（画像はイメージです）
の ベイズ 係数は、2 つの競合する仮説（多くの場合、帰無仮説（[latex]M_1[/latex]）と対立仮説（[latex]M_2[/latex]））の周辺尤度の比です。これは、観測データ [latex]D[/latex] に基づいて、一方の仮説が他方の仮説よりもどれだけ支持されているかを定量化します。式は [latex]K = frac{P(D|M_1)}{P(D|M_2)}[/latex] です。K の値が 1 より大きい場合は、データが [latex]M_1[/latex] を [latex]M_2[/latex] よりも支持していることを示します。
ベイズ因子は、仮説検定における頻度論的p値に代わるベイズ的な指標です。帰無仮説に対する反証のみを提供するp値とは異なり、ベイズ因子は帰無仮説、対立仮説、またはデータが情報を持たないことを示す証拠を定量化できます。ベイズ因子の大きさは、証拠の連続的な尺度を提供します。例えば、ベイズ因子が10の場合、あるモデルが別のモデルよりも優れているという「強い」証拠とみなされることが多く、1から3の間の値は「逸話的」または「弱い」証拠とみなされます。
The core component of the Bayes factor is the marginal likelihood, [latex]P(D|M) = \int P(D|\theta, M)P(\theta|M) d\theta[/latex]. This is the probability of the observed data averaged over the prior distribution of the parameters [latex]\theta[/latex] for a given model [latex]M[/latex]. This integral makes the Bayes factor sensitive to the choice of prior distributions, which is a point of contention and active research. It also makes it computationally challenging to calculate, often requiring numerical methods like MCMC or approximate methods like the Bayesian Information Criterion (BIC). Despite these challenges, its ability to weigh evidence for competing hypotheses makes it a powerful tool for scientific inference and model selection.
ボットによるトラフィック（現在1日あたり4万件以上）を排除するため、このコンテンツはコミュニティメンバー限定となっています。
> ログイン < または > 登録 < （100%無料）でこれにアクセスできます。他のすべての制限付きコンテンツとツールも同様です。
ベイズ因子
（日付が不明または関連性がない場合、例えば「流体力学」などでは、その注目すべき出現時期の概算値が提示されます。）
フルサイズの画像とダウンロードは、登録会員のみが100％無料で利用できます。
> ログイン <
