Назвіть кілька прикладів анахронічної практики в статистиці?

Я маю на увазі практику, яка все ще зберігає свою присутність, хоча проблеми (як правило, обчислювальні), з якими вони були розроблені, в основному вирішуються.

Наприклад, корекція безперервності Йейтса була придумана для того, щоб зблизити точний тест Фішера з тестом, але це вже не практично, оскільки програмне забезпечення тепер може обробляти тест Фішера навіть з великими зразками (я знаю, це може бути не гарним прикладом "збереження його" присутність ", оскільки підручники, як категоричний аналіз даних Агресті , часто визнають, що" корекція Йейта "більше не потрібна").$\chi^2$

Які ще є приклади такої практики?

$P = 0.05$$P = 0.01$$P$

$P$

Я зазначу, що я тут торкаюся хитромудрої та суперечливої ​​проблематики, в якій зосереджуються цілі книги та, мабуть, тисячі паперів, але це здається справедливим прикладом для цієї теми.

Один із методів, на який я думаю, що багато відвідувачів цього сайту погодиться зі мною - поетапна регресія. Це все ще робиться весь час, але вам не доведеться далеко шукати експертів на цьому сайті, які говорять про його використання. Метод на зразок LASSO є більш переважним.

Я вважаю, що принаймні в (прикладної) економетрії все більше є нормою використання міцної або емпіричної матриці коваріації, а не "анахронічної практики" покладання (асимптотично) на правильну специфікацію коваріаційної матриці. Звичайно, це не без суперечок: подивіться деякі відповіді, які я зв'язав тут у CrossValided, але це, безумовно, чітка тенденція.

$E[uu'] = \sigma^2 I_n$

Інші приклади включають дані на панелі, Імбенс та Вулдрідж пишуть, наприклад, у своїх слайдах лекцій заперечують проти використання матриці коваріації дисперсії випадкових ефектів (неявно припускаючи деяку помилку в компоненті дисперсії за замовчуванням):

$\sigma_c^2$$\sigma_u^2$

Використовуючи узагальнені лінійні моделі (для розподілів, що належать до експоненціальної родини), часто рекомендується використовувати завжди так званий сендвіч-оцінювач, а не покладатися на правильні припущення щодо розподілу (анахронічна практика тут): див., Наприклад, цю відповідь або Кемерон з посиланням підраховувати дані, оскільки псевдомаксимальна ймовірність може бути досить гнучкою у випадку неправильної специфікації (наприклад, використання Пуассона, якщо негативний біноміал був би правильним).

Такі [білі] стандартні виправлення помилок повинні бути зроблені для пуассонової регресії, оскільки вони можуть зробити набагато більшу різницю, ніж аналогічні корекції гетерокедастичності для OLS.

Грін пише у своєму підручнику у розділі 14 (доступний на своєму веб-сайті), наприклад, із критичною запискою та детальніше описує переваги та недоліки цієї практики:

В сучасній літературі існує тенденція регулярно обчислювати цей [сендвіч] оцінювач, незалежно від функції ймовірності. честь, якщо ймовірність функції неправильно визначена, а інші умови для оцінки M не виконані.

$m > 1$$m$$m = 1$

$m = 30$

Більшість анахронічних практик, ймовірно, пов'язані з тим, як навчають статистику, і тим, що аналізи проводяться величезною кількістю людей, які пройшли лише пару базових занять. Ми часто навчаємо набір стандартних статистичних ідей та процедур, оскільки вони утворюють логічну послідовність зростаючої концептуальної витонченості, яка має сенс педагогічно (пор., Як ми можемо дізнатись відхилення чисельності населення? ). Я сам в цьому винен: я час від часу викладаю статистику 101 і 102, і постійно кажу: "Є кращий спосіб зробити це, але це виходить за межі цього класу". Для тих студентів, які не виходять за рамки вступної послідовності (майже всіх), їм залишаються основні, але замінені, стратегії.

1. На прикладі статистики 101, мабуть, найпоширенішою анахронічною практикою є перевірка деякого припущення, а потім проведення традиційного статистичного аналізу, оскільки тест був несуттєвим. Більш сучасним / просунутим / захищаючим підходом було б використовувати метод, надійний до цього припущення з самого початку. Деякі довідки для отримання додаткової інформації:

   • Як вибрати між t-тестом або непараметричним тестом, наприклад, Wilcoxon у невеликих пробах
   • Чи є тестування на нормальність "по суті марним"?
     

2. Для статистичних прикладів 102, будь-яка кількість моделювальних практик застаріла:

   • $Y$$p$
   • $Y$
   • Використання полінома вищого порядку для зйомки кривизни та кубічних сплайнів.
   • $p$$R^2$
   • За допомогою даних повторних вимірювань класифікуйте безперервну змінну, щоб можна було використовувати rmANOVA або усереднювати кілька вимірювань порівняно з лінійною змішаною моделлю.
   • І т.д.

Сенс у всіх цих випадках полягає в тому, що люди роблять те, чого вчили спочатку у вступному класі, оскільки вони просто не знають більш прогресивних і відповідних методів.

Дуже цікавим прикладом є одиничні кореневі тести в економетриці. Незважаючи на те, що є багато варіантів для тестування проти або для одиничного кореня в поліномі лагу часового ряду (наприклад, (Доповнений) тест Діккі Фуллера або тест KPSS), проблему можна повністю усунути, коли використовується байєсівський аналіз . Сімс вказав на це в своїй провокаційній роботі під назвою Understanding Unit Rooters: Helicopter Tour з 1991 року.

Кореневі тести одиниці залишаються дійсними і використовуються в економетриці. Хоча я особисто пояснюю це тим, що люди неохоче підлаштовуються під байєсівські практики, багато консервативні економетрики захищають практику опробованих кореневих тестів, кажучи, що байєсівський погляд на світ суперечить передумові економетричного дослідження. (Тобто економісти думають про світ як місце з фіксованими параметрами, а не випадковими параметрами, якими керується деякий гіперпараметр.)

Сплата ліцензійних платежів за високоякісні статистичні системи програмного забезпечення. #R

Навчання / проведення двосторонніх тестів на різницю без одночасного тестування на еквівалентність у частістській царині тестування гіпотез є глибокою прихильністю до зміщення підтвердження .

Існує певний нюанс, оскільки відповідний аналіз потужності з продуманим визначенням розміру ефекту може захищати це і надавати більш-менш однакові умовиводи, але (a) аналіз потужності так часто ігнорується при поданні висновків, і (b) I наприклад, ніколи не бачили аналізу потужності, наприклад, для кожного коефіцієнта, оціненого для кожної змінної в декількох регресіях, але це досить просто для комбінованих тестів на різницю та тестів на еквівалентність (тобто тестів на відповідність).

Використовуючи негативну біноміальну модель, а не (надійну) модель Пуассона, щоб визначити параметр, що цікавить змінну підрахунку, лише тому, що є надмірна дисперсія?

Дивіться як довідку: https://blog.stata.com/2011/08/22/use-poisson-rather-than-regress-tell-a-friend/

Доказ того, що Пуассон є більш надійним у випадку фіксованих ефектів, є доволі недавним, оскільки він посилається на: Вулдрідж, Дж. М., «Оцінка без розподілу деяких нелінійних моделей панельних даних», Journal of Econometrics 90 (1999), 77–97.

Ось кілька анахронізмів:

• Неоплатонічне припущення про те, що в теоретичному ефірі є одне, "справжнє" населення, яке є вічним, нерухомим і непорушним, проти якого можна оцінити наші недосконалі зразки, мало що сприяє навчанню та знанню.

• Редукціонізм, притаманний таким мандатам, як бритва Оккама, не відповідає часам. АБО можна підсумувати як "Серед конкуруючих гіпотез слід обрати ту, яка має найменше припущення". До альтернатив можна віднести " Принцип множинних пояснень " Епікура , який приблизно говорить: "Якщо більш ніж одна теорія узгоджується з даними, зберігайте їх усі".

• Вся система експертного огляду відчайдушно потребує капітального ремонту.

* Редагувати *

• З масивними даними, що містять десятки мільйонів функцій, більше немає потреби в змінній фазі вибору.

• Крім того, інфекційна статистика є безглуздою.