外觀
Statistics › 貝氏統計 › 貝氏 vs 頻率學派
貝氏 vs 頻率學派 (Bayesian vs Frequentist)
兩者都是有效的推論框架。大樣本下結論通常相近;根本差異在於對「機率」與「參數」的定義。選哪個通常取決於問題與溝通需求,而非哪個「更正確」。
觀念差異
| 面向 | 頻率學派 | 貝氏 |
|---|---|---|
| 機率是 | 長期相對次數 | 信念程度 |
| 參數是 | 固定的未知常數 | 有分配的隨機變數 |
| 先驗資訊 | 不使用 | 正式納入 |
| 資料是 | 重複實驗的一次隨機實現 | 已觀察、固定的 |
| 推論目標 | 估計量在重複抽樣下的性質 | 在已觀察資料下更新信念 |
輸出差異
| 頻率學派 | 貝氏 | |
|---|---|---|
| 區間 | 信賴區間:重複建構時 95% 的區間包含 θ | 可信區間:給定資料,P(θ ∈ 區間) = 95% |
| 隨機的是 | 區間 | 參數 θ |
| 檢定 | p 值 = P(資料這麼極端 | H₀) | P(H₀ | 資料)、P(θ > 0 | 資料) |
| 決策 | 門檻 α = 0.05 | 完整後驗 + 損失函數 |
| 效果量 | 需另外計算 | 內建在後驗中 |
| 需要先驗 | 否 | 是 |
多數人對信賴區間的直覺理解(「真值有 95% 機率在這裡」),其實是可信區間的定義。
範例:A/B 測試
對照組 20/100 轉換、實驗組 28/100 轉換。
python
import numpy as np
from scipy.stats import beta
from statsmodels.stats.proportion import proportions_ztest
# 頻率學派:兩比例 z 檢定
proportions_ztest([28, 20], [100, 100]) # p ≈ 0.18,不顯著
# 貝氏:Beta(1,1) 平坦先驗 → Beta-Binomial 後驗
rng = np.random.default_rng(42)
ctrl = beta(1 + 20, 1 + 80).rvs(100_000, random_state=rng)
var = beta(1 + 28, 1 + 72).rvs(100_000, random_state=rng)
(var > ctrl).mean() # P(實驗組 > 對照組 | 資料) ≈ 0.91
np.percentile(var - ctrl, [2.5, 97.5]) # 差值的 95% 可信區間頻率學派給出二元判斷:p < 0.05 嗎?貝氏給出連續、可直接用於決策的機率:「實驗組較好的機率約 91%」。
何時用哪個
| 情境 | 建議 | 原因 |
|---|---|---|
| 大樣本、標準檢定 | 皆可 | 結果收斂;頻率學派計算較簡單 |
| 小樣本、稀疏資料 | 貝氏 | 先驗有正則化效果 |
| 需要納入先前知識 | 貝氏 | 先驗是模型的一部分 |
| 需要「θ 的機率」 | 貝氏 | 頻率學派無法直接給 P(θ | 資料) |
| 逐步累積的資料 | 貝氏 | 更新循環天然適合 |
| 法規情境(FDA 等) | 常用頻率學派 | 既有標準 |
| 階層 / 多層次模型 | 貝氏 | 自然支援部分合併 (partial pooling),見 混合效應模型 |
大樣本等價
n → ∞ 時(Bernstein–von Mises 定理):後驗平均 → MLE、可信區間 → 信賴區間、先驗的影響消失。n 小時先驗會明顯把後驗拉離 MLE。
常見誤解
| 誤解 | 事實 |
|---|---|
| 「貝氏主觀、頻率客觀」 | 兩者都要假設:貝氏有先驗,頻率學派有模型與檢定的選擇 |
| 「p < 0.05 → H₀ 為假的機率 95%」 | P(資料 | H₀) ≠ P(H₀ | 資料),後者是貝氏量 |
| 「貝氏在小樣本一定比較好」 | 只有先驗設定合理時;錯誤的先驗會傷害估計 |
| 「寬的先驗一定較差」 | 資料夠多時先驗選擇影響很小 |
一句話:頻率學派問「資料與虛無模型有多不相容?」;貝氏問「看完資料後,各種參數值有多可信?」