Kluczowe wnioski
Sprawdź częstość bazową, zanim zaufasz dodatniemu wynikowi testu
Zacznij od częstości występowania. Prawdopodobieństwo a priori to szansa, że dana choroba występuje, zanim pojawią się nowe dowody. Bez niego nie da się zinterpretować wyniku testu. W przykładzie z książki mammografia prawidłowo wykrywa 80% nowotworów i prawidłowo wyklucza chorobę u 90% osób bez raka. Jeśli na 100 000 badanych kobiet 1% choruje na raka, otrzymamy 800 wyników prawdziwie dodatnich, ale 9900 wyników fałszywie dodatnich. Wśród wszystkich dodatnich wyników szansa, że dana osoba rzeczywiście ma raka, wynosi około 7%, a nie 80% czy 90%.
Policz konkretne osoby. Łatwiej pojąć te obliczenia, gdy odniesiemy je do grupy ludzi, a nie do abstrakcyjnych procentów. Ten sam test dostarcza więcej informacji w populacji o wyższym ryzyku, ponieważ wzrasta odsetek wyników prawdziwie dodatnich. Przy podejmowaniu decyzji o badaniach przesiewowych bierze się też pod uwagę fałszywe alarmy, badania kontrolne, niepokój i koszty.
Uderza, jak zwykła zmiana badanej populacji zmienia znaczenie testu, choć sam test pozostaje taki sam. To podstawowa lekcja skutecznego komunikowania ryzyka: należy podawać częstości bezwzględne, a nie tylko czułość czy swoistość. Lekarz, który mówi, że test jest bardzo dokładny, może mieć technicznie rację, a mimo to poważnie wprowadzić pacjenta w błąd. Te same obliczenia mają znaczenie przy kontrolach bezpieczeństwa, wykrywaniu oszustw i diagnozowaniu rzadkich chorób. Częstości bazowe nie są powodem, by zlekceważyć dodatni wynik — stanowią kontekst niezbędny do jego odpowiedzialnej interpretacji.
Rzadkie dopasowanie DNA nie oznacza, że podejrzany jest niewinny z takim właśnie prawdopodobieństwem
Uważnie odwróć pytanie. Błąd prokuratora polega na pomyleniu szansy na dopasowanie DNA, jeśli dana osoba jest niewinna, z szansą, że jest niewinna, skoro dopasowanie nastąpiło. Dopasowanie, którego można się spodziewać raz na trzy miliony przypadków, nie oznacza, że prawdopodobieństwo niewinności wynosi jeden do trzech milionów. Jeśli śledczy przeszukali populację liczącą 65 milionów osób, sam przypadek mógł dać około 20 dopasowań, oprócz dopasowania sprawcy. Przy uproszczonych założeniach przyjętych w książce losowe dopasowanie wskazywałoby więc raczej na niewinną osobę niż na sprawcę.
Sposób wyboru też ma znaczenie. W zagadce Monty’ego Halla zmiana wyboru drzwi zwiększa szansę wygranej z jednej trzeciej do dwóch trzecich wyłącznie dlatego, że prowadzący wie, gdzie jest samochód, i celowo otwiera drzwi z kozą. Jeśli drzwi otwierają się losowo, nie stanowi to takiego samego dowodu. Proces, który doprowadził do uzyskania wskazówki, zmienia jej znaczenie.
Wspólna myśl jest taka, że dowód nie ma stałej mocy niezależnej od procesu, który go dostarczył. Analiza kryminalistyczna wymaga uwzględnienia przeszukanej populacji, sposobu wytypowania podejrzanych oraz możliwości, że osoba niewinna miała kontakt z dowodem. Sąd powinien też odróżniać statystyczne dopasowanie od szerszego pytania o winę, które zależy od wielu faktów. Przykład Monty’ego Halla unaocznia tę kwestię: identyczne widoczne wyniki mogą nieść różną informację w zależności od zastosowanej procedury. Prawdopodobieństwo warunkowe nie jest technicznym przypisem. Należy do opowieści o tym, jak pojawił się dowód.
Nie przypisuj niepewnym twierdzeniom prawdopodobieństwa zerowego — bo dowody nie będą mogły zmienić twojego zdania
Przekonania mogą się zmieniać. Twierdzenie Bayesa opisuje, jak zaktualizować prawdopodobieństwo, gdy pojawią się nowe dowody. Prawdopodobieństwo a priori to wyjściowa ocena, a prawdopodobieństwo a posteriori — ocena zmieniona po uwzględnieniu dowodów. Następnie prawdopodobieństwo a posteriori staje się kolejnym prawdopodobieństwem a priori. Te prawdopodobieństwa wyrażają stan wiedzy danej osoby, a nie jakąś magiczną właściwość przypisaną zdarzeniu. Różne osoby mogą zasadnie aktualizować swoje oceny w różny sposób, jeśli zaczynają od odmiennych informacji lub założeń.
Zostaw uchylone drzwi. Reguła Cromwella odradza przypisywanie dokładnie zera lub jedynki twierdzeniom, które nie są logicznie pewne. Jeśli deszcz wydaje się niemal niemożliwy w miejscu, gdzie od dawna panuje susza, kolejne mokre chodniki wciąż mogą zmienić tę ocenę. Prawdopodobieństwo równe dokładnie zeru nie drgnie, bo zero pomnożone przez dowolny dowód nadal daje zero.
To ujęcie pozwala uniknąć dwóch skrajności: udawania, że niepewność można wyeliminować, i udawania, że każde przekonanie da się równie dobrze obronić. Prawdopodobieństwa a priori są osobiste, ale można je konfrontować z danymi wyjściowymi, wiedzą ekspertów i innymi rozsądnymi założeniami początkowymi. Praktyczna dyscyplina polega na określeniu, co mogłoby zmienić nasze przekonanie, zanim zacznie się spór. Uporczywie niskie prawdopodobieństwo może być racjonalne; niezmienne prawdopodobieństwo sygnalizuje, że odcięto się od dowodów. Pewność powinna odzwierciedlać zarówno jakość dowodów, jak i wiarygodność leżących u ich podstaw założeń.
Wartość p mierzy zaskoczenie przy założeniu hipotezy zerowej, a nie prawdziwość teorii
Odczytuj statystykę dosłownie. Wartość p to prawdopodobieństwo uzyskania wyników co najmniej tak skrajnych jak zaobserwowane, przy założeniu, że określona hipoteza zerowa jest prawdziwa. Nie jest to prawdopodobieństwo, że hipoteza jest fałszywa, ani szansa, że wyniki są dziełem przypadku. Wartość p poniżej 0,05 to umowny próg, a nie świadectwo prawdy.
Drobne wybory kumulują się. W ramach projektu replikacyjnego badacze powtórzyli 100 badań psychologicznych. Choć 97 pierwotnych badań wykazało wyniki istotne statystycznie, udało się to tylko w 36 replikacjach. Elastyczny dobór analiz, wielokrotne sprawdzanie wyników i preferowanie w publikacjach sensacyjnych odkryć mogą wytwarzać pozorne odkrycia. Książka nazywa jedną z takich praktyk HARKing (stawianiem hipotez po poznaniu wyników) — formułowaniem hipotezy po zapoznaniu się z wynikami. Wstępna rejestracja badań i publikowanie wyników niezależnie od ich charakteru pomagają ograniczyć te presje.
Problem nie polega po prostu na tym, że naukowcy czasem popełniają błędy. Chodzi o to, że konwencję statystyczną regularnie wykorzystywano do odpowiedzi na pytanie, do którego nie została stworzona, a system nagradzał nowatorskie wyniki. To rozróżnienie przypomina diagnostykę: odsetek wyników fałszywie dodatnich nie jest tym samym co prawdopodobieństwo, że dodatnie twierdzenie jest fałszywe. Analiza bayesowska pozwala jawnie uwzględnić prawdopodobieństwo a priori, ale żadna metoda statystyczna nie naprawi selektywnego raportowania ani źle zaprojektowanego badania. Niezależnie od przyjętych ram znaczenie mają lepsze bodźce, przejrzyste metody i niezależne replikacje.
Zanim uwierzysz w zaskakujący wynik, porównaj konkurencyjne wyjaśnienia
Dowody mają konkurentów. Wynik wysoce nieprawdopodobny może podważać dobrze znaną teorię, ale może też wskazywać na wadliwy sprzęt, oszustwo lub nieuwzględniony czynnik. W 2011 roku eksperyment CERN-u zdawał się wykazywać, że neutrina docierały na miejsce około 60 nanosekund szybciej niż światło — wynik niezwykły, z bardzo małą wartością p. Okazało się, że pozorny efekt wynikał ze słabo podłączonego kabla światłowodowego, a nie z nowej fizyki.
Nie wymuszaj fałszywego wyboru. Brytyjski parapsycholog Samuel Soal informował o zdumiewających wynikach zgadywania kart, lecz późniejsze dochodzenie wykazało, że manipulował liczbami. Zdolności parapsychiczne i czysty przypadek nie były jedynymi możliwymi wyjaśnieniami. Rzetelne wnioskowanie polega na porównaniu wiarygodnych alternatyw, w tym błędów pomiaru i procedury, zamiast traktować pojedynczy zaskakujący wynik jako wybór między główną tezą a przypadkiem.
To pożyteczna korekta zarówno łatwowierności, jak i odruchowego odrzucania. Zaskakujące odkrycie powinno skłaniać do zbadania sprawy, a nie do automatycznego przyjęcia lub przemilczenia wyniku. W złożonych układach obserwacja może być prawdziwa, choć proponowana przyczyna jest błędna, jak pokazuje awaria kabla. Najsilniejszy sceptycyzm naukowy polega na projektowaniu testów, które rozróżniają wyjaśnienia. Jest tu jednak pewne ograniczenie: nigdy nie można mieć pewności, że lista alternatyw jest kompletna. Dlatego replikacja, kontrola aparatury i niezależne metody są niezbędnymi zabezpieczeniami, a nie biurokratycznymi przeszkodami dla ekscytujących odkryć.
Najpierw prognozuj z perspektywy zewnętrznej, potem aktualizuj ocenę na podstawie lokalnych dowodów
Zacznij od klasy porównawczej. Perspektywa zewnętrzna bierze za punkt wyjścia częstotliwość podobnych zdarzeń, a następnie uwzględnia szczegóły konkretnego przypadku. Na weselu osoba stawiająca prognozę mogłaby zacząć od odsetka małżeństw w Wielkiej Brytanii, które kończą się rozwodem, zamiast uznać uroczystość danej pary za rozstrzygający dowód. Perspektywa wewnętrzna — na przykład pozorna zgodność pary — modyfikuje następnie tę wyjściową ocenę.
Formułuj sprawdzalne prognozy. Philip Tetlock poprosił 284 ekspertów o sformułowanie ponad 30 000 precyzyjnych prognoz. Przeciętny prognosta radził sobie tylko nieznacznie lepiej niż losowo, natomiast niewielka czołowa grupa, superprognostycy, osiągała wyraźnie lepsze wyniki. Posługiwali się prawdopodobieństwami, rozbijali pytania na mniejsze oceny, konsultowali się z godnymi zaufania kolegami i zapisywali wyniki. Wynik Briera mierzy trafność prognoz, karząc za kwadrat różnicy między prognozą a tym, co się wydarzyło.
Prognozowanie poprawia się, gdy niejasna pewność siebie przybiera postać liczby, którą można sprawdzić. Kalibracja polega na tym, by zdarzenia, którym przypisano 70% szans, występowały mniej więcej w siedmiu przypadkach na dziesięć. To coś innego niż trafne przewidzenie każdego pojedynczego zdarzenia; kalibracja pozwala prognostom się uczyć, nie udając, że niepewność zniknęła. Klasy porównawcze mogą wprowadzać w błąd, gdy dany przypadek rzeczywiście nie ma precedensu albo świat się zmienił. Dlatego najlepsi prognostycy traktują częstości bazowe jako punkt odniesienia, a nie klatkę, i odnotowują, kiedy nowe dowody uzasadniają odejście od nich.
Niech o tym, co warto zrobić, decydują konsekwencje, a nie same szanse
Prawdopodobieństwo to nie decyzja. Użyteczność oznacza wartość lub koszt, jakie dana osoba przypisuje danemu wynikowi. Oczekiwana użyteczność łączy prawdopodobieństwo każdego wyniku z jego wartością. Zdarzenie o niskim prawdopodobieństwie może uzasadniać działanie, jeśli potencjalna korzyść jest ogromna; z kolei prawdopodobny wynik może nie być wart osiągania, jeśli korzyść jest niewielka albo koszt wysoki.
Liczby mogą pomóc w wyborze. W hipotetycznej loterii opisanej w książce jeden los kosztuje 1 funta, główna wygrana wynosi 150 milionów funtów, a szansa na wygraną to mniej więcej jedna na 131 milionów. Jeśli pominiemy takie komplikacje jak dzielenie się wygraną, oczekiwana wypłata wynosi około 1,14 funta, zatem los ma niewielką dodatnią oczekiwaną wartość pieniężną. Rzeczywiste preferencje nie sprowadzają się jednak do pieniędzy. Znaczenie mają tolerancja ryzyka, sprawiedliwość i konsekwencje pomyłki.
To podejście łączy prawdopodobieństwo z ekonomią i etyką: prognoza staje się wyborem dopiero wtedy, gdy przypisze się wartość jej możliwym wynikom. Te same szanse mogą racjonalnie prowadzić do różnych decyzji u osób o odmiennych zasobach lub obowiązkach. Organ zdrowia publicznego może na przykład inaczej oceniać niewielkie ryzyko dotyczące milionów ludzi niż jednostka rozważająca ryzyko osobiste. Oczekiwana wartość jest użytecznym punktem odniesienia, ale nie opisuje w pełni dobrostanu człowieka. Pieniądze są wygodne w obliczeniach, lecz stanowią jedynie przybliżenie zdrowia, bezpieczeństwa, czasu i preferencji.
Mózg postrzega, porównując predykcję z danymi zmysłowymi
Percepcja jest wnioskowaniem. Przetwarzanie predykcyjne opisuje mózg jako układ, który tworzy oczekiwania dotyczące napływających sygnałów zmysłowych i koryguje je, gdy do nich nie pasują. Sukienka — obraz, który jedni widzowie widzieli jako niebiesko-czarny, a inni jako biało-złoty — pokazuje, jak to samo niejednoznaczne światło może prowadzić do różnych interpretacji. Mózg wnioskuje zarówno o kolorze przedmiotu, jak i o otaczającym go oświetleniu.
Niezgodność przyciąga uwagę. Iluzja szachownicy sprawia, że dwa identyczne szare pola wydają się różne, ponieważ jedno wygląda, jakby znajdowało się w cieniu. Mózg wykorzystuje założenia dotyczące oświetlenia, by zinterpretować obraz. W eksperymentach łączących wzrok i dotyk ludzie bardziej polegali na tym zmyśle, który dostarczał dokładniejszych informacji. W tym ujęciu błąd predykcji to rozbieżność między informacją oczekiwaną a napływającą — sygnał, że mózg może potrzebować zaktualizować swój model.
Model ten łączy percepcję z wnioskowaniem statystycznym i wyjaśnia, dlaczego iluzje są pouczające, a nie po prostu świadczą o błędach. Dane zmysłowe są często niejednoznaczne, dlatego wcześniejsze doświadczenia pomagają ustabilizować użyteczny obraz świata. Ceną za to jest możliwość, że te same oczekiwania przesłonią zaskakujące informacje, jak pokazuje iluzja wklęsłej maski. Przetwarzanie predykcyjne to potężne podejście badawcze, nie należy go jednak traktować jako rozstrzygającego wyjaśnienia każdego aspektu świadomości. Jego wartość polega między innymi na tym, że prowadzi do sprawdzalnych twierdzeń dotyczących percepcji, uwagi oraz wpływu wiarygodności sygnałów zmysłowych na osądy.
Dobierz skrót myślowy do zadania, a przy wysokiej stawce sprawdź go ponownie
Kontekst zmienia sposób rozumowania. W abstrakcyjnej łamigłówce Wasona mniej niż jedna osoba na dziesięć wybrała w pierwotnym badaniu karty poprawne logicznie. Gdy jednak tę samą regułę przedstawiono jako sprawdzenie, czy nieletni piją alkohol na imprezie, badani znacznie łatwiej znajdowali istotne przypadki. Znajoma sytuacja może ułatwić dostrzeżenie struktury problemu.
Skróty myślowe mogą świadczyć o umiejętności. Heurystyka śledzenia wzrokiem pomaga złapać piłkę: trzeba nieustannie na nią patrzeć i dostosowywać ruch tak, by jej położenie w polu widzenia pozostawało stabilne. Dzięki temu nie trzeba obliczać całej jej trajektorii. Takie heurystyki są skuteczne w znajomych warunkach, ale mogą zawodzić, gdy wyraziste przykłady zniekształcają ocenę ryzyka albo gdy decyzja zależy od prawdopodobieństwa rzadkiego zdarzenia. W takich sytuacjach warto zwolnić i wyraźnie uwzględnić częstość bazową.
Ważne rozróżnienie nie przebiega między ludźmi racjonalnymi i nieracjonalnymi, lecz między narzędziami odpowiednimi do zadania a tymi, które zawodzą. Racjonalność ekologiczna bada, jak skrót myślowy sprawdza się w środowisku, w którym jest stosowany. Szybka strategia wzrokowa może świetnie służyć do łapania piłki, a zupełnie nie nadawać się do szacowania rzadkiego ryzyka medycznego. Ekspertyza polega po części na nauczeniu się, którym wskazówkom warto poświęcić uwagę. Trzeba jednak pamiętać, że sytuacje, które wydają się znajome, mogą skrywać nieznane statystyki, dlatego wysoka stawka uzasadnia jawne sprawdzenie nawet wtedy, gdy intuicja działa płynnie.
Sprawdź, czy predyktor nauczył się modelu, a nie tylko wzorca
Predykcja może ujawnić strukturę. Modele językowe trenuje się tak, by przewidywały dalszy ciąg tekstu, dlatego krytycy nazywają je rozbudowanym autouzupełnianiem. Książka opisuje jednak model grający w Othello, wytrenowany na sekwencjach ruchów w grze. W nieznanych wcześniej sytuacjach wykonywał dozwolone ruchy, a badacze potrafili wskazać wewnętrzną reprezentację planszy, która wpływała na jego wybory.
Model nie jest umysłem. Dowody te sugerują, że przewidywanie kolejnego kroku może skłaniać sztuczną inteligencję do tworzenia użytecznych reprezentacji napotkanego środowiska. Nie dowodzą jednak, że system rozumie świat tak jak człowiek. To rozróżnienie ma znaczenie: predyktor może uogólniać wiedzę poza zapamiętane przykłady, a mimo to pozostawać ograniczony przez dane treningowe, swoje cele i sytuacje, z którymi nigdy się nie zetknął.
Wynik dotyczący Othello daje konkretny sposób badania twierdzeń o inteligencji maszyn: można sprawdzać uogólnianie i analizować, czy stany wewnętrzne odzwierciedlają istotne cechy zadania. Podobna logika występuje w nauce szerzej — model zyskuje wiarygodność, gdy przewiduje obserwacje wykraczające poza dane, na podstawie których go zbudowano. Skuteczne przewidywanie nie rozstrzyga jednak kwestii świadomości, znaczenia ani rozumienia podobnego do ludzkiego. System może dysponować użytecznym modelem zadania, nie mając bogatego, ucieleśnionego doświadczenia związanego z ludzką wiedzą.
Analiza
Najważniejszy zabieg w tej książce polega na zmianie pytania z „Jak zaskakujący jest ten dowód przy założeniu danej hipotezy?” na „Jak bardzo ten dowód powinien zmienić nasze przekonanie?”. Ta zmiana łączy diagnostykę medyczną, dowody DNA, badania naukowe, prognozowanie, percepcję i uczenie maszynowe. W każdym przypadku dowód staje się informatywny dopiero na tle wyjściowego modelu tego, co było prawdopodobne, oraz opisu sposobu, w jaki powstał.
Nie jest to argument, że wszystkie przekonania są równie subiektywne. Prawdopodobieństwo a priori można oprzeć na danych o częstości występowania, wcześniejszych eksperymentach, wiedzy ekspertów lub dobrze dobranej klasie porównawczej. Można też wykazać jego kruchość, sprawdzając, czy wnioski zmieniają się przy zastosowaniu innych, dających się obronić wartości a priori. Praktycznym ideałem nie są doskonałe obliczenia, które często są niemożliwe, lecz jawne założenia i aktualizowanie przekonań w stopniu współmiernym do dowodów.
Książka najskuteczniej pokazuje, na czym polega prawdopodobieństwo warunkowe. Dodatni wynik badania przesiewowego, dopasowanie DNA czy odkrycie drzwi w teleturnieju mają różne znaczenie w zależności od populacji i procedur. Wartościowe jest też omówienie istotności naukowej: mała wartość p nie jest prawdopodobieństwem a posteriori, a bodźce w środowisku badawczym mogą przekształcić elastyczność analizy w fabrykę fałszywych odkryć. Metody bayesowskie nie rozwiązują jednak wszystkich problemów nauki. Źle określony model, obciążone dane lub mylący iloraz wiarygodności mogą prowadzić do pewnych siebie, lecz błędnych prawdopodobieństw a posteriori. Samo subiektywne prawdopodobieństwo nie rozstrzyga też, co społeczeństwo powinno zrobić. Decyzje wymagają uwzględnienia wartości, konsekwencji i kwestii podziału — nie tylko prawdopodobieństw.
Rozdziały o mózgu przenoszą tę samą ideę z jawnego rozumowania na percepcję. Przetwarzanie predykcyjne przekonująco wyjaśnia, dlaczego wiążą się ze sobą niejednoznaczność, uwaga i iluzje, a omówienie AI sugeruje, że przewidywanie może prowadzić do powstawania wewnętrznych struktur. Są to oświetlające zagadnienie podejścia, a nie uniwersalne dowody, że każdy proces umysłowy lub obliczeniowy jest w ścisłym matematycznym sensie bayesowski. Trwalsza lekcja jest skromniejsza i bardziej użyteczna: traktuj przekonania jako modele, które można zrewidować, pytaj, jakie dowody rozstrzygnęłyby między konkurencyjnymi wyjaśnieniami, i zwracaj uwagę na to, czy poziom pewności nie wykracza poza to, co uzasadniają fakty.
Podsumowanie recenzji
Everything Is Predictable Toma Chiversa przedstawia statystykę bayesowską i jej zastosowania w nauce, podejmowaniu decyzji oraz życiu codziennym. Czytelnicy chwalą przystępny styl autora, wciągające wyjaśnienia i wykorzystanie przykładów z życia. Książka omawia historię myślenia bayesowskiego, zestawia je z podejściem frekwentystycznym i porusza jego znaczenie dla kryzysu replikacyjnego w nauce. Choć niektórzy uznali pewne fragmenty za trudne lub powtarzalne, wielu poleca ją jako wnikliwe wprowadzenie do rozumowania bayesowskiego dla szerokiego grona odbiorców, podkreślając, że może ona zmienić nasze rozumienie niepewności i przewidywania.
Inni czytali również
Słowniczek
twierdzenie Bayesa
Reguła aktualizowania prawdopodobieństwaMatematyczna reguła pozwalająca zrewidować prawdopodobieństwo hipotezy po pojawieniu się nowych dowodów. Łączy prawdopodobieństwo a priori hipotezy z tym, jak prawdopodobne byłyby dane dowody, gdyby hipoteza była prawdziwa, uwzględniając przy tym ogólną częstość występowania tych dowodów. Wyjaśnia, dlaczego dowodów nie można interpretować bez kontekstu.
prawdopodobieństwo a priori
Początkowe prawdopodobieństwo przed uwzględnieniem dowodówPrawdopodobieństwo przypisane hipotezie przed rozważeniem konkretnego nowego dowodu. Prawdopodobieństwo a priori może odzwierciedlać częstość bazową, wcześniejsze ustalenia, wiedzę ekspercką lub uzasadnioną ocenę. W rozumowaniu bayesowskim jest aktualizowane, a nie odrzucane. Różne rozsądne wartości a priori mogą prowadzić do odmiennych wniosków, zwłaszcza gdy dowodów jest niewiele.
prawdopodobieństwo a posteriori
Zaktualizowane prawdopodobieństwo po uwzględnieniu dowodówPrawdopodobieństwo przypisane hipotezie po połączeniu nowych dowodów z prawdopodobieństwem a priori. Odzwierciedla zaktualizowany stan wiedzy, niekoniecznie obiektywną częstość występowania czegoś w świecie. Gdy pojawią się kolejne dowody, prawdopodobieństwo a posteriori z jednej aktualizacji może posłużyć jako prawdopodobieństwo a priori w następnej.
iloraz wiarygodności
Siła dowodu w porównaniu hipotezPorównanie tego, jak prawdopodobny jest dany dowód przy jednej hipotezie w stosunku do innej. Jeśli dowód jest cztery razy bardziej prawdopodobny, gdy dane twierdzenie jest prawdziwe, niż gdy jest fałszywe, jego iloraz wiarygodności wynosi cztery do jednego. Iloraz wiarygodności opisuje siłę dowodu, ale sam nie określa ostatecznego prawdopodobieństwa danego twierdzenia.
wartość p
Zaskakujący charakter danych przy założeniu hipotezy zerowejPrawdopodobieństwo uzyskania wyników co najmniej tak skrajnych jak otrzymane, przy założeniu, że określona hipoteza zerowa jest prawdziwa. Nie określa prawdopodobieństwa, że hipoteza zerowa jest prawdziwa ani że wynik jest fałszywy. Jej interpretacja zależy od schematu badania, wyborów analitycznych i założeń leżących u podstaw modelu zerowego.
HARKing (stawianie hipotez po poznaniu wyników)
Hipoteza sformułowana po poznaniu wynikówSkrót oznaczający stawianie hipotez po poznaniu wyników. Opisuje przedstawianie hipotezy opracowanej po przeanalizowaniu danych tak, jakby została określona przed badaniem. Może to sprawić, że odkrycie eksploracyjne będzie wyglądać na trafną predykcję, zwłaszcza gdy badacze sprawdzają wiele wyników lub wariantów analizy.
wynik Briera
Ocena prognoz probabilistycznychMiara trafności prognozy oparta na kwadracie różnicy między przewidywanym prawdopodobieństwem a wynikiem. W przypadku zdarzenia binarnego prognoza o prawdopodobieństwie 80% otrzymuje mniejszą karę, jeśli zdarzenie nastąpi, niż gdyby do niego nie doszło. Niższe wyniki oznaczają lepszą skuteczność w serii prognoz.
reguła Cromwella
Unikanie absolutnej pewnościZasada bayesowska odradzająca przypisywanie prawdopodobieństwa równego zeru lub jedności twierdzeniom, które nie są logicznie pewne. Prawdopodobieństwo równe zeru uniemożliwia podniesienie prawdopodobieństwa twierdzenia przez jakiekolwiek przyszłe dowody, a jedynka nie pozwala go obniżyć. Reguła ta zachowuje możliwość uczenia się na podstawie nieoczekiwanych informacji.
przetwarzanie predykcyjne
Percepcja oparta na predykcjachModel funkcjonowania mózgu, w którym mózg tworzy oczekiwania dotyczące bodźców zmysłowych i porównuje je z sygnałami docierającymi z narządów zmysłów. Gdy sygnały oczekiwane i rzeczywiste się różnią, rozbieżność może skłonić mózg do zrewidowania swojego modelu. W tym ujęciu ruch jest również sposobem sprawdzania oczekiwań i gromadzenia przydatnych informacji.
błąd predykcji
Rozbieżność między oczekiwaniem a sygnałem wejściowymRóżnica między przewidywanym sygnałem lub wynikiem a faktycznie otrzymaną informacją. W ujęciach opartych na przetwarzaniu predykcyjnym rozbieżności mogą przyciągać uwagę i skłaniać mózg do zrewidowania swojego modelu, podczas gdy sygnały dobrze przewidziane mogą wymagać mniejszego przetwarzania. Terminu tego używa się także w modelach statystycznych i uczeniu maszynowym do opisu nietrafionych predykcji.
użyteczność
Wartość przypisywana wynikomWartość lub koszt przypisywane danemu wynikowi przez osobę podejmującą decyzję. Teoria decyzji łączy użyteczności z prawdopodobieństwami, aby porównywać dostępne działania. W wielu przykładach pieniądze są wygodnym miernikiem zastępczym, ale użyteczność może oznaczać zdrowie, bezpieczeństwo, czas, preferencje lub inne cenione konsekwencje. Różne osoby mogą racjonalnie wybierać inaczej, ponieważ różnią się przypisywaną użytecznością.
heurystyka śledzenia wzrokiem
Śledzenie celu podczas ruchuProsta strategia łapania poruszającego się obiektu: nie spuszczać z niego wzroku i dostosowywać ruch tak, by jego pozorne położenie pozostawało stabilne w polu widzenia. Zamiast obliczać pełną trajektorię obiektu, osoba łapiąca korzysta z bieżącej informacji wzrokowej. Książka przedstawia ją jako przykład skrótu myślowego, który może dobrze działać w znanym otoczeniu.
FAQ
O czym jest Everything Is Predictable?
- Statystyka bayesowska w centrum uwagi: Książka pokazuje, jak statystykę bayesowską można wykorzystać do rozumienia i przewidywania różnych zjawisk w naszym świecie.
- Twierdzenie Bayesa: Przedstawia twierdzenie Bayesa, podstawowe pojęcie rachunku prawdopodobieństwa, które pomaga aktualizować przekonania w świetle nowych dowodów.
- Zastosowania w praktyce: Autor pokazuje praktyczne konsekwencje myślenia bayesowskiego w takich dziedzinach jak medycyna, prawo i sztuczna inteligencja.
- Podejście interdyscyplinarne: Łączy wnioski z psychologii, neuronauki i statystyki, tworząc całościowy obraz podejmowania decyzji.
Dlaczego warto przeczytać Everything Is Predictable?
- Zrozumienie niepewności: Książka podpowiada, jak radzić sobie z niepewnością, stosując zasady bayesowskie.
- Rozwija krytyczne myślenie: Zachęca czytelników do kwestionowania założeń i rozumienia probabilistycznego charakteru wiedzy.
- Wciągająca i przystępna: Tom Chivers posługuje się bliskimi czytelnikom przykładami i anegdotami, by objaśniać złożone zagadnienia w sposób zrozumiały dla szerokiego grona odbiorców.
- Praktyczne podejmowanie decyzji: Dostarcza narzędzi do skuteczniejszej oceny ryzyka i korzyści w życiu osobistym i zawodowym.
Jakie są najważniejsze wnioski z Everything Is Predictable?
- Perspektywa bayesowska: Podkreśla znaczenie patrzenia na przekonania i decyzje przez pryzmat podejścia bayesowskiego oraz aktualizowania prawdopodobieństw a priori w świetle nowych dowodów.
- Unikanie skrajności: Odradza przypisywanie prawdopodobieństw równych zeru lub jedności i zaleca uwzględnianie niepewności.
- Znaczenie w praktyce: Omawia rolę myślenia bayesowskiego w przeciwdziałaniu kryzysowi replikacyjnemu w nauce i usprawnianiu procesu podejmowania decyzji.
Czym jest twierdzenie Bayesa w ujęciu Everything Is Predictable?
- Podstawowa definicja: Twierdzenie Bayesa to wzór pozwalający aktualizować prawdopodobieństwo hipotezy na podstawie nowych dowodów.
- Wyjaśnienie wzoru: Mówi, że prawdopodobieństwo zdarzenia A pod warunkiem zajścia zdarzenia B jest proporcjonalne do prawdopodobieństwa zdarzenia B pod warunkiem zajścia zdarzenia A, pomnożonego przez prawdopodobieństwo a priori zdarzenia A i podzielonego przez prawdopodobieństwo zdarzenia B.
- Przykład praktyczny: Książka posługuje się badaniami medycznymi, by pokazać, jak twierdzenie Bayesa może prowadzić do sprzecznych z intuicją wyników.
Jak Everything Is Predictable wyjaśnia pojęcie prawdopodobieństw a priori?
- Definicja prawdopodobieństw a priori: Oznaczają początkowe przekonania o prawdopodobieństwie hipotezy przed uwzględnieniem nowych dowodów.
- Wpływ na podejmowanie decyzji: Prawdopodobieństwa te w istotny sposób wpływają na interpretację nowych danych, dlatego są niezbędne w każdej analizie.
- Dynamiczna aktualizacja: Prawdopodobieństwa a priori należy aktualizować w miarę pojawiania się nowych dowodów, co pozwala na trafniejsze przewidywania.
Jakie zastosowania statystyki bayesowskiej w praktyce omawia Everything Is Predictable?
- Badania medyczne: Twierdzenie Bayesa służy do interpretacji wyników testów medycznych, podkreślając znaczenie prawdopodobieństw a priori.
- Dowody prawne: Rozumowanie bayesowskie można stosować w kontekście prawnym do oceny siły dowodów kryminalistycznych.
- Sztuczna inteligencja: Metody bayesowskie odgrywają rolę w AI, gdzie algorytmy przewidują wyniki na podstawie wcześniejszych danych i nowych informacji.
Jak Everything Is Predictable omawia kryzys replikacyjny w nauce?
- Krytyczna analiza: Książka omawia kryzys replikacyjny, polegający na tym, że wiele badań nie daje się powtórzyć, co podważa wiarygodność wyników naukowych.
- Praktyki statystyczne: Argumentuje, że metody frekwentystyczne, zwłaszcza wartości p, przyczyniają się do kryzysu, ponieważ sprzyjają uzyskiwaniu istotności statystycznej zamiast prawdziwych ustaleń.
- Rozwiązania bayesowskie: Sugeruje, że metody bayesowskie, które uwzględniają wcześniejszą wiedzę, mogłyby pomóc złagodzić te problemy.
Jak Everything Is Predictable odróżnia statystykę bayesowską od frekwentystycznej?
- Podejście bayesowskie: Skupia się na aktualizowaniu przekonań w świetle wcześniejszej wiedzy i nowych dowodów, umożliwiając elastyczną interpretację danych.
- Podejście frekwentystyczne: Opiera się na wartościach p i hipotezie zerowej, często prowadząc do decyzji zero-jedynkowych, bez uwzględniania wcześniejszych przekonań.
- Znaczenie dla nauki: Metody frekwentystyczne mogą prowadzić do mylących wniosków, podczas gdy metody bayesowskie zapewniają spójne ramy rozumienia niepewności.
Jakie znaczenie mają prawdopodobieństwa a priori w Everything Is Predictable?
- Podstawa myślenia bayesowskiego: Prawdopodobieństwa a priori wpływają na interpretację nowych informacji, kształtują oczekiwania i pomagają podejmować decyzje.
- Dynamiczna aktualizacja: Należy je aktualizować w świetle nowych dowodów, aby uzyskiwać trafniejsze przewidywania.
- Przykłady z życia: Przykłady takie jak badania medyczne pokazują, jak prawdopodobieństwa a priori wpływają na wyniki i ich interpretację.
Jaki związek ma Everything Is Predictable z podejmowaniem decyzji?
- Bayesowska teoria decyzji: Przedstawia uporządkowane podejście do dokonywania wyborów w warunkach niepewności, łączące wcześniejsze przekonania z nowymi dowodami.
- Użyteczność i wartość oczekiwana: Omawia te pojęcia, by określać ilościowo korzyści i ryzyko oraz ułatwiać racjonalną ocenę dostępnych możliwości.
- Zastosowania praktyczne: Zrozumienie bayesowskiego podejmowania decyzji może pomóc w codziennych wyborach, od inwestycji finansowych po decyzje dotyczące zdrowia.
Jaką rolę odgrywa błąd konfirmacji w Everything Is Predictable?
- Zrozumienie błędu konfirmacji: To skłonność do faworyzowania informacji potwierdzających istniejące przekonania, prowadząca do zniekształconego obrazu rzeczywistości.
- Perspektywa bayesowska: Podejście bayesowskie może pomóc ograniczyć błąd konfirmacji, zachęcając do rozważania alternatywnych hipotez.
- Znaczenie w praktyce: Rozpoznawanie tego błędu jest niezbędne do racjonalnego podejmowania decyzji i kształtowania trafnych przekonań.
Jakie są najlepsze cytaty z Everything Is Predictable i co znaczą?
- „Życie to nie szachy, gra z pełną informacją, którą teoretycznie można «rozwiązać». To poker, gra, w której próbujesz podejmować najlepsze decyzje, korzystając z ograniczonych informacji, jakie masz.”: Podkreśla niepewność towarzyszącą podejmowaniu decyzji w prawdziwym życiu.
- „Twierdzenie Bayesa jest dziwne. To proste równanie... ale ma doniosłe konsekwencje.”: Zwraca uwagę na paradoks polegający na tym, że twierdzenie Bayesa jest łatwe do zrozumienia, a zarazem potrafi wyjaśniać złożone zjawiska.
- „Nie da się zrozumieć niemal żadnego rodzaju badań medycznych bez odwołania się do Bayesa.”: Podkreśla kluczową rolę statystyki bayesowskiej w interpretacji testów medycznych.
Pobierz PDF
Pobierz EPUB
.epub idealnie nadaje się do czytania e-booków na telefonach, tabletach i czytnikach.