Bayes factor- အဓိပ္ပါယ် + အနက်

ကျွန်ုပ်တို့သည် သီအိုရီစမ်းသပ်ခြင်းကို လုပ်ဆောင်သောအခါ၊ ကျွန်ုပ်တို့သည် null အယူအဆကို ငြင်းပယ်သင့်သည် သို့မဟုတ် မဆုံးဖြတ်ရန် အချို့သော alpha အဆင့်နှင့် နှိုင်းယှဉ်သည့် p-value ဖြင့် အဆုံးသတ်ပါသည်။

ဥပမာအားဖြင့်၊ လူဦးရေနှစ်ခု၏နည်းလမ်းများသည် ညီမျှခြင်းရှိမရှိ ဆုံးဖြတ်ရန် alpha အဆင့် 0.05 ကို အသုံးပြု၍ နမူနာနှစ်ခု t-test ကို လုပ်ဆောင်နိုင်သည်။ ကျွန်ုပ်တို့သည် စမ်းသပ်မှုကို လုပ်ဆောင်ပြီး p-value ၏ 0.0023 ကိုရခဲ့သည်ဆိုပါစို့။ ဤကိစ္စတွင်၊ p-value သည် ရွေးချယ်ထားသော alpha အဆင့်ထက်နည်းသောကြောင့် လူနှစ်ဦး၏ဆိုလိုသည်မှာ တန်းတူဖြစ်သည်ဟူသော null hypothesis ကို ကျွန်ုပ်တို့ ငြင်းပယ်ပါမည်။

P တန်ဖိုးများသည် အချို့သောယူဆချက်များကို ငြင်းပယ်ခြင်း သို့မဟုတ် ငြင်းပယ်ခြင်းအတွက် အသုံးများသော တိုင်းတာမှုတစ်ခုဖြစ်သော်လည်း၊ Bayes factor ကိုလည်း အသုံးပြုနိုင်သော အခြားအတိုင်းအတာတစ်ခုရှိပါသည်။

Bayes factor ကို အခြားယူဆချက်တစ်ခု၏ဖြစ်နိုင်ခြေနှင့် သီးခြားယူဆချက်တစ်ခု၏ဖြစ်နိုင်ခြေအချိုးအဖြစ် သတ်မှတ်သည်။ ယေဘုယျအားဖြင့်၊ အခြားသီအိုရီတစ်ခု၏ဖြစ်နိုင်ခြေနှင့် null hypothesis ၏ဖြစ်နိုင်ခြေအကြားအချိုးကိုရှာဖွေရန်အသုံးပြုသည်-

Bayes factor = ဒေတာဖြစ်နိုင်ခြေ _{H က} ပံ့ပိုးပေးသည် / ဖြစ်နိုင်ခြေရှိသော အချက်အလက် H ₀

ဥပမာအားဖြင့်၊ Bayes factor သည် 5 ဖြစ်ပါက၊ ၎င်းသည် ဒေတာမှပေးထားသော null hypothesis ထက် 5 ဆ ပိုများသည်ဟု ဆိုလိုသည်။

အပြန်အလှန်အားဖြင့်၊ Bayes factor သည် 1/5 ဖြစ်ပါက၊ null hypothesis သည် data ပေးထားသော အခြား hypothesis ထက် 5 ဆ ပိုဖြစ်နိုင်သည်ဟု ဆိုလိုသည်။

p-values များကဲ့သို့ပင်၊ null hypothesis ကို မည်သည့်အချိန်တွင် ငြင်းပယ်ရမည်ကို ဆုံးဖြတ်ရန် threshold များကို အသုံးပြုနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ 10 သို့မဟုတ် ထို့ထက်ပိုသော Bayes factor သည် null hypothesis ကို ငြင်းပယ်ရန် လုံလောက်သော ခိုင်လုံသော အထောက်အထားများဖြင့် ဖွဲ့စည်းထားကြောင်း ကျွန်ုပ်တို့ ဆုံးဖြတ်နိုင်ပါသည်။

Lee နှင့် Wagenmaker တို့သည် 2015 စာတမ်းတွင် Bayes factor ၏ အောက်ပါအဓိပ္ပါယ်များကို အဆိုပြုခဲ့သည်။

Bayes အချက်များသည် P တန်ဖိုးများနှင့် ယှဉ်သည်။

Bayes factor နှင့် p-values များသည် မတူညီသော အဓိပ္ပါယ်ဖွင့်ဆိုချက်များရှိသည်။

P-တန်ဖိုးများ-

p-value သည် null hypothesis မှန်ကန်သည်ဟု ယူဆကာ သီအိုရီစမ်းသပ်မှုတစ်ခု၏ လေ့လာတွေ့ရှိထားသောရလဒ်များကဲ့သို့ ရလဒ်များရရှိရန် ဖြစ်နိုင်ခြေအလွန်အမင်းဟု အဓိပ္ပာယ်ဖွင့်ဆိုသည်။

ဥပမာအားဖြင့်၊ သင်သည် လူဦးရေနှစ်ခု၏နည်းလမ်းများ ညီမျှခြင်းရှိမရှိကို ဆုံးဖြတ်ရန် နမူနာနှစ်ခု t-test ကို လုပ်ဆောင်နေသည်ဆိုပါစို့။ အကယ်၍ စမ်းသပ်မှုတွင် p-value သည် 0.0023 ဖြစ်ပါက၊ လူဦးရေနှစ်ခု၏ အဓိပ္ပါယ်မှာ အမှန်တကယ်တန်းတူဖြစ်ပါက ဤရလဒ်ရရှိရန်ဖြစ်နိုင်ခြေမှာ 0.0023 သာဖြစ်သည်။ ဤတန်ဖိုးသည် အလွန်သေးငယ်သောကြောင့်၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ပယ်ချပြီး လူဦးရေနှစ်ခု၏ အဓိပ္ပါယ်မှာ မညီဟု ဆိုရန် လုံလောက်သော အထောက်အထားရှိသည်ဟု ကျွန်ုပ်တို့ ကောက်ချက်ချပါသည်။

Bayes အကြောင်းအချက်များ

Bayes factor သည် null hypothesis အောက်တွင် ဖြစ်ပေါ်နေသော စောင့်ကြည့်လေ့လာထားသော အချက်အလက်များ၏ ဖြစ်နိုင်ခြေနှင့် အခြားယူဆချက်အောက်တွင် ဖြစ်ပေါ်နေသော စောင့်ကြည့်လေ့လာထားသော အချက်အလက်များ၏ ဖြစ်နိုင်ခြေအချိုးအဖြစ် အဓိပ္ပာယ်ကောက်ယူပါသည်။

ဥပမာအားဖြင့်၊ သင်သည် သီအိုရီစမ်းသပ်မှုတစ်ခုပြုလုပ်ပြီး Bayes factor 4 ကိုရရှိသည်ဆိုပါစို့။ ဆိုလိုသည်မှာ သင်အမှန်တကယ်လေ့လာတွေ့ရှိခဲ့သောဒေတာမှ null hypothesis ထက် 4 ဆပိုမိုဖြစ်နိုင်ချေရှိသည်။

နိဂုံး

အချို့သောစာရင်းအင်းပညာရှင်များက Bayes ကိန်းဂဏန်းသည် p-values များထက် အားသာချက်တစ်ခုကို ပေးစွမ်းနိုင်သောကြောင့် ၎င်းသည် ပြိုင်ဆိုင်သော ယူဆချက်နှစ်ခုအတွက် သက်သေအထောက်အထားများကို အရေအတွက်နှင့် ဆန့်ကျင်ဘက်ဖြစ်စေသောကြောင့် ဖြစ်သည်။ ဥပမာအားဖြင့်၊ p-value ကို အသုံးပြု၍ မလုပ်နိုင်သော null hypothesis အတွက် သို့မဟုတ် ဆန့်ကျင်သည့် အထောက်အထားများကို အရေအတွက် တိုင်းတာနိုင်သည်။

သင်အသုံးပြုသည့် မည်သည့်ချဉ်းကပ်မှုတွင်မဆို – Bayes factor သို့မဟုတ် p-values – သင်သည် null hypothesis ကို ငြင်းပယ်လိုခြင်းရှိ၊

ဥပမာအားဖြင့်၊ အထက်ဖော်ပြပါဇယားတွင် Bayes Factor of 9 ကို “ အခြားသီအိုရီအတွက် အလယ်အလတ်အထောက်အထား” အဖြစ် ခွဲခြားသတ်မှတ်ခံရပြီး 10 ၏ Bayes Factor ကို “ အခြားသီအိုရီအတွက် ခိုင်လုံသောအထောက်အထား” အဖြစ် ခွဲခြားသတ်မှတ်မည်ကို ကျွန်ုပ်တို့တွေ့မြင်ခဲ့ရသည်။

ဤသဘောအရ၊ Bayes ကိန်းဂဏန်းသည် တူညီသောပြဿနာကို ကြုံတွေ့နေရသည်- p-value ၏ 0.06 ကို “ မထင်ရှား” ဟု ယူဆရပြီး p-value 0.05 သည် သိသာထင်ရှားသည်ဟု ယူဆနိုင်ပါသည်။

နောက်ထပ်ဖတ်ရန်:

P တန်ဖိုးများနှင့် စာရင်းအင်းဆိုင်ရာ အရေးပါမှုဆိုင်ရာ ရှင်းလင်းချက်
စာရင်းအင်းဆိုင်ရာနှင့် လက်တွေ့ကျသော အရေးပါမှုကို ရိုးရှင်းသော ရှင်းလင်းချက်