Qualcuno può dare una buona panoramica delle differenze tra l'approccio bayesiano e quello frequentista alla probabilità?
Da quello che ho capito:
L'opinione dei frequentatori è che i dati sono un campione casuale ripetibile (variabile casuale) con una frequenza / probabilità specifica (che è definita come la frequenza relativa di un evento quando il numero di prove si avvicina all'infinito). I parametri e le probabilità sottostanti rimangono costanti durante questo processo ripetibile e che la variazione è dovuta alla variabilità in e non alla distribuzione di probabilità (che è fissata per un determinato evento / processo).
La visione bayesiana è che i dati sono fissi mentre la frequenza / probabilità per un certo evento può cambiare nel senso che i parametri della distribuzione cambiano. In effetti, i dati ottenuti cambiano la distribuzione precedente di un parametro che viene aggiornato per ogni set di dati.
A me sembra che l'approccio del frequentista sia più pratico / logico poiché sembra ragionevole che gli eventi abbiano una probabilità specifica e che la variazione sia nel nostro campionamento.
Inoltre, la maggior parte dell'analisi dei dati dagli studi viene solitamente eseguita utilizzando l'approccio frequentista (ovvero intervalli di confidenza, test di ipotesi con valori p ecc.) Poiché è facilmente comprensibile.
Mi stavo solo chiedendo se qualcuno potesse darmi un breve riassunto della loro interpretazione dell'approccio bayesiano vs frequentista inclusi gli equivalenti statistici bayesiani del valore p frequentista e dell'intervallo di confidenza. Inoltre, sono apprezzati esempi specifici in cui 1 metodo sarebbe preferibile all'altro.