此处已详细讨论了正确解释置信区间的问题。我有一个相关的问题，我认为这可能是一个有用的贡献：根据定义，频率概率是指实验的无限次重复。 )的正态分布中提取无限数量的样本，并通过定义的算法，表示 CI 将在的所有情况下从常客的角度来看，将该概率应用于给定 CI 以估计其包含的可能性是没有意义的。
但是，如果有人在构建 CI 后从常客转向贝叶斯观点并问自己一个问题：“我有多自信（即我会以什么速度 - 假设有人知道并将揭示它）在某些时候 - 愿意打赌）这个给定的 CI 包含，知道它是使用构造的？”
答案不会是“ ”（或）吗？
C. f.：我应该对可信区间有“信心”吗？
对于所谓的位置模型，例如您的线性回归、方差分析等，基本上对于结果线性取决于估计参数的模型，置信区间将与具有平坦先验的可信区间相同。
如果您想知道在不同的先验条件下该可信区间会是什么样子，那么您可以像通常作为贝叶斯人所做的那样将该先验信息添加到您的结果中。
对于结果非线性地取决于参数的模型（例如逻辑回归），情况并非如此。我认为这是因为可能性对于重新参数化是不变的，但先验不是，所以在这种情况下你不能真正拥有非信息性先验。还有不变的先验和概率匹配的先验，但不幸的是我不知道它们是如何融入图片的。对不起
置信区间和可信区间会有多大差异，取决于数据。您拥有的数据越多，它们的差异就越小。对于大量数据（无限），它们将再次相同。如果它们不同，则可信区间将没有适当的覆盖范围，这可能不是您想要的。
如果您想对该主题进行更数学的处理，请查看
弗雷泽，DAS“贝叶斯后验只是快速而肮脏的信心吗？” 统计科学，第一卷。26，没有。3，2011 年，第 299-316 页。JSTOR，www.jstor.org/stable/23059129。2021 年 6 月 3 日访问。（还有一个 arxiv 版本https://arxiv.org/abs/1112.5582）
在那里，您还将找到一个公式，说明它们会有多大差异，以及如何从置信分位数变为贝叶斯分位数。论文中的数学应该不错，但论文的情绪不是普遍接受的。
“但是，如果有人在构建 CI 后从常客转向贝叶斯观点并问自己一个问题：“我有多自信（即我会以什么速度 - 假设有人知道 μ 并将揭示它）在某些时候 - 愿意打赌）这个给定的 CI 包含 μ，知道它是使用 A95 构建的？""
是的，这通常正是人们在解释置信区间时所做的，而没有意识到他们正在悄悄地从一个概率框架转移到另一个框架，而没有说明连接两者的假设。
它通常是相当良性的，因为可能存在一个合理的（即非人为的）贝叶斯先验，其频率置信区间和可信区间在数值上是相同的。从主观主义的角度来看，将置信区间的良性解释视为可信区间的悠久历史证明贝叶斯对可信区间的置信度是正确的，这并没有错。
然而，关键是它们是不同问题的答案，所以我们不应该期望答案是相同的。如果贝叶斯人选择这样做，他们也可以形成置信区间，我怀疑他们很少这样做，因为这通常不是你想问的问题，而常客只使用它们，因为他们不能对你的问题给出直接的概率答案其实很想问。