频率统计与贝叶斯统计——这场争论由来已久，似乎永无休止。这两种方法以不同的方式处理同一个问题，因此关于哪种方法更优的讨论一直存在。
这一点尤其重要，因为贝叶斯方 Ws 粉丝法的支持者将科学研究中的可重复性危机归咎于频率学派方法。
例如，生物技术公司安进 (Amgen) 的一个团队发现，他们分析了 53 项癌症研究，其中 47 项无法重复。
许多专家认为，这是由于频率统计方法的使用，而贝叶斯方法是解决这一危机的另一种选择。为了理解这两种方法的区别，我们先来了解一下它们的工作原理。
频率统计与贝叶斯统计
为了说明这两种方法的含义，让我们从概率的主要定义开始。这些定义包括：
- 事件的概率等于同一过程重复多次时该事件发生的长期频率。根据这个定义，抛硬币正面的概率是 0.5，因为长期多次掷骰子的结果大致 法国号码就是这个概率。
- 事件的概率由信念度来衡量。换句话说，事件发生的可能性取决于对该事件发生的信念，或假设的真实性，或任何随机事实的真实性。也就是说，概率仅仅表示你对陈述真实性的确定程度。
- 事件的概率是用该事件发生的逻辑支持程度来衡量的。根据这个定义，概率不过是经典逻辑的概括。
您有两个测量变量时，例如食物摄入量和体重、药物剂量和血压、气温和代谢率，就会使用相关性和线性回归。
还对保存；例如单个生物体的名称、实验试验或地点。
隐藏名义变量的主要价值在于，它让我可以做出一个概括性陈述：任何时候你对一个个体（生物体、实验试验、地点等）进行两次或两次以上的测量，该个体的身份就是一个名义变量；如果你只对一个个体进行一次测量，那么该个体就不是名义变量。
这条规则有何帮助？
我认为这条规则有助于澄清单向 家供应商合作极其无利 方差分析、双向方差分析和嵌套方差分析之间的区别。如果回归分析中隐藏名义变量的概念让你感到困惑，可以忽略它。
在生物学中，相关性和回归分析有三个主要目标。一是检验两个测量变量是否相互关联；二是检验一个变量是否随着一个变量的增加而增加（或减少）。你用P值来总结这个关联检验。
在某些情况下，这解决了有关因果关系的生物学问题；显著关联意味着独立变量的不同值会导致因变量的不同值。
相关性和线性回归的一个例子是给人们服用不同剂量的药物并测量他们的血压。零假设是药量和血压之间没有关系。
如果你拒绝零假设，你就会得出药物剂量会导致血压变化的结论。在这类实验中，你需要确定自变量的值；例如，你需要决定每个人服用的药物剂量。