У мене є загальне методологічне запитання. На це можна було відповісти і раніше, але я не в змозі знайти відповідну тему. Я буду вдячний вказівниками на можливі дублікати.
( Ось чудовий, але без відповіді. Це також схоже за духом, навіть з відповіддю, але остання занадто специфічна з моєї точки зору. Це також близько, виявлено після публікації запитання.)
Тема полягає в тому, як зробити дійсні статистичні умовиводи, коли модель, сформульована перед переглядом даних, не в змозі адекватно описати процес генерації даних . Питання дуже загальне, але я запропоную конкретний приклад, щоб проілюструвати суть. Однак я очікую, що відповіді зосереджуватимуться на загальному методологічному питанні, а не придумувати деталі конкретного прикладу.
Розглянемо конкретний приклад: у налаштуваннях часових рядів я вважаю, що процес генерування даних є таким
Як я можу зробити достовірний статистичний висновок щодо своєї гіпотези з предметної теми ?
Якщо я використовую оригінальну модель, її припущення порушуються і оцінювач не має приємного розповсюдження, яке інакше було б. Тому я не можу перевірити гіпотезу, використовуючи-тест.
Якщо, побачивши дані, я переходжу від моделі до і змінити мою статистичну гіпотезу до , модельні припущення задоволені, і я отримав добре оцінений оцінювач і може протестувати без особливих труднощів використовувати -тест.
Однак перехід від до повідомляється набором даних, на яких я хочу перевірити гіпотезу. Це обумовлює розподіл оцінювача (а отже, і висновок) залежно від зміни базової моделі, що пояснюється спостережуваними даними. Зрозуміло, що введення такого кондиціонування не є задовільним.
Чи є хороший вихід? (Якщо не частоліст, то, можливо, якась байєська альтернатива?)