতুন পরিসংখ্যান: এফেক্ট মাপস, সিআই, মেটা-বিশ্লেষণ) পক্ষে কাজ করার সিদ্ধান্ত নিয়েছি কারণ আমি কীভাবে ব্যাখ্যা করতে জানি না বায়েশিয়ান পর্যাপ্তভাবে নতুনদের দিকে এগিয়ে যায়। আমি প্রাথমিকভাবে বায়েশীয় কোনও পাঠ্যপুস্তক দেখিনি যা আমি মনে করি যে আমি নতুনদের সাথে ব্যবহার করতে পারি বা এটি সম্ভবত বিপুল সংখ্যক গবেষক দ্বারা অ্যাক্সেসযোগ্য এবং বিশ্বাসযোগ্য বলে মনে হচ্ছে। সুতরাং গবেষকরা যেভাবে তাদের পরিসংখ্যানগত অনুমান করেন সেভাবে উন্নতি করার শালীন সুযোগ পেতে চাইলে আমাদের অন্য কোথাও দেখতে হবে। হ্যাঁ, আমাদের পি এর বাইরে যেতে হবেমূল্যবোধ এবং দ্বৈত সিদ্ধান্ত গ্রহণ থেকে অনুমানের দিকে পরিবর্তন এবং বায়সিয়ানরা এটি করতে পারে। তবে ব্যবহারিক পরিবর্তন অর্জনের অনেক বেশি সম্ভাবনা হ'ল ইমো, একটি প্রচলিত সিআই পদ্ধতির approach এজন্য সম্প্রতি প্রকাশিত আমাদের পরিচিতির পরিসংখ্যান পাঠ্যপুস্তকটি নতুন পরিসংখ্যান পদ্ধতির গ্রহণ করে। Www.thenewstatics.com দেখুন

প্রতিচ্ছবি ফিরে। আমার বিশ্লেষণের কেন্দ্রীয়টি হ'ল প্রথম সমীক্ষা থেকে কেবলমাত্র পি মানটি বোঝার অর্থ । অনুমানের আমি বিবৃত করা হয় (সাধারণ জনসংখ্যা, র্যান্ডম স্যাম্পলিং, পরিচিত জনসংখ্যা এসডি তাই আমরা ব্যবহার করতে পারেন z- র বদলে টি গণনার হিসাবে আমরা জনসংখ্যা বলতে চাচ্ছি, সঠিক রেপ্লিকেশন সম্পর্কে অনুমান আচার)। তবে এটাই আমি ধরে নিচ্ছি। আমার প্রশ্নটি ' প্রাথমিক পরীক্ষায় কেবল পি দেওয়া আছে , আমরা কতদূর যেতে পারি?' আমার উপসংহারটি হ'ল আমরা একটি প্রতিরীক্ষামূলক পরীক্ষা থেকে প্রত্যাশিত পি এর বিতরণটি খুঁজে পেতে পারি । সেই বিতরণ থেকে আমরা পি অন্তরগুলি বা আগ্রহের কোনও সম্ভাবনা অর্জন করতে পারি, যেমন প্রতিলিপিটি পি দেবে এমন সম্ভাবনা<.05, বা অন্য কোনও আগ্রহের মান।

যুক্তির মূল এবং সম্ভবত সবচেয়ে প্রতিবিম্বিত মূল্যবান পদক্ষেপটি নিবন্ধের চিত্র A2 এ চিত্রিত হয়েছে। নীচের অর্ধেক সম্ভবত অপ্রত্যাশিত। যদি আমরা মিউ জানি (সাধারণত এটি প্রাথমিক সমীক্ষা থেকে গড়ের সমতুল্য ধরে ধরে অর্জন করা হয়) তবে ঘন রেখার অংশগুলি দ্বারা উপস্থাপিত অনুমান ত্রুটিগুলির একটি জ্ঞাত বিতরণ রয়েছে (ক্যাপশনে বর্ণিত সাধারণ, গড় মিউ, এসডি)।

তারপরে বড় পদক্ষেপ: চিত্র 2 এ এর উপরের অর্ধেক বিবেচনা করুন। আমাদের কাছে মিউ সম্পর্কিত কোন তথ্য নেই। কোনও তথ্য নেই a কোনও পূর্ববর্তী সম্পর্কে কোনও লুকানো অনুমান নয়। তবুও আমরা সেই ঘন লাইন বিভাগগুলির বিতরণটি বলতে পারি: সাধারণ, গড় শূন্য, এসডি = এসকিউআরটি (2) নীচের অর্ধেকের চেয়ে এসডি গুন। এটি আমাদের প্রতিলিপি পি এর বিতরণ সন্ধান করার জন্য আমাদের যা প্রয়োজন তা দেয় ।

ফলাফলের p অন্তরগুলি অবাক করে দেওয়ার মতো দীর্ঘ - কমপক্ষে আমি বিস্ময় বোধ করি যখন আমি গবেষকদের দ্বারা পি মানগুলি কার্যত সর্বজনীনভাবে ব্যবহৃত হয় তার সাথে তুলনা করি । গবেষকরা সাধারণত পি মানের দ্বিতীয় বা তৃতীয় দশমিক স্থান সম্পর্কে অবসন্ন হন , তারা যে মূল্য খুব সহজেই দেখছেন তা খুব সহজেই আলাদা হতে পারত তা প্রশংসা না করেই। অত: পর পিপি 293-4 উপর আমার মন্তব্য প্রতিবেদন সম্পর্কে পি অন্তর এর অনিশ্চয় স্বীকার করতে পি ।

দীর্ঘ, হ্যাঁ, তবে এর অর্থ এই নয় যে প্রাথমিক পরীক্ষার পি এর অর্থ কিছুই নেই। খুব কম প্রাথমিক পি এর পরে , প্রতিলিপিগুলিতে গড়ে ছোট ছোট পি মান থাকবে। উচ্চতর প্রাথমিক পি এবং রেপ্লিকেশনগুলিতে কিছুটা বড় পি মান থাকবে। টেবিল 1 দেখুন পি। 292 এবং তুলনা করুন, উদাহরণস্বরূপ, প্রাথমিক পি = .001 এবং .1 এর জন্য ডান কলামে পি অন্তরগুলি convention দুটি ফলাফল প্রচলিতভাবে মাইল দূরে বলে বিবেচিত। দুটি পি অন্তর অবশ্যই স্পষ্টরূপে পৃথক, তবে দুটির প্রচুর ওভারল্যাপ রয়েছে। .001 পরীক্ষার অনুলিপি সহজেই পি দিতে পারে.1 পরীক্ষার অনুলিপিটির চেয়ে বড়। যদিও, সম্ভবত, এটি না।

তার পিএইচডি গবেষণা, জেরি লাই রিপোর্ট অংশ হিসেবে ( লাই, এট অল।, 2011 ) বিভিন্ন চমৎকার গবেষণার যে দেখা গেছে যে নিয়মানুবর্তিতা একটি নম্বর থেকে প্রকাশিত গবেষকরা বিষয়ী আছে পি অন্তর যে পর্যন্ত খুব ছোট। অন্য কথায়, গবেষকরা একটি প্রতিলিপিটির পি মানটি কতটা পৃথক হতে পারে তার চেয়ে কম-বেশি অনুমানের দিকে ঝুঁকছেন ।

আমার উপসংহারটি হ'ল আমাদের কেবল পি মানগুলি ব্যবহার করা উচিত নয়। 95% সিআই প্রতিবেদন এবং আলোচনা করুন, যা জনসংখ্যার বিষয়ে আমাদের জানায় এমন ডেটাতে সমস্ত তথ্য পৌঁছে দেয় এর অর্থ আমরা তদন্ত করছি। সিআই দেওয়া, পি মানটি কিছুই যোগ করে না এবং সম্ভবত ভুলভাবে কিছুটা নির্দিষ্টতা প্রস্তাব করার সম্ভাবনা রয়েছে (তাৎপর্যপূর্ণ! তাৎপর্যপূর্ণ নয়! এর প্রভাব বিদ্যমান! এটি নেই!)। অবশ্যই, সিআই এবং পি মান একই তত্ত্বের উপর ভিত্তি করে, এবং আমরা এক থেকে অন্যটিতে রূপান্তর করতে পারি (আমাদের পরিচিতি পাঠ্যপুস্তকের Chapter ষ্ঠ অধ্যায়ে এটির অনেক কিছুই রয়েছে)। তবে সিআই পি এর চেয়ে আরও বেশি তথ্য দেয় । সবচেয়ে গুরুত্বপূর্ণ বিষয়, এটি অনিশ্চয়তার মাত্রাকে প্রশস্ত করে তোলে। আমাদের মানবিক প্রবণতা নিশ্চিতভাবে উপলব্ধি করার জন্য, সিআইয়ের পরিধি বিবেচনা করা জরুরী।

আমিও এর পরিবর্তনশীলতা হাইলাইট করতে চেষ্টা করেন পি 'এর নাচ মান পি ভিডিও মান'। গুগল ' পি মানের নৃত্য '। কমপক্ষে কয়েকটি সংস্করণ রয়েছে।

আপনার সমস্ত আত্মবিশ্বাসের অন্তর ছোট হোক!

জিওফ

— জিওফ কামিং
সূত্র

3

এই অতিরিক্ত মন্তব্যের জন্য ধন্যবাদ, জেফ। আমি এখানে কিছু পয়েন্টগুলির সাথে একমত (যেমন "নিশ্চিততার ডিগ্রি") এবং কিছু অন্যের সাথে একমত নই (উদাহরণস্বরূপ "সিআই দেওয়া, পি মানটি কিছুই যোগ করে না") তবে বিশেষত আমার মনে হয় একটি বিষয় পুনরাবৃত্তি করা দরকার: আমি করি না মনে করুন কোনও বেইস ছাড়াই আপনার বিশ্লেষণ করার কোনও উপায় আছে। আপনার চিত্র A2 এ যে যুক্তি উপস্থাপন করা হয়েছে তার জন্য লুকানো অনুমান হিসাবে পূর্বে একটি ফ্ল্যাট প্রয়োজন। একজন অন্য প্রিরিয়ারকে ধরে নিতে এবং খুব ভিন্ন ফলাফলে আসতে পারে; আমি মনে করি না যে কোনও নিখুঁতভাবে ঘন ঘন যুক্তি আছে যা আপনার সিদ্ধান্তকে সমর্থন করতে পারে। উপরে @ whuber এর মন্তব্য দেখুন।

— অ্যামিবা

@ জিফ কামিং - পরিসংখ্যান শিক্ষা এবং ফলাফলের ব্যাখ্যা সম্পর্কে আপনার মন্তব্যগুলি খুব প্রশংসিত।

— Rolando2