搜尋結果
2021年7月15日 · 2021-07-15. 分享本文. 圖片來源:GOOGLE. 你我日常頻繁使用的 Chrome 瀏覽器,即將要推出一項重大更新。 為了打造更安全的網路環境, Google 本週三(14 日)在部落格中宣布, 即將上線的新 Chrome ,將會啟用「優先使用 HTTPS」 (HTTPS-First )連線的功能,也就是說, 瀏覽器會自動用 https 去連線那些沒有 https 的網站,如果該網站不提供這樣支援服務,Chrome 則會跳出整頁警告。 更新的 Chrome 鎖定圖示有可能改成向下箭頭. 此外,公司還宣布,他們正在「重新評估」URL 欄位中鎖定圖示,有可能會改成向下的箭頭,如下圖所示。
- 統計學是一門關於改變既定觀念的學科
- 貝葉斯學派從先驗信念的角度看待問題
- 假設是對現實世界的一種「可能的」描述
- 簡而言之,假設檢驗的目的在於:「我們的事實證據能否拒絕零假設?」
- P 值理論是統計學中重要的一部分
- 信賴區間與零假設不重疊的話,就改變你的看法吧
- 數學理論是建立零假設的基礎,這也是 p 值理論的來源
- 我們做準備工作了嗎?這是功效所衡量的內容
- 功效分析用於檢查在著手之前你是否準備了足夠的數據
- 數據越多越容易杜絕錯誤的結論
一般情況下,我們根據事件(統計參數)進行決策尚有難度,更何況有時候我們連對應的事件都沒有。相反,我們已知的部分事件(統計樣本)與我們所希望知道的整體事件(統計總體)之間可能會存在很大的差異。這就意味測量本身是存在著不確定性的。 統計學是一門能在充滿不確定性的情況下改變你對事物看法的科學。當然,首先要確定的是:你目前的看法從何而來?是基於假設檢驗還是基於先驗信念?或者也有可能你沒有任何看法,大腦一片空白。
貝葉斯統計學通過結合數據來更新人們對事物的先驗信念(無需經驗或先於經驗獲得的知識,簡單來說就像是「直覺」。)。貝葉斯學派傾向於使用信賴區間(即介於兩個數字之間的區間)來表示結果。 頻率學派則主張從頻率的角度看待問題。 頻率學派統計學著重於改變一個人的選擇。人們不需要任何先驗信念就可以做出下意識的選擇,也無需分析任何數據。頻率學派統計學(也被稱為古典統計學)大多出現在日常生活中或者像 STAT101 這種統計學入門課程中,因此本文也對這類經典的理論進行介紹。
零假設描述的是一種缺省的情況,即默認的選擇;備擇假設(又稱:對立假設)則是與零假設對立的其他一種或者多種情況。如果我用數據證明了「零假設」並不成立,那麼你就可以拒絕「零假設」從而接受備擇假設。 例如:如果你每天早上用於準備的時間少於 15 分鐘(零假設),我們就可以一起去上課(默認情況)。但是,如果事實(數據)證明你得花更長的時間(對立假設)才能準備好的話,你就只能自己一個人去了,因為在你準備好之前我已經走了(備選情況)。
所有的假設檢驗都在問這樣一個問題:我們的證據能否拒絕零假設?拒絕零假設意味著我們學到了一些東西,我們應該改變自己的觀念。不拒絕零假設意味著我們沒有學到任何新的東西。 就像我們在樹林裡徒步旅行的時候,在周圍沒有看到其他人並不能證明地球上沒有人類,只是意味著我們沒有學到有關人類活動範圍的新知識。如果沒有學到新知識,你也不必沮喪,因為你已經知道確切的應對方法。既然你沒有學到新知識,也就沒有理由改變觀念,所以繼續採取默認做法就可以了。 那麼我們怎麼判斷我們是否學到了新內容?所謂“新內容”,就是與默認選擇完全相悖,可以讓我們新知識。為了得到上面問題的答案,我們可以查看兩個統計參數,P值和置信區間。
P 值闡述了這樣一個統計參數:如果接受原假設,觀察樣本對原假設的支持程度。通過 P 值可以判斷假設是否成立。P值越小,意味著默認結果出現的概率越小,「新內容」出現的可能性越大,統計越顯著,說明你應該改變先前的觀念。 進行假設檢驗,我們只需要將 P 值與顯著性水平進行比較。這就像是一個旋鈕,可以用來控制我們承受風險的大小。顯著性水平指當原假設正確時,人們卻因拒絕它而犯錯的上限概率。如果你將顯著性水平設置為 0,那麼就意味著你拒絕了備擇假設。那麼停下筆吧!別分析數據了,直接按默認方法去做吧。(但堅持默認做法也有可能是錯誤的。) 如何使用 P 值來獲取假設檢驗的結果。如果 P 值小於顯著性水平,拒絕原假設;如果 P 值大於顯著性水平,接受原假設。 信賴區間可以用來表示假設檢驗的結果。它的用法是,檢...
雖然信賴區間的定義晦澀難懂,但它有兩大優點有助於描述數據特性:(1)區間總是包含最合理的假設(2)數據量越大,區間範圍越窄。請注意,置信區間和 P 值並沒有簡練精闢的定義,因為當初設計這兩個統計參數的目的不在於方便教學。它們只是總結檢驗結果的方法。(如果你上了一節統計課,發現根本記不住這些的定義,原因就在於此。我來代表統計學說一句:不是你的鍋,是我自己的鍋。) 這樣做的意義是,如果你按照我剛才描述的方法進行測試,數學可以保證你犯錯誤的風險被限制在你選擇的顯著性水平以內(這就是為什麼你親自設置顯著性水平很重要……數學計算就是為了保證你所選擇的風險設置得以實現,如果你不費心選擇就沒有意義了。)
數學可以製造和檢驗零假設這個「玩具宇宙」(親愛的統計學家們,這多麼的酷啊!?簡直太酷了!),並生成數據,從而與已有的數據集進行相似度對比。如果你的零假設玩具宇宙與現實數據相似的可能性太低,你的 P 值將會很低,你最終會拒絕零假設……那就改變主意接受備擇假設吧! 那些瘋狂的公式、概率、分佈是用來做什麼的呢?它們讓我們得以描述那些統治零假設世界的一系列規則,從而判斷零假設是否與真實世界相符。如果不是,你就可以大喊:「太荒唐了!拉出去砍了!」如果相符,你聳聳肩,遺憾沒學到新知識。以後我們再深入討論這個話題。 就目前而言,只需將數學的作用看作是幫我們建立了多個小的玩具世界,幫助我們進行檢驗,看看真實數據如果放進玩具世界中是否合理。P 值和信賴區間是幫你總結的方法,讓你不需要眯眼費力來閱讀關於這個世界...
等一下,我們是否做足了準備工作,確保我們實實在在的收集了足夠的證據,讓我們有足夠的把握地改變觀念了嗎?這個問題的答案是由功效這個概念所衡量的。不改變觀念很簡單,只要不去尋找支持它的證據就好了。你的功效越大,說明你給自己更多機會來改變觀念。功效是拒絕原假設且結果正確的概率。 當繼續採取默認做法,我們雖然沒學到什麼,如果用功效對原假設進行衡量也能讓我們感覺更好。至少我們做了足夠的準備,也進行了嘗試。如果沒有用功效進行衡量,我們肯定不會改變自己的觀念。這樣甚至不需要去分析數據了。
功效分析是對給定數量的數據檢測預期功效大小的一種方法,你可以借助功效分析制定研究計畫。 不確定性意味著,即使你擁有世上最棒的數學方法,也可能得出錯誤的結論。 統計是什麼?在不確定性中找確定性的神奇魔法。但沒有哪種魔法可以做到這一點,人們總會犯錯誤。提到錯誤,在頻率統計中有兩類經常出現的錯誤。 第一類錯誤是指原假設是對的,我們卻拒絕了原假設。大概就是,老兄,雖然你對這個默認做法很滿意,但你的數學計算說服你放棄它。第二類錯誤是指原假設是錯的,我們卻接受了原假設。(我們統計學家對命名真是有創意。猜一猜哪一個錯誤更糟糕?第一類?沒錯,很有創意吧。) 第一類錯誤就像是給一個無辜的人定罪,而第二類錯誤則是未能給一個有罪的人定罪。犯這兩類錯誤的概率是平衡的(提高抓住壞人的概率也同時提高了錯判好人的概率),...
什麼是多重比較校正(multiplecomparisons correction)呢?如果你打算對同一個受試群體詢問多個問題時,那麼你必須以不同的、不斷調整的方式詢問。如果你一遍又一遍地審訊無辜的嫌疑人(當你持續探測你的數據),最終某個隨機事件總會讓案子看起來有罪。 「統計顯著」(statistically significant)這個術語並不意味著在零假設的世界裡發生了重要的事情,它僅僅意味著我們改變了看法。這種改變也可能是錯誤的,都怪煩人的不確定性! 別浪費你的時間來嚴謹地回答錯誤的問題了,試試統計學的方法吧! 那什麼是第三類錯誤呢?這是一個統計學的笑話:它指的是正確地拒絕了錯誤的零假設。換句話說,運用的數學方法都是正確的,卻回答了錯誤的問題。 解決這個錯誤的問題的一個方法可以在「智能決...
2021年12月7日 · 前幾天微軟公布了今年聖誕節醜毛衣,今年以微軟最經典的遊戲之一「踩地雷」作為主題。 即使微軟在 windows 8 就移除了內建的遊樂場,「踩地雷」也正式走入歷史,但這款遊戲在許多人心中仍是童年、上班打發時間的神器。 然而,這款遊戲究竟是從何而來? 背後到底又有什麼樣的故事?
2018年5月11日 · Google 已聲明他們的搜尋引擎是要提供使用者更好的搜尋體驗,而提供安全瀏覽的網站,也等同於給予使用者好的搜尋體驗,當然也會影響搜尋排名。 而且 Google 已經宣布 HTTPS 會列為搜尋排名的要素之一, 有 HTTPS 的網站的搜尋排名,通常都比 HTTP 網站的排名來得高 。
2021年10月15日 · 未來不用再另外下載 PDF 編輯,處理文件的過程也變得更順暢,螢幕前的你現在就趕緊去下載來體驗看看吧! Adobe Acrobat 下載傳送門. 參考資料: TechRader 、 Engadget 、 Adobe ,首圖來源:ShutterStock. 議題標籤. 平常在網頁上或是 e-mail 中遇到 PDF 檔案,要打開來查看是沒問題,但如果想要劃重點、簽名或是修改時,就得先下載 PDF 檔,再用 Adobe Acrobat 或第三方程式進行編輯,相當麻煩。
2021年10月6日 · 除了電動車之外,其他包括太陽能、風電等需要高壓電力傳輸的場域,同樣可以看到碳化矽的身影。 資策會資深產業分析師鄭凱安表示,「預計到 2025 年,碳化矽功率元件全球產值,至少會達到 20 億美元以上。 目前第 3 代半導體還是由歐美 IDM(整合元件製造)廠壟斷 ,但隨著各家業者大舉投入第 3 代半導體,以及電動車、軍工航太、資料中心、基地台等新興應用起飛,台廠莫不期待能在其中扮演一定的供應角色。 鴻海研究院半導體研究所所長郭浩中分析,「台灣在化合物半導體滿強的, 在元件上雖然材料美國比較厲害,但是製造端有台積電、穩懋,封裝有日月光,台灣是有機會做起來的。 化合物半導體、矽基半導體差很大,台廠學習曲線長.
2021年6月11日 · 簡單來說就是公布實驗結果。 若解盲的結果數據良好,此藥就有機會往下一階段邁進。 疫苗通過二期解盲就安全了嗎? 為什麼不走三期試驗? 以目前的高端疫苗研發階段來看, 位於第二期試驗解盲,主要測試疫苗的「安全性」與「免疫生成性」 ,因此施打後安全性絕對有一定水準。 而第三期臨床試驗主要的測試目的在於評估藥物的長期安全性、以及疫苗降低了多少風險指標等數據,試驗病人數需要上千人,並追蹤數月狀態才有可能完成,第三期臨床試驗也因此常成為整個開發期中,耗時最久、花費最高的一期。 目前市面上的新冠肺炎疫苗因為研發期都只有不到兩年,是一般藥物研發周期的 1/5, 故 COVID-19 疫苗幾乎都無法完整走完第三期臨床試驗,但一定會完成前兩期的試驗並附上第三期的試驗中報告。