這部分最後會提到費雪反對抽菸與肺癌間有因果關係的理由，也讓人意識到統計背後其實有很深的科學哲學和邏輯義涵...
第十三章 貝氏異論
貝氏(Reverebd Thomas Bayers, 1702-1761)發現可以計算後面事件已發生的條件下，前面事件發生的機率。
第八世紀的威尼斯共和國的「元老」選舉，以候選人用的蠟球抽籤模式來說明「條件機率」。
一些條件機率的論文被發現，對後續研究的影響深遠=>用案例對照的方式來計算某種治療法或條件下罹患疾病的機率。
而貝氏異論，更勁爆的用法，則是用來倒推估計參數
貝氏階層模型
EX：如何判定不同文章的作者為A或B
看用字遣詞的形態是是比較接近A或B
然而問題在於有爭議的那篇文章，是否剛好有用到那些足以釐清AB兩者文筆差異的關鍵字詞…=>如果沒有，則一樣無法判定
主觀機率
Probability=>描述主觀的不確定感
世界上並沒有”已被證明的科學事實”=>相同命題對於不同人有著不同的信仰程度
事前(信仰)機率=>所見的數據/事實=>事後機率
EX：三浬島核電廠操作人員，相信所有警告訊號都是誤警報(即便有再多訊號/事實，也無法改變其事前的認知)
第十四章 數學界的莫札特
俄國數學家柯莫格洛夫 (Andrei N. Kolomogorov, 1903-1987)
柯莫格洛夫解決的第一個理論問題是：機率真正的數學基礎是什麼？
找出一個事件的機率，就像是找一個不規則形狀的面積
機率論的公理化
第二個問題是：面對長時間收集來的數據，我們可以做什麼？
擲骰子，因骰子是沒有記憶的，所以每次數據是獨立的，然而更多時候，數據間有前因後果的關連性，因此不是獨立，稱作「隨機過程」
最後一個更重要的問題是：
在現實生活中，機率的意義是什麼？
如何把抽象的公理和現實狀況融為一體？（靠，這部份，本書的作者在page 165第七行 竟然是『把機率視為……』）
備註：這個部份敝人的理解是=>外部效度的詛咒，科學研究，我們永遠只能說：在此一研究的抽樣範圍與時空情境下，我們得到OO推論結果，而此一OO結論，無法外推一般化，推論在XX情境下時也成立！
第十五章 F. N. 大衛
Florence Nightingale David, 1909-1993(書上，誤植為1995)
她想當個保險精算師，但當時這個行業只招男生。
Ｆ. Ｎ. 大衛是南丁格爾世交的女兒，在第十五章談到她的故事，她想當個保險精算師，但當時這個行業只招男生，所以她去幫皮爾生工作，還照顧皮爾生的晚年。最後到了美國加州柏克萊大學分校，繼承尼曼成為系主任。她著有《組合機遇》(Combinational Chance) 是關於組合數學( combinatorics) 的經典作品
第十六章 無母數方法
Frank Wilcoxon（1892-1965）
威爾考克森用t-test發現離群點會使t檢定結果變小，然而又不應該刪除離群點(因為沒把握至這些點真的是所謂「異常」、「離群」)
於是發現與開啟了無母數檢定這扇窗=>不需假設參數型態，只要把觀測數據的分散情況和純隨機分布的預期狀況相比較。
無母數方法和常態分布間的關連性：
1. 如果數據有已知的參數分布，那改用無母數方法來分析，情況會有多糟？
2. 如果數據不符合有參數的統計模型，那數據要偏離多遠，才知道適合用無母數方法來分析？
以上問題突破來自於E. J. G. Pitman(1897-1993)
第一題答案是：沒差，只是檢定力會比較小
第二題比較嚴肅：如果離群值很少、而且來自於「錯誤」的觀測值，則使用無母數方法可以減少其對結果的影響；然而如果離群值本身就是系統的因素，則改用無母數方法可能會使情況更糟！
第十七章 當部分優於全體
我們可以用一種隨機化的機制，由大母體當中選取出個體。
當部分優於全體，是關於印度馬哈拉諾比斯的隨機樣本理論。1920 年代馬哈拉諾比斯曾到英國唸研究所，同時受皮爾生與費雪的指導。他研究要怎麼取得具有適度代表性的數據樣本，推論可以用一種隨機化的機制，由大母體當中選取出個體，也就是隨機樣本 (random sample)。
隨機樣本比判斷樣本好、也比便利樣本好
主要是隨機樣本能夠計算出一個範圍，正確答案落在這個範圍的機率很高
第十八章 抽菸會致癌嗎？
費雪是在處理一個深層的哲學問題：「因果關係」代表的意義究竟是什麼？
費雪是個老煙槍，他堅決主張這些抽菸會導致肺癌的數據都是有瑕疵的
備註：
費雪的觀點應該是說，這些證據只有相關性，而無因果關係，換言之都只是歸納與推理，其背後真正的因果尚不可知(他懷疑得肺癌是基於某些基因的影響，而在這些研究中，沒有random，所以推論效力讓人懷疑！)
沒有留言:
張貼留言