Product Design, Manufacturing & Innovation Resources
» 贝叶斯因子

贝叶斯因子

1939
  • Harold Jeffreys
办公室工作区,配备统计软件,显示贝叶斯因子计算及假设检验笔记。.

(图片仅供参考)

贝叶斯 因子是两个相互竞争的假设(通常是零假设 (M₁) 和备择假设 (M₂))的边际似然比。它量化了在给定观测数据 D 的情况下,一个假设相对于另一个假设的支持程度。公式为 K = P(D|M₁) / P(D|M₂)。K > 1 表示数据更倾向于 M₁ 而非 M₂。

贝叶斯因子是贝叶斯学派对假设检验中常用p值的替代方法。与p值只能提供反对零假设的证据不同,贝叶斯因子可以量化支持零假设、支持备择假设的证据,或者表明数据缺乏信息。贝叶斯因子的大小提供了一个连续的证据尺度。例如,贝叶斯因子为10通常被认为是支持某一模型优于另一模型的“强”证据,而介于1和3之间的值则被认为是“轶事性”或“弱”证据。

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.

UNESCO Nomenclature: 1208
- 统计资料

类型

抽象系统

中断

重大的

用法

广泛使用

前体

  • 贝叶斯推断
  • 似然原理
  • 关于科学证据本质的哲学著作
  • 假设检验中的奈曼-皮尔逊引理

应用程序

  • 心理学、生物学和社会科学中的假设检验
  • 机器学习和统计学中的模型选择
  • A/B 测试用于确定更改是否具有实际效果
  • 法医学用于衡量证据
  • 利用基因组学识别重要的基因关联

专利:

NA

潜在创新理念

由于机器人流量被拦截(目前每天超过 4 万),此内容仅限社区成员查看。
> 登录 > 或者 > 注册 < (100% 免费)即可访问此内容,以及所有其他受限内容和工具。

相关术语:贝叶斯因子、假设检验、模型选择、边际似然、证据、贝叶斯统计、哈罗德·杰弗里斯、p 值、统计证据、先验分布。

历史背景

贝叶斯因子

1925
1930
1931
1939
1940
1950
1950
1925
1928
1930
1936
1940
1943
1950
1950

(如果日期未知或不相关,例如“流体力学”,则提供其显著出现的近似估计)

相关发明、创新和技术原理

只有注册会员才能免费获得 100% 的全尺寸图片和下载。.

> 登录 <