Post #283

ДРУГОЙ ВЗГЛЯД ⠀ В посте про доверительный интервал я упоминал достоверный. Время посмотреть немного поближе 🔍 ⠀ Если мы используем Байесовский подход, то придется использовать некоторые особенности (упрощено): ⠀ 1️⃣ неизвестные величины случайны и имеют определенное распределение; ⠀ 2️⃣ нужно использовать априорное (prior) распределение (наше знание/веру до получения новой информации); ⠀ 3️⃣ добавление к prior новой информации (likelihood, LH) дает нам апостериорное распределение (posterior) - рис.1 ⠀ ❗Соответственно в posterior мы будем получать фиксированный интервал, содержащий определенный процент вероятных значений (при этом estimate для нас будет случайным)❗ ⠀ Грубо говоря, это и есть определение достоверного интервала (Credible interval) 👀 ⠀ Т.е. рассчитав его, мы можем сказать, что "учитывая имеющиеся данные, эффект имеет n% вероятность нахождения в этом интервале" 😶‍🌫️ ⠀ Я думаю в сравнении с доверительным интервалом, такое определение запоминается проще. Но в связи с распространенностью доверительного интервала, оно часто приписывается иму, что является ошибкой 🚫 ⠀ Визуально можно попытаться отобразить разницу между интервалами так (рис.2) ⠀ В большинстве случаев для доверительного интервала используют 95%, а для достоверного? 🙇🏻‍♂️ Единого мнения на этот счёт нет. Например, McElreath предлагает использовать 89% (почему нет?). Есть много места для размышлений (различные варианты на рис.3) ⠀ Как можно заметить, в Байесовской статистики оценочные параметры являются случайными величинами с распределением. И, чтобы изучать их неопределенность, используется апостериорное распределение с границами в виде достоверного интервала 😵 ⠀ Звучит сложно, другой взгляд и понимание, но получаем достаточно интересную интерпретацию📊 ⠀ P.S. Я не являюсь экспертом в Байесовской статистике, на данный момент уровень моих знаний в ней составляет в лучшем случае 1%, поэтому возможно коллеги меня поправят🤔 #biostatistics#биостатистика#ebm_статистика#ebm_base