📊 statistics

No-prior Bayes reIMagined: probabilistic approximations of inferential models

Dit artikel stelt een heroverwogen "No-prior Bayes"-raamwerk voor dat posterieure verdelingen construeert door innerlijke probabilistische benaderingen af te leiden uit datagestuurde inferentiële modellen, waardoor exacte onzekerheidskwantificering en asymptotische efficiëntie worden bereikt zonder te vertrouwen op standaard voorafgaande verdelingen.

Oorspronkelijke auteurs: Ryan Martin

Gepubliceerd 2026-06-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ryan Martin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar je hebt geen eerdere kennis over de verdachte. Je loopt de kamer binnen met een onbeschreven blad. In de wereld van de statistiek wordt dit het "no-prior" probleem genoemd.

Decennialang was de standaardmanier om dit op te lossen door te doen alsof je wél een vermoeden hebt (een "default prior") en dat vermoeden vervolgens bij te stellen op basis van het bewijs dat je vindt. Dit is als een detective die zegt: "Ik ga ervan uit dat de butler het gedaan heeft, gewoon om ergens te beginnen," en dat vermoeden vervolgens aanpast op basis van de gevonden vingerafdrukken. Het probleem is, zoals dit artikel aantoont, dat als je initiële gok slechts een verzonnen tijdelijke oplossing was, je uiteindelijke conclusie weliswaar zelfverzekerd kan aanvoelen, maar in werkelijkheid onbetrouwbaar kan zijn. Het is alsof je een huis bouwt op een fundament dat je alleen maar hebt uitgevonden om de wiskunde te laten kloppen.

De Nieuwe Aanpak: "ReIMagined" Inferentie

De auteur, Ryan Martin, stelt een ander pad voor. In plaats van te beginnen met een verzonnen gok, suggereert hij te beginnen met een hulpmiddel dat wiskundig gegarandeerd eerlijk is over wat het niet weet.

Hier is de stapsgewijze uitleg van zijn idee, gebruikmakend van eenvoudige metaforen:

1. De "Possibility Map" (De IM)

Eerst creëert de auteur een "Possibility Map" (mogelijkheidskaart). Stel je voor dat je naar een landschap van heuvels en valleien kijkt die verschillende mogelijke verdachten (parameters) vertegenwoordigen.

Traditionele Bayes: Probeert een gladde, perfecte waarschijnlijkheidscurve over het landschap te tekenen, uitgaande van het feit dat elk punt een specifieke kans heeft om waar te zijn.
De IM (Inferential Model): In plaats van een gladde curve, tekent het een "vage" kaart. Het benadrukt de gebieden waar het bewijs sterk is en laat de rest vaag. Het doet niet alsof het de exacte kansen kent; het zegt alleen: "Dit gebied is zeker mogelijk, en dit gebied is zeker niet mogelijk."

Deze kaart is gebouwd op de Possibility Theory (mogelijkheidstheorie). Denk aan waarschijnlijkheid als een emmer water die volledig uitgegoten moet worden (het totaal moet 100% zijn). Mogelijkheid is meer als een spotlight. De helderste plek (de meest waarschijnlijke verdachte) is volledig verlicht (100%), maar de randen van het licht kunnen vervagen zonder dat er een hele kamer gevuld hoeft te worden. Deze "vaagheid" is eigenlijk een kenmerk, geen fout, omdat het het systeem voorkomt om feiten te verzinnen.

2. De "Inner Probabilistic Approximation"

Nu komt de slimme wending. De auteur weet dat de meeste mensen (en software) gewend zijn om met gladde waarschijnlijkheidscurven te werken, niet met vage kaarten. Ze willen één enkel, helder antwoord.

Daarom neemt hij die eerlijke, vage "Possibility Map" en vraat hij: "Wat is de eenvoudigste, meest eerlijke waarschijnlijkheidscurve die volledig binnen deze kaart past?"

Hij noemt dit de Inner Probabilistic Approximation.

De Metafoor: Stel je voor dat de Possibility Map een grote, onregelmatig gevormde koekjesvorm is. De "Inner Approximation" is de grootste, gladde, ronde koek die je uit die vorm kunt snijden die perfect binnen de vorm past zonder de randen te raken.
Waarom dit doen? Omdat de oorspronkelijke kaart wiskundig bewezen betrouwbaar is (het liegt niet tegen je). Door een waarschijnlijkheidscurve uit de binnenkant van die kaart te snijden, erft de nieuwe curve die betrouwbaarheid. Het is een "veilige" waarschijnlijkheidsverdeling.

3. Waarom is dit beter?

Het artikel betoogt dat traditionele "No-Prior Bayes"-methoden vaak lijden aan False Confidence (valse zelfverzekerdheid).

Het Risico: Een traditionele methode kan zeggen: "Ik ben voor 99% zeker dat de butler het gedaan heeft," terwijl het bewijs in werkelijkheid slechts een kans van 50% ondersteunt. Het is overmoedig.
De Oplossing: De nieuwe methode is gekalibreerd. Als het zegt dat er 90% kans is op iets, dan gebeurt dat op de lange termijn ook daadwerkelijk 90% van de tijd. Het vermijdt de valkuil van zelfverzekerd ongelijk hebben.

4. Hoe het in de praktijk werkt

Het artikel laat zien dat deze nieuwe methode:

Overeenstemt met de oude methoden wanneer zij gelijk hebben: In eenvoudige, symmetrische situaties (zoals het meten van de lengte van een groep mensen), geeft deze nieuwe methode exact hetzelfde antwoord als de beroemde "Jeffreys prior" of "Fisher's fiducial" methoden.
De moeilijke problemen oplost: In lastige situaties waar de wiskunde ingewikkeld wordt (zoals het Behrens-Fisher probleem, dat gaat over het vergelijken van twee groepen met verschillende en onbekende varianties), geven de oude methoden vaak misleidende resultaten of falen ze volledig. De nieuwe methode hanteert deze "rommelige" gevallen met dezelfde betrouwbaarheid als de eenvoudige gevallen.

Samenvatting

Beschouw het artikel als een nieuwe manier om een taart te bakken wanneer je geen recept hebt.

Oude Manier: Je raadt de ingrediënten (de prior), mengt ze en hoopt dat de taart goed smaakt. Soms lukt het, maar vaak is het een ramp omdat je gok fout was.
Nieuwe Manier: Je controleert eerst de voorraadkast om te zien welke ingrediënten je daadwerkelijk hebt (de Possibility Map). Daarna bak je een taart met alleen die ingrediënten, waardoor je garandeert dat de taart eetbaar is (de Inner Approximation).

Het resultaat is een statistische methode die geen achtergrondverhaal hoeft te verzinnen om te werken. Het begint met de data, bouwt een veilige "vage" grens rond de waarheid, en extraheert vervolgens een helder, betrouwbaar waarschijnlijkheidsantwoord uit het centrum van die veiligheidszone.

Technisch Samenvatting: No-prior Bayes reIMagined

1. Probleemstelling

Het artikel behandelt de fundamentele uitdaging van statistische inferentie wanneer er geen echte voorkennis (prior informatie) aanwezig is. De standaard "standaardstrategie" in dergelijke scenario's is Objective Bayes (of "no-prior Bayes"), die een "default prior" (bijv. Jeffreys prior, recht Haar prior) combineert met de likelihood via de stelling van Bayes. Andere benaderingen omvatten gegeneraliseerde fiduciale inferentie en betrouwbaarheidsverdelingen.

De auteur voert aan dat hoewel deze constructies natuurlijk zijn, ze lijden aan een kritiek gebrek: betrouwbaarheid. Wanneer een default prior wordt gebruikt bij afwezigheid van werkelijke voorkennis, missen de resulterende posterieure waarschijnlijkheden een coherente "actualiseringsinterpretatie". Belangrijker nog, de False Confidence Theorem (Balch et al. 2019; Martin 2019) toont aan dat geen enkele dergelijke no-prior Bayes oplossing beschikt over sterke betrouwbaarheidseigenschappen. Specifiek is het niet zeldzaam dat deze methoden een hoge waarschijnlijkheid toekennen aan valse hypothesen of een lage waarschijnlijkheid aan ware hypothesen. Bijgevolg is de "geloofsvormende inferentiële gewicht" van deze posterieure verdelingen twijfelachtig.

Het artikel stelt dat de wortel van dit probleem het vasthouden aan probabilistische onzekerheidskwantificering (additieve maten) is wanneer de data alleen niet in staat zijn om een enkele kansverdeling te ondersteunen.

2. Methodologie: De "reIMagined" Benadering

De voorgestelde oplossing, getiteld reIMagined, verschuift het fundamentele kader van waarschijnlijkheid naar mogelijkheidstheorie (possibility theory) voordat het terugkeert naar een probabilistische benadering. De methodologie verloopt in drie stadia:

A. Possibilistische Inferentiële Modellen (IM's)

In plaats van te beginnen met een prior, begint de methode met een possibilistisch Inferentieel Model (IM).

Constructie: Het IM maakt gebruik van de relatieve likelihoodfunctie $R(x, \theta)$ . Om validiteit te garanderen, past het een "validificatiestap" toe (een versie van de waarschijnlijkheid-naar-mogelijkheid transformatie) om een mogelijkheidscontour $\pi_x(\theta)$ te genereren:
$\pi_x(\theta) = P_\theta \{ R(X, \theta) \leq R(x, \theta) \}$
Eigenschappen: Deze contour definieert een mogelijkheidsmaat $\Pi_x$ . Cruciaal is dat deze constructie validiteit garandeert:
$\sup_{\theta \in T} P_\theta \{ \pi_X(\theta) \leq \alpha \} \leq \alpha$
Dit impliceert dat het IM slechts zelden kleine mogelijkheidswaarden toekent aan de ware parameter, wat garandeert dat de bijbehorende betrouwbaarheidssets $C_\alpha(x) = \{ \theta : \pi_x(\theta) \geq \alpha \}$ een exacte frequentistische dekking hebben. De output is een coherente onprecieze waarschijnlijkheid (mogelijkheidsmaat) die het fenomeen van valse zekerheid (false confidence) vermijdt.

B. Innerlijke Probabilistische Benadering

Omdat veel beoefenaars de voorkeur geven aan probabilistische outputs, stelt het artikel voor om een innerlijke probabilistische benadering te extraheren uit de possibilistische IM.

Definitie: Het doel is om een kansverdeling $Q_x$ te vinden die "gedomineerd" wordt door de mogelijkheidsmaat ( $Q_x \preceq \Pi_x$ ) en die "maximaal diffuus" is.
Karakterisering (Theorem 1): Een kansverdeling $Q_x$ behoort tot de credal set van $\Pi_x$ indien en slechts indien deze gerepresenteerd kan worden als een mengeling van kernels ondersteund op de niveau-sets (betrouwbaarheidssets) $C_\alpha(x)$ :
$Q_x(\cdot) = \int_0^1 K_\alpha^x(\cdot) M_x(d\alpha)$
waarbij $M_x$ een kansmaat is op $[0, 1]$ en $K_\alpha^x$ ondersteund is op $C_\alpha(x)$ .
De "Innerlijke" Oplossing: Een innerlijke probabilistische benadering $Q_x^*$ wordt gedefinieerd als een lid van deze credal set dat gelijkheid bereikt in de dekkingvoorwaarde:
$Q_x^* \{ C_\alpha(x) \} = 1 - \alpha \quad \text{voor alle } \alpha \in [0, 1]$
Dit komt overeen met het nemen van de marginale verdeling $M_x$ als Uniform $(0, 1)$ en de kernel $K_\alpha^x$ als een uniforme verdeling op de rand $\partial C_\alpha(x)$ .
Sampling Strategie: Een monster uit $Q_x^*$ $Q_{x}^{*}$ kan worden getrokken via een tweestaps-procedure:
1. Trek een niveau $\alpha \sim \text{Unif}(0, 1)$ .
2. Trek een punt $\theta$ uniform uit de rand van de betrouwbaarheidsset $C_\alpha(x)$ .

C. Computatie

Omdat de exacte grenzen van betrouwbaarheidssets vaak onhandelbaar zijn, hanteert het artikel een computationele strategie (uit Martin 2026a) die de IM-contour benadert met behulp van een "gestitchte" collectie Gaussische mogelijkheidsmaten. Dit houdt in dat een vector $\sigma$ wordt gezocht zodat een Gaussische ellipsoïde $C_\alpha^\sigma(x)$ de ware IM-niveau-set $C_\alpha(x)$ nauwsluitend omsluit, wat efficiënte Monte Carlo-sampling mogelijk maakt.

3. Belangrijkste Bijdragen en Resultaten

A. Theoretische Eigenschappen

Overeenkomst met Invariante Modellen (Theorem 3): Voor statistische modellen die invariant zijn onder een groep van transformaties (bijv. locatie-schaal families), valt de voorgestelde innerlijke probabilistische benadering samen met de standaard no-prior Bayes oplossing gebaseerd op de recht Haar prior. Dit vestigt dat de nieuwe methode de "gouden standaard" oplossingen herstelt in gevallen waar een consensus bestaat.
Asymptotische Efficiëntie (Theorems 4 & 5): Het artikel bewijst een versie van de Bernstein–von Mises stelling voor de possilistische IM. Naarmate de steekproefomvang $n \to \infty$ gaat, convergeert de IM-contour naar een Gaussische mogelijkheidscontour, en de innerlijke probabilistische benadering convergeert naar een Gaussische verdeling met een covariantie die overeenkomt met de Cramér–Rao ondergrens. Hiermee is de methode asymptotisch efficiënt.
Waarschijnlijkheidsmatching (Theorem 2): Betrouwbaarheidssets geconstrueerd met rankingfuncties die comonotoon zijn met de mogelijkheidscontour (bijv. de likelihood ratio) zijn waarschijnlijkheids-matching, wat betekent dat hun Bayesiaanse geloofwaardigheid gelijk is aan hun frequentistische dekking.

B. Marginalisatie en Overmatige Zekerheid

Het artikel onderzoekt de risico's van het marginaliseren van deze verdelingen.

Het Risico: Standaard probabilistische marginalisatie van een gezamenlijke betrouwbaarheidsverdeling leidt vaak tot overmatige zekerheid (anti-conservatieve intervallen) voor marginale parameters, met name onder niet-lineaire transformaties.
De Oplossing: Het artikel maakt onderscheid tussen twee benaderingen:
1. Extension-gebaseerde Marginalisatie: Eerst de IM marginaliseren (via de extensie-principe) en dan benaderen. Dit behoudt de validiteit.
2. Probabilistische Marginalisatie: De innerlijke benadering direct marginaliseren.
Boundary-Surjectivity (Theorem 6): Het artikel toont aan dat de marginale van een innerlijke benadering een innerlijke benadering is van de marginale IM indien en slechts indien de afbeelding boundary-surjectief is. In gevallen waar dit faalt (bijv. niet-lineaire functies), kan de directe probabilistische marginal overmatige zekerheid opleveren. De aanbevolen strategie is om marginalisatie op het possilistische niveau (of via profiling) uit te voeren en pas daarna de innerlijke benadering te extraheren.

C. Empirische Illustraties

Behrens–Fisher Probleem: Het artikel past de methode toe op het klassieke Behrens–Fisher probleem (inferentie op het verschil van gemiddelden met onbekende, ongelijke varianties).
- Resultaat: De innerlijke probabilistische benadering van de profile-likelihood-gebaseerde marginale IM levert een oplossing die exact is in dekking (in tegenstelling tot de Welch $t$ -test of de Jeffreys prior Bayes) en efficiënter is (kortere verwachte intervallengte) dan de conservatieve recht Haar prior oplossing.
Gamma en Directionele Data: Illustraties op Gamma-modellen en directionele data (von Mises verdeling) laten zien dat de innerlijke benadering in invariante gevallen nauw aansluit bij de recht Haar prior Bayes oplossing, maar corrigeert voor overmatige zekerheid in niet-invariante of marginale gevallen.

4. Betekenis en Claims

Het artikel beweert het "belangrijkste onopgeloste probleem in de statistische inferentie" (Efron 2013) op te lossen: het gebruik van de stelling van Bayes zonder voorkennis.

Betrouwbaarheid Eerst: De kernclaim is dat door betrouwbaarheid (kalibratie) te prioriteren via een possilistisch kader, men de valse zekerheid vermijdt die inherent is aan alle bestaande no-prior probabilistische oplossingen.
Verzoening: De "reIMagined" benadering overbrugt de kloof tussen frequentistische validiteit en Bayesiaans-achtige redenering. Het biedt een datagedreven kansverdeling die:
- Exacte dekkingseigenschappen heeft (via de onderliggende IM).
- Asymptotisch efficiënt is.
- Overeenkomt met gevestigde oplossingen (recht Haar priors) in invariante modellen.
- Geen behoefte heeft aan willekeurige specificatie van een prior.
Praktische Bruikbaarheid: Het artikel biedt een concreet Monte Carlo-algoritme voor het berekenen van deze benaderingen, waardoor de theorie toepasbaar wordt op complexe problemen zoals het Behrens–Fisher probleem waar traditionele oplossingen ofwel conservatief zijn ofwel een gebrek aan consensus vertonen.

Samenvattend stelt het artikel dat de weg naar betrouwbare no-prior inferentie niet ligt in het vinden van een "betere" default prior, maar in het eerst construeren van een possilistische IM en vervolgens een maximaal diffuse innerlijke probabilistische benadering daaruit te extraheren. Dit levert een "posterior" op die zowel probabilistisch van vorm als geldig in frequentistische prestatie is.