📊 statistics

Bayesian structured additive quantile regression for inflated bounded data

Diese Arbeit stellt ein Bayes'sches strukturiertes additives Quantilsregressionsmodell für auf das Einheitsintervall beschränkte Daten mit Inflations an den Rändern vor, das sowohl die bedingten Quantile der kontinuierlichen Komponente als auch die Wahrscheinlichkeiten für Randwerte modelliert und mittels MCMC-Algorithmen im Framework Liesel geschätzt wird.

Ursprüngliche Autoren: Francisco F. Queiroz, Johannes Brachem, Paul F. V. Wiemann, Thomas Kneib

Veröffentlicht 2026-03-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Francisco F. Queiroz, Johannes Brachem, Paul F. V. Wiemann, Thomas Kneib

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

Das große Problem: Daten, die sich an den Wänden festhalten

Stellen Sie sich vor, Sie messen etwas, das immer zwischen 0 und 100 % liegt. Zum Beispiel: Wie viel Prozent Ihres Gehalts Sie für Essen ausgeben, oder wie viel Prozent der Menschen in einer Stadt eine bestimmte Krankheit haben.

Normalerweise verteilen sich diese Werte schön in der Mitte. Aber in der echten Welt gibt es oft zwei extreme Gruppen:

Die Nuller: Leute, die gar nichts ausgeben oder niemanden haben, der krank ist (0 %).
Die Einhundert: Leute, die alles ausgeben oder alle krank sind (100 %).

Die meisten herkömmlichen Statistik-Modelle sind wie ein Lineal: Sie erwarten, dass die Daten sich gleichmäßig verteilen. Wenn aber viele Datenpunkte genau an den Wänden (bei 0 oder 100) kleben, bricht das Lineal. Es kann diese "extremen" Punkte nicht richtig verstehen.

Die Lösung: Ein neuer, flexibler Maßstab

Die Autoren dieses Papiers (Francisco Queiroz und sein Team) haben eine neue Methode entwickelt, die sie "Bayesianische strukturierte additive Quantilsregression" nennen. Klingt kompliziert? Lassen Sie uns das in einfache Bilder übersetzen:

Stellen Sie sich die Daten nicht als eine einzige Linie vor, sondern als einen Berg.

Der Boden des Tals (0 %): Hier sitzen die Leute, die gar nichts haben.
Der Gipfel (100 %): Hier sitzen die Leute, die alles haben.
Der Hang dazwischen: Hier liegen die normalen Werte.

Das neue Modell macht zwei Dinge gleichzeitig:

Es zählt die Wähler: Es schaut sich an, wie wahrscheinlich es ist, dass jemand genau bei 0 oder genau bei 100 landet. Das ist wie ein Zähler, der sagt: "Aha, 30 % der Leute sind hier am Rand."
Es kartiert den Berg: Für die Leute, die nicht am Rand sind (also irgendwo dazwischen), zeichnet es eine detaillierte Landkarte. Und das Besondere: Es zeichnet nicht nur eine Linie für den "Durchschnitt", sondern für viele verschiedene Höhen.

Warum "Quantile" und nicht nur "Durchschnitt"?

Stellen Sie sich vor, Sie wollen wissen, wie lange ein Bus braucht.

Ein Durchschnitt sagt Ihnen: "Im Schnitt braucht er 20 Minuten." Aber das sagt nichts darüber aus, ob er manchmal 5 Minuten braucht und manchmal 40.
Quantile sagen Ihnen: "In 10 % der Fälle braucht er nur 10 Minuten (schnellste Busse), in 50 % der Fälle 20 Minuten (mittlere Busse) und in 90 % der Fälle braucht er maximal 35 Minuten (langsame Busse)."

Das neue Modell erlaubt es, diese verschiedenen "Buslinien" (Quantile) gleichzeitig zu betrachten. Es kann also sagen: "Für die schnellen Busse (untere Quantile) ist das Wetter wichtig, aber für die langsamen Busse (obere Quantile) ist der Verkehr wichtiger."

Was macht dieses Modell besonders? (Die "Zusatzwerkzeuge")

Frühere Modelle waren wie ein einfaches Lineal: Sie konnten nur gerade Linien ziehen. Das neue Modell ist wie ein Schweizer Taschenmesser mit vielen Werkzeugen:

Krumme Linien (Nichtlinearität): Es erkennt, dass der Zusammenhang nicht immer gerade ist. Vielleicht steigt der Effekt erst langsam und dann steil an.
Karten (Räumliche Effekte): Es weiß, wo die Daten herkommen. Wenn eine Stadt in Brasilien viele Unfälle hat, schaut es, ob die Nachbarkommunen auch betroffen sind. Es erkennt Muster auf der Landkarte.
Gruppen (Zufallseffekte): Wenn Sie Daten von denselben Personen mehrmals sammeln (wie bei Hörtests), merkt das Modell: "Ah, Person A ist einfach immer etwas langsamer als Person B, das liegt nicht am Test, sondern an ihr."

Zwei echte Beispiele aus der Welt

Die Autoren haben ihr Modell an zwei echten Problemen getestet:

1. Verkehrstote in Brasilien:
Sie haben untersucht, warum in manchen Städten mehr Menschen bei Verkehrsunfällen sterben.

Das alte Modell hätte nur den Durchschnitt aller Städte genommen.
Das neue Modell hat gesehen: In kleinen Dörfern gibt es oft gar keine Unfälle (0 %). In großen Städten gibt es viele. Aber wenn man sich nur die Städte anschaut, in denen Unfälle passiert sind, sieht man etwas Interessantes: In Städten mit vielen jungen Leuten (20–29 Jahre) ist der Anteil der Toten höher, besonders bei den extremen Fällen. Das Modell hat auch gezeigt, dass die Lage der Stadt (Nordosten vs. Süden) einen riesigen Unterschied macht, den man ohne die "Karten-Funktion" nicht gesehen hätte.

2. Hörtests für Cochlea-Implantate:
Hier ging es darum, wie gut Menschen mit Hörprothesen Sprache verstehen.

Viele Sätze wurden entweder perfekt verstanden (100 %) oder gar nicht verstanden (0 %). Dazwischen lag nur wenig.
Das neue Modell konnte genau analysieren: Welche Technik (Algorithmus) hilft den Leuten, die schon fast alles verstehen, noch besser? Und welche Technik verhindert, dass Leute gar nichts verstehen? Es hat gezeigt, dass verschiedene Algorithmen bei schwierigen Bedingungen (viel Lärm) unterschiedlich gut funktionieren, je nachdem, ob man die "schlechtesten" oder die "besten" Hörer betrachtet.

Fazit: Warum ist das gut?

Stellen Sie sich vor, Sie sind ein Arzt.

Das alte Modell sagt Ihnen: "Im Durchschnitt geht es dem Patienten besser."
Das neue Modell sagt Ihnen: "Die Patienten, die es am schlechtesten haben, profitieren von Medikament A, während die Patienten, die es schon gut haben, von Medikament B profitieren. Und in bestimmten Regionen ist die Situation ganz anders."

Die Autoren haben also ein Werkzeug gebaut, das nicht nur den Durchschnitt betrachtet, sondern die ganze Geschichte der Daten erzählt – von den Extremen bis zur Mitte, unter Berücksichtigung von Orten und individuellen Unterschieden. Und das alles mit einer cleveren mathematischen Methode, die unsicherheiten (wie ein erfahrener Schätzer) mit einbezieht, statt nur eine feste Zahl zu behaupten.

1. Problemstellung und Motivation

In vielen angewandten Bereichen (Medizin, Biologie, Soziologie, Ökologie) treten häufig kontinuierliche Daten auf dem Einheitsintervall $[0, 1]$ auf, die eine nicht vernachlässigbare Anzahl von Beobachtungen an den Grenzen (Nullen und/oder Einsen) aufweisen. Beispiele hierfür sind Mortalitätsraten, Anteile von Landflächen oder Prozentsätze von Einkommen.

Herkömmliche Regressionsmodelle für solche Daten (z. B. Inflationsmodelle basierend auf der Beta-Verteilung) modellieren oft nur den Erwartungswert und die Präzision der Verteilung. Dies führt zu Einschränkungen:

Sie setzen eine parametrische Verteilungsannahme voraus.
Sie erfassen nur begrenzte Aspekte der bedingten Verteilung (meist den Mittelwert) und ignorieren Heterogenität, Asymmetrie oder Effekte, die sich über den gesamten Verteilungsbereich ändern.
Bisherige Quantilsregressionsansätze für inflationsbehaftete Daten waren oft auf lineare Prädiktoren beschränkt und konnten nicht gleichzeitig Null- und Eins-Inflation (sowohl $p_0 > 0$ als auch $p_1 > 0$ ) mit komplexen strukturellen Effekten (wie räumlichen Mustern oder nichtlinearen Kovariablen) behandeln.

Das Ziel der Arbeit ist die Entwicklung eines flexiblen Modells, das die bedingten Quantile des kontinuierlichen Teils und die Wahrscheinlichkeiten der Randbeobachtungen (Nullen/Einsen) simultan modelliert, ohne strenge Verteilungsannahmen für den kontinuierlichen Teil zu treffen.

2. Methodik

Die Autoren schlagen einen Bayesschen strukturierten additiven Quantilsregressionsansatz für Null- und/oder Eins-inflatierte Daten vor. Das Modell basiert auf einem Zwei-Teile-Rahmenwerk (Two-Part Modeling Framework):

A. Diskreter Teil (Inflationswahrscheinlichkeiten)

Die Wahrscheinlichkeiten, dass die Antwortvariable $y_i$ den Wert 0 ( $p_{0i}$ ) oder 1 ( $p_{1i}$ ) annimmt, werden durch ein Multinomial-Modell (bzw. Bernoulli bei einseitiger Inflation) beschrieben.

Prädiktoren: Es werden strukturierte additive Prädiktoren verwendet:
$\eta_{0i} = d_0\left(\frac{p_{0i}}{p_{2i}}\right) = \beta_{00} + \sum f_{0k}(x_i)$
$\eta_{1i} = d_1\left(\frac{p_{1i}}{p_{2i}}\right) = \beta_{10} + \sum f_{1k}(x_i)$
Dabei sind $f_{jk}$ flexible Funktionen, die lineare Effekte, glatte nichtlineare Funktionen (Splines), räumliche Effekte (Gaußsche Markov-Felder) oder zufällige Effekte abbilden können. Als Link-Funktion wird typischerweise der Logit-Link verwendet.

B. Kontinuierlicher Teil (Bedingte Quantile)

Für Beobachtungen im Intervall $(0, 1)$ wird das $\tau$ -te bedingte Quantil modelliert.

Transformation: Da Quantile auf dem Einheitsintervall schwer direkt zu modellieren sind, wird eine streng monoton steigende Link-Funktion $h$ (z. B. Logit) angewendet:
$h(Q_{y_i|y_i \in (0,1)}(\tau | x_i)) = \eta_{2i, \tau} = \beta_{20, \tau} + \sum f_{2k, \tau}(x_i)$
Verteilungsannahme: Für die Bayessche Inferenz wird die asymmetrische Laplace-Verteilung (ALD) als Hilfsverteilung für den transformierten Wert $y^\dagger_i = h(y_i)$ verwendet. Die ALD hat den Vorteil, dass ihr Modus dem Quantil entspricht und sie eine Location-Scale-Mischdarstellung besitzt, die die Posterior-Berechnung vereinfacht.
Struktur: Auch hier werden strukturierte additive Prädiktoren mit Basis-Funktions-Expansionen (z. B. P-Splines) verwendet, um nichtlineare und komplexe Effekte zu erfassen.

C. Bayessche Inferenz und Implementierung

Priors: Die Koeffizienten der glatten Funktionen erhalten multivariante Normalpriors mit Rang-defizienten Penalty-Matrizen (zur Regularisierung/Glättung). Die Glättungsparameter folgen Inverse-Gamma-Hyperpriors.
Sampling: Die Posterior-Verteilung wird mittels Markov-Chain-Monte-Carlo (MCMC) geschätzt.
- Für Regressionskoeffizienten werden Metropolis-Hastings-Schritte mit iterativ gewichteten kleinsten Quadraten (IWLS) als Vorschlagsverteilung verwendet.
- Für die Hilfsvariablen der ALD (Gewichte $w_i$ ) werden Gibbs-Updates basierend auf der inversen Gauß-Verteilung genutzt.
- Die Implementierung erfolgt in Liesel, einem probabilistischen Programmier-Framework für semiparametrische Regression, das auf JAX und R (mgcv) aufbaut.

3. Hauptbeiträge

Erweiterung auf strukturierte additive Prädiktoren: Im Gegensatz zu früheren Arbeiten (z. B. Santos & Bolfarine, 2015), die nur lineare Prädiktoren zuließen, ermöglicht dieses Modell die Integration von räumlichen Effekten, zufälligen Effekten, glatten nichtlinearen Funktionen und variierenden Koeffizienten.
Behandlung von Null- und Eins-Inflation: Das Modell ist der erste Quantilsregressionsansatz, der gleichzeitig Null- und Eins-Inflation (beide Randwerte) in einem einzigen Rahmenwerk handhabt.
Flexibilität der Verteilung: Durch die Quantilsregression werden keine parametrischen Annahmen über die Form der bedingten Verteilung des kontinuierlichen Teils getroffen (außer der ALD als Hilfsverteilung für die Inferenz). Dies erlaubt die Erfassung von Heterogenität und Asymmetrie.
Software-Implementierung: Die Methode ist in einem modernen probabilistischen Programmier-Framework (Liesel) implementiert, was effizientes Sampling und Reproduzierbarkeit gewährleistet.

4. Ergebnisse

Simulationsstudie

Genauigkeit: Die Schätzer für die diskreten und kontinuierlichen Komponenten zeigten bei großen Stichproben ( $n=500$ ) sehr geringe RMSE-Werte. Auch bei moderaten Stichproben ( $n=200$ ) war die Leistung gut, solange die Inflationswahrscheinlichkeit nicht extrem niedrig war.
Robustheit: Das Modell zeigte eine hohe Robustheit gegenüber Fehlspezifikation der Likelihood. Selbst wenn die Daten aus einer GJS-t-Verteilung generiert wurden (anstatt der angenommenen ALD), blieben die RMSE-Werte niedrig und die Konfidenzintervalle (credible intervals) zeigten gute Abdeckungsraten (nahe 95%), insbesondere für den Median.
Quantil-Effekte: Die Schätzung der diskreten Parameter war unabhängig vom Quantil $\tau$ , während die Parameter des kontinuierlichen Teils quantil-spezifisch waren.

Anwendungsbeispiel 1: Verkehrstodesfälle in Brasilien

Daten: Anteil der Todesfälle durch Verkehrsunfälle in 5.499 brasilianischen Gemeinden (2002). Ca. 38% der Gemeinden hatten 0 Todesfälle.
Erkenntnisse:
- Nichtlinearität und Räumlichkeit: Die Beziehung zwischen Bevölkerungsgröße und Todesfallanteil war nichtlinear und zeigte starke räumliche Muster (z. B. höhere Raten in Acre und Roraima).
- Quantil-Effekte: Der negative Effekt der Bevölkerungsgröße auf den Todesfallanteil war bei höheren Quantilen (90%, 95%) stärker ausgeprägt als beim Median. Das bedeutet: In Gemeinden mit bereits hohen Todesfallraten hat eine größere Bevölkerung einen stärkeren dämpfenden Effekt.
- Vergleich: Im Vergleich zum klassischen Null-inflatierten Beta-Modell lieferte die Quantilsregression differenziertere Einblicke, da das Beta-Modell nur den Mittelwert betrachtet und die unterschiedlichen Effekte über die Verteilung hinweg nicht abbilden kann.

Anwendungsbeispiel 2: Sprachverständlichkeit bei Cochlea-Implantaten

Daten: Anteil korrekt erkannter Morpheme (0 bis 1) bei 7 Empfängern unter verschiedenen Bedingungen (Signal-Rausch-Verhältnis, Algorithmen, Störgeräusch). Ca. 68% der Beobachtungen lagen an den Rändern (0 oder 1).
Erkenntnisse:
- Zufallseffekte: Das Modell konnte individuelle Unterschiede (Random Effects) erfolgreich modellieren. Die Variabilität zwischen den Probanden war bei den Randwahrscheinlichkeiten (vollständige Fehler oder perfekte Erkennung) größer als bei den kontinuierlichen Quantilen.
- Algorithmus-Vergleich: Die Leistung der Algorithmen variierte je nach Quantil und SNR. Algorithmus B zeigte Vorteile bei schwierigen Bedingungen (niedriges SNR, niedrige Quantile), während Algorithmus A bei günstigen Bedingungen (hohes SNR) bessere Ergebnisse bei der perfekten Erkennung lieferte.
- Interaktionen: Es wurden signifikante Interaktionen zwischen SNR und den Algorithmen gefunden, die im Mittelwert-Modell weniger deutlich waren.

5. Bedeutung und Fazit

Die vorgestellte Methode stellt einen bedeutenden Fortschritt in der Analyse von inflationsbehafteten, begrenzten Daten dar. Sie überwindet die Einschränkungen traditioneller Mittelwert-basierter Modelle, indem sie:

Die gesamte bedingte Verteilung (nicht nur den Mittelwert) durch Quantilsregression abbildet.
Komplexe Datenstrukturen (Räumlichkeit, Hierarchie, Nichtlinearität) durch strukturierte additive Prädiktoren integriert.
Robust gegenüber Verteilungsannahmen ist.

Die Anwendung auf reale Daten zeigt, dass wichtige Muster (z. B. regionale Unterschiede in Brasilien oder algorithmenspezifische Effekte bei Cochlea-Implantaten) nur durch diesen flexiblen Ansatz vollständig erfasst werden können. Die Autoren betonen, dass die Methodik leicht auf andere inflationsbehaftete Daten (z. B. positive Daten mit Null-Inflation auf $[0, \infty)$ ) erweitert werden kann.