范围零假设下的发现概率问题探究

"这篇由David Trafimow发表在2017年《开放统计期刊》上的文章探讨了在统计分析中使用范围零假设时计算发现概率所遇到的问题。作者指出，传统上，拒绝点零假设（point null hypothesis）在统计显著性测试中的价值有限，而转向范围零假设（range null hypotheses）也并非没有问题。" 文章中提到的主要知识点包括： 1. **范围假设（Range Hypotheses）**：这是对点零假设的扩展，它允许在一定范围内考察假设，而不是仅仅局限于一个精确的值。范围假设试图解决点零假设缺乏信息的问题。 2. **一站式测试（One-Step Test）**：这可能是指一次性考虑整个假设范围的统计测试，而不是只关注单一的临界点。在范围零假设下，一站式测试试图提供比点零假设更丰富的信息。 3. **范围零假设（Range Null Hypotheses）**：这是一种假设形式，其中原假设涵盖了某个连续的数值区间，比如零效应的区间。然而，计算在这一假设下的数据概率是一个挑战。 4. **毫无根据的假设（Baseless Hypotheses）**：可能指的是在缺乏理论支持或实证证据的情况下提出的假设。在讨论中，这可能是对范围零假设的一种批评，因为它们有时可能是基于不充分的信息设定的。 5. **传统方法与贝叶斯方法**：传统方法通过找到最大化p值的点来计算概率，而贝叶斯方法则引入先验概率分布并进行积分。两者在处理范围零假设时得出不同的概率估计，反映了频率主义和贝叶斯主义在统计哲学上的分歧。 6. **先验概率分布**：在贝叶斯统计中，先验概率是基于先前知识或信念的分布，用于结合观测数据更新概率。 7. **数据概率与假设检验**：不同阵营对给定数据的概率有不同的理解，这对基于这些概率的假设检验结果有直接影响。作者强调了这一点的重要性，因为它在统计决策中经常被忽视。 8. **数学与统计背景**：文章旨在以易于理解的方式阐述这些问题，即使对于没有深厚数学或统计背景的研究人员也是如此。 9. **DOI（数字对象标识符）**：10.4236/ojs.2017.73034，这是文章的唯一标识符，可用于检索原始出版物。 10. **引用信息**：提供了作者、期刊名称、发表年份、卷号、页码以及DOI，这对于后续研究和引用文章是必要的。 文章主要关注在统计学中使用范围零假设时遇到的困难，特别是计算数据概率的方法和由此产生的不同统计学派别的争议。它提醒研究人员在进行假设检验时要考虑这些方法的局限性和不同解释的可能性。