📊 statistics

No-prior Bayes reIMagined: probabilistic approximations of inferential models

Dieses Paper schlägt ein neu konzipiertes „No-prior Bayes“-Framework vor, das Posterior-Verteilungen konstruiert, indem es datengesteuerte Inferenzmodelle zur Ableitung innerer probabilistischer Approximationen nutzt und dadurch eine exakte Unsicherheitsquantifizierung sowie asymptotische Effizienz erreicht, ohne auf Default-Priors angewiesen zu sein.

Ursprüngliche Autoren: Ryan Martin

Veröffentlicht 2026-06-23

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ryan Martin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber Sie haben keinerlei Vorwissen über den Verdächtigen. Sie betreten den Raum mit einem unbeschriebenen Blatt. In der Welt der Statistik nennt man dies das „No-Prior“-Problem (Problem des fehlenden Vorwissens).

Seit Jahrzehnten ist die Standardmethode zur Lösung dieses Problems, so zu tun, als hätte man eine Ahnung (ein „Default Prior“) und diese Ahnung dann mit den gefundenen Beweisen zu aktualisieren. Das ist so, als würde ein Detektiv sagen: „Ich nehme einfach mal an, dass der Butler es war, nur um anzufangen“, und seine Vermutung dann basierend auf den gefundenen Fingerabdrücken anpasst. Das Problem dabei ist, dass, wenn Ihre ursprüngliche Vermutung nur ein erfundenes Platzhalter-Konzept war, Ihre endgültige Schlussfolgerung zwar sicher erscheinen mag, aber tatsächlich unzuverlässig sein kann. Es ist, als würde man ein Haus auf einem Fundament bauen, das man nur erfunden hat, damit die Mathematik funktioniert.

Der neue Ansatz: „ReIMagined“ Inferenz

Der Autor, Ryan Martin, schlägt einen anderen Weg vor. Anstatt mit einer erfundenen Vermutung zu beginnen, schlägt er vor, mit einem Werkzeug zu arbeiten, das mathematisch garantiert ehrlich darüber ist, was es nicht weiß.

Hier ist die Schritt-für-Schritt-Aufschlüsselung seiner Idee, unter Verwendung einfacher Metaphern:

1. Die „Möglichkeitskarte“ (Die IM)

Zuerst erstellt der Autor eine „Möglichkeitskarte“. Stellen Sie sich vor, Sie betrachten eine Landschaft aus Hügeln und Tälern, die verschiedene mögliche Verdächtige (Parameter) repräsentieren.

Traditionelles Bayes: Versucht, eine glatte, perfekte Wahrscheinlichkeitskurve über die Landschaft zu zeichnen, unter der Annahme, dass jeder Punkt eine spezifische Chance hat, wahr zu sein.
Die IM (Inferential Model): Anstatt einer glatten Kurve zeichnet sie eine „unscharfe“ Karte. Sie hebt die Bereiche hervor, in denen die Beweise stark sind, und lässt den Rest vage. Sie tut nicht so, als wüsste sie die exakten Quoten; sie sagt lediglich: „Dieser Bereich ist definitiv möglich, und dieser Bereich ist definitiv nicht.“

Diese Karte basiert auf der Möglichkeitstheorie (Possibility Theory). Denken Sie daran, dass Wahrscheinlichkeit wie ein Eimer Wasser ist, der vollständig ausgeleert werden muss (die Summe muss 100 % ergeben). Möglichkeit ist eher wie ein Scheinwerfer. Der hellste Fleck (der wahrscheinlichste Verdächtige) ist voll beleuchtet (100 %), aber die Ränder des Lichts können verblassen, ohne dass der ganze Raum gefüllt werden muss. Diese „Unscharfe“ ist eigentlich ein Merkament und kein Fehler, denn sie verhindert, dass das System Fakten erfindet.

2. Die „Innere probabilistische Approximation“

Nun kommt der clevere Kniff. Der Autor weiß, dass die meisten Menschen (und Software) eher mit glatten Wahrscheinlichkeitskurven als mit unscharfen Karten arbeiten wollen. Sie wollen eine einzige, saubere Antwort.

Also nimmt er diese ehrliche, unscharfe „Möglichkeitskarte“ und fragt: „Was ist die einfachste, ehrlichste Wahrscheinlichkeitskurve, die vollständig innerhalb dieser Karte passt?“

Er nennt dies die Innere probabilistische Approximation.

Die Metapher: Stellen Sie sich die Möglichkeitskarte wie einen großen, unregelmäßig geformten Keksausstecher vor. Die „Innere Approximation“ ist der größte, glatte, runde Keks, den man aus diesem Ausstecher schneiden kann, ohne die Ränder zu berühren.
Warum macht man das? Weil die ursprüngliche Karte mathematisch bewiesen zuverlässig ist (sie wird Sie nicht anlügen). Indem man eine Wahrscheinlichkeitskurve aus dem Inneren dieser Karte herausschneidet, erbt die neue Kurve diese Zuverlässigkeit. Sie ist eine „sichere“ Wahrscheinlichkeitsverteilung.

3. Warum ist das besser?

Das Paper argumentiert, dass traditionelle „No-Prior Bayes“-Methoden oft unter falscher Sicherheit (False Confidence) leiden.

Das Risiko: Eine traditionelle Methode könnte sagen: „Ich bin mir zu 99 % sicher, dass der Butler der Täter ist“, obwohl die Beweislage in Wirklichkeit nur eine 50-prozentige Chance unterstützt. Sie ist übermäßig selbstbewusst.
Die Lösung: Die neue Methode ist kalibriert. Wenn sie sagt, dass eine Wahrscheinlichkeit von 90 % für etwas besteht, dann tritt dies auf lange Sicht auch tatsächlich in 90 % der Fälle ein. Sie vermeidet die Falle, selbstbewusst falsch zu liegen.

4. Wie es in der Praxis funktioniert

Das Paper zeigt, dass diese neue Methode:

Mit den alten Methoden übereinstimmt, wenn diese richtig liegen: In einfachen, symmetrischen Situationen (wie der Messung der Körpergröße einer Gruppe von Menschen) liefert diese neue Methode exakt dieselbe Antwort wie die berühmten „Jeffreys Prior“- oder „Fisher’s Fiducial“-Methoden.
Die schwierigen Probleme löst: In kniffligen Situationen, in denen die Mathematik kompliziert wird (wie beim Behrens-Fisher-Problem, bei dem es darum geht, zwei Gruppen mit unterschiedlichen und unbekannten Varianzen zu vergleichen), liefern die alten Methoden oft irreführende Ergebnisse. Die neue Methode handhabt diese „unordentlichen“ Fälle mit derselben Zuverlässigkeit wie die einfachen.

Zusammenfassung

Betrachten Sie das Paper als einen neuen Weg, einen Kuchen zu backen, wenn man kein Rezept hat.

Der alte Weg: Man rät die Zutaten (den Prior), mischt sie zusammen und hofft, dass der Kuchen schmeckt. Manchmal klappt es, aber oft ist es ein Desaster, weil die eigene Vermutung falsch war.
Der neue Weg: Man prüft zuerst die Speisekammer, um genau zu sehen, welche Zutaten man definitiv vorrätig hat (die Möglichkeitskarte). Dann backt man einen Kuchen unter Verwendung nur dieser Zutaten, wodurch sichergestellt wird, dass der Kuchen garantiert genießbar ist (die Innere Approximation).

Das Ergebnis ist eine statistische Methode, die keine Hintergrundgeschichte erfinden muss, um zu funktionieren. Sie beginnt mit den Daten, baut eine sichere „unscharfe“ Grenze um die Wahrheit herum auf und extrahiert dann eine klare, zuverlässige Wahrscheinlichkeitsantwort aus dem Zentrum dieser Sicherheitszone.

Technisches Resümee: No-prior Bayes reIMagined

1. Problemstellung

Die Arbeit befasst sich mit der grundlegenden Herausforderung der statistischen Inferenz, wenn keine echte Vorinformation (Prior) vorhanden ist. Die standardmäßige „Standardstrategie“ in solchen Szenarien ist das Objective Bayes (oder „No-prior Bayes“), welches einen „Default-Prior“ (z. B. Jeffreys-Prior, rechter Haar-Prior) mittels des Bayes-Theorems mit der Likelihood kombiniert. Andere Ansätze umfassen die generalisierte fiduzielle Inferenz und Konfidenzverteilungen.

Der Autor argumentt, dass diese Konstruktionen zwar natürlich sind, aber einem kritischen Mangel unterliegen: der Reliabilität (Zuverlässigkeit). Wenn ein Default-Prior in Abwesenheit echter Vorüberzeugungen verwendet wird, fehlt den resultierenden Posteriori-Wahrscheinlichkeiten eine kohärente „Updating“-Interpretation. Viel wichtiger ist, dass das False Confidence Theorem (Balch et al. 2019; Martin 2019) zeigt, dass keine dieser No-prior-Bayes-Lösungen über starke Reliabilitätseigenschaften verfügt. Speziell ist es kein seltener Fall, dass diese Methoden hohen Wahrscheinlichkeiten für falsche Hypothesen oder niedrigen Wahrscheinlichkeiten für wahre Hypothesen zuweisen. Folglich ist das „inferenzielle Gewicht zur Glaubensbildung“ dieser Posteriori-Verteilungen fragwürdig.

Das Papier postuliert, dass die Wurzel dieses Problems in der Beharren auf probabilistischer Unsicherheitsquantifizierung (additiven Maßen) liegt, wenn die Daten allein keine einzelne Wahrscheinlichkeitsverteilung stützen können.

2. Methodik: Der „reIMagined“-Ansatz

Die vorgeschlagene Lösung, bezeichnet als reIMagined, verschiebt den grundlegenden Rahmen von der Wahrscheinlichkeitstheorie zur Possibilitätstheorie, bevor sie zu einer probabilistischen Approximation zurückkehrt. Die Methodik verläuft in drei Stufen:

A. Possibilistische Inferenzmodelle (IMs)

Anstatt mit einem Prior zu beginnen, beginnt die Methode mit einem possibilistischen Inferenzmodell (IM).

Konstruktion: Das IM nutzt die relative Likelihood-Funktion $R(x, \theta)$ . Um Validität zu gewährleisten, wendet es einen „Validierungsschritt“ (eine Version der Wahrscheinlichkeits-zu-Possibilität-Transformation) an, um eine Possibilitätskontur $\pi_x(\theta)$ zu erzeugen:
$\pi_x(\theta) = P_\theta \{ R(X, \theta) \leq R(x, \theta) \}$
Eigenschaften: Diese Kontur definiert ein Possibilitätsmaß $\Pi_x$ . Entscheidend ist, dass diese Konstruktion Validität garantiert:
$\sup_{\theta \in T} P_\theta \{ \pi_X(\theta) \leq \alpha \} \leq \alpha$
Dies impliziert, dass das IM kleinen Possibilitätswerten für den wahren Parameter nur selten zuweist, wodurch sichergestellt wird, dass die zugehörigen Konfidenzmenge $C_\alpha(x) = \{ \theta : \pi_x(\theta) \geq \alpha \}$ exakte frequentistische Abdeckung besitzt. Das Ergebnis ist eine kohärente unpräzise Wahrscheinlichkeit (Possibilitätsmaß), die das Phänomen der „False Confidence“ vermeidet.

B. Innere probabilistische Approximation

In Anerkennung der Tatsache, dass viele Praktiker probabilistische Outputs bevorzugen, schlägt das Paper vor, eine innere probabilistische Approximation aus dem possibilistischen IM zu extrahieren.

Definition: Das Ziel besteht darin, eine Wahrscheinlichkeitsverteilung $Q_x$ zu finden, die das Possibilitätsmaß „dominiert“ ( $Q_x \preceq \Pi_x$ ) und „maximal diffus“ ist.
Charakterisierung (Theorem 1): Eine Wahrscheinlichkeit $Q_x$ gehört zum Credal-Set von $\Pi_x$ genau dann, wenn sie als Mischung von Kernen dargestellt werden kann, die auf den Level-Sets (Konfidenzmenge) $C_\alpha(x)$ gestützt sind:
$Q_x(\cdot) = \int_0^1 K_\alpha^x(\cdot) M_x(d\alpha)$
wobei $M_x$ ein Wahrscheinlichkeitsmaß auf $[0, 1]$ ist und $K_\alpha^x$ auf $C_\alpha(x)$ gestützt ist.
Die „innere“ Lösung: Eine innere probabilistische Approximation $Q_x^*$ ist ein Mitglied dieses Credal-Sets, das die Gleichheit in der Coverage-Bedingung erreicht:
$Q_x^* \{ C_\alpha(x) \} = 1 - \alpha \quad \text{für alle } \alpha \in [0, 1]$
Dies entspricht der Wahl von $M_x$ als Uniform $(0, 1)$ und des Kerns $K_\alpha^x$ als Uniformverteilung auf dem Rand $\partial C_\alpha(x)$ .
Sampling-Strategie: Ein Sample aus $Q_x^*$ $Q_{x}^{*}$ kann über ein zweistufiges Verfahren gezogen werden:
1. Ziehe ein Level $\alpha \sim \text{Unif}(0, 1)$ .
2. Ziehe einen Punkt $\theta$ gleichverteilt vom Rand der Konfidenzmenge $C_\alpha(x)$ .

C. Berechnung

Da exakte Grenzen von Konfidenzmenge oft schwer handhabbar sind, nutzt das Paper eine computergestützte Strategie (aus Martin 2026a), die die IM-Kontur durch eine „zusammengesetzte“ (stitched) Sammlung von Gaußschen Possibilitätsmaßen approximiert. Dies beinhaltet das Finden eines Vektors $\sigma$ , sodass eine Gaußsche Ellipsoid $C_\alpha^\sigma(x)$ die wahre IM-Level-Set $C_\alpha(x)$ eng umschließt, was ein effizientes Monte-Carlo-Sampling ermöglicht.

3. Zentrale Beiträge und Ergebnisse

A. Theoretische Eigenschaften

Übereinstimmung mit invarianten Modellen (Theorem 3): Für statistische Modelle, die unter einer Gruppe von Transformationen invariant sind (z. B. Lage-Skalen-Familien), stimmt die vorgeschlagene innere probabilistische Approximation mit der Standard-No-prior-Bayes-Lösung basierend auf dem rechten Haar-Prior überein. Dies etabliert, dass die neue Methode in Fällen, in denen ein Konsens besteht, die „Goldstandard“-Lösungen reproduziert.
Asymptotische Effizienz (Theorem 4 & 5): Das Paper beweist eine Version des Bernstein–von Mises-Theorems für das possibilistische IM. Wenn die Stichprobengröße $n \to \infty$ geht, konvergiert die IM-Kontur gegen eine Gaußsche Possibilitätskontur, und die innere probabilistische Approximation konvergiert gegen eine Gaußsche Verteilung mit einer Kovarianz, die der Cramér–Rao-Schranke entspricht. Somit ist die Methode asymptotisch effizient.
Wahrscheinlichkeitsanpassung (Theorem 2): Mit Konfidenzmenge konstruierte Mengen, die Ranking-Funktionen nutzen, die komonoton mit der Possibilitätskontur sind (z. B. das Likelihood-Verhältnis), sind Wahrscheinlichkeits-matching-fähig, was bedeutet, dass ihre Bayesianische Glaubwürdigkeit ihrer frequentistischen Abdeckung entspricht.

B. Marginalisierung und Überkonfidenz

Das Paper untersucht die Risiken der Marginalisierung dieser Verteilungen.

Das Risiko: Die Standard-Marginalisierung einer gemeinsamen Konfidenzverteilung führt oft zu Überkonfidenz (antikonservativen Intervallen) für marginale Parameter, insbesondere bei nicht-linearen Transformationen.
Die Lösung: Das Paper unterscheidet zwischen zwei Ansätzen:
1. Extensions-basierte Marginalisierung: Das IM zuerst marginalisieren (via Extensionsprinzip) und dann approximieren. Dies bewahrt die Validität.
2. Probabilistische Marginalisierung: Die innere Approximation direkt marginalisieren.
Boundary-Surjectivity (Theorem 6): Das Paper zeigt, dass das Marginal einer inneren Approximation eine innere Approximation des marginalen IM ist, wenn und nur wenn die Abbildung rand-surjektiv (boundary-surjective) ist. In Fällen, in denen dies fehlschlägt (z. B. nicht-lineare Funktionen), kann die direkte probabilistische Marginalisierung überkonfident sein. Die empfohlene Strategie ist, die Marginalisierung zuerst auf der possibilistischen Ebene (oder via Profiling) durchzuführen und dann die innere Approximation zu extrahieren.

C. Empirische Illustrationen

Behrens–Fisher-Problem: Das Paper wendet die Methode auf das klassische Behrens–Fisher-Problem an (Inferenz über die Differenz von Mittelwerten bei unbekannten, ungleichen Varianzen).
- Ergebnis: Die innere probabilistische Approximation der auf dem Profile-Likelihood basierenden marginalen IM liefert eine Lösung, die in der Abdeckung exakt ist (im Gegensatz zum Welch- $t$ -Test oder dem Jeffreys-Prior-Bayes) und effizienter ist (kürzere erwartete Intervalllänge) als die konservative rechte Haar-Prior-Lösung.
Gamma- und Richtungsdaten: Illustrationen zu Gamma-Modellen und Richtungsdaten (von Mises-Verteilung) zeigen, dass die innere Approximation in invarianten Fällen eng mit der rechten Haar-Prior-Bayes-Lösung übereinstimmt, aber in nicht-invarianten oder marginalen Fällen die Überkonfidenz korrigiert.

4. Bedeutung und Ansprüche

Das Paper behauptet, das „wichtigste ungelöste Problem der statistischen Inferenz“ (Efron 2013) gelöst zu haben: die Verwendung des Bayes-Theorems ohne Vorinformation.

Reliabilität zuerst: Der Kernanspruch ist, dass durch die Priorisierung der Reliabilität (Kalibrierung) durch einen possibilistischen Rahmen die „False Confidence“ vermieden wird, die allen existierenden No-prior-probabilistischen Lösungen innewohnt.
Versöhnung: Der „reIMagined“-Ansatz überbrückt die Lücke zwischen frequentistischer Validität und Bayesianischem Denken. Er liefert eine datengestützte Wahrscheinlichkeitsverteilung, die:
- Exakte Abdeckungseigenschaften besitzt (via des zugrunde liegenden IM).
- Asymptotisch effizient ist.
- Mit etablierten Lösungen (rechte Haar-Priors) in invarianten Modellen übereinstimmt.
- Die Notwendigkeit einer willkürlichen Spezifikation eines Priors vermeidet.
Praktikabilität: Das Paper stellt einen konkreten Monte-Carlo-Algorithmus zur Berechnung dieser Approximationen bereit, was die Theorie für komplexe Probleme wie das Behrens–Fisher-Problem anwendbar macht, bei denen traditionelle Lösungen entweder konservativ sind oder keinen Konsens bieten.

Zusammenfassend argumentiert das Paper, dass der Weg zu einer zuverlässigen No-prior-Inferenz nicht darin besteht, einen „besseren“ Default-Prior zu finden, sondern zuerst ein possibilistisches IM zu konstruieren und daraus eine maximal diffuse innere probabilistische Approximation zu extrahieren. Dies liefert einen „Posteriori“, der sowohl in der Form probabilistisch als auch in der frequentistischen Leistung valide ist.