Documentos de Académico
Documentos de Profesional
Documentos de Cultura
falsificado. Finalmente, se discuten los mtodos que - bajo ciertas suposiciones tienen las propiedades que los investigadores desean.
Intervalos de confianza
En un artculo clsico, Neyman (1937), ha establecido el fundamento formal para los
intervalos de confianza. Antes de definir los intervalos de confianza, se describe el
problema prctico que se vio Neyman intervalos de confianza como la solucin.
Supongamos que un investigador esta interesado en la estimacin de un parmetro,
que podemos llamar . Este parmetro puede ser una media de la poblacin, un
tamao del efecto, una varianza, o cualquier otra cantidad de inters. Neyman sugiere
que los investigadores realizan los tres pasos siguientes:
Realizar un experimento, recoger los datos pertinentes.
Calcular dos nmeros - el ms pequeo de lo que podemos llamar L, mayor de la que
U - formando un intervalo (L, T) de acuerdo con un algoritmo.
Estado que L < <U - es decir, que es en el intervalo.
Esta recomendacin se justifica por la eleccin de un algoritmo para la etapa (b) de tal
manera que, a la larga, la afirmacin del investigador en la etapa (c) ser correcta, en
promedio, un X% de las veces. Un intervalo de confianza es cualquier intervalo
calculado utilizando un procedimiento de este tipo.
Definicin 1 (Intervalo de confianza) confianza Un X% inter- valo de parmetro es un
intervalo (L, T) generada por un algoritmo que en el muestreo repetido tiene un% de
probabilidad X de que contenga el verdadero valor de (Neyman, 1937).
A pesar de su escepticismo sobre la utilidad de los intervalos de confianza se inici tan
pronto como Neyman expuso la teora (por ejemplo, la discusin de Neyman, 1934) 1,
los intervalos de confianza han crecido en popularidad a ser los timators es- intervalo
ms ampliamente utilizados. Tal vez el CI ms comnmente utilizado es el CI para la
media de la distribucin normal con varianza desconocida.
lo que significa que t IC del 50% de los estudiantes es simplemente el intervalo entre
las dos observaciones. Hacemos uso de la simplicidad de la IC del 50% con dos
observaciones en todas partes.
La definicin de un intervalo de confianza al parecer, a primera vista, es: un IC es un
intervalo generado por algn procedimiento que crea intervalos que contienen el
verdadero valor de un parmetro en alguna proporcin fija de muestras repetidas, en
promedio. Dicho de otro modo, si uno fuera a hacer la demanda siempre dicotmica
que el verdadero valor est en un intervalo especfico calculado a partir del
procedimiento, uno sera correcto en esa misma proporcin de muestras repetidas.
"Confianza" es, pues, una propiedad promedio de un procedimiento, por lo tanto, para
distinguir entre un procedimiento de confianza (CP) y un intervalo de confianza (CI).
Para los propsitos de este trabajo vamos a utilizar el procedimiento de la confianza
trmino para denotar el algoritmo, y el intervalo de confianza para denotar los
recursos especficos del algoritmo.
Figura 1. 200 azar 50% IC para una media normal con varianza desconocida, basado
en 2 se basa en una distribucin normal (100, 152). (azul) lneas oscuras denotan
elementos de configuracin que contienen la verdadera media; (rojo) las lneas de luz
denotan aquellos que no lo hacen. IC estn ordenadas segn la longitud.
Mitos de confianza
Los intervalos de confianza se describen ampliamente como herramientas para la exContratante la informacin necesaria sobre el parmetro de los datos. Sin embargo, la
relacin entre la definicin del intervalo de confianza y todo lo que un investigador
quiere saber es claro: que conozcamos las propiedades medias del procedimiento,
pero qu implicaciones tiene esto para la inferencia de un intervalo de tiempo
especfico? Varias explicaciones heursticos son utilizados por los autores de libros de
texto y los defensores de los intervalos de confianza en la literatura para ayudar a
cerrar la brecha entre la definicin terica del intervalo de confianza y las propiedades
que son importantes para los analistas, como la plausibilidad de valores de
parmetros especficos o la precisin de una estimacin. En esta seccin, se explica
cmo las diversas explicaciones heursticas de los intervalos de confianza son en
realidad mitos: no son verdad de los intervalos de confianza en general. Se presentan
dos ejemplos que muestran cmo la lgica de la inferencia por CI falla.
Por ejemplo, en esta discusin Bowley afirma "Tiene [el intervalo de confianza]
realmente nos lleve a lo que necesitamos - la posibilidad de que en el universo que
estamos muestreando la proporcin est dentro de estos lmites determinados? Creo
que no lo hace. Creo que estamos en la posicin de saber que ya sea un evento
improbable, se ha producido o la proporcin de la poblacin est dentro de los lmites.
Para equilibrar estas cosas hay que hacer una estimacin y formar un juicio acerca de
la probabilidad de que la proporcin en el universo [es decir, una probabilidad a priori]
- La misma cosa que se supone que debe ser eliminada ".
La eleccin ms tpica de confianza del 95% es, por supuesto, arbitrarios. Todos los
puntos que hacemos en este trabajo se extienden a 95% IC y N> 2, con el
inconveniente de que los argumentos seran ms matemticamente involucrados y
menos transparente. Debido a que nuestro objetivo es demostrar que la lgica del uso
de intervalos de confianza para la inferencia es errnea, optamos por utilizar el caso
ms sencillo
1996). Por ejemplo, escribe Cumming (2014) que "[l] ong intervalos de
confianza (IC) que pronto nos dej saber si nuestro experimento es dbil y
puede dar slo estimaciones imprecisas", y el estado joven y Lewis (1997) que
"[t] que la anchura del intervalo de confianza nos da informacin sobre la
precisin de la estimacin puntual ".
Uno de los trabajadores de rescate, sin embargo, es escptico. Ella observa que
hay una amplia gama de lugares que son posibles para la ubicacin de la
escotilla. Debido a que la embarcacin es de 10 metros de largo, ninguna
burbuja puede originar ms de 5 metros de la escotilla. Dado dos burbujas, las
nicas posibles ubicaciones para la escotilla estn dentro de los 5 metros de
ambas burbujas. Estos valores se muestran como la regin sombreada en la
figura 2A con la etiqueta "posterior". Las burbujas se dan ninguna razn para
preferir cualquiera de estos lugares sobre otro. El trabajador de rescate
escptico dice que debido a que la segunda burbuja estaba tan cerca de la
primera, de manera colectiva las burbujas han proporcionado informacin
realmente muy impreciso. Ella sugiere esperar para ms burbujas antes de
cortar la conexin.
El estadstico, en la autoridad de los muchos defensores de los intervalos de
confianza, convence a los equipos de rescate para dejar la lnea dentro del IC
50%. La lnea de rescate no alcanza la escotilla por 3,75 metros. Por el
momento los trabajadores de rescate se dan cuenta de que han perdido la
escotilla, no hay ms tiempo para otro intento. Toda la tripulacin a bordo del
sumergible se pierde.
El estadstico ha sido vctima de un mito sobre los intervalos de confianza que
nos doblaje del "error de precisin":
Mito 1 (El error de precisin) "La amplitud de un intervalo de confianza indica la
precisin de nuestro conocimiento sobre el parmetro.Los intervalos de
confianza estrechos muestran un conocimiento preciso, mientras que los
errores de confianza amplios demuestran conocimiento impreciso.
No hay una conexin necesaria entre la precisin de una estimacin y el
tamao de un intervalo de confianza. En el caso de que el submarino, el
intervalo de confianza estrecho proporcion informacin imprecisa sobre la
localizacin de la escotilla de un submarino. De hecho, como veremos ms
adelante, la estrechez de un intervalo de CP1 y la precisin en realidad esta
inversamente relacionada, como la siguiente situacin va a dejar en claro.
Por extrao que parezca, un segundo barco est en una situacin similar a otro
extremo del mundo Los investigadores en el barco tienen contacto con su
sumergible, y al igual que el primer barco estn planeando montar un rescate
utilizando las burbujas distintivos. Que consulten a su estadstico, que les
informa que esperar las dos primeras burbujas y utilizan un IC del 50% de
confianza Procedimiento 1. Mientras que el equipo de rescate espera a que
aparezcan las burbujas, el estadstico seala que el CP1 no hace directamente
el uso de la varianza conocida de los lugares de burbujas. Rpidamente se
media poblacional. "Cumming (2014) escribe que" podemos estar 95% seguros
de que nuestro intervalo incluye [el Parmetro] y se puede pensar en los
lmites inferior y superior de probabilidades ms bajas y lmites superiores para
[el parmetro]. Esta interpretacin, aunque aparentemente natural, es
incorrecta. Nos doblamos este razonamiento incorrecto de la "Falacia Confianza
Fundamental" (FCF). La FCF es fundamental, ya que parece fluir naturalmente
de la definicin del intervalo de confianza:
Mito 3 (La falacia Confianza Fundamental) "Si la probabilidad de que un
intervalo aleatorio contiene el valor verdadero es X%, entonces la verosimilitud
(o probabilidad) que un intervalo observado en particular contiene el valor
verdadero es tambin un X%."
El razonamiento detrs de la Falacia Confianza Fundamental parece plausible:
en una muestra dada, podramos obtener cualquiera de los posibles intervalos
de confianza. Debido a que el 95% de los posibles intervalos de confianza
contiene el valor verdadero, sin ninguna otra informacin parece razonable
decir que tenemos 95% de certeza de que el verdadero valor est en nuestro
intervalo de confianza calculado. Esta interpretacin es sugerida por el nombre
de "intervalo de confianza" en s mismo: la palabra "confianza", en uso laico,
est estrechamente relacionado con los conceptos de verosimilitud y la
creencia. El nombre de "intervalo de confianza" por lo tanto, invita a la FCF
como una interpretacin.
El primer indicio de que la FCF es una falacia es el hecho de que, como hemos
visto, para cualquier problema dado que podra haber ms de un
procedimiento confianza. Si el mero hecho de que un procedimiento de
confianza tiene un coeficiente de confianza del X% a entender que cualquier
intervalo calculado a partir de ese procedimiento tiene un X% probabilidad de
contener el verdadero valor del parmetro, a continuacin, dos intervalos
calculados con los mismos datos de dos procedimientos de confianza del 50% a
la vez tenga una probabilidad del 50% de contener el valor verdadero.
Considere CP1 y CP2; ambas se centran alrededor de x. Si los intervalos de
CP1 y CP2 tanto tienen una probabilidad 50% de los que contiene el valor
verdadero, entonces las leyes de probabilidad requieren que toda la
probabilidad 50% se concentrar en el ms corto de los dos intervalos- de lo
contrario, el ms largo de los dos intervalos tendra > 50% probabilidad de
contener el valor verdadero. Esto parece dar a entender que si tenemos dos
procedimientos que siempre estn anidados uno dentro del otro, como CP1 y
CP2 se encuentran, entonces podemos simplemente tomar el ms corto de los
dos- lo que es- como nuestro 50& Cl. Pero ya que tanto CP1 y CP2 se
encuentran 50% IC, entonces el procedimiento tomando el ms corto de los
dos debe contener el verdadero valor de menos de 50% del tiempo, lo que
significa que no puede ser un procedimiento de confianza del 50%. La FCF lleva
a contradiccin.
observar los datos, se puede ver que los datos observados se encuentran parte
de un subconjunto del espacio de datos (es decir, datos posibles) para los que
la IC tiene una probabilidad diferente de la que contiene el verdadero valor de
la probabilidad media. En el ejemplo de submarino, estos subconjuntos pueden
ser identificados por lo lejos que estaban las burbujas. En casos como estos, el
subgrupo en el que la cada de datos pertinentes para determinar la
probabilidad de que el CI contiene el valor verdadero; por lo tanto, estos
subconjuntos especiales de los datos se llaman subconjuntos pertinentes
(Buehler, 1959; Buehler y FEDDERSEN, 1963; Casella, 1992; Robinson, 1979).
La existencia de subconjuntos pertinentes indica un fallo de adecuadamente
acondicionado en los datos: no es la informacin en datos que no se est
utilizando. Al no utilizar esta informacin relevante, los investigadores creen
que la falacia Confianza Fundamental se encuentran cerrando los ojos a los
aspectos importantes de los datos. Alguien que quera hacer un buen uso de
sus datos seguramente no querr utilizar un intervalo que admiti
subconjuntos pertinentes, ya que se incurrira haciendo caso omiso de lo que
se pudo ver claramente en los datos. Por otra parte, si uno cree que la falacia
confianza fundamental, la existencia de subconjuntos pertinentes puede causar
estados de confianza mutuamente contradictorias
Aunque no hay nada acerca de ellos mismos procedimientos de confianza que
impiden subconjuntos relevantes - su objetivo es un rendimiento promedio de
reserva de largo plazo, no para apoyar inferencias razonables, especficas podemos crear un procedimiento que elimina los subconjuntos relevantes en el
ejemplo sumergible. Intervalos bayesianos llamados intervalos de credibilidad
tienen en cuenta todos los datos a travs del condicionamiento. Si tomamos el
50% central de los intervalos marcados "posterior" en la Figura 2, se obtiene el
siguiente intervalo de credibilidad
Los intervalos de credibilidad para el primer y segundo escenarios de rescate
submarino se muestran en la Figura 2 a lo largo de la lnea denominada "Cred.
Int. "Ntese que el intervalo de credibilidad Bayesiano rastrea adecuadamente
la precisin dada por los datos (como se muestra por la posterior). Por cierto,
este procedimiento bayesiano produce otro procedimiento de confianza del
50%.
Es claro que para un cientfico cuidado sobre todo en lo que los datos en la
mano dicen acerca del parmetro, el intervalo bayesiano es preferible. El
intervalo bayesiano no pasa por alto la informacin en los datos dejando
subconjuntos pertinentes; no puede incluir valores imposibles; y su estrechez
es directamente proporcional a la precisin de derivan de los datos. Se deriva
de la distribucin posterior bayesiana, que es una declaracin nica sobre la
incertidumbre sobre el parmetro, dados los datos y un destino anterior. En
contraste, los intervalos de confianza no son exclusivos; para cualquier