نقش استنباط شواهدی در تحلیل جداول توافقی و استوار بودن توابع درستنمایی در الگوهای آماری

علم آمار به عنوان اندازه ای از شواهد آماری به یک مجموعه خاص از مشاهدات نگاه می کند. این کلاس ویژه چگونگی و چرایی این که نسبت های درستنمایی قدرت شواهد آماری را اندازه گیری می کنند را توصیف می کند و در مورد این مسئله که چرا شواهد گمراه کننده است، بحث می کند. در حال حاضر دو روش کلی پذیرفته شده برای تفسیر داده ها وجود دارد که یکی روش فراوانی و دیگری روش بیز می باشد که هیچ یک از این دیدگاه ها به این سوال که " داده ها چه می گویند؟ " جوابی نمی دهند. نظر دیگر این است که هر دو روش بیز و فراوانی اطلاعات بیشتری را نسبت به آن چه خود داده ها فراهم می کنند شامل می شوند. استنباط بیز اطلاعات پیشین و استنباط فراوانی اطلاعاتی در مورد حجم نمونه را شامل می شود. الگوی شواهدی یک چارچوب برای ارائه و ارزیابی نسبت های درستنمایی به عنوان اندازه ای از شواهد آماری برای یک فرضیه در مقابل فرضیه دیگر ایجاد می کند. جلودار این مکتب جدید پروفسور ریچارد رویال است که کتاب وی تحت عنوان استنباط شواهدی اصول اولیه این شیوه جدید استنباط را در بردارد. محور اصلی این روش تابع درستنمایی است ولی علاوه بر اتکا بر اصل درستنمایی، این شیوه بر اصل مشابه دیگری بنام "قانون درستنمایی" متکی است. جداول توافقی در حالت حجم نمونه بزرگ با استفاده از خواص مجانبی و در حالت حجم نمونه کوچک با استفاده از شبیه سازی بررسی شده است. کرانداری احتمالات پشتیبانی قوی گمراه کننده در مدل های استقلال ، پیوند و همبستگی را بررسی می شوند. تابع درستنمایی ارزش شواهدی خود را حفظ می کند در صورتی که استوار باشد. معیارهای استواربودن تابع درستنمایی را معرفی کرده و روش تعدیل کردن تابع درستنمایی را هرگاه که استوار نباشد بیان می کنیم.