C'est-à-dire que faire une analyse séquentielle (vous ne savez pas à l'avance exactement combien de données vous allez collecter) avec des méthodes fréquentistes nécessite un soin particulier; vous ne pouvez pas simplement collecter des données jusqu'à ce que la valeur p soit suffisamment petite ou qu'un intervalle de confiance soit suffisamment court.
Mais lors de l'analyse bayésienne, est-ce une préoccupation? Pouvons-nous librement faire des choses comme collecter des données jusqu'à ce qu'un intervalle crédible devienne suffisamment petit?
Réponses:
Rouder (2014) a un bon article à ce sujet (écrit pour les psychologues), expliquant pourquoi les tests séquentiels (ce que l'on appelle l'aperçu des données ) sont bons du point de vue bayésien. (Le papier est disponible gratuitement en ligne si vous le recherchez.)
Schoenbrodt et al. (sous presse) présente de belles analyses montrant comment utiliser l'analyse séquentielle avec les facteurs de Bayes pour déterminer quand arrêter la collecte de données.
À partir d'une procédure d'estimation des paramètres bayésiens, John Kruschke a un très bon article de blog qui compare différentes méthodes bayésiennes lors de tests séquentiels.
J'espère que vous les trouverez utiles.
Les références
Rouder, Jeffrey N. (2014). Arrêt facultatif: aucun problème pour les Bayésiens. Psychonomic Bulletin & Review, 21, 301-308.
Schoenbrodt, FD, Wagenmakers, E.-J., Zehetleitner, M., & Perugini, M. (sous presse). Test d'hypothèse séquentielle avec les facteurs de Bayes: test efficace des différences moyennes. Méthodes psychologiques.
la source
SPRT est un bon exemple d'une méthode fréquentiste séquentielle.
D'un autre côté, alors que les modèles bayésiens ont des priorités pour surmonter la rareté des données, plus vous avez de données, plus votre distribution postérieure est «étroite», ce qui la rend moins adaptée à l'apprentissage temporel en ligne.
la source