Ваш ряд экспериментов можно рассматривать как один эксперимент с гораздо большим количеством данных, и, как мы знаем, больше данных выгодно (например, обычно стандартные ошибки уменьшаются при увеличении для независимых данных). Но вы спрашиваете: «Это ... достаточно доказательств, чтобы сделать вывод, что H0 - правда?n−−√
Нет. Основная проблема заключается в том, что другая теория может создавать аналогичные шаблоны в данных! Как @ Björn обсуждает в своем ответе, вы не сможете отклонить ложное значение если в вашем эксперименте не хватает силы, чтобы отличить от других возможностей. На протяжении веков нам не удавалось отвергать теорию гравитации Ньютона, потому что никто не проводил тесты, в которых теория Ньютона дает достаточно разные предсказания, чем теория общей теории относительности Эйнштейна. Менее экстремальные примеры являются обычным явлением.H0H0
Дэвид Хьюм и проблема индукции
Возможно перефразировка : «Если я получаю все больше и больше данных , совместимые с быть верным, я могу сделать вывод , что когда - либо это правда?»H0H0
Этот вопрос тесно связан с проблемой индукции философа 18-го века Дэвида Хьюма . Если все наблюдаемые экземпляры A были B , можем ли мы сказать, что следующим экземпляром A будет B? Юм сказал, что нет, что мы не можем логически вывести, что «все А есть В», даже из объемных данных. В более современной математике конечный набор наблюдений не может логически повлечь за собой если A не является конечным множеством. Два примечательных примера, обсуждаемых Маги и Пассермором :∀a∈A[a∈B]
На протяжении веков каждый лебедь, которого наблюдали европейцы, был белым. Тогда европейцы открыли Австралию и увидели черных лебедей.
На протяжении веков закон тяготения Ньютона соглашался с наблюдением и считался правильным. Он был перевернут, хотя теория общей относительности Эйнштейна.
Если вывод Хьюма верен, доказательство истинно недостижимо. То, что мы не можем делать заявления с уверенностью, не равнозначно тому, что мы вообще ничего не знаем. Экспериментальная наука и статистика успешно помогли нам понять и ориентироваться в мире.H0
(Неполный) список путей продвижения вперед:
Карл Поппер и фальсификация
По мнению Карла Поппера , ни один научный закон никогда не будет доказан. У нас есть только научные законы, еще не доказанные ложными.
Поппер утверждал, что наука продвигается вперед, угадывая гипотезы и подвергая их тщательному анализу. Он продвигается вперед посредством дедукции (наблюдения, доказывающие ложность теорий), а не индукции (повторные наблюдения, подтверждающие верность теорий) Большая часть статистики часто строилась в соответствии с этой философией.
Точка зрения Поппера была чрезвычайно влиятельной, но, как утверждали Кун и другие, она не совсем соответствует эмпирически наблюдаемой практике успешной науки.
Байесовская, субъективная вероятность
Давайте предположим, что нас интересует параметр .θ
Для статистика, частыми исследованиями, параметр - это скалярное значение, число. Если вместо этого вы используете субъективную байесовскую точку зрения (например, в Фонде статистики Леонарда Джимми Сэвиджа ), вы можете смоделировать свою собственную неопределенность в отношении используя инструменты вероятности. Для субъективного байесовского, является случайной величиной, и у вас есть некоторый предварительный . Вы можете говорить о субъективной вероятности различных значений с учетом данных . То, как вы ведете себя в различных ситуациях, имеет некоторое отношение к этим субъективным вероятностям.θθ θ P ( θ ) P ( θ ∣ X ) θ XθθP(θ)P(θ∣X)θX
Это логичный способ моделирования ваших собственных субъективных убеждений, но это не волшебный способ получения вероятностей, которые являются истинными с точки зрения соответствия действительности. Сложный вопрос для любой байесовской интерпретации: откуда берутся приоры? Кроме того, что, если модель не указана?
Джордж П. Бокс
Известный афоризм Джорджа EP Box заключается в том, что «все модели ложные, но некоторые полезны».
Закон Ньютона, возможно, не верен, но он все еще полезен для многих проблем. Мнение Бокса очень важно в современном контексте больших данных, когда исследования настолько сильны, что вы можете отклонить практически любое осмысленное предложение. Строго говоря, а не ложь - это плохой вопрос: важно то, помогает ли модель понять данные.
Дополнительные комментарии
Существует большая разница в статистике между оценкой параметра с небольшой стандартной ошибкой и большой стандартной ошибкой! Не уходите, думая, что, поскольку уверенность невозможна, тщательное изучение не имеет значения.θ≈0
Возможно также интерес, статистический анализ результатов многочисленных исследований называется метаанализом .
Насколько далеко вы можете выйти за рамки узких статистических интерпретаций - сложный вопрос.