Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "reguła Bayesa" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Powtarzana gry kaskadowe jako dylemat społeczny
Autorzy:
Abramczuk, Katarzyna
Luan, Shenghua
Powiązania:
https://bibliotekanauki.pl/articles/1198826.pdf
Data publikacji:
2011
Wydawca:
Akademia Leona Koźmińskiego w Warszawie
Tematy:
information cascades
cooperation
reciprocity
Bayes theorem
social dilemma
kaskady informacyjne
kooperacja
wzajemność
reguła Bayesa
dylemat społeczny
Opis:
When decisions are made sequentially in a group, Bayesian playersaiming to maximize individual payoffs often need to ignore their private information and imitate choices of earlier decision makers. This results in information cascades. Once formed, information cascades can be harmful to information aggregation and average payoffs in the group. Therefore, there is a potential dilemma facing players in such situations. They can reveal private information and risk lower immediate payoffs but benefit the group in the long run, or join an information cascade. It has been shown that reciprocity (i.e., paying a cost at one time while being compensated at another) can lead to optimal solutions in such dilemmas. We hypothesized that it would be so for the present one, as well. This hypothesis was tested in an experiment in which we manipulated two factors: the stability of players' positions in a sequence that determined whether reciprocity was possible, and the decision payoff structure that constrained to what extent revealing private information was beneficial to the group. The results show that both factors influenced the probabilities of private information revealing and the group payoffs in ways consistent with our predictions.
W sekwencjach decyzyjnych gracze posługujący się regułą Bayesa, dążąc do maksymalizacji swojej wypłaty, często pomijają swoją prywatną informację i naśladują wybory wcześniejszych decydentów. W ten sposób powstają kaskady informacyjne, których konsekwencje to niska agregacja informacji i niższe przeciętne wypłaty w grupie. Zatem gracze stoją przed dylematem. Mogą ujawniać prywatną informację i zwiększyć tym samym przeciętne wypłaty w grupie, jednocześnie ponosząc pewne koszty lub przyłączać się do kaskad. Czyni to sekwencje decyzyjne podobnymi do dylematów społecznych, w których poświęcenie ze strony pewnych jednostek jest korzystne dla grupy jako całości. Jak dowiedziono, w dylematach takich możliwe jest zbliżenie się do optymalnych rozwiązań dzięki strategiom opartym na wzajemności. Podobne mechanizmy mogą mieć miejsce w sekwencjach decyzyjnych. Proponujemy test eksperymentalny tej hipotezy, w którym manipulujemy dwoma czynnikami. Zmienność sekwencji decyduje o możliwości pojawienia się wzajemności. Struktura wypłat ma wpływ na jej opłacalność. Pokazujemy, że oba te czynniki mają zgodny z przewidywaniem wpływ na częstość ujawniania prywatnej informacji oraz wypłaty w grupie.
Źródło:
Decyzje; 2011, 16; 5-28
1733-0092
2391-761X
Pojawia się w:
Decyzje
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Dowodzenie hipotez za pomocą zzynnika bayesowskiego (bayes factor): przykłady użycia w badaniach empirycznych
Autorzy:
Domurat, Artur
Białek, Michał
Powiązania:
https://bibliotekanauki.pl/articles/1198708.pdf
Data publikacji:
2016
Wydawca:
Akademia Leona Koźmińskiego w Warszawie
Tematy:
statistical inference
null hypothesis testing
Bayes Factor
p-value
Bayes’ rule
wnioskowanie statystyczne
testowanie hipotezy zerowej
reguła Bayesa
czynnik bayesowski
wartość p
Opis:
Testów statystycznych używa się w nauce po to, żeby wesprzeć zaproponowane hipotezy badawcze (teorie, modele itp.). Czynnik bayesowski (Bayes Factor, BF) jest metodą bezpośrednio wskazującą tę z dwóch hipotez, która lepiej wyjaśnia uzyskane dane. Jego wykorzystanie we wnioskowaniu statystycznym prowadzi do jednego z trzech wniosków: albo badanie bardziej wspiera hipotezę zerową, albo alternatywną, albo wyniki nie wspierają żadnej w sposób rozstrzygający i są niekonkluzywne. Symetria tych wniosków jest przewagą metody czynnika bayesowskiego nad testami istotności. W powszechnie używanych testach istotności nie formułuje się wniosków wprost, lecz albo się odrzuca hipotezę zerową, albo się jej nie odrzuca. Rozdźwięk między taką decyzją a potrzebami badacza często jest powodem nadinterpretacji wyników testów statystycznych. W szczególności wyniki nieistotne statystycznie są często nadinterpretowane jako dowód braku różnic międzygrupowych lub niezależności zmiennych.W naszej pracy omawiamy założenia teoretyczne metody BF, w tym różnice między bayesowskim a częstościowym rozumieniem prawdopodobieństwa. Przedstawiamy sposób weryfi kacji hipotez i formułowania wniosków według podejścia bayesowskiego. Do jego zalet należy m.in. możliwość gromadzenia dowodów na rzecz hipotezy zerowej. Wykorzystanie metody w praktyce ilustrujemy przykładami bayesowskiej reinterpretacji wyników kilku opublikowanych badań empirycznych, w których wykonywano tradycyjne testy istotności. Do obliczeń wykorzystaliśmy darmowy program JASP 0.8, specjalnie dedykowany bayesowskiej weryfi kacji hipotez statystycznych.
Statistical tests are used in science in order to support research hypotheses (theory, model). The Bayes Factor (BF) is a method that weighs evidence and shows which out of two hypotheses is better supported. Adopting the BF in statistical inference, we can show whether data provided stronger support for the null hypothesis, the alternative hypothesis or whether it is inconclusive and more data needs to be collected to provide more decisive evidence. Such a symmetry in interpretation is an advantage of the Bayes Factor over classical null hypothesis significance testing (NHST). Using NHST, a researcher draws conclusions indirectly, by rejecting or not rejecting the null hypothesis. The discrepancy between these decisions and the researcher’s needs, often leads to misinterpretation of significance test results, e.g. by concluding that non-significant p-values are evidence for the absence of differences between groups or that variables are independent. In this work we show the main differences between the Bayesian and the frequential approach to the understanding of probability and statistical inference. We demonstrate how to verify hypotheses using the BF in practice and provide concrete examples of how it modifies conclusions about empirical findings based on the NHST procedure and the interpretation of p-values. We discuss the advantages of the BF – particularly the validation of a null hypothesis. Additionally, we provide some guidelines on how to do Bayesian statistics using the freeware statistical program JASP 0.8.
Źródło:
Decyzje; 2016, 26; 109-141
1733-0092
2391-761X
Pojawia się w:
Decyzje
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies