经典统计与贝叶斯统计的区别

百泰派克生物科技
蛋白组学如何筛选差异蛋白
差异蛋白筛选是根据蛋白质谱定量数据进行统计推断，从而寻找不同处理条件或不同状态下表达量存在显著差异的蛋白质。

目前筛选差异蛋白的方法众多，根据不同的统计学派别可以分为经典的统计学策略、贝叶斯统计学策略和其他策略。

经典的统计学策略，根据是否要求实验数据服从某种分布形式，分为基于分布假设的统计策略（如T检验、SAM等）和基于传统的非参数检验策略（如DESeq、
Fisher精确检验、G检验等）。

贝叶斯统计学策略是先收集并分析经验和历史资料等先验信息，形成先验分布，再根据贝叶斯公式进行后验分布，大大提高了统计推断的质量。

常用的贝叶斯统计学方法如QSpec，其基于泊松模型进行分层贝叶斯估计。

其他统计学分析方法如NSAF、NSAF-PLGEM等，是先利用标准化的谱丰度因子对蛋
白表达谱进行归一化处理后再进行T-检验分析。

值得一提的是，使用统计检验方法筛选差异蛋白质时一般都需要做多重假设检验进行校正，即对多个假设同时检验，将多个单重假设检验作为一个整体同时对其进行检验，以提高统计结果的准确性和灵敏度。

百泰派克生物科技采用高通量质谱平台提供高效快速的差异蛋白组学分析技术服务，包括差异蛋白的筛选、差异蛋白质定性和相对/绝对定量分析等，欢迎免费咨询。

统计学中的贝叶斯统计与决策理论统计学中的贝叶斯统计学是一种基于贝叶斯公式和概率论原理的统计推断方法。

它与传统的频率主义统计学方法相比，具有许多独特的优势。

本文将介绍贝叶斯统计学的基本原理、应用领域以及与决策理论的关系。

一、贝叶斯统计学的基本原理贝叶斯统计学是由英国数学家托马斯·贝叶斯提出的，它基于概率论的贝叶斯公式：P(A|B) = P(B|A) * P(A) / P(B)，其中P(A|B)表示在给定B发生的条件下A发生的概率，P(B|A)表示在给定A发生的条件下B 发生的概率，P(A)和P(B)分别表示A和B分别发生的概率。

贝叶斯统计学的基本原理是根据已有的先验知识和新的观测数据，通过不断更新概率分布来得出对未知参数的后验概率分布。

通过贝叶斯公式，可以将观测数据与已有知识相结合，得出对未知参数的概率分布，从而进行推断和预测。

二、贝叶斯统计学的应用领域贝叶斯统计学广泛应用于各个领域，包括医学、金融、生物学、工程学等。

其应用主要体现在以下几个方面：1. 参数估计：贝叶斯统计学通过考虑先验信息，对参数进行估计。

与传统的频率主义统计学方法相比，贝叶斯统计学能够更好地利用已有的知识，提供更准确的参数估计。

2. 假设检验：贝叶斯统计学提供了一种新的方法来进行假设检验。

通过计算后验概率与先验概率的比值，可以得到对不同假设的相对支持程度，从而在决策时提供更全面的信息。

3. 预测分析：贝叶斯统计学通过更新概率分布，可以对未来的事件进行预测。

这使得贝叶斯统计学在金融风险预测、天气预报等领域有着广泛的应用。

三、贝叶斯统计学与决策理论的关系贝叶斯统计学与决策理论密切相关。

决策理论主要研究如何在不确定情况下做出最优决策。

而贝叶斯统计学可以为决策提供一个统一的框架，通过计算不同决策的后验概率，从而选择概率最大的决策。

在贝叶斯决策理论中，需要考虑多个可能的决策结果以及每个决策结果的概率。

通过使用贝叶斯统计学中的贝叶斯公式，可以将观测数据与已有知识相结合，计算每个决策结果的后验概率，从而选择概率最大的决策。

GJR-CAViaR模型的贝叶斯分位数回归——基于Gibbs抽样的MCMC算法实现张颖;傅强【摘要】本文将基于Gibbs抽样的MCMC算法引入GJR-CAViaR模型,实现模型的贝叶斯推断.G JR-CAViaR模型是含有递归形式的分位数回归方程,尚未有文献提出如何对其进行贝叶斯分析和MCMC估计.本文首先利用不对称拉普拉斯分布建立GJR-CAViaR模型的似然函数,并通过引入标准指数分布和标准正态分布的混合分布得到不对称拉普拉斯分布的参数解析的条件分布,然后讨论模型的Gibbs抽样过程以及算法实现.对上证综指日收益率数据建立GJR-CAViaR模型,并得到模型参数的贝叶斯估计值.在马尔科夫链收敛的前提下,发现中国证券市场VaR具有自回归性质,且呈现收益对风险的不对称特征.这一特征不会受到样本容量大小及置信水平的影响.【期刊名称】《中央财经大学学报》【年(卷),期】2017(000)007【总页数】9页(P87-95)【关键词】GJR-CVAiaR;Gibbs抽样;不对称拉普拉斯分布;贝叶斯分位数回归【作者】张颖;傅强【作者单位】西北政法大学经济学院;中央财经大学财经研究院【正文语种】中文【中图分类】F011一、引言目前,常用的分位数回归模型的估计方法分为两类。

一类是直接进行优化求解,如单纯形法和内点法。

另一类是借助于贝叶斯原理进行参数估计。

直接优化求解属于频率学派的范畴,是传统的经典统计学方法。

经典估计方法将参数视为固定常数,然后利用最小二乘或极大似然等方法计算参数的估计值,得到参数的渐近分布和统计性质,并进行假设检验。

贝叶斯学派与经典统计法在参数估计的原理上存在不同。

贝叶斯学派将待估参数视为随机变量,利用贝叶斯原理和观测样本得到参数的后验分布。

在无法得到参数后验分布的具体表达形式时,采用重复抽样技术解决参数的估计问题。

因此,相对于传统统计对样本量的敏感,贝叶斯统计在小样本情形下也能得到可靠的参数信息。

前面的分析总结如下：人们根据先验信息对参数θ
已有一个认识，这个认识就是先验分布π (θ )。通
过试验，获得样本。从而对θ 的先验分布进行调整，
调整的方法就是使用上面的贝叶斯公式，调整的结
果就是后验分布 ( x1,。, xn后) 验分布是三种信息 的综合。获得后验分布使人们对θ 的认识又前进一
1)
,
x

0,1, n
( x)
(n 2)
x (1 )nx ,0 1
(x 1)(n x 1)
即
X ~ Be(x 1, n x 1)
9
贝叶斯统计学首先要想方设法先去寻求θ的先验分布。 先验分布的确定大致可分以下几步： 第一步，选一个适应面较广的分布族作先验分布族， 使它在数学处理上方便一些，这里我们选用β分布族
步，可看出，获得样本的的效果是把我们对θ的认识
由π(θ)调整到 应建立在后验分布
( 。x1,所,以xn)对θ的统计推断就 ( 的x1,基础, xn上) 。
7
例1 设事件A(产品为废品)的概率为 ，即P(A) 。 为了估计 而作n次独立观察，其中事件A出现次数
为X，则有X服从二项分布 b(n, )
第三章 贝叶斯估计
§3.1贝叶斯推断方法 一 、统计推断中可用的三种信息
美籍波兰统计学家耐(E.L.Lehmann1894~1981) 高度概括了在统计推断中可用的三种信息：
1．总体信息，即总体分布或所属分布族给我们 的信息。譬如“总体是指数分布”或“总体是正 态分布”在统计推断中都发挥重要作用，只要有 总体信息，就要想方设法在统计推断中使用。
假设Ⅱ 当给定θ后，从总体p(x|θ)中随机抽取一个样 本X1，…，Xn，该样本中含有θ的有关信息。这种信 息就是样本信息。