: ※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 123.193.36.134 (台湾)
: ※ 文章网址: https://www.ptt.cc/bbs/HatePolitics/M.1603274981.A.16A.html
: 推 dddd345tw: 参考性质拉，历届美国总统民调跟最后结果有落差。 10/21 18:12
: 其实上届全国民调是准的 问题是出在锈带摇摆州民调不准 特别是WI和MI
: 所以目前台面上WI和MI其实是拜登赢10%我还是保守给Tilt和Lean
: → dakkk: 你会崩溃 10/21 18:21
: 推 followwind: 不要再相信谣言惹。根据RCP平均来看的话过去四届总统 10/21 18:24
: → followwind: 选举的封关民调平均值只有一次是误差超过1.2趴的，你 10/21 18:24
: → followwind: 要不要猜猜看是哪一次？ 10/21 18:24
: → bibiwei: 封关民调准,所以基于这个时间民调预测,也是不准 10/21 18:28
: → lion198: 亚利桑那 威斯康辛必胜 10/21 18:32
: 推 followwind: 错。过去四届民调最不准的一次是2012年，封关民调显示 10/21 18:32
: → followwind: 差距是欧+0.7，结果是欧+3.9。 10/21 18:32
这种讲法基本上表示
你对机率与统计的认识很粗浅
这种说法等于说 我做四组实验
作实验前我都用同一个数学模型
预测掷两次铜板 结果会是一正一反(先后顺序不论)
然后每组实验我都掷两次铜板
然后最终结果是
只有一次 没有刚好掷出一正一反
其他三次都是一正一反
然后我就说 这预测掷两次一正一反的数学模型
以后每次你掷两次铜板 都有75%机率会准...
你觉得这样的逻辑 和统计技术 可以算正确吗？
: 嘘 SilverFlare: 预测跟实际结果的差距 每一次选举间彼此互为独立事 10/21 18:39
: → SilverFlare: 件 10/21 18:39
: → SilverFlare: 并不是民调方法都没变就确定跟最后结果的差距一定维 10/21 18:40
: → SilverFlare: 持在什么范围内 10/21 18:40
: 嘘 SilverFlare: 同一个天气预报程式对上个台风路径预测差很少，就表 10/21 18:43
: → SilverFlare: 示对下个台风的路径预测也会在误差范围吗？ 10/21 18:43
: → SilverFlare: 不要再讲干话骗逻辑不清楚的人惹 10/21 18:43
: → William: 楼上先去唸一下random process好吗...笑死 10/21 18:56
: → William: 随机程序不同事件的误差分布是可以用数学模型model的.. 10/21 18:57
: → Robben: 准的模型迟早也会失准 人类社会会变 10/21 18:58
: 嘘 SilverFlare: 选举并不是随机程序 你在工杀小？ 10/21 19:08
: 嘘 SilverFlare: 重点是每四年一次的选举 彼此间基本上是独立事件 同 10/21 19:10
: → SilverFlare: 一个民调预测模型上次差距多少不代表这次就差距多少 10/21 19:10
: → SilverFlare: 呛别人唸书前先搞清楚自己的逻辑啦 10/21 19:10
: → SilverFlare: 光是这次的疫情就对投票制度影响那么多 几乎就能确定 10/21 19:12
: → SilverFlare: 同时间点的封关民调的代表性和统计意义与上次不同了 10/21 19:12
: → William: 先搞懂random procesa的定义吧...很多事情都是独立事件， 10/21 19:16
: → William: 但是万物会自然产生一定的规律性...既然是机率分布自然 10/21 19:16
: → William: 有可能产生outlier,但是要说过去的数据都没有参考性也太 10/21 19:16
: → William: 搞笑 10/21 19:16
: 推 sunnyhung: 二位不要吵了，川普必上！ 10/21 19:20
: 嘘 SilverFlare: 参考性不等于误差范围会如法泡制 10/21 19:27
: → SilverFlare: 你的我流诠释还真多阿 选举这种事件要看出随机分布 10/21 19:27
: → SilverFlare: 趋势那你先取25次也就是100年再来嘴吧 10/21 19:27
: → William: 川普不信科学,果然川粉也是 XD 10/21 19:29
: 嘘 SilverFlare: 上开论述的资料点也就这次和上次的封关前民调两个点 10/21 19:29
: → SilverFlare: 跟我讲随机分布？你投硬币两次就能看出正反各50%的 10/21 19:29
: → SilverFlare: 长期分布？高三数学谁教的阿... 10/21 19:29
: 嘘 SilverFlare: 科学统计的结果是否有参考性还是要看数据诠释方法 10/21 19:31
: → SilverFlare: 而你对随机和连续性的诠释及定义让我不敢恭维 10/21 19:31
: → William: 我是在回你对独立事件之间分布的理解，至于选举结果预测 10/21 19:37
: → William: 你开心就好..这本来..这里面更多的是信仰. 10/21 19:37
: → William: 你的推文简单讲就是民调不可信，川普必胜，哈哈哈 10/21 19:38
: → chiangdapang: 左胶的分布聚居并不遵守自然规律 10/21 19:39
: 推 FoRTuNaTeR: 命运的安排～遵守自然的逻辑～谁都无法揭谜底～喔～ 10/21 19:42
: 推 neuralandre: “封关”！！ 10/21 19:53
: 嘘 SilverFlare: 笑死 战你对预测与结果的关联性了解错误 就自动扣帽 10/21 21:32
: → SilverFlare: 子变成那种滑坡主张 XD 逻辑经不起检验才会在那顾左 10/21 21:32
: → SilverFlare: 右而言他啦 10/21 21:32
: 嘘 SilverFlare: 光是把美国这种层级式的选举结果视为random process 10/21 21:37
: → SilverFlare: 就够可笑了 更荒谬的是数据援引范围还只有这届和上 10/21 21:37
: → SilverFlare: 届两个事件点 四年之间发生多少破坏选举版图变化趋 10/21 21:37
: → SilverFlare: 势连续性的事件先去了解一下再来战 10/21 21:37
: → sunnyhung: https://i.imgur.com/fWls8hA.jpg 10/21 21:39
: 嘘 SilverFlare: 如果只有两届之间比较 最起码也嘴个回归分析 相关系 10/21 21:40
: → SilverFlare: 数 之类的 扯随机分布只让人觉得你统计是不是只修通 10/21 21:40
: → SilverFlare: 识概论一学分阿？ 10/21 21:40
: → William: 你自己回去看你的最早推文的错误..你后来再说的限制到不 10/22 05:01
: → William: 能光看前一届的误差推论这一届的误差，但是你一开始的推 10/22 05:01
: → William: 文是写一般性的独立事件之间的关系...那就不限于两届.... 10/22 05:01
: → William: 简单比喻来说，你的理解仅限于高中程度的一个铜板这次的 10/22 05:06
: → William: 正反面不会影响下一次正反面...但是你找100个人丢100次 10/22 05:06
: → William: 统计正反面出现的次数那就不是你那句推文能解释的..现在 10/22 05:06
: → William: 可是多家民调多次不同时间的取样都有类似的结果趋势，你 10/22 05:06
: → William: 要当做是两次丢铜板来比较？... 10/22 05:06
这位大哥啊 同一届选举
在封关前不同时间点 作很多次不同民调
这样的方法 是在借由取样 分析
同一个母体 随时间的变化
并且借由分析变化的趋势 去预测母体在最终时间点的型态(开票)
所以是同一母体对不同时间的统计分析
你如果要说上届封关民调 跟上届最终结果 差不了多少
那这次封关民调 就一定也跟这届最终结果 差不了多少
那这样是变成
A母体 (上届最后开票结果) 和 a 取样(上届封关民调)
A'母体(这届最后开票结果) 和 a'取样(这届封关民调)
彼此之间是否有正相关 相关系数多少
的统计分析
但这种分析想也知道 光只看两届资料点要做个屁??
你要跑回归分析 看有没有线性趋势
起码也拿个十届的资料点出来吧?
看每届的封关民调 和 最终选举结果 其各自差距
通通取来作平均 再来看各届差距
有无以均值为中线作钟型分布 这样才有搞头啊
为什么会把 A母体 在不同时间作a1 a2 a3 a4等等的取样(变化趋势分析)
跟 A母体对a取样 vs A'母体对a'取样 的比较分析 (相关性分析)
混为一谈呢？
事实证明
这些左胶虽然很标榜科学
但其实只是盲目推崇科学家
把统计数据当作明牌明灯而已
或者说，只是想拿有利自己的数据
来作背书，夹夹自助餐而已。
并不是真的懂科学或在乎科学...