Frequentist Bayesian

核心概念定义

统计学有两大流派，它们的根本分歧不在方法，而在「概率」这个词的定义：

• 频率学派：概率 = 长期重复实验中事件发生的相对频率。参数（如真实均值）是固定的未知常数，数据是随机的。置信区间意思是「如果重复实验 100 次，95 次的区间会包含真实参数」——但本次这个区间要么包含、要么不包含，没有「95% 概率」。
• 贝叶斯学派：概率 = 对某个命题的信念强度。参数本身有概率分布（先验），数据到来后更新信念（后验）。可信区间意思是「真实参数有 95% 概率落在这个区间内」——这是直接关于参数的概率陈述。

贝叶斯定理：P(假设|数据) ∝ P(数据|假设) × P(假设)。先验 P(假设) × 似然 P(数据|假设) = 后验 P(假设|数据)。

为何贝叶斯更直觉但频率派更主流：贝叶斯符合日常思维（「看到证据后我更新了信念」），但需要指定先验，主观性强。频率派避免主观先验，可重复、可审计，所以科学论文多用频率派（p 值、置信区间）。但频率派无法直接回答「这个假设为真的概率是多少」——而这正是人们真正想知道的。

学科直觉

两派分歧的核心直觉是：概率是世界的属性，还是认知者的属性？

三个直觉：

1. 频率派 = 客观但间接：频率派回答「如果世界是这样，我会看到什么数据」，但不直接回答「这个世界是不是这样」。p 值是 P(数据|假设)，不是 P(假设|数据)——人们常误读。
2. 贝叶斯 = 主观但直接：贝叶斯回答「给定数据，我对假设的信念是多少」——这正是决策者想要的。但需要先验，不同人先验不同，结论不同。
3. 先验不是缺陷是特性：贝叶斯承认「你有先验信念」是诚实的——人人都有。频率派假装无先验，但选择模型、选 α=0.05 这些选择本身已是先验。

跨学科应用

投资：先验偏见是贝叶斯的双刃剑

投资者天然是贝叶斯派——都有对公司的先验信念。问题在于：先验太强，数据更新不动。死多头看了坏财报仍坚信「长期价值不变」，本质是先验方差太小，似然项撼不动后验。好的投资者让先验「软」一些——既不无知，也不固执。芒格说：「我试图摧毁我最珍视的信念。」——这是主动放大先验方差，让证据能修正信念。

决策：历史频率与主观信念应结合

频率派告诉你「过去这类事情发生的频率」，贝叶斯派告诉你「基于这次的具体情况，你的信念应该更新多少」。两者结合才是完整决策：只用历史频率忽视当下特殊性（这次可能真的不同），只用主观信念忽视历史规律（你可能太自信）。贝叶斯框架天然支持这种结合。

风险管理：黑天鹅与先验设计

频率派对「从未发生过的事件」无能为力——样本中没有，频率为 0。贝叶斯派可以基于类比、结构推理赋予小概率——黑天鹅事件在贝叶斯框架中可被建模（虽然先验很主观），在频率框架中不可。塔勒布的批评本质是：纯频率思维会让你低估尾部风险。

科学：可重复性危机与 p 值误用

频率派 p<0.05 被当成「显著」的硬阈值，导致 p-hacking（挑数据凑显著）。贝叶斯方法天然报告后验分布，无法二元化「显著/不显著」，反而更诚实。可重复性危机部分源于频率派方法的误用。

练习题

单选题

案例题

某投资者从历史数据得出「小盘股长期年化回报 12%」，决定全仓小盘股。请用频率派 vs 贝叶斯派的视角批判这个决策。

参考答案：(1) 频率派问题：12% 是历史频率，但样本是幸存者数据（已退市的小盘股不在内），频率本身被高估。(2) 贝叶斯派问题：你的先验是「未来与过去同分布」，但小盘股效应可能已被套利消除——需要更新的不仅是数据，还有「规律是否持续」这个结构假设。(3) 正确做法：历史频率作为先验起点，但用当下的市场结构（流动性、参与者、套利机制）调整先验，得出后验判断。纯频率思维把历史当未来，纯主观思维忽视历史规律——贝叶斯框架强制你做二者结合。

反事实题