Apa artinya menjadikan ukuran sampel sebagai variabel acak?

Frank Harrell telah memulai blog ( Statistik Berpikir) . Dalam pos utamanya , ia mencantumkan beberapa fitur utama filosofi statistiknya. Di antara barang-barang lainnya, itu termasuk:

Jadikan ukuran sampel sebagai variabel acak jika memungkinkan

Apa artinya "menjadikan ukuran sampel sebagai variabel acak"?
Apa keuntungan melakukan ini? Mengapa lebih disukai?

sample-size random-variable regression-strategies

— gung - Reinstate Monica
sumber

Dalam analisis berurutan waktu terjadinya suatu peristiwa diperlakukan sebagai variabel acak. Itu juga benar ukuran sampel abot.

— Michael R. Chernick

@ RichardHardy, ini harus didiskusikan di Cross Validated Meta . Saya membuat tag b / c kami tidak memiliki 1 & ada banyak pertanyaan tentang ACF, dll. Kami selalu dapat membuatnya sinonim.

— gung - Reinstate Monica

Saya tidak bermaksud menggunakan model yang dekat dengan proses pengumpulan data, melainkan melakukan pemantauan Bayesian berkesinambungan untuk kemungkinan posterior, yang tidak memerlukan penalti untuk multiplisitas. Alih-alih menghitung ukuran sampel target yang sewenang-wenang, saya lebih suka menghitung ukuran sampel maksimum yang mungkin (untuk persetujuan anggaran) dan jika tidak, berhenti "ketika kami mendapatkan jawaban" seperti yang biasanya dilakukan untuk efek yang baik dalam fisika. Saya akan mengatakan lebih banyak tentang itu di blog saya http://fharrell.com beberapa hari sebelum lama.

— Frank Harrell
sumber

Apa artinya "ketika kita mendapatkan jawaban" secara konkret? Saya akan berpikir bahwa menjalankan penelitian sampai Anda mendapatkan hasil yang Anda sukai (misalnya, interval kredibel 95% tidak termasuk 0) akan sama merusaknya dalam konteks Bayesian seperti yang sering terjadi.

— gung - Reinstate Monica

@ung, sama sekali tidak. Inferensi Bayesian sepenuhnya independen dari aturan penghentian. Sangat mudah untuk mensimulasikan kalibrasi probabilitas posterior pada saat berhenti awal, menunjukkan mereka benar. Ini adalah salah satu perbedaan luar biasa dengan dunia yang sering terjadi. Secara umum, probabilitas ke depan adalah bebas konteks dan probabilitas ke belakang tergantung pada bagaimana Anda sampai di sana. Jadi saya akan berhenti ketika probabilitas posterior efeknya> 0 melebihi beberapa angka seperti 0,95 atau ketika interval yang kredibel memiliki lebar <beberapa angka yang ditentukan.

— Frank Harrell

Tanggapan Anda terhadap komentar @ung tampaknya bagi saya untuk mengajukan pertanyaan: beberapa pembaca mungkin merasa bahwa jika inferensi Bayesia benar-benar memungkinkan "pengambilan sampel untuk kesimpulan terdahulu", maka jauh lebih buruk bagi inferensi Bayesian. (Saya akan merujuk mereka ke referensi di paragraf ke-3 di sini .) Menantikan posting blog Anda berikutnya!

— Scortchi

Sampling ke kesimpulan yang salah hanya terjadi jika sebelumnya digunakan oleh ahli statistik bertentangan dengan sebelumnya digunakan oleh resensi. Misalnya jika peninjau menempatkan massa probabilitas pada nol (yaitu, sebelumnya memiliki keadaan menyerap) dan model yang digunakan tidak memberikan penekanan khusus pada nol, analisis dapat menunjukkan penghentian untuk efek positif tetapi peninjau mengatakan ada tidak cukup bukti untuk suatu efek. Jika Anda mensimulasikan studi dengan prior tertentu dan menganalisis menggunakan prior yang sama, prob posterior dikalibrasi dengan sempurna, dan sarana posterior juga sempurna.

— Frank Harrell