Yaitu, untuk melakukan analisis sekuensial (Anda tidak tahu sebelumnya berapa banyak data yang akan Anda kumpulkan) dengan metode yang sering membutuhkan perawatan khusus; Anda tidak bisa hanya mengumpulkan data sampai nilai p cukup kecil atau interval kepercayaan menjadi cukup pendek.
Tetapi ketika melakukan analisis Bayesian, apakah ini menjadi perhatian? Bisakah kita dengan bebas melakukan hal-hal seperti mengumpulkan data sampai interval yang kredibel menjadi cukup kecil?
Jawaban:
Rouder (2014) memiliki makalah yang bagus tentang ini (ditulis untuk para psikolog), menjelaskan mengapa pengujian sekuensial (disebut data peeking ) baik-baik saja dari perspektif Bayesian. (Kertas tersedia secara online secara gratis jika Anda melakukan pencarian untuk itu.)
Schoenbrodt et al. (dalam pers) menyajikan analisis bagus yang menunjukkan bagaimana menggunakan analisis sekuensial dengan faktor Bayes untuk menentukan kapan harus menghentikan pengumpulan data.
Dari prosedur estimasi parameter Bayesian, John Kruschke memiliki a posting blog yang sangat bagus yang membandingkan metode Bayesian yang berbeda selama pengujian berurutan.
Semoga Anda menemukan mereka membantu.
Referensi
Rouder, Jeffrey N. (2014). Pemberhentian opsional: Tidak masalah bagi orang Bayesia. Buletin & Ulasan Psikonomis, 21, Psikonomis 301-308.
Schoenbrodt, FD, Pembuat Wagen, E.-J., Zehetleitner, M., & Perugini, M. (dalam publikasi). Pengujian hipotesis sekuensial dengan faktor Bayes: Menguji perbedaan rata-rata secara efisien. Metode Psikologis.
sumber
SPRT adalah contoh yang baik dari metode frequentist yang berurutan.
Di sisi lain, sementara model Bayesian memiliki prioritas untuk mengatasi sparsity data, semakin banyak data yang Anda miliki, semakin "sempit" distribusi posterior Anda menjadi kurang cocok untuk pembelajaran temporal online.
sumber