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