MSC 62C05中最近的zbMATH文章 https://zbmath.org/atom/cc/62C05 2024-03-13T18:33:02.981707Z Werkzeug公司 无成本不确定证据的价值 https://zbmath.org/1528.62001 2024-03-13T18:33:02.981707Z “Dziurosz-Serafinowicz,Patryk” https://zbmath.org/authors/?q=ai:dziurosz-塞拉菲诺维茨·帕特里克 “多米尼加Dziurosz-Serafinowicz” https://zbmath.org/authors/?q=ai:dziurosz-serafinowicz.dominika公司 摘要:我们探讨了无成本的证据是否值得在做出决定之前等待的问题。贝叶斯决策理论中的一个经典结果,即众所周知的证据价值定理,表示在某些条件下,当你通过对一些无成本和文本确定的证据进行条件化来更新你的信任时,获得这一证据的主观预期效用决不小于不获得它的主观预期功效。我们将这一结果推广到一种更新方法,即朱迪娅·珀尔的虚拟条件化的变体,其中不确定证据被表示为一组似然比。此外,我们认为,关注这一方法而不是广泛接受的Jeffrey条件化使我们能够表明,在一个相当合理的假设下,收集不确定的证据不仅可以最大化预期的语用效用,而且可以最小化预期的认知废用(不准确)。 统计战中的一场战役:贝叶斯、频率学家和威廉姆森方法论的模拟比较 https://zbmath.org/1528.6202 2024-03-13T18:33:02.981707Z “拉兹维拉斯,曼塔斯” https://zbmath.org/authors/?q=ai:radzvilas.mantas “威廉·佩登” https://zbmath.org/authors/?q=ai:peden.william “弗朗西斯科·德·普雷蒂斯” https://zbmath.org/authors/?q=ai:de-普雷蒂斯·弗朗西斯科 摘要:贝叶斯、频率学家和其他统计方法之间的争论往往集中在概念论证、社会学论证或其长期属性的数学证明上。基于这些理由,贝叶斯统计和频率统计(“经典”)都有强有力的例子。在本文中,我们从一个基本上未被探索的角度来探讨“统计战争”中的辩论:模拟不同方法在中短期内的性能。我们使用大数据方法进行了大量模拟,使用了一个简单的决策问题,该问题基于抛出具有未知偏差的硬币,然后下注。在这个模拟中,我们根据贝叶斯统计、频率统计、乔恩·威廉姆森(Jon Williamson)的客观贝叶斯主义(Objective Bayesian)版本,以及一个简单地从观测频率推断出一般频率的玩家,编写了四个玩家的程序。最后一个参与者提供了一个基准函数:任何有价值的统计方法都应该至少与简单归纳法的性能相匹配。我们重点关注这些方法在引导参与者做出正确决策方面的表现。与早期的此类模拟研究不同,我们发现贝叶斯玩家和频繁玩家在性能上没有系统性差异,前提是贝叶斯使用的是平坦的先验,而频繁玩家使用的是低置信水平。威廉姆森球员在低自信水平下也表现出色。然而,经常性球员和威廉姆森球员表现不佳,信心水平很高,而贝叶斯球员却意外地受到偏见先验的伤害。我们的研究表明,哲学家和统计实践者应该认真对待这三种方法。