Skip to content

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?」