MerQuR+Başvuru Kitabı

112. Bayesçi t Testi (JZS)

Analiz kimliği: bayesian_ttest · Menü adı: Bayesçi t Testi (JZS) · Panel ve motor: gui/panels/analyses/bayesian_ttest.py (execute, satır 389–694; _posterior_block, 697–764) · Sayısal sonsal: gui/panels/analyses/_bayes_posterior.py · Frekansçı ayak: pingouin 0.6.1 ttest

112.1 Ne işe yarar

Bayesçi t testi, t testinin üç tasarımında (tek örneklem, bağımsız iki örneklem, eşleştirilmiş) "fark yok" ve "fark var" hipotezlerini Bayes faktörüyle karşılaştırır. Cevapladığı soru şudur: "Gözlenen veri, standartlaştırılmış etkinin sıfır olduğu modele göre sıfırdan farklı olduğu modelde kaç kat daha olasıdır?"

\delta=\frac{\mu_1-\mu_2}{\sigma},\qquad H_0:\ \delta=0,\qquad H_1:\ \delta\sim\text{Cauchy}(0,\ r),\qquad \text{BF}_{10}=\frac{p(\text{veri}\mid H_1)}{p(\text{veri}\mid H_0)}
  • \delta: standartlaştırılmış etki büyüklüğü (evrende Cohen d). Tek örneklemde (\mu-\mu_0)/\sigma, eşleştirilmişte \mu_d/\sigma_d.
  • r: önsel ölçeği ("JZS önsel ölçeği (r)"); varsayılan \sqrt2/2=0{,}7071. H_1 altında |\delta|'nın r'den küçük olma olasılığı %50'dir.
  • \text{BF}_{10}>1 veriyi H_1'e, <1 H_0'a destek sayar; \text{BF}_{01}=1/\text{BF}_{10}.

Çıktı dört parçadır: (1) aynı veride klasik t testi ve gücü, (2) BF₁₀, BF₀₁ ve sözel kanıt etiketi, (3) \delta'nın sonsal dağılımı (medyan, ortalama, SS, merkezî inanılırlık aralığı, HDI) ve yönlü Bayes faktörleri, (4) BF'nin önsel genişliğine duyarlılığı. İsteğe bağlı olarak tanımlayıcılar, varsayım kontrolleri ve sıralı BF eklenir.

Ne zaman kullanılır? H_0 lehine kanıt da raporlanmak istendiğinde (p değeri bunu yapamaz), veri toplanırken kanıtın izlenmesi gerektiğinde (sıralı BF) ya da etki büyüklüğü için inanılırlık aralığı istendiğinde.

Ne zaman kullanılmaz?

  • İkiden çok grup varsa: Bayesçi ANOVA.
  • İki sürekli değişken arasındaki ilişki soruluyorsa: Bayesçi Korelasyon.
  • Kümeli ya da hiyerarşik veride: Hiyerarşik Bayesçi model.
  • Grup varyansları çok farklı ve gruplar dengesizse: JZS modeli eşit varyans varsayar (112.2); bu durumda frekansçı Welch testi ve duyarlılık çözümlemesi birlikte raporlanmalıdır.

Sık karıştırılan analizler. Menüdeki İngilizce kimlik "Bayesian t-Test (BEST)" olsa da modül Kruschke'nin (2013) BEST yöntemini uygulamaz. BEST, grup başına ayrı ortalama, ayrı SS ve t dağılımlı olabilirlik kullanır ve MCMC ile kestirilir; Bayes faktörü değil sonsal dağılım ve ROPE üretir. MerQur'daki model Rouder ve ark. (2009) JZS t testidir (Türkçe menü adı bunu doğru söyler); BayesFactor ttestBF ve JASP "Bayesian t-test" ile aynı modeldir.

112.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Normallik Gözlemler (eşleştirilmişte farklar) normal dağılır. İsteğe bağlı "Varsayım kontrolleri": Shapiro–Wilk (grup başına ya da farklar).
Varyans eşitliği Bağımsız modda iki grup aynı \sigma'yı paylaşır; BF ve sonsal havuzlanmış t'den hesaplanır. Aynı kutuda Levene (ortalama merkezli) ve Brown–Forsythe. Karar etkilemez.
Bağımsızlık Gözlemler (eşleştirilmişte çiftler) birbirinden bağımsızdır. Denetlenmez.
Önsel \delta\sim\text{Cauchy}(0,r); ortalama ve varyans için bilgi vermeyen Jeffreys önseli. Sağlamlık eğrisi önsel genişliğine duyarlılığı gösterir.

Eksik değer. Tek örneklemde sütunun eksikleri, bağımsız modda değer ya da grubu eksik satırlar, eşleştirilmişte iki ölçümden biri eksik satırlar çıkarılır (bayesian_ttest.py:445, 464–466, 499–502).

Uç durumlar (bayesian_ttest.py:444–535):

  • Tek örneklemde n<3, bağımsız modda grup başına n<3, eşleştirilmişte <3 çift: hata. (Klasik t testleri n\ge2 ile çalışır; bu modül daha katıdır.)
  • Bağımsız modda grup sayısı 2 değilse hata.
  • Tüm değerler ya da tüm farklar sabitse hata ("Varyans sıfır"); bağımsız modda iki grup birden sabitse aynı hata, yalnız biri sabitse hesap yapılır.
  • Eşleştirilmişte aynı sütun iki kez seçilirse hata.
  • Bilgilendirilmiş önselde ölçek ≤ 0 ya da biçim okunamazsa hata.

112.3 Parametreler

Varsayılanlar bayesian_ttest.py:125–334 ve stats_panel.py:6347–6372 içinden okunmuştur.

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Mod Tek örneklem (DV vs. μ₀) Tek örneklem / bağımsız iki örneklem / eşleştirilmiş. Hangi alanların etkin olduğunu ve n_{\text{eff}}'i belirler.
Bağımlı (sayısal) DV ilk sayısal sütun Sınanan değişken (eşleştirilmişte 1. ölçüm).
Grup sütunu (bağımsız mod) Yok Tam iki düzeyli değişken; ilk görülen düzey 1. gruptur. Fark ve \delta'nın işareti.
2. ölçüm (eşleştirilmiş mod) Yok İkinci ölçüm; fark 1. − 2.'dir. İşaret.
μ₀ (tek örneklem ref) 0 Referans değer. t, BF, sonsal.
JZS önsel ölçeği (r) 0,707 Cauchy önselinin ölçeği; 0,1–5. BF ve sonsal; büyük r büyük etkileri olası sayar.
r değerini olduğu gibi kullan kapalı Kapalıyken kutudaki 0,707 ve 1,414 tam \sqrt2/2 ve \sqrt2'ye çevrilir. BF'yi 6. anlamlı basamakta değiştirir.
Önsel türü Cauchy (r kutusundaki değer) Cauchy orta (\sqrt2/2), geniş (1), çok geniş (\sqrt2) ya da bilgilendirilmiş t/normal önsel. BF, sonsal.
Bilgilendirilmiş önsel (konum, ölçek, sd) 0.350, 0.102, 3 \delta\sim t_\nu(\text{konum},\text{ölçek}); sd boşsa normal. Yalnız "Bilgilendirilmiş" seçildiğinde.
Alternatif hipotez İki yönlü (H₁: ≠ 0) İki yönlü, \delta>0 ya da \delta<0. Yönlü BF ve kesilmiş sonsal; başlık BF₁₀ değişmez.
Güven Düzeyi %95 GA ve inanılırlık aralığının düzeyi. Aralıklar ve sonradan gücün \alpha'sı (\alpha=1-güven düzeyi; 112.5.6).
Ek çıktılar üçü de kapalı Tanımlayıcılar (ortalama ± CrI), varsayım kontrolleri, sıralı analiz. Ek bölümler ve tablo.
Grafik Varsayılan Varsayılan çok panelli grafik ya da 3B ortak sonsal yoğunluk. Yalnız Grafik sekmesi.

Neden 0,707 tam √2/2'ye çevriliyor?

BayesFactor ve JASP "medium" genişliği tam \sqrt2/2=0{,}70710678\ldots olarak tanımlar. Kutu 4 ondalık gösterdiğinden kullanıcı 0,707 yazar; bu değerle BF 6. anlamlı basamakta ayrılır (yayımlanmış uyku verisinde 17,259 yerine 17,258). read_form_options bu yüzden 0,707'yi \sqrt2/2'ye, 1,414'ü \sqrt2'ye eşler (bayesian_ttest.py:312–325). Tam 0,707 isteniyorsa "r değerini olduğu gibi kullan" işaretlenir.

112.4 Tıp örneği

Dosya: english/datasets/Tip/101_bayesian_t_test_new_old_treatment.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/101_bayesian_t_test_yeni_eski_tedavi.xlsx).

Değişken Rol Tür Açıklama
response_score Bağımlı (sayısal) DV sürekli Tedavi yanıt skoru
treatment Grup sütunu metin, 2 düzey old (35), new (35); veride önce old gelir, 1. grup old'dur.
patient_id kullanılmaz

n ve eksik değer: 70 hasta, eksik değer yok. Fark ve \delta yönü old − new'dir; negatif değer yeni tedavinin skoru daha yüksek demektir.

Klinik soru: Yeni tedavi eski tedaviden farklı bir yanıt skoru sağlıyor mu ve veri bu farkı ne kadar destekliyor? (VIDEO_SCRIPT_TR.txt, #101.)

Seçilen ayarlar: Mod "Bağımsız iki örneklem", r=\sqrt2/2, iki yönlü, %95. Ek çalıştırmalar: üç ek çıktı açık; H_1:\delta<0; r=1; bilgilendirilmiş önsel (0,350; 0,102; 3). Çapraz denetim için tek örneklem modu Tıp #3 (systolic_bp, μ₀ = 120) ve eşleştirilmiş modu Tıp #5 (systolic_before, systolic_post) üzerinde de çalıştırılmıştır.

112.5 Formüller ve hesap adımları

MerQur'un sırası şudur: (1) moda göre veriyi hazırla ve uç durumları denetle, (2) pingouin ttest ile klasik t, sd, p, d ve gücü al, ortalama farkının GA'sını yeniden kur, (3) havuzlanmış t, sd ve n_{\text{eff}}'ten \delta'nın sonsalını ve BF₁₀'u sayısal integralle hesapla, (4) başlık BF₁₀'u bu sayısal değerle değiştir ve kanıt etiketini ver, (5) yönlü BF'leri, sağlamlık eğrisini ve istenen ek çıktıları ekle.

112.5.1 Havuzlanmış t ve etkin örneklem büyüklüğü

Bayesçi hesap yalnız üç sayıya dayanır: t, \nu ve n_{\text{eff}} (_posterior_block, bayesian_ttest.py:705–718).

\text{bağımsız: } t=\frac{\bar x_1-\bar x_2}{s_p\sqrt{1/n_1+1/n_2}},\quad \nu=n_1+n_2-2,\quad n_{\text{eff}}=\frac{n_1n_2}{n_1+n_2}
\text{tek örneklem / eşleştirilmiş: } t=\frac{\bar d}{s_d/\sqrt n},\quad \nu=n-1,\quad n_{\text{eff}}=n
  • s_p: havuzlanmış SS (bkz. 5.5.4); tek örneklemde d_i=x_i-\mu_0, eşleştirilmişte d_i=x_{1i}-x_{2i}.
  • n_{\text{eff}}: t=\delta\sqrt{n_{\text{eff}}}+\text{hata} ilişkisindeki ölçek; bağımsız modda 1/n_{\text{eff}}=1/n_1+1/n_2.
  • Her durumda örneklem d'si t/\sqrt{n_{\text{eff}}}'tir.

112.5.2 Olabilirlik ve Bayes faktörü

\delta verildiğinde t, merkezî olmama parametresi \delta\sqrt{n_{\text{eff}}} olan merkezî olmayan t dağılımına uyar. H_0 altında (\delta=0) bu merkezî t_\nu'dur:

\text{BF}_{10}=\frac{\displaystyle\int_{-\infty}^{\infty} f_{t'}\!\left(t;\ \nu,\ \delta\sqrt{n_{\text{eff}}}\right)\,\frac{1}{\pi r\left(1+\delta^2/r^2\right)}\,d\delta}{f_{t}(t;\ \nu)}
  • f_{t'}(\cdot;\nu,\lambda): merkezî olmayan t yoğunluğu (scipy.stats.nct).
  • 1/[\pi r(1+\delta^2/r^2)]: Cauchy(0,r) önsel yoğunluğu.
  • f_t(t;\nu): merkezî t yoğunluğu; H_0'ın olabilirliği.

Neden bu model BF'yi yalnız t'ye bağlar?

JZS modelinde ortalama ve varyans için bilgi vermeyen (Jeffreys) önsel kullanılır ve bu "rahatsız edici" parametreler integralle atılır. Rouder ve ark. (2009; ayrıca Ly, Verhagen ve Wagenmakers 2016) bu integralin sonucunun yalnız t, \nu ve n_{\text{eff}}'e bağlı olduğunu gösterdi; böylece BF, yayımlanmış bir t değerinden bile hesaplanabilir. Cauchy önseli, g\sim ters gama(1/2,\,1/2) ile normal karışımı olarak yazılınca aynı BF tek boyutlu bir g integraline dönüşür:

\text{BF}_{10}=\frac{\displaystyle\int_0^\infty (1+n_{\text{eff}}gr^2)^{-1/2}\left[1+\frac{t^2}{(1+n_{\text{eff}}gr^2)\,\nu}\right]^{-\frac{\nu+1}{2}}\frac{g^{-3/2}e^{-1/(2g)}}{\sqrt{2\pi}}\,dg}{\left(1+t^2/\nu\right)^{-\frac{\nu+1}{2}}}

MerQur başlık BF'si için birinci biçimi (sonsal ile aynı ızgarada), sağlamlık eğrisi ve sıralı BF için ikinci biçimi (jzs_t_bf10, _bayes_posterior.py:194–206, scipy.integrate.quad) kullanır. İki biçim bu veride 3\times10^{-11} göreli farkla aynıdır.

Koddaki tercih

pingouin ttest de BF₁₀ döndürür, ama (i) değeri 3–4 anlamlı basamaklı metin olarak verir, (ii) n_1\ne n_2 iken Welch t'sini kullanır. MerQur başlık BF₁₀'u _posterior_block'un sayısal değeriyle değiştirir (bayesian_ttest.py:641–648); pingouin'in Welch BF'si yalnız bilgi satırında kalır. Ana tablodaki BF₁₀ bu yüzden pingouin'in metin değeri değil, MerQur'un tam duyarlıklı integralidir.

112.5.3 Sonsal dağılım ve özetleri

p(\delta\mid t)=\frac{f_{t'}\!\left(t;\nu,\delta\sqrt{n_{\text{eff}}}\right)\,\pi(\delta)}{\int f_{t'}\,\pi\,d\delta}

MerQur bu yoğunluğu MCMC olmadan, iki aşamalı ızgarada integralle özetler (_summarize, _bayes_posterior.py:31–81):

  1. [t/\sqrt{n_{\text{eff}}}\pm w] aralığında 4001 noktalı kaba ızgarada tepe ve log-yoğunluğun tepe − 40'ın üstünde kaldığı "etkin destek" bulunur (w olabilirlik genişliğinin 40 katından büyük seçilir, jzs_t, 165–189).
  2. Etkin destekte 40001 noktalı ince ızgarada Simpson kuralıyla normalleştirme sabiti, ortalama ve ikinci moment; kümülatif yamuk kuralıyla CDF hesaplanır.
  3. Medyan ve merkezî inanılırlık aralığı (CrI) CDF'nin doğrusal ters ara değerlemesidir: [Q(\alpha/2),\ Q(1-\alpha/2)].
  4. HDI: alt kantil düzeyi p için L=Q(p), U=Q(p+1-\alpha); uç yoğunluklar eşit olana dek p Brent yöntemiyle aranır (_hdi_continuous, 82–117).
  • CrI: sonsal kütlenin her iki kuyruğunda \alpha/2 bırakan aralık.
  • HDI: aynı kütleyi taşıyan en kısa aralık; tek tepeli ve çarpık sonsalda CrI'dan biraz kaymıştır.

112.5.4 Yönlü Bayes faktörleri ve Savage–Dickey

\text{BF}_{+0}=\frac{\int_0^{\infty} f_{t'}\,\pi(\delta)\,d\delta}{P(\delta>0)\,f_t(t;\nu)},\qquad \text{BF}_{-0}=\frac{\int_{-\infty}^{0} f_{t'}\,\pi(\delta)\,d\delta}{P(\delta<0)\,f_t(t;\nu)},\qquad \text{BF}_{10}=\frac{\text{BF}_{+0}+\text{BF}_{-0}}{2}
  • P(\delta>0)=1/2 simetrik Cauchy önselde; bilgilendirilmiş önselde önselin gerçek kütlesi kullanılır.
  • Yönlü hipotezlerin bu kesilmiş önsel tanımı Morey ve Rouder'e (2011) dayanır. İki yarı ayrı ayrı log ölçeğinde integrallenir (_directional_split, _bayes_posterior.py:487–507); çok büyük BF₁₀'da 1-P sadeleşmesinden doğan sıfıra düşme önlenir.

Yönlü hipotez seçildiğinde başlık BF₁₀ değişmez; ek "Yönlü hipotez" satırı BF₊₀ ya da BF₋₀'ı verir ve sonsal özetler önseli \delta>0 ya da \delta<0 bölgesine kesilmiş model altında yeniden hesaplanır (_finish, 138–162).

Savage–Dickey oranı için \delta=0'daki önsel ve sonsal yoğunluklar da saklanır: \text{BF}_{01}=p(\delta=0\mid t)/\pi(\delta=0) (Wagenmakers ve ark. 2010). Bu, BF'nin sonsal ızgarayla tutarlı olduğunu denetlemenin bağımsız bir yoludur.

112.5.5 Bilgilendirilmiş önsel ve sağlamlık eğrisi

Bilgilendirilmiş önselde \pi(\delta), konumu m, ölçeği s, serbestlik derecesi k olan konum-ölçek t dağılımıdır (k boşsa normal); BF ve sonsal aynı integralle hesaplanır (informed_t, _bayes_posterior.py:241–264; Gronau, Ly ve Wagenmakers 2020). Varsayılan (0,350; 0,102; 3) bu makalenin psikoloji örneğindeki "Oosterwijk önseli"dir ve pozitif etki bekler; bu bir öneri değil, biçim örneğidir.

Sağlamlık eğrisi (robustness_curve, 207–222), r'yi (0;\ 1{,}5] aralığında 60 eşit adımlı ızgarada değiştirip g-integrali BF₁₀'unu çizer; adlandırılmış genişlikler (\sqrt2/2, 1, \sqrt2) ve ızgaranın en büyük BF₁₀'u ayrıca yazılır.

"En yüksek BF₁₀" ızgara içindedir

En büyük değer yalnız (0;\ 1{,}5] ızgarasında aranır (_bayes_posterior.py:209–213). Etki büyükse gerçek en büyük r>1{,}5'te olabilir; Tıp #5 eşleştirilmiş örneğinde en büyük değer r = 1{,}500'de, yani ızgaranın sınırında bulunur; böyle durumlarda çıktı, gerçek en büyüğün ızgaranın dışında olabileceğini bir notla belirtir.

112.5.6 Frekansçı ayak: t, p, GA, d ve güç

Bu satırlar pingouin (Vallat 2018) ttest'ten gelir (bayesian_ttest.py:456, 486, 513) ve üç düzeltmeyle yazılır:

  • GA: pingouin aralığı iki ondalığa yuvarlar; MerQur aynı t ve sd'den \SH=|\text{fark}/t| ile aralığı yeniden kurar: \text{fark}\pm t_{1-\alpha/2,\nu}\SH (bayesian_ttest.py:565–570).
  • d: pingouin işaretsiz d verir; MerQur t'nin işaretini verir (573). Eşleştirilmişte d_z=\bar d/s_d yazılır; d_{av}=\bar d/\sqrt{(s_1^2+s_2^2)/2} formülüyle birlikte bilgi notuna gider (585–598). Bu tanım Eşleştirilmiş t testi bölümündeki d_{av} ile aynıdır.
  • Güç: pingouin power_ttest, d ve n ile; eşleştirilmişte d_z ile yeniden hesaplanır.
1-\beta=P\!\left(T'>t_{1-\alpha/2;\,\nu}\right)+P\!\left(T'<-t_{1-\alpha/2;\,\nu}\right),\qquad T'\sim t'\!\left(\nu,\ |d|\sqrt{n_{\text{eff}}}\right)

Sonradan güç

Güç, formdaki güven düzeyinden gelen \alpha=1-güven düzeyi ve iki yönlü hipotezle hesaplanır (%95'te \alpha=0{,}05; bayesian_ttest.py:610–623). Bu, gözlenen d'ye dayalı sonradan güçtür ve p değerinin tekdüze bir dönüşümünden ibarettir (Hoenig ve Heisey 2001); yorum gücü yoktur.

Dengesiz gruplarda iki farklı t

Bağımsız modda n_1\ne n_2 ise pingouin Welch testine geçer: metindeki t, kesirli sd, p ve GA Welch'tir; BF, sonsal ve d ise havuzlanmış t'den gelir. Çıktı bunu bir bilgi satırıyla yazar. Örnek veride n_1=n_2=35 olduğundan iki t aynıdır.

112.5.7 Kanıt etiketi ve ek çıktılar

Etiket BF₁₀ eşiklerine göredir (_evidence_label, bayesian_ttest.py:339–349): \ge100 "Çok güçlü (kesin)", \ge30 "Çok güçlü", \ge10 "Güçlü", \ge3 "Orta", \ge1 "Zayıf"; 1'in altında aynı eşiklerin tersleri "H₀ lehine …" (Jeffreys 1961; Lee ve Wagenmakers 2013 uyarlaması). Kass ve Raftery (1995) ölçeği daha kaba eşikler (3, 20, 150) kullanır; aynı BF iki ölçekte farklı etiket alabilir.

Tanımlayıcılar (descriptives, _bayes_posterior.py:363–381): Jeffreys önseli p(\mu,\sigma^2)\propto1/\sigma^2 altında \mu'nün sonsalı \bar x+(s/\sqrt n)\,t_{n-1} olduğundan inanılırlık aralığı sayısal olarak frekansçı t aralığıyla aynıdır.

Sıralı analiz (sequential_bf, 296–338): gözlemler veri satır sırasıyla eklenir; her adımda g-integrali BF₁₀ yeniden hesaplanır (Schönbrodt ve ark. 2017; bağımsız modda her iki grupta en az 2 gözlem olunca başlar; en çok 400 nokta).

112.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/bayesian_ttest/elle_hesap.py ile, MerQur ve pingouin çağrılmadan hesaplanmıştır. Bağımsız hesap integralleri scipy.integrate.quad (uyarlamalı Gauss–Kronrod) ile alır; MerQur'un ızgara + Simpson yolundan farklı bir yöntemdir.

Adım 1 — Grup özetleri ve havuzlanmış t.

old (1) new (2)
n_i 35 35
\bar x_i 58,216286 76,039143
s_i 13,266961 15,827603
s_p=14{,}603514,\qquad \SH=14{,}603514\times\sqrt{\tfrac{2}{35}}=3{,}490908,\qquad t=\frac{-17{,}822857}{3{,}490908}=-5{,}105508,\qquad \nu=68

Adım 2 — Etkin örneklem ve örneklem d'si.

n_{\text{eff}}=\frac{35\times35}{70}=17{,}5,\qquad d=\frac{t}{\sqrt{17{,}5}}=\frac{-5{,}105508}{4{,}183300}=-1{,}220450

Adım 3 — H₀ olabilirliği ve BF₁₀. f_t(-5{,}105508;\,68)=5{,}4627\times10^{-6}. Payın integrali (Cauchy önselli olabilirlik) bu değerin 5251,64 katıdır:

\text{BF}_{10}=5251{,}638424,\qquad \text{BF}_{01}=1{,}9042\times10^{-4}

g-integrali aynı değeri verir (göreli fark 3\times10^{-11}). \text{BF}_{10}\ge100 olduğundan etiket "Çok güçlü (kesin) kanıt"tır.

Adım 4 — Savage–Dickey denetimi. \pi(0)=1/(\pi r)=0{,}450158; sonsal yoğunluk p(\delta=0\mid t)=8{,}5718\times10^{-5}:

\text{BF}_{01}=\frac{8{,}5718\times10^{-5}}{0{,}450158}=1{,}9042\times10^{-4}\ \Rightarrow\ \text{BF}_{10}=5251{,}64

Adım 5 — Yönlü BF'ler. \text{BF}_{+0}=0{,}046955, \text{BF}_{-0}=10503{,}229893; ortalamaları (0{,}046955+10503{,}229893)/2=5251{,}638424=\text{BF}_{10}. Sonsal kütlenin neredeyse tamamı \delta<0 bölgesindedir.

Adım 6 — Sonsal özetler.

Özet Değer
Medyan −1,139041
Ortalama −1,139645
SS 0,264201
%95 CrI [−1,659042; −0,623894]
%95 HDI [−1,657520; −0,622389]

Sonsal medyan (−1,14), örneklem d'sinden (−1,22) sıfıra doğru büzülmüştür; Cauchy önselinin kütlesi sıfır çevresinde yoğundur.

Şekil 112.1. δ için Cauchy(0; √2/2) önseli (kesikli) ve sonsal dağılım (mor); gölgeli alan %95 CrI. δ = 0'daki iki noktanın oranı Savage–Dickey BF₀₁'dir.

Adım 7 — Sağlamlık. r=1: 5753,58; r=\sqrt2: 5676,91; ızgaranın en büyüğü 5797,21 (r=1{,}15). Karar ("kesin kanıt") her makul genişlikte değişmez.

Şekil 112.2. BF₁₀'un önsel ölçeği r'ye duyarlılığı (60 noktalı ızgara). Turuncu noktalar adlandırılmış genişlikler, üçgen ızgaranın en büyük değeridir.

Adım 8 — Yönlü, alternatif önselli ve ek çalıştırmalar.

Çalıştırma Sonuç
H_1:\delta<0 BF₋₀ = 10503,23; tek yönlü p=1{,}43\times10^{-6}; kesilmiş sonsal medyan −1,139042, %95 CrI [−1,659042; −0,623913]
r=1 BF₁₀ = 5753,58; sonsal medyan −1,158453
Bilgilendirilmiş t_3(0{,}350;\ 0{,}102) BF₁₀ = 33,42; sonsal medyan −1,024753, %95 CrI [−1,568711; −0,453908]
Tanımlayıcılar old 58,22 [53,66; 62,77]; new 76,04 [70,60; 81,48]
Varsayımlar Shapiro–Wilk old W=0{,}9608, p=0{,}2419; new W=0{,}9570, p=0{,}1857; Levene F(1,\,68)=3{,}7002, p=0{,}0586
Sıralı BF₁₀ n=37'den 70'e; en küçük 1,467, en büyük 46785,3, son 5251,6
Frekansçı t(68)=-5{,}105508, p=2{,}86\times10^{-6}, fark GA [−24,788855; −10,856859], güç 0,998938

Bilgilendirilmiş önsel pozitif etki beklediği için (\delta\approx0{,}35) gözlenen negatif etki ona uymaz; BF₁₀ 5251'den 33'e düşer, sonsal sıfıra doğru çekilir. Bu, önselin "bilgilendirici" olmasının bedelidir: yanlış yöne kurulmuş önsel kanıtı zayıflatır.

Sıralı BF'nin n=37'de başlaması verinin sıralı olmasındandır: ilk 35 satır old grubudur, ikinci grup ancak 36. satırda başlar. Bu dosyada sıralı eğri bir "veri toplama süreci" değil, satır düzeninin bir sonucudur.

112.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; bu modül sonuç nesnesinde yuvarlama yapmaz. R: 4.5.3, BayesFactor 0.9.12-4.8 ttestBF (BF₁₀, yönlü BF, r = wide/ultrawide), pwr::pwr.t.test, car::leveneTest, shapiro.test. R'daki sonsal özetler BayesFactor'ün MCMC örneklemesi yerine stats::integrate ile doğrudan hesaplanmıştır (BayesFactor posterior() rastgeledir ve 10^{-6} ölçütüne ulaşamaz). Bilgilendirilmiş önsel için R paketi kurulu olmadığından BF ve sonsal R'da integrate ile yazılmıştır.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
t (havuzlanmış) −5,105508 −5,105508 −5,105508 1,8e−15 ✓
sd 68 68 68 0,0e+00 ✓
p 2,8602·10−6 2,8602·10−6 2,8602·10−6 2,4e−20 ✓
Fark %95 GA alt −24,788855 −24,788855 −24,788855 5,7e−14 ✓
Fark %95 GA üst −10,856859 −10,856859 −10,856859 5,3e−14 ✓
Cohen d −1,220450 −1,220450 −1,220450 1,3e−15 ✓
Güç (\alpha=0{,}05) 0,998938 0,998938 0,998938 1,9e−13 ✓
BF₁₀ (r=\sqrt2/2) 5251,638424 5251,638424 5251,638424 3,7e−11 (göreli) ✓
BF₁₀ (Rouder g-integrali) 5251,638424 5251,638424 5251,638424 3,0e−11 (göreli) ✓
BF₊₀ 0,046955 0,046955 0,046955 ² 2,1e−14 (göreli) ✓
BF₁₀ (r=1) 5753,577647 5753,577647 5753,577647 1,5e−12 (göreli) ✓
BF₁₀ (r=\sqrt2) 5676,912242 5676,912242 5676,912242 1,3e−12 (göreli) ✓
Sonsal \delta medyanı −1,139041 −1,139041 −1,139041 3,2e−11 ✓
Sonsal \delta ortalaması −1,139645 −1,139645 −1,139645 9,1e−12 ✓
Sonsal \delta SS 0,264201 0,264201 0,264201 1,7e−10 ✓
%95 CrI alt −1,659042 −1,659042 −1,659042 2,1e−08 ✓
%95 CrI üst −0,623894 −0,623894 −0,623894 1,0e−08 ✓
%95 HDI alt −1,657520 −1,657520 −1,657520 1,6e−08 ✓
%95 HDI üst −0,622389 −0,622389 −0,622389 1,5e−08 ✓
En yüksek BF₁₀ (ızgara) 5797,205646 5797,205646 — 2,3e−13 (göreli) ✓
r (en yüksek BF₁₀) 1,150000 1,150000 — 0,0e+00 ✓
BF₋₀ 10503,229893 10503,229893 10503,229893 2,6e−12 (göreli) ✓
p(\delta=0\mid t) (Savage–Dickey payı) 8,5718·10−5 8,5718·10−5 — 0,0e+00 ✓
Sol yönlü p 1,4301·10−6 1,4301·10−6 1,4301·10−6 1,2e−20 ✓
Kesilmiş sonsal medyan (\delta<0) −1,139042 −1,139042 — 2,4e−11 ✓
Kesilmiş %95 CrI alt −1,659042 −1,659042 — 9,3e−09 ✓
Kesilmiş %95 CrI üst −0,623913 −0,623913 — 6,7e−09 ✓
BF₁₀ (r=1, başlık) 5753,577647 5753,577647 5753,577647 1,5e−12 (göreli) ✓
Sonsal medyan (r=1) −1,158453 −1,158453 — 5,8e−11 ✓
BF₁₀ (bilgilendirilmiş t_3) 33,419811 33,419811 33,419811 8,9e−10 (göreli) ✓
Sonsal medyan (bilgilendirilmiş) −1,024753 −1,024753 −1,024753 5,1e−10 ✓
%95 CrI alt (bilgilendirilmiş) −1,568711 −1,568711 −1,568711 1,1e−08 ✓
%95 CrI üst (bilgilendirilmiş) −0,453908 −0,453908 −0,453908 2,2e−08 ✓
Ortalama CrI alt (old) 53,658925 53,658925 53,658925 7,1e−15 ✓
Ortalama CrI üst (new) 81,476115 81,476115 81,476115 1,4e−14 ✓
Levene F (ortalama) 3,700180 3,700180 3,700180 1,3e−15 ✓
Levene p 0,058594 0,058594 0,058594 2,1e−16 ✓
Shapiro–Wilk W (old) 0,960818 0,960818 0,960818 2,6e−11 ✓
Shapiro–Wilk W (new) 0,957005 0,957005 0,957005 8,7e−11 ✓
Sıralı BF₁₀ en küçük 1,467020 1,467020 — 2,8e−14 (göreli) ✓
Sıralı BF₁₀ en büyük 46785,275631 46785,275631 — 2,0e−12 (göreli) ✓
² R BayesFactor yönlü BF'yi kendi sayısal integraliyle verir. Bildirdiği göreli hata BF₊₀ (Tıp #101) için 2,2191·10−6, BF₋₀ (Tıp #3) için 7,8738·10−10'dur; ikincisinde gerçek sapma 1,4·10−4'tür. Değer bilgi olarak gösterilmiş, ölçüt MerQur–Python farkına uygulanmıştır.

Çapraz denetim: aynı modülün tek örneklem (Tıp #3) ve eşleştirilmiş (Tıp #5) modları.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Tek örneklem, Tıp #3: t (havuzlanmış) 5,860516 5,860516 5,860516 1,8e−15 ✓
Tek örneklem, Tıp #3: sd 99 99 99 0,0e+00 ✓
Tek örneklem, Tıp #3: p 6,0735·10−8 6,0735·10−8 6,0735·10−8 2,1e−22 ✓
Tek örneklem, Tıp #3: Fark %95 GA alt 5,456767 5,456767 5,456767 1,1e−10 ✓
Tek örneklem, Tıp #3: Fark %95 GA üst 11,043233 11,043233 11,043233 1,1e−10 ✓
Tek örneklem, Tıp #3: Cohen d 0,586052 0,586052 0,586052 1,1e−16 ✓
Tek örneklem, Tıp #3: Güç (\alpha=0{,}05) 0,999939 0,999939 0,999939 1,4e−13 ✓
Tek örneklem, Tıp #3: BF₁₀ (r=\sqrt2/2) 197309,438600 197309,438600 197309,438601 7,3e−12 (göreli) ✓
Tek örneklem, Tıp #3: BF₁₀ (Rouder g-integrali) 197309,438600 197309,438600 197309,438592 4,1e−11 (göreli) ✓
Tek örneklem, Tıp #3: BF₊₀ 394618,859990 394618,859990 394618,859996 1,4e−11 (göreli) ✓
Tek örneklem, Tıp #3: BF₁₀ (r=1) 173916,972450 173916,972450 173916,972452 8,0e−12 (göreli) ✓
Tek örneklem, Tıp #3: BF₁₀ (r=\sqrt2) 140783,794284 140783,794284 140783,794285 8,5e−12 (göreli) ✓
Tek örneklem, Tıp #3: Sonsal \delta medyanı 0,571462 0,571462 0,571462 1,5e−11 ✓
Tek örneklem, Tıp #3: Sonsal \delta ortalaması 0,571642 0,571642 0,571642 4,5e−13 ✓
Tek örneklem, Tıp #3: Sonsal \delta SS 0,107901 0,107901 0,107901 7,9e−11 ✓
Tek örneklem, Tıp #3: %95 CrI alt 0,360688 0,360688 0,360688 8,9e−09 ✓
Tek örneklem, Tıp #3: %95 CrI üst 0,783621 0,783621 0,783621 6,6e−09 ✓
Tek örneklem, Tıp #3: %95 HDI alt 0,360329 0,360329 0,360329 7,4e−09 ✓
Tek örneklem, Tıp #3: %95 HDI üst 0,783259 0,783259 0,783259 7,5e−09 ✓
Tek örneklem, Tıp #3: BF₋₀ 0,017209 0,017209 0,017212 ² 3,4e−14 (göreli) ✓
Eşleştirilmiş, Tıp #5: t (havuzlanmış) 18,431437 18,431437 18,431437 3,9e−14 ✓
Eşleştirilmiş, Tıp #5: sd 49 49 49 0,0e+00 ✓
Eşleştirilmiş, Tıp #5: p 1,1128·10−23 1,1128·10−23 1,1128·10−23 2,2e−38 ✓
Eşleştirilmiş, Tıp #5: Fark %95 GA alt 17,801585 17,801585 17,801585 3,9e−14 ✓
Eşleştirilmiş, Tıp #5: Fark %95 GA üst 22,158415 22,158415 22,158415 4,3e−14 ✓
Eşleştirilmiş, Tıp #5: Cohen d 2,606599 2,606599 2,606599 3,6e−15 ✓
Eşleştirilmiş, Tıp #5: Güç (\alpha=0{,}05) 1 1 1 0,0e+00 ✓
Eşleştirilmiş, Tıp #5: BF₁₀ (r=\sqrt2/2) 3,4312·1020 3,4312·1020 3,4312·1020 3,2e−11 (göreli) ✓
Eşleştirilmiş, Tıp #5: BF₁₀ (Rouder g-integrali) 3,4312·1020 3,4312·1020 3,4312·1020 3,1e−11 (göreli) ✓
Eşleştirilmiş, Tıp #5: BF₊₀ 6,8625·1020 6,8625·1020 6,8625·1020 9,4e−13 (göreli) ✓
Eşleştirilmiş, Tıp #5: BF₁₀ (r=1) 4,5205·1020 4,5205·1020 4,5205·1020 3,8e−11 (göreli) ✓
Eşleştirilmiş, Tıp #5: BF₁₀ (r=\sqrt2) 5,6293·1020 5,6293·1020 5,6293·1020 3,8e−11 (göreli) ✓
Eşleştirilmiş, Tıp #5: Sonsal \delta medyanı 2,551926 2,551926 2,551926 2,8e−10 ✓
Eşleştirilmiş, Tıp #5: Sonsal \delta ortalaması 2,555376 2,555376 2,555376 1,5e−11 ✓
Eşleştirilmiş, Tıp #5: Sonsal \delta SS 0,299275 0,299275 0,299275 2,1e−10 ✓
Eşleştirilmiş, Tıp #5: %95 CrI alt 1,978818 1,978818 1,978818 1,8e−08 ✓
Eşleştirilmiş, Tıp #5: %95 CrI üst 3,151538 3,151538 3,151538 2,3e−08 ✓
Eşleştirilmiş, Tıp #5: %95 HDI alt 1,972069 1,972069 1,972069 1,2e−08 ✓
Eşleştirilmiş, Tıp #5: %95 HDI üst 3,144475 3,144475 3,144475 1,3e−08 ✓
Eşleştirilmiş, Tıp #5: BF₋₀ 0,019080 0,019080 5,2159·108 ¹ 6,2e−13 (göreli) ✓

¹ R BayesFactor::ttestBF(nullInterval = c(0, Inf)) bu uç veride (t = 18,43) BF₋₀ için 5,2159·108 döndürür; doğru değer 0,0191'dir (MerQur ve bağımsız Python aynı). R değeri ölçüte alınmamıştır.

² R BayesFactor yönlü BF'yi kendi sayısal integraliyle verir. Bildirdiği göreli hata BF₊₀ (Tıp #101) için 2,2191·10−6, BF₋₀ (Tıp #3) için 7,8738·10−10'dur; ikincisinde gerçek sapma 1,4·10−4'tür. Değer bilgi olarak gösterilmiş, ölçüt MerQur–Python farkına uygulanmıştır.

Sonuç: 81 büyüklüğün tamamı MerQur–Python ölçütünü karşılar. Sonsal aralık sınırlarında en büyük fark 2\times10^{-8}'dir (MerQur'un 40001 noktalı ızgarasındaki doğrusal ters ara değerleme). R BayesFactor'ün yönlü BF'leri iki satırda 10^{-6} ölçütünün dışında kalır ve eşleştirilmiş uç örnekte BF₋₀'ı tamamen yanlış verir (dipnot ¹); MerQur ve bağımsız Python bu satırlarda 10^{-12} düzeyinde aynıdır.

112.7 Çıktıyı okuma

Varsayılan ayarlarla sonuç metni (kısaltılmış):

Bayesçi t testi  (Bağımsız İki Örneklem, JZS önseli r = 0.7071)
Grup 1 ortalama     : 58.2163  (n = 35)
Grup 2 ortalama     : 76.0391  (n = 35)
Fark (G1 - G2)       : -17.8229
t(68.0) = -5.106,  p < 0.0001
Cohen's d = -1.220
%95 GA = [-24.7889, -10.8569]
Güç (power) = 0.999
─── Bayes Faktörü ───
BF₁₀ = 5251.6     (veri H₁'i destekleme oranı)
BF₀₁ = 1.90e-04     (veri H₀'ı destekleme oranı)
Kanıt yorumu: Çok güçlü (kesin) kanıt
─── Sonsal dağılım: δ ───
  Medyan = -1.1390, ortalama = -1.1396, SD = 0.2642
  %95 inanılırlık aralığı (merkezî) = [-1.6590, -0.6239];  %95 HDI = [-1.6575, -0.6224]
  BF₊₀ = 0.047;  BF₋₀ = 10503.2
─── BF sağlamlık (önsel duyarlılık) kontrolü (önsel genişliği) ───
  r = 0.707 (orta): BF₁₀ = 5251.6;  r = 1 (geniş): BF₁₀ = 5753.6;  r = 1.414 (çok geniş): BF₁₀ = 5676.9
  En yüksek BF₁₀ = 5797.2  (r = 1.150);  seçilen r = 0.707107: BF₁₀ = 5251.6
APA 7 örnek raporlama:
İki bağımsız grup arasında ... BF₁₀ = 5251.6; ortalama fark = -17.82, %95 GA [-24.79, -10.86]; d = -1.22, %95 inanılırlık aralığı (δ) [-1.66, -0.62]. Klasik (frekansçı) sonuç: t(68.0) = -5.11, p < .001.
Satır Ne yazar Nasıl yorumlanır
Başlık Mod ve önsel (r ya da bilgilendirilmiş önsel) Raporda önsel mutlaka yazılır.
t(68.0), p, %95 GA Frekansçı test; dengesiz gruplarda Welch GA ortalama farkının aralığıdır, \delta'nın değil.
Cohen's d Örneklem d'si (eşleştirilmişte d_z) Sonsal medyanla aynı şey değildir; sonsal büzülmüştür.
Güç Seçilen \alpha'da sonradan güç Yorum için kullanılmamalıdır.
BF₁₀, BF₀₁ Sayısal JZS BF 1'den büyük H_1, küçük H_0 lehine; BF ≥ 10⁶'da bilimsel gösterim.
BF₀₁ 1/\text{BF}_{10} 0,01'in altındaki değerler bilimsel gösterimle yazılır (burada 1{,}9\times10^{-4}).
Sonsal satırları Medyan, ortalama, SS, CrI, HDI "δ %95 olasılıkla [−1,66; −0,62] aralığında" diye okunur (model ve önsel koşuluyla).
BF₊₀; BF₋₀ İki yönlü seçimde de yazılır Kanıtın yönünü gösterir.
Sağlamlık Adlandırılmış genişlikler ve ızgara en büyüğü Etiket genişlikle değişiyorsa sonuç önsele duyarlıdır.
APA satırı Hazır cümle p APA biçimindedir ("p<.001"); Türkçe raporda "p<0{,}001".

APA biçiminde rapor cümlesi:

Yeni ve eski tedavi gruplarının yanıt skorları Bayesçi bağımsız örneklem t testiyle karşılaştırıldı (JZS, Cauchy önseli r = \sqrt2/2). Veri, iki grubun farklı olduğu hipotezini çok güçlü biçimde destekledi, \text{BF}_{10} = 5251{,}6. Eski tedavi grubunun ortalaması (O = 58,22; SS = 13,27; n = 35), yeni tedavi grubundan (O = 76,04; SS = 15,83; n = 35) 17,82 puan düşüktü; standartlaştırılmış etkinin sonsal medyanı \delta = -1{,}14 (%95 inanılırlık aralığı [−1,66; −0,62]). Sonuç önsel genişliğine duyarlı değildi (r = 1: \text{BF}_{10} = 5753{,}6; r = \sqrt2: \text{BF}_{10} = 5676{,}9). Klasik t testi aynı sonucu verdi, t(68) = -5{,}11, p < 0{,}001.

112.8 Uzman soruları

S1. Bu BEST mi?

Hayır. Kruschke (2013) BEST'i grup başına ayrı \mu, ayrı \sigma ve normallik parametresi \nu olan t olabilirliğini MCMC ile kestirir ve Bayes faktörü değil ROPE kararı üretir. MerQur'un modeli eşit varyanslı normal olabilirlik ve Cauchy önselli JZS t testidir (Rouder ve ark. 2009). İngilizce menü kimliğindeki "(BEST)" yalnız iç kayıt adıdır; yöntem JZS Bayes faktörüdür.

S2. BF₁₀ BayesFactor ve JASP ile aynı mı?

Aynı model ve aynı r ile evet. Bu veride BayesFactor ttestBF ile göreli fark 4\times10^{-11}'dir. Yönlü BF'lerde BayesFactor'ün kendi integrali kırılgandır: t=18{,}43'te BF₋₀ için 5{,}2\times10^8 döndürür (doğrusu 0,019). MerQur iki yarıyı ayrı ayrı log ölçeğinde integrallediği için bu sorunu yaşamaz.

S3. Gruplar dengesizse BF hangi t'den hesaplanıyor?

Havuzlanmış t'den (_posterior_block, bayesian_ttest.py:705–711); JZS modeli eşit varyans varsayar. Frekansçı satırlar ise pingouin'in otomatik Welch seçimiyle yazılır ve pingouin'in Welch t'sinden BF'si ayrı bilgi satırında verilir. Varyanslar belirgin farklıysa BF'ye fazla güvenilmemeli; BEST benzeri ayrı varyanslı bir model gerekir.

S4. Sonsal medyan neden örneklem d'sinden küçük?

Cauchy önseli sıfır çevresinde yoğundur; sonsal, olabilirliği önsele doğru çeker. Etki n_{\text{eff}}=17{,}5 gibi küçük bir etkin örneklemle kestirildiğinde büzülme belirgindir (−1,22 → −1,14). n büyüdükçe olabilirlik baskın olur ve fark kapanır.

S5. Sonsal neden MCMC ile değil de ızgarayla hesaplanıyor?

Problem tek boyutludur: \sigma ve ortalama analitik olarak integrallenmiş, geriye yalnız \delta kalmıştır. Tek boyutlu yoğunluk 40001 noktalı ızgarada 10^{-8} doğrulukla özetlenebilir; sonuç deterministiktir ve tohum gerektirmez. MCMC aynı doğruluk için milyonlarca örnek isterdi.

S6. Varyans sıfıra yakın ya da n çok küçükse ne olur?

Tüm değerler (ya da tüm farklar) sabitse modül hata verir (bayesian_ttest.py:449, 478, 506, 522–535). Grup başına en az 3 gözlem şarttır. n_{\text{eff}} küçükse (örneğin 3+3) BF önsele çok duyarlıdır; çıktı n<30'da bir not ekler (bayesian_ttest.py:673–674) ve sağlamlık eğrisi incelenmelidir.

S7. Güç satırı neyi gösteriyor?

Gözlenen d'nin evren etkisi olduğu varsayımıyla, seçilen \alpha'daki (\alpha=1-güven düzeyi) iki yönlü testte reddetme olasılığıdır. Bu "sonradan güç" p değerinin bir dönüşümüdür; çalışma planlamasında kullanılmaz (Hoenig ve Heisey 2001).

S8. Yönlü hipotez seçince BF₁₀ neden değişmiyor?

Başlık BF₁₀ her zaman iki yönlü modele aittir. Seçilen yönün BF'si ayrı satırda (BF₊₀ ya da BF₋₀) verilir ve sonsal özetler kesilmiş önsel altında yeniden hesaplanır. Doğru yön seçildiğinde yönlü BF yaklaşık 2\,\text{BF}_{10}'dur (bu veride 10503).

S9. Bilgilendirilmiş önsel BF'yi neden bu kadar düşürdü?

Varsayılan bilgilendirilmiş önsel \delta\approx+0{,}35 bekler; gözlenen etki -1{,}1 civarındadır. H_1 altında öngörülen bölge veriyle uyuşmadığı için p(\text{veri}\mid H_1) küçülür (BF₁₀ = 33,4). Bilgilendirilmiş önselin konumu ve yönü fark yönüne (1. grup − 2. grup) göre girilmelidir.

112.9 Sık hatalar ve tuzaklar

  • "BEST" adına güvenmek. Modül JZS Bayes faktörüdür; ayrı varyanslı, sağlam BEST modeli değildir.
  • Önseli raporlamamak. BF önsele bağlıdır; r (ya da bilgilendirilmiş önselin üç parametresi) ve sağlamlık sonucu yazılmalıdır.
  • Çok küçük BF₀₁'i yanlış okumak. 10^{-4} düzeyindeki bilimsel gösterim, verinin H_1'i çok güçlü desteklediğini gösterir; BF₁₀ ile birlikte raporlanır.
  • Grup sırasını gözden kaçırmak. 1. grup veride ilk görülen düzeydir; \delta, fark ve yönlü hipotez buna göre okunur.
  • Güç satırını yorumlamak. Sonradan güçtür; p değerine yeni bilgi eklemez.
  • Sıralı analizi sıralanmış veride okumak. Satırlar grup ya da değere göre sıralıysa eğri veri toplama sürecini göstermez.
  • Mod–sütun uyumsuzluğu. Tek örneklem modunda grup sütunu seçili kalırsa yok sayılır ve bir not yazılır; \mu_0=0 ile Likert benzeri veride |d|>2 çıkarsa çıktı mod hatası uyarısı verir (bayesian_ttest.py:675–692).
  • d_z ile d_{av}'yi karıştırmak. Ana satırdaki d eşleştirilmiş modda d_z'dir; d_{av} yalnız bilgi notundadır ve Eşleştirilmiş t testi bölümüyle aynı tanımdadır (\bar d/\sqrt{(s_1^2+s_2^2)/2}; 6.5.3).

112.10 Kaynaklar

  • Gronau, Q. F., Ly, A., & Wagenmakers, E.-J. (2020). Informed Bayesian t-tests. The American Statistician, 74(2), 137–143. https://doi.org/10.1080/00031305.2018.1562983
  • Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19–24. https://doi.org/10.1198/000313001300339897
  • Jeffreys, H. (1961). Theory of probability (3. baskı). Oxford University Press.
  • Kass, R. E., & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90(430), 773–795. https://doi.org/10.1080/01621459.1995.10476572
  • Kruschke, J. K. (2013). Bayesian estimation supersedes the t test. Journal of Experimental Psychology: General, 142(2), 573–603. https://doi.org/10.1037/a0029146
  • Lee, M. D., & Wagenmakers, E.-J. (2013). Bayesian cognitive modeling: A practical course. Cambridge University Press.
  • Ly, A., Verhagen, J., & Wagenmakers, E.-J. (2016). Harold Jeffreys's default Bayes factor hypothesis tests: Explanation, extension, and application in psychology. Journal of Mathematical Psychology, 72, 19–32. https://doi.org/10.1016/j.jmp.2015.06.004
  • Morey, R. D., & Rouder, J. N. (2011). Bayes factor approaches for testing interval null hypotheses. Psychological Methods, 16(4), 406–419. https://doi.org/10.1037/a0024377
  • Rouder, J. N., Speckman, P. L., Sun, D., Morey, R. D., & Iverson, G. (2009). Bayesian t tests for accepting and rejecting the null hypothesis. Psychonomic Bulletin & Review, 16(2), 225–237. https://doi.org/10.3758/PBR.16.2.225
  • Schönbrodt, F. D., Wagenmakers, E.-J., Zehetleitner, M., & Perugini, M. (2017). Sequential hypothesis testing with Bayes factors: Efficiently testing mean differences. Psychological Methods, 22(2), 322–339. https://doi.org/10.1037/met0000061
  • Vallat, R. (2018). Pingouin: Statistics in Python. Journal of Open Source Software, 3(31), 1026. https://doi.org/10.21105/joss.01026
  • Wagenmakers, E.-J., Lodewyckx, T., Kuriyal, H., & Grasman, R. (2010). Bayesian hypothesis testing for psychologists: A tutorial on the Savage–Dickey method. Cognitive Psychology, 60(3), 158–189. https://doi.org/10.1016/j.cogpsych.2009.12.001