আমি যে সর্বাধিক সমস্যাটি দেখছি তা হ'ল কোনও পরীক্ষার পরিসংখ্যান উত্পন্ন নয়। -value একটি মান জন্য (সমস্ত সমালোচনা যে Bayesian স্ট্যাটিসটিসিয়ান বিরুদ্ধে মাউন্ট সঙ্গে) একটি পরীক্ষা পরিসংখ্যাত এর হিসাবে সংজ্ঞায়িত করা হয় (ধরে যে বৃহত্তর মানগুলির জন্য প্রত্যাখ্যান করা হয়েছে , যেমনটি say পরিসংখ্যানের ক্ষেত্রে হবে )। আপনার যদি আরও বেশি গুরুত্বের সিদ্ধান্তে পৌঁছানোর দরকার হয় তবে আপনি সমালোচনামূলক মান বাড়াতে এবং প্রত্যাখ্যান অঞ্চলটিকে আরও উপরে ঠেলে দিতে পারেন। কার্যকরভাবে, বনফেরনির মতো একাধিক টেস্টিং সংশোধন সেটাই আপনাকে জন্য অনেক নিচু চৌম্বক ব্যবহার করার নির্দেশ দেয়টি টি পি আর ও বি [ টি ≥ টি | এইচ 0 ] টি χ 2 পি 0 , 1 / 36 , 2 / 36 , ...ptTProb[T≥t|H0]Tχ2p-values। পরিবর্তে, ঘন ঘনসংখ্যক পরিসংখ্যানবিদ এর গ্রিডে মাপের পরীক্ষার সাথে এখানে আটকে আছেন ।0,1/36,2/36,…
অবশ্যই, এই "ঘন ঘনবাদী" দৃষ্টিভঙ্গি অবৈজ্ঞানিক, ফলস্বরূপ ফলাফল পুনরুত্পাদনযোগ্য হবে না। একবার সূর্যের সুপারনোভা গেলে, এটি সুপারনোভা থেকে যায়, তাই ডিটেক্টরটি বার বার "হ্যাঁ" বলতে থাকে। তবে, এই মেশিনটির বারবার চলার ফলে আবার "হ্যাঁ" ফলাফল পাওয়া সম্ভব না। এটি এমন অঞ্চলে স্বীকৃত যেগুলি নিজেকে কঠোর হিসাবে উপস্থাপন করতে এবং তাদের পরীক্ষামূলক ফলাফলগুলি পুনরুত্পাদন করার চেষ্টা করতে চায় ... যা আমি যতদূর বুঝতে পেরেছি, সম্ভাব্যতার সাথে 5% এর মধ্যে কোথাও ঘটে (মূল কাগজ প্রকাশ করা একটি খাঁটি ধরণের প্রথম ত্রুটি ছিল) এবং কোথাও প্রায় 30-40% কিছু চিকিত্সা ক্ষেত্রে। মেটা-বিশ্লেষণ ভাবেন লোকেরা আপনাকে আরও ভাল সংখ্যায় পূর্ণ করতে পারে, এটি কেবলমাত্র গুঞ্জন যা পরিসংখ্যান আঙুরের মধ্য দিয়ে সময়ে সময়ে আমার কাছে আসে।
"সঠিক" ঘনঘনবাদী দৃষ্টিকোণ থেকে অন্য একটি সমস্যা হ'ল ডাই রোলিং হ'ল সর্বনিম্ন শক্তিশালী পরীক্ষা, পাওয়ার = তাত্পর্য স্তর সহ (যদি কম না হয়; 5% তাত্পর্য স্তরের জন্য ২.7% শক্তি নিয়ে গর্ব করার মতো কিছু নেই)) টি-টেস্টের জন্য নেইমেন-পিয়ারসন তত্ত্বটি দেখিয়ে বোঝায় যে এটি একটি ইউএমপিটি, এবং অনেকগুলি উচ্চ ব্রাউজ স্ট্যাটিস্টিকাল তত্ত্ব (যা আমি সবেমাত্র বুঝতে পারি, আমি স্বীকার করতেই পারি) পাওয়ার কার্ভগুলি প্রাপ্ত করার এবং শর্তগুলি সন্ধান করার জন্য উত্সর্গীকৃত পরীক্ষা দেওয়া প্রদত্ত শ্রেণীর মধ্যে সবচেয়ে শক্তিশালী। (ক্রেডিট: @ ডিকরান মার্সুপিয়াল একটি মন্তব্যে ক্ষমতার বিষয়টি উল্লেখ করেছেন।)
আমি জানি না এটি আপনাকে কষ্ট দেয় কিনা, তবে বায়েশিয়ান পরিসংখ্যানবিদকে এখানে এমন লোক হিসাবে দেখানো হয়েছে যিনি কোনও গণিত জানেন না এবং জুয়ার সমস্যা রয়েছে। একজন যথাযথ বায়েশিয়ান পরিসংখ্যানবিদ পূর্বের পোস্টগুলিকে পোস্ট করে, এর উদ্দেশ্যমূলকতার ডিগ্রি নিয়ে আলোচনা করতেন, উত্তরোত্তর অর্জন করতেন এবং দেখাতেন যে তারা ডেটা থেকে কী শিখেছে। এর কোনটিই করা হয়নি, তাই বায়েশিয়ান প্রক্রিয়াটি যতটা ঘন ঘন ঘনবাদী হিসাবে হয়েছে ততই প্রশস্ত করা হয়েছে।
এই পরিস্থিতি ক্যান্সারের সমস্যার জন্য শাস্ত্রীয় স্ক্রিনিংয়ের প্রদর্শন করে (এবং আমি নিশ্চিত যে বায়োস্ট্যাটিস্টিস্টরা এটির চেয়ে ভাল বর্ণনা করতে পারবেন)। যখন কোনও অপূর্ণ যন্ত্র দিয়ে বিরল রোগের জন্য স্ক্রিনিং করা হয় তখন বেশিরভাগ ধনাত্মকই মিথ্যা ধনাত্মক হয়ে আসে। স্মার্ট পরিসংখ্যানবিদরা এটি জানেন এবং আরও ব্যয়বহুল এবং আরও নির্ভুল বায়োপসি সহ সস্তা এবং নোংরা স্ক্রিনারগুলি অনুসরণ করা আরও ভাল।