M1-080M1: 数学与统计基础假设检验Hard
⚡闪卡盲测➔掌握度:

解释贝叶斯因子与假设检验的贝叶斯视角。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M1-081 →
📐 核心数学机理公式
BF10=p(D∣H1)p(D∣H0)=∫p(D∣θ,H1)p(θ∣H1)dθ∫p(D∣θ,H0)p(θ∣H0)dθBF_{10}=\frac{p(D\mid H_1)}{p(D\mid H_0)}=\frac{\int p(D\mid\theta,H_1)p(\theta\mid H_1)d\theta}{\int p(D\mid\theta,H_0)p(\theta\mid H_0)d\theta}
⚡ 一句话直击要害答案
贝叶斯因子 = 两假设下数据的边际似然比;同时支持两个方向,不受'不能证明 H0'的限制。

📌 核心要点提炼

  • •
    BF>1 支持 H1,BF<1 支持 H0(可量化支持 H0 的证据)
  • •
    与 p 值不同:BF 不依赖停止规则(无 peeking 问题)

📐 数学机理与严密推导

贝叶斯因子的定义是两个假设下数据的边际似然之比(也称'证据比'):BF₁₀=p(D|H₁)/p(D|H₀),其中每个边际似然是对该假设下先验积分 ∫p(D|θ)p(θ)dθ。与 p 值的四个关键差异:① 双向性——BF 既能支持 H₁(BF>1)也能支持 H₀(BF<1),而 p 值只能'拒绝'或'不拒绝',无法量化对 H₀ 的支持;② 不依赖停止规则——贝叶斯推断基于后验(似然 × 先验),无论你何时停止观察,后验更新都是合法的,故 BF 天然免疫 peeking 问题(这是贝叶斯方法在 A/B 测试中的主要吸引力);③ 不受'样本量无上限'困扰——p 值随 n 增大必然变小(即使效应微小),而 BF 会收敛到'真实假设'的支持(若 H₀ 真,BF→0);④ 可直接转为后验概率——P(H₁|D)=BF·P(H₁)/(BF·P(H₁)+P(H₀)),给出'假设为真的概率'这一直觉性结论。解读标度(Jeffreys):BF>10 强证据、>30 很强、>100 极强;BF<1/10 则支持 H₀。

🏭 深度剖析与工业落地权衡

实践要点与局限:① 对先验敏感——BF 依赖 H₁ 下参数的先验分布(如效应量的先验宽度);先验过于弥散会使 BF 偏向 H₀('Bartlett 悖论'),过于集中则偏向 H₁;故应做先验敏感性分析并优先用默认/客观先验(如 Jeffreys-Zellner-Siow 先验、Cauchy 先验)。② 计算困难——边际似然需对参数积分(通常无解析解),需 MCMC、bridge sampling、或 Savage-Dickey 密度比(对嵌套模型)等方法。③ A/B 测试中的应用——贝叶斯 A/B 直接报告 P(新方案更好) 与预期损失,且允许随时查看(无 peeking 惩罚),这是许多工业界 A/B 平台采用贝叶斯方法的原因;但需注意'随时查看并决策'仍会累积决策错误(决策理论层面),只是不再是经典的 α 膨胀。④ 与常规检验的关系——两者回答不同问题:p 值回答'数据在原假设下有多罕见',BF 回答'哪个假设更能解释数据';报告两者能提供更完整的信息。⑤ 实践建议——若需'证明无差异'或'随时查看',贝叶斯方法更合适;若需与既有文献/监管框架对接,频率派方法仍是主流。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    用 p 值'证明' H₀(贝叶斯因子才能量化对 H₀ 的支持)
  • ✕
    忽略贝叶斯因子对先验的敏感性
🎯 面试官连环追问与延伸考察
  • ?
    为什么贝叶斯因子不受 peeking 影响?
  • ?
    它对先验敏感吗?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M1-079: 什么是等价性检验(TOST)?它与常规显著性检验有何不同?📋 返回题库下一题 →M1-081: 解释 delta method 与它的适用条件。