विल कर्ट के साथ साक्षात्कार उनकी नई पुस्तक बायेसियन स्टैटिस्टिक्स - इट्स ग्रेट के बारे में

नमस्कार, हेब्र!

वर्ष के अंत में, हम आपके साथ उन समाचारों को साझा करने का प्रबंधन करते हैं, जिन्हें हम बायसियन स्टैटिस्टिक्स द फन वे पर नो स्टार्च प्रेस द्वारा काम शुरू कर रहे हैं। हम पुस्तक के लेखक के साथ एक विस्तृत साक्षात्कार का अनुवाद प्रदान करते हैं; पाठ स्वयं पुस्तक और संबंधित विषयों और यहां तक ​​कि अतिरिक्त पढ़ने दोनों की चिंता करता है।




मैं, अधिकांश डेवलपर्स की तरह, बहुत सी चीजों में तुरंत रुचि रखते हैं: कार्यात्मक प्रोग्रामिंग, ऑपरेटिंग सिस्टम, टाइप सिस्टम, वितरित सिस्टम और डेटा विज्ञान। यही कारण है कि मुझे यह सीखने की प्रेरणा मिली कि हॉस्केल के साथ गेट प्रोग्रामिंग के लेखक विल कर्ट ने नो स्टार्च प्रेस के बायेसियन आंकड़ों पर एक किताब लिखी। विभिन्न विषयों पर किताबें लिखने वाले बहुत से लोग नहीं हैं। मुझे यकीन है कि विल को अपनी नई किताब में पाठकों के साथ साझा करने के लिए कुछ है - और इसमें निराश नहीं थे। पुस्तक एक उत्कृष्ट परिचयात्मक सामग्री है, खासकर उन लोगों के लिए जो कठोर गणित में बहुत अच्छे नहीं हैं, लेकिन फिर भी डेटा साइंस के क्षेत्र में कुछ हासिल करना चाहते हैं। मैं थिंक स्टैट्स के बाद कर्ट की नई किताब को पढ़ने की सलाह देता हूं, लेकिन प्रोबेबिलिस्टिक पायथन प्रोग्रामिंग से पहले: बेयसियन इन्वेंशन एंड एलगोरिदम, बायसन एनालिसिस विथ पायथन एंड डूइंग बायेसियन डेटा एनालिसिस।

1. हमें आँकड़ों पर एक और पुस्तक की आवश्यकता क्यों है?

बायेसियन आंकड़ों पर वर्तमान में मौजूद कई पुस्तकों में से लगभग सभी का सुझाव है कि पाठक के पास पहले से ही सांख्यिकी का सामान्य विचार है और प्रोग्रामिंग में एक ठोस आधार है। इसलिए, वर्तमान में, बेयसियन सांख्यिकी को अक्सर शास्त्रीय (यानी, आवृत्ति) आंकड़ों के लिए एक उन्नत विकल्प के रूप में माना जाता है। इस प्रकार, हालांकि बेयसियन आंकड़े लोकप्रियता में बढ़ रहे हैं, इस पर सामग्री मुख्य रूप से उन लोगों के लिए डिज़ाइन की गई है जिनके पास पहले से ही अच्छी मात्रात्मक प्रशिक्षण है।

जब कोई व्यक्ति केवल "अध्ययन आँकड़ों" का फैसला करता है, तो वह एक परिचयात्मक पुस्तक लेता है जिसमें आँकड़ों को एक आवृत्ति बिंदु से प्रस्तुत किया जाता है, इसे पढ़ता है, आधा परीक्षण और नियमों का एक गुच्छा लगा है, और महसूस करता है कि यह पूरा विषय बहुत ही मनोरंजक है। मैं बायेसियन आँकड़ों पर एक ऐसी पुस्तक लिखना चाहता था जिसे कोई भी ले सकता है, पढ़ सकता है और पढ़ने के बाद, सांख्यिकीय रूप से सोचने के लिए और आंकड़ों की मदद से वास्तविक समस्याओं को कैसे हल करना है, इसका एक सहज ज्ञान प्राप्त कर सकता है। मुझे इस बात का कोई कारण नहीं दिखता है कि बेयसियन आँकड़े इस विषय में पहली शुरुआत के लिए एक परिचयात्मक पाठ्यक्रम के रूप में काम नहीं कर सके।

मुझे बहुत खुशी होगी अगर किसी दिन "सांख्यिकी" शब्द के साथ लोगों का मतलब बेज़ियन आँकड़े होना शुरू हुआ, और आवृत्ति आँकड़े सिर्फ एक अकादमिक निशेच बन गए। इसके लिए, अधिक पुस्तकों की आवश्यकता होती है, जिसमें पाठकों के एक विस्तृत चक्र के साथ आँकड़ों का परिचय बायेसियन विधियों का उपयोग करके प्रस्तावित किया जाएगा, इसके अलावा, लेखक ने ध्यान में रखा कि यह आँकड़ों के साथ पाठक का पहला परिचित हो सकता है।
मैंने तुरंत इस पुस्तक को "सांख्यिकी द फन वे" कहने के बारे में सोचा, लेकिन मैंने सोचा कि मुझे शायद उन लोगों के गुस्से वाले पत्रों का एक समूह मिलेगा जिन्होंने आँकड़ों के लिए प्रवेश परीक्षा की तैयारी के लिए ऐसी पुस्तक खरीदी थी - और पाया यह वहाँ के बारे में पूरी तरह से अलग है! मुझे उम्मीद है कि मेरी किताब उस समय की दिशा में एक छोटा कदम होगी जब प्रवेश परीक्षा में बायेसियन के आंकड़े पूछे जाएंगे, और ऐसी किताब को पढ़ना भी उचित होगा, जो सिर्फ परीक्षा की तैयारी कर रहे हों।

2. पुस्तक का लक्षित श्रोता क्या है? क्या कोई व्यक्ति बिना किसी गणितीय पृष्ठभूमि के इसे पढ़ सकता है?

"बायेसियन सांख्यिकी महान है" पर काम करते हुए, मैंने सिद्धांत रूप में एक किताब बनाने की कोशिश की, जो किसी को भी उच्च विद्यालय के लिए कार्यक्रम के दायरे में गणित सीखने के लिए समझ में आता है। यहां तक ​​कि अगर आप केवल बीजगणित को याद करते हैं, तो भी एक पुस्तक में प्रस्तुति की गति ऐसी है कि आप इसके साथ रख सकते हैं। बायेसियन आँकड़ों के लिए बहुत कम गणितीय विश्लेषण की आवश्यकता होती है और सभी को थोड़ा सा सॉफ़्टवेयर कोड समर्थन के साथ अधिक सरलीकृत किया जाता है, इसलिए मैंने उस पुस्तक में दो एप्लिकेशन जोड़े, जो आर भाषा की मूल बातें देती हैं। यह सामग्री R के लिए एक उन्नत कैलकुलेटर के रूप में आपकी सेवा करने के लिए पर्याप्त है, और गणितीय विश्लेषण के मूल विचारों को प्रस्तुत किया गया है। इतना है कि आप इस पुस्तक से सभी उदाहरणों का पता लगा सकते हैं, जहां यह अभिन्नता की बात आती है। हालांकि, मैं वादा करता हूं कि पुस्तक को पढ़ने के लिए आपको गणितीय विश्लेषण के क्षेत्र से किसी भी समस्या को हल नहीं करना होगा।

इसके अलावा, जितना मैंने मेहनत की, एक पुस्तक को पढ़ने के लिए आवश्यक गणितीय ज्ञान को कम से कम करने की कोशिश करते हुए, जैसा कि आप इसे पढ़ते हैं, आप धीरे-धीरे गणितीय तरीके से सोचना शुरू कर देंगे। यदि आप उस गणित को समझते हैं जिसे आप ठीक से संचालित कर रहे हैं, तो आप इसे और भी बेहतर समझेंगे। इसलिए, मैंने वास्तविक गणित से बचने की कोशिश नहीं की, बल्कि इसे चरण दर चरण समझाएं, ताकि सारा गणित धीरे-धीरे आपके लिए स्पष्ट हो जाए। कई लोगों की तरह, मैं एक बार मानता था कि गणित एक जटिल विज्ञान है, और इसके साथ काम करना मुश्किल है। समय के साथ, मुझे विश्वास हो गया कि सही दृष्टिकोण के साथ, गणित लगभग किसी भी कठिनाई का कारण नहीं बनता है। गणित में कोई भी भ्रम आमतौर पर केवल सामग्री के माध्यम से जल्दी से जाने के प्रयासों के कारण उत्पन्न होता है - इस वजह से, उचित तर्क के लिए आवश्यक महत्वपूर्ण कदम चूक जाते हैं।

3. एक प्रोग्रामर को संभाव्यता सिद्धांत और आँकड़ों का अध्ययन क्यों करना चाहिए?

मेरा वास्तव में मानना ​​है कि हर किसी को कुछ हद तक संभाव्यता सिद्धांत और आंकड़ों का अध्ययन करना चाहिए, क्योंकि यह ज्ञान जीवन में हर जगह हमें घेरने वाली अनिश्चितता का न्याय करने में मदद करेगा। प्रोग्रामर के लिए, उसे निश्चित रूप से कुछ विशिष्ट कार्यों से निपटना होगा जहां आंकड़ों को समझना उपयोगी है। यह बहुत संभावना है कि, आपके पेशेवर कैरियर के कुछ बिंदु पर, आपको कोड लिखना होगा जिसमें कुछ निर्णय एक प्राथमिक फ़ज़ी कारकों के आधार पर किए जाते हैं। शायद यह वेब पेज के रूपांतरण, खेल में कुछ यादृच्छिक पुरस्कारों की पीढ़ी, समूहों में उपयोगकर्ताओं के यादृच्छिक वितरण, या कुछ फ़ज़ी सेंसर से भी जानकारी पढ़ने का एक माप होगा। इन सभी मामलों में, संभावना सिद्धांत की एक ठोस समझ आपको बहुत मदद करेगी। मेरे स्वयं के अभ्यास से पता चलता है कि संभाव्य दृष्टिकोण कई बगों को डीबग करने में बहुत मदद करता है जो एक जटिल समस्या को पुन: उत्पन्न या ट्रैक करना मुश्किल है। यदि यह पता चला है कि बग अपर्याप्त स्मृति के कारण होता है, तो क्या आप सुनिश्चित कर सकते हैं कि बग अधिक बार हो जाएगा यदि मेमोरी बहुत कठिन है? यदि एक जटिल बग को दो तरीकों से समझाया जा सकता है, तो पहले पता लगाने का सबसे अच्छा अवसर क्या है? ऐसे सभी मामलों में, संभावना सिद्धांत मदद कर सकता है। बेशक, मशीन लर्निंग और डेटा साइंस की विषमता इस तथ्य की ओर ले जाती है कि इंजीनियर उन कार्यों से निपटने के लिए बढ़ रहे हैं जहां प्रोग्रामिंग संभावनाओं के साथ प्रत्यक्ष कार्य प्रदान करता है।

4. क्या आवृत्ति और बायेसियन दृष्टिकोण के बीच अंतर को प्रायिकता सिद्धांत में संक्षेप में वर्णित करना संभव है?

आवृत्ति व्याख्या में, संभावना को एक कथन के रूप में व्याख्या की जाती है कि दोहराया प्रयासों के दौरान कितनी बार घटना होनी चाहिए। इसलिए, एक सिक्के को दो बार उछालने पर, किसी को यह उम्मीद करनी चाहिए कि इसे ईगल द्वारा 1 बार गिराया जाएगा, क्योंकि सिक्के के दो पहलू हैं, और उनमें से एक में ईगल है। बायेसियन व्याख्या में, प्रायिकता को तर्क की निरंतरता के रूप में, हमारे ज्ञान की कुछ विशेषता के रूप में व्याख्या की जाती है। एक ईगल के साथ एक सिक्का फेंकने की संभावना 0.5 है, क्योंकि मुझे कोई कारण नहीं दिखता है कि ईगल को पूंछ की तुलना में अधिक बार गिरना चाहिए। तो, एक सिक्का टॉस के मामले में, दोनों दृष्टिकोण पूरी तरह कार्यात्मक हैं। हालाँकि, जब विश्व कप जीतने वाली आपकी पसंदीदा टीम की बाधाओं जैसी चीज़ों की बात आती है, तो विश्वास कारक अधिक महत्वपूर्ण हो जाता है। यह, वैसे, इसका अर्थ यह भी है कि बायेसियन आंकड़े दुनिया के बारे में नहीं, बल्कि दुनिया के बारे में हमारी समझ के बारे में बयान करते हैं। चूंकि हर कोई दुनिया को थोड़ा अलग तरीके से समझता है, बेयसियन आँकड़े हमें अपने विश्लेषण में इन मतभेदों को ध्यान में रखने में मदद करते हैं। कई मायनों में, बायेसियन विश्लेषण विचारों के विकास का विज्ञान है।

5. बायेसियन दृष्टिकोण पर पुस्तक का ध्यान क्यों है?

बायेसियन आँकड़ों पर ध्यान केंद्रित करने के लिए वास्तव में कई अच्छे दार्शनिक कारण हैं, लेकिन मुझे पूरी तरह से व्यावहारिक कारण द्वारा निर्देशित किया गया था: बायेसियन दृष्टिकोण के साथ, सब कुछ तार्किक हो जाता है। सहज ज्ञान युक्त नियमों के एक अपेक्षाकृत छोटे सेट के आधार पर, आप लगभग किसी भी समस्या के लिए एक समाधान विकसित कर सकते हैं जो आप भर में आ सकते हैं। यही कारण है कि बायेसियन आँकड़े इतने शक्तिशाली और लचीले हैं, और वे सीखना इतना आसान क्यों हैं। मुझे लगता है कि वास्तव में सूट प्रोग्रामर के तर्क के बेयसियन तरीके। आप इंप्रोमेटू परीक्षणों की मदद से समस्या को हल करने की कोशिश नहीं करते हैं, लेकिन आप इस पर तर्क करते हैं और धीरे-धीरे वास्तव में उचित समाधान के लिए आते हैं। सिद्धांत रूप में, बायेसियन आँकड़े - यह तर्क है। आप स्थैतिक विश्लेषण से केवल तभी सहमत होते हैं जब यह वास्तव में तार्किक और आपके प्रति आश्वस्त हो, और इसलिए नहीं कि आपका परीक्षण जो मनमाना दिखता है वह आपको कुछ समान रूप से असंतुलित मूल्य देता है। इसके अलावा, बेयसियन आंकड़े परिणाम और एक गुणात्मक दृष्टिकोण से संदेह करना संभव बनाते हैं। रोज़मर्रा के व्यवहार में, अक्सर ऐसा होता है कि दो लोगों को समान तथ्यों के साथ प्रस्तुत किया जाता है, लेकिन उनके निष्कर्ष अलग हैं। बायेसियन सांख्यिकी हमें औपचारिक रूप से इस तरह के अंतर को मॉडल करने की अनुमति देता है, ताकि हम खुद की जांच कर सकें कि किन तथ्यों की आवश्यकता होगी ताकि हम अपना दृष्टिकोण बदल सकें। आपको कुछ पी-वैल्यू के कारण कागज पर बताए गए परिणामों पर विश्वास नहीं करना है, आप उन्हें मानते हैं, क्योंकि वे आपको वास्तव में आश्वस्त करते हैं।

6. बायेसियन आँकड़े मशीन लर्निंग से कैसे संबंधित हैं

मशीन लर्निंग (विशेष रूप से, तंत्रिका नेटवर्क) और बायेसियन आँकड़ों के बीच समानताएं जिनके बारे में मैंने सोचा है वे निम्नलिखित हैं: इन दोनों विषयों में, गणितीय विश्लेषण बेहद जटिल हो सकता है। सिद्धांत रूप में, मशीन लर्निंग बहुत गैर-तुच्छ डेरिवेटिव की समझ और समाधान है। आपको एक फ़ंक्शन मिलता है, और इसके लिए, एक हानि फ़ंक्शन, फिर (स्वचालित रूप से) व्युत्पन्न की गणना करता है और इसे तब तक पालन करने का प्रयास करता है जब तक कि यह आपको इष्टतम मापदंडों की ओर नहीं ले जाता। कई दुर्भावनापूर्ण रूप से ध्यान दें कि पिछड़ा प्रसार केवल एक "चेन नियम" है, लेकिन मशीन सीखने से संबंधित लगभग सभी जटिल कार्यों में, इसका बहुत सफलतापूर्वक उपयोग किया जाता है।
बायेसियन सांख्यिकी गणितीय विश्लेषण का एक और पहलू है जो वास्तव में जटिल इंटीग्रल्स को हल करने से जुड़ा है। स्टेन के लेखक माइकल बेटनकोर्ट ने पूरी तरह से नोट किया कि लगभग सभी बायेसियन विश्लेषण उम्मीदों की गणना के साथ जुड़ा हुआ है, अर्थात् अभिन्न की गणना के साथ। बायेसियन विश्लेषण के परिणामस्वरूप, आपके पास अभी भी एक वितरण है, लेकिन आप इसे किसी भी तरह से एकीकृत किए बिना उपयोग नहीं कर सकते हैं और इस तरह एक ठोस जवाब नहीं मिल रहा है। सौभाग्य से, कोई भी अभिन्न के बारे में अभद्र टिप्पणी नहीं करता है, क्योंकि हर कोई जानता है कि यहां तक ​​कि सबसे तुच्छ अभिन्न अंग काफी जटिल है। यहाँ बताया गया है कि यह एक्सकॉन्डी कॉमिक्स में से एक में कैसे तैयार किया गया है:



आज, मशीन लर्निंग और बायेसियन आँकड़े इतनी अजीब स्थिति में हैं: हम गणितीय विश्लेषण के सबसे सरल विचारों को इस तरह की जटिलता के लिए विकसित करते हैं जो केवल कम्प्यूटेशन के लिए उधार देता है।

यह संबंध एक प्रमुख बिंदु पर भी प्रकाश डालता है। जब हम डेरिवेटिव के बारे में बात करते हैं, तो हम एक फ़ंक्शन से संबंधित एक विशिष्ट बिंदु की तलाश कर रहे हैं। इसलिए, यदि आप स्थिति और समय जानते हैं, तो गति एक व्युत्पन्न है जिसे यह निर्धारित करना है कि आप सबसे तेजी से आगे बढ़ रहे हैं। एमओ में प्रगति की दिशा में एक छोटा कदम यह है कि जब आप किसी एक मीट्रिक का आंकलन करते हैं तो वह किसी और से बेहतर होता है। एकीकरण पूरी प्रक्रिया का योग है। फिर, यदि आप स्थान और समय जानते हैं, तो अभिन्न दूरी है, यह आपको यह पता लगाने की अनुमति देता है कि आप कितनी दूर आ गए हैं। बायेसियन आँकड़े एक ऐसी समस्या के बारे में जानते हैं जो सब कुछ का एक सारांश है, लेकिन यह आपको न केवल अलग-अलग पूर्वानुमान बनाने की अनुमति देता है, बल्कि हमारे पूर्वानुमानों में आत्मविश्वास की डिग्री को चिह्नित करने की भी अनुमति देता है, जो विकल्पों की एक विस्तृत श्रृंखला में हैं। Bayesian आंकड़ों में प्रगति तेजी से जटिल सूचना प्रणालियों की समझ है।

7. यदि पाठक पुस्तक के विषय से गहराई से परिचित होना चाहते हैं, तो क्या सामग्री (किताबें, पाठ्यक्रम, ब्लॉग) आप उन्हें सलाह देंगे?

मैंने आई। टी। जेन की पुस्तक "प्रोबेबिलिटी थ्योरी: द लॉजिक ऑफ साइंस" से अधिकतम प्रेरणा ली। गुप्त रूप से, मुझे आशा है कि मेरी पुस्तक "बायेसियन आँकड़े महान हैं" उनकी पुस्तक का एक एनालॉग बन सकती है, लेकिन पाठकों की एक विस्तृत श्रृंखला के लिए लक्षित है। जेंस की पुस्तक के साथ काम करना एक आसान काम नहीं है, और यह बायेसियन आंकड़ों का एक बहुत ही कट्टरपंथी परिणाम प्रस्तुत करता है। ऑब्रे क्लेटन ने इस पुस्तक के अध्यायों पर व्याख्यान की एक श्रृंखला लिखकर अपने पाठकों के लिए उचित सेवा की।

बेशक, अगर आपको पुस्तक पसंद है, तो आप शायद मेरे ब्लॉग को पसंद करेंगे। हाल ही में, मैंने वहां इतना नहीं लिखा, क्योंकि मैंने "बायसीयन के आँकड़े महान हैं" पुस्तक लिखी थी, और इससे पहले "हास्केल के साथ प्रोग्रामिंग प्राप्त करें", लेकिन अब मेरे पास विचारों से भरा एक सिर है, और उन सभी को बायेसियन के लिए कड़ाई से समर्पित नहीं किया गया है विषयों। एक नियम के रूप में, मैं सांख्यिकी / संभावना के क्षेत्र से एक विषय पर प्रतिबिंबित करता हूं, और इस विचार से मैं ध्यान से ब्लॉग के लिए एक नया लेख चुनता हूं।

8. आपके अनुभव में, संभावना सिद्धांत / सांख्यिकी के क्षेत्र में कौन सी अवधारणा को समझना विशेष रूप से कठिन है?

ईमानदारी से, सबसे कठिन हिस्सा संभावनाओं की व्याख्या है। लोगों ने वास्तव में कई बायेसियन विश्लेषकों, जैसे कि नैट सिल्वर (और कई अन्य) में विश्वास खो दिया, जब उन्होंने भविष्यवाणी की कि हिलेरी क्लिंटन 2016 का चुनाव 80% संभावना के साथ जीतेंगी - और वह हार गईं। लोगों ने सोचा कि किसी ने उन्हें धोखा दिया है, और हर कोई गलत था, लेकिन, वास्तव में, 80% की संभावना इतनी अधिक नहीं है। यदि डॉक्टर मुझे बताता है कि मेरे बचने की संभावना 80% है, तो मैं गंभीर रूप से परेशान हूं।

एक नियम के रूप में, इस समस्या को निम्नानुसार हल किया जाता है: हम संभावनाओं को इस तरह इंगित करते हैं और घोषणा करते हैं कि वे अनिश्चितता व्यक्त करने के लिए खराब रूप से अनुकूल हैं। इस असुविधा का सामना करने के लिए, किसी को गुणांक या संभावना अनुपात का उपयोग करना पड़ता है, या किसी प्रकार की डेसिबल जैसी प्रणाली, जैसे "सबूत" की जेन अवधारणा। हालांकि, लंबे समय तक संभावनाओं के बारे में सोचने के बाद, मैं इस नतीजे पर पहुंचा कि अनिश्चितता व्यक्त करने का कोई उपयुक्त तरीका नहीं है।

समस्या का सार यह है कि हम में से प्रत्येक व्यक्ति इस बात को लेकर आश्वस्त है कि दुनिया में निश्चितता है। संभाव्यता सिद्धांत में भी अनुभवी विशेषज्ञों का मानना ​​है कि, यदि आप सही विश्लेषण करते हैं, तो आवश्यक प्राथमिकता डेटा का पता लगाएं, अपने पदानुक्रमित मॉडल में एक और स्तर जोड़ें, आप सफल होंगे, और आपको अनिश्चितता से छुटकारा मिलेगा या कम से कम इसे कम करेगा। । इन दो कारकों के इस विचित्र संयोजन के कारण संभावनाएं मेरे लिए आंशिक रूप से आकर्षक हैं: दुनिया को समझने की इच्छा और यह मान्यता कि आप चाहे कितनी भी कोशिश कर लें, दुनिया आपको वैसे भी चौंका देगी।

9. सांख्यिकीय महत्व के उपाय के रूप में आप पी-वैल्यू के बारे में क्या सोचते हैं? क्या आप संक्षेप में बता सकते हैं कि पी-हैकिंग क्या है?

पी-वैल्यू के मामले में, दो चीजों को अक्सर गलत समझा जाता है। सबसे पहले, एक बुद्धिमान व्यक्ति पी-मूल्यों के साथ सवालों के जवाब देने की कोशिश नहीं करेगा। कल्पना कीजिए कि निम्नलिखित वार्तालाप काम पर कैसा लगेगा:

मैनेजर: "आपने इस बग को ठीक कर दिया, यह आपको कैसे सौंपा गया?"
आप: "ठीक है, मुझे यकीन है कि मैंने इसे ठीक नहीं किया है ..."
प्रबंधक: "यदि आपने इसे ठीक किया है, तो चिह्नित करें कि आपने इसे ठीक किया है।"
आप: "ओह, नहीं, मैं सिर्फ यह नहीं कह सकता कि मैंने इसे ठीक किया ..."
प्रबंधक: "ठीक है, क्या आप इसे 'मैं इसे ठीक नहीं करूँगा' चिह्नित करने जा रहा हूँ?"
आप: "नहीं, नहीं, बिल्कुल ऐसा नहीं है"

कई के पी-मूल्य भ्रमित हैं, क्योंकि वे स्वाभाविक रूप से अस्पष्ट हैं। बायेसियन के आँकड़े आपको एक प्रतिकूल संभावना बताते हैं, जो कि आपके द्वारा तैयार किए गए प्रश्न का सकारात्मक उत्तर है। ऊपर के संवाद में, बायेसियन कहता है: "मुझे पूरा यकीन है कि बग को ठीक कर दिया गया है।" यदि प्रबंधक चाहता है कि आप अधिक आत्मविश्वास से जवाब दें, तो बायेसियन अतिरिक्त जानकारी एकत्र कर सकता है और कह सकता है: "मैं, सिद्धांत रूप में, यह सुनिश्चित कर रहा हूं कि यह तय हो गया है।"

दूसरी समस्या 0.05 को किसी प्रकार के जादुई, कथित रूप से सार्थक अर्थ के रूप में चुनने की आदत है। संभावनाओं को समझने पर पिछले सवाल पर लौटते हुए, एक निश्चित घटना होने वाली 5% संभावना का मतलब यह नहीं है कि यह घटना दुर्लभ है। 20-पक्षीय पासा फेंकने पर आपके पास 20 अंक प्राप्त करने का 5% मौका होगा। हालांकि, किसी ने भी जो डंगऑन और ड्रेगन खेला है, वह जानता है कि यह असंभव से दूर है। आरपीजी से परे, झूठ से सच को अलग करने के लिए एक हड्डी फेंकना सबसे अच्छा उपकरण नहीं है।

यहां हम पी-हैकिंग पर आते हैं। कल्पना कीजिए कि आप अपने दोस्तों के साथ डंगऑन और ड्रेगन खेलते हैं और आप एक ही बार में 20 पासा रोल करते हैं। फिर आप उस तरफ इशारा करते हैं जिस पर 20 अंक गिर गए, और घोषणा करें: "यह वह हड्डी थी जिसे मैं फेंकने जा रहा था, और बाकी सभी परीक्षण वाले थे।" औपचारिक रूप से, आपने वास्तव में 20 अंक बनाए हैं, लेकिन यह अभी भी एक घोटाला है, आप देखें। यह पी-हैकिंग का सार है। आप विश्लेषण तब तक करते हैं जब तक आपको कुछ "आवश्यक" नहीं मिल जाता है, और तब आप दावा करते हैं कि यह वही है जो आप शुरू से ही देख रहे थे।

10. आपके बाद किस किताब को पढ़ना है, इसकी अंतिम सिफारिशें

, , , , . «Bayesian Analysis with Python» (, Not Monad Tutorial). , PyMC3. , . , — “Statistical Rethinking” . , . . « – ». , «Doing Bayesian Data Analysis» .