📊 statistics

Possibilistic inferential models: a review

Dit artikel bespreekt recente ontwikkelingen in possibilistische inferentiële modellen, die een flexibel, niet-probabilistisch kader bieden voor betrouwbare datagedreven onzekerheidskwantificering dat aansluit bij de theorie van onnauwkeurige waarschijnlijkheid en nieuwe verbanden legt met moderne statistische methoden zoals bootstrap en conformale voorspelling.

Oorspronkelijke auteurs: Ryan Martin

Gepubliceerd 2026-05-06

📖 6 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

Het Grote Plaatje: Het Probleem van de "Onbetrouwbare Kompas"

Stel je voor dat je een kapitein bent die probeert een schip (statistische inferentie) te navigeren door mistige wateren (onzekerheid). Je hebt een kaart (je data) en een kompas (je statistische methode).

Decennialang hebben statistici zich verlaten op twee hoofdtypen kompassen:

Het Bayesiaanse Kompas: Vereist dat je de windrichting voordat je begint te varen raden (een "prior" overtuiging). Als je dit verkeerd raadt, is je hele reis verkeerd.
Het Frequentistische Kompas: Raadt de wind niet, maar vertrouwt op een starre set regels over hoe vaak het kompas goed wijst als je dezelfde route een miljoen keer zou varen.

Het Probleem: De auteur betoogt dat beide kompassen een dodelijke gebrek hebben wanneer je geen voorkennis hebt (volledige onwetendheid). Ze lijden beide aan "Valse Zekerheid".

De Analogie van het Valse Kompas:
Stel je voor dat je probeert de locatie van een verborgen schat te raden.

De Oude Manier (Probabilistisch): Je gebruikt een methode die zegt: "Ik ben 95% zeker dat de schat op deze specifieke plek zit."
Het Gebrek: Het artikel bewijst dat voor elke methode die je een enkel percentage geeft zoals "95%", er een verborgen valstrik is. Als de schat eigenlijk ergens anders zit, kan je methode toch zelfverzekerd zeggen: "Ik ben 95% zeker dat het hier is!" Het geeft je een hoge zekerheid over een verkeerd antwoord. Dit heet Valse Zekerheid. Het is als een kompas dat zelfverzekerd naar het Noorden wijst, zelfs als je op de Zuidpool staat.

De Oplossing: De "Possibilistische" Kaart

De auteur introduceert een nieuw hulpmiddel genaamd Possibilistische Inferentiële Modellen (IM's). In plaats van je een enkel, precies percentage te geven (zoals "95%"), geeft het je een reeks van mogelijkheden.

De Analogie van de "Vage" Kaart:
In plaats van te zeggen: "De schat zit zeker op coördinaat X," zegt de nieuwe kaart:

"Het is mogelijk dat de schat hier zit."
"Het is zeer aannemelijk dat de schat daar zit."
"Het is onmogelijk dat de schat in dat moeras zit."

Deze aanpak maakt gebruik van Possibiliteitstheorie (een tak van de wiskunde over "wat kan zijn" in plaats van "wat is"). Het probeert geen exacte waarschijnlijkheid op te leggen aan een situatie waarin we echt onwetend zijn.

Hoe Het Werkt: Het Drie-Stappenrecept

Het artikel beschrijft een nieuwe manier om deze kaart te bouwen:

De Associatie (De Link): Stel je voor dat je een machine hebt die een verborgen knop (de onbekende waarheid) en een willekeurige draai van een wiel (willekeurige ruis) omzet in je data.
De Voorspelling (Het Veiligheidsnet): Omdat je de verborgen knop of het wiel niet kunt zien, creëer je een "net" (een willekeurige verzameling) dat gegarandeerd de verborgen waarde zal vangen. In plaats van te raden waar het wiel is geland, definieer je een zone waar het zou kunnen zijn geland.
De Vertaling (De Output): Je vertaalt die "vangzone" terug naar een kaart van waar de schat (de onbekende parameter) zou kunnen zijn.

Het Resultaat: De output is geen enkel getal. Het is een contourkaart.

De top van de heuvel is de meest waarschijnlijke plek.
De lagere hellingen zijn minder waarschijnlijk, maar nog steeds mogelijk.
De vlakke gebieden ver weg zijn onmogelijk.

Waarom Dit Beter Is (De "Geen-Valse-Zekerheid" Garantie)

Het artikel beweert dat deze nieuwe methode een superkracht heeft: Betrouwbaarheid.

De Oude Manier: Als je zegt "Ik ben 95% zeker", is er een risico dat je in lastige situaties 100% van de tijd verkeerd zit.
De Nieuwe Manier: Als de kaart zegt "Het is mogelijk dat de schat in dit gebied zit", en je controleert dit 100 keer, dan zal de schat altijd in dat gebied zitten, ten minste 95% van de tijd. Het liegt nooit tegen je. Het is misschien een beetje "vager" (minder precies) dan het oude kompas, maar het is eerlijk. Het geeft toe wanneer het het niet weet.

Belangrijkste Kenmerken van de Nieuwe Methode

Het is "Frequentistisch" maar "Bayesiaans-achtig":
- Net als een Frequentist, garandeert het dat als je het experiment herhaalt, de resultaten betrouwbaar zijn (het controleert foutpercentages).
- Net als een Bayesiaan, geeft het je een volledig beeld van onzekerheid gebaseerd alleen op de data die je zojuist zag, zonder dat er een voorafgaande gok nodig is.
Het Gaat Om "Nuisance" Variabelen:
- Soms wil je de temperatuur weten, maar verstoort de luchtvochtigheid je thermometer. De oude methoden worstelen om de twee te scheiden. De nieuwe methode heeft een speciale "filter" (genaamd profileren) dat de luchtvochtigheid effectief negeert om je een schone temperatuuraflezing te geven, zonder betrouwbaarheid te verliezen.
Het Verbindt met Machine Learning:
- Het artikel toont aan dat deze methode zeer vergelijkbaar is met Conformal Prediction, een populair hulpmiddel in moderne AI en machine learning. Dit betekent dat de nieuwe methode niet alleen voor oude statistiek is; het werkt ook voor complexe, modelvrije data-problemen.

De "Omelet" Metafoor

De auteur verwijst naar een beroemde quote over statistiek: "Een Bayesiaanse omelet maken zonder het Bayesiaanse ei te breken."

Het Oude Probleem: Bayesianen hebben een "ei" (een prior overtuiging) nodig om een "omelet" (een conclusie) te maken. Als je geen ei hebt, kun je de omelet niet maken.
De Nieuwe Oplossing: De auteur suggereert dat we de omelet zonder het ei kunnen maken. We gebruiken de nieuwe "Possibilistische" ingrediënten om een betrouwbaar resultaat te krijgen, zelfs wanneer we nul voorkennis hebben.

Samenvatting

Dit artikel bespreekt een nieuw statistisch raamwerk dat de gevaarlijke gewoonte vervangt om precieze waarschijnlijkheden toe te kennen aan dingen die we niet weten. In plaats daarvan maakt het gebruik van Possibiliteitstheorie om "vage" kaarten van onzekerheid te creëren. Deze kaarten zijn wiskundig bewezen om je nooit "valse zekerheid" te geven. Ze zijn betrouwbaar, efficiënt en werken voor alles, van eenvoudige gemiddelden tot complexe machine learning-voorspellingen, allemaal zonder dat je het antwoord moet raden voordat je begint met kijken.

Titel: Possibilistische Inferentiële Modellen: Een Overzicht
Auteur: Ryan Martin
Datum: 13 november 2025

1. Probleemstelling en Motivatie

Het artikel behandelt de fundamentele uitdaging van datagedreven onzekerheidskwantificatie en inductieve inferentie over onbekende parameters ( $\Theta$ ) bij afwezigheid van echte priorinformatie. De auteur betoogt dat traditionele probabilistische benaderingen – specifiek Bayesiaanse inferentie met standaardpriors en Fishers fiduciale argumentatie – lijden aan een inherente gebrek aan betrouwbaarheid.

Het kernprobleem wordt geïdentificeerd als het fenomeen van "valse zekerheid". Zoals vastgesteld door de Stelling van Valse Zekerheid (Balch et al., 2019), zal elke datagedreven probabilistische onzekerheidskwantificatie (of het nu Bayes, fiduciaal of anderszins is) die precieze waarschijnlijkheidswaarden toekent aan hypothesen, in gevallen van vacuële priorinformatie onvermijdelijk hoge waarschijnlijkheid toekennen aan sommige falsche hypothesen. Dit leidt tot "systematisch misleidende conclusies". De auteur stelt dat dit geen gebrek is aan specifieke priors of fiduciale constructies, maar een beperking van de waarschijnlijkheidstheorie zelf wanneer deze wordt toegepast op epistemische onzekerheid (specificatieambiguïteit) zonder priorinformatie.

Het artikel betoogt dat men, om betrouwbaarheid te bereiken, moet overstappen van additieve waarschijnlijkheid naar onprecieze waarschijnlijkheid, specifiek possibiliteitstheorie. Het doel is een raamwerk te construeren dat volledig conditionele, Bayes-achtige onzekerheidskwantificatie biedt, terwijl het bewezen frequentistische betrouwbaarheid (kalibratie) behoudt.

2. Methodologie: Possibilistische Inferentiële Modellen (IM's)

Het artikel bespreekt en breidt de constructie van Possibilistische Inferentiële Modellen (IM's) uit. In tegenstelling tot het oorspronkelijke IM-raamwerk (Martin en Liu, 2015b), dat een drie-stapsproces gebruikte met een datagenererende associatie ( $Z = a(\Theta, U)$ ) en stochastische verzamelingen, richt de besproken aanpak zich op een meer directe, op waarschijnlijkheid gebaseerde constructie die de noodzaak van handmatige dimensiereductie of specifieke associatiekeuzes vermijdt.

Belangrijke Constructiestappen:

Rangschikking: De methode maakt gebruik van een rangschikkingsfunctie om de compatibiliteit van parameterwaarden $\theta$ met geobserveerde data $z$ te beoordelen. In het standaardgeval is dit de relatieve waarschijnlijkheid:
$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$
Het artikel merkt op dat andere rangschikkingsfuncties (bijvoorbeeld profiel-waarschijnlijkheid, empirisch risico) kunnen worden gebruikt, afhankelijk van de context.
Validificatie: Om betrouwbaarheid te waarborgen, wordt de rangschikkingsfunctie getransformeerd tot een possibiliteitscontour $\pi_z(\theta)$ via een waarschijnlijkheid-naar-possibiliteitstransformatie. Deze stap "validificeert" de rangschikking door deze te kalibreren tegen de steekproefverdeling:
$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$
Deze contour voldoet aan $\sup_\theta \pi_z(\theta) = 1$ , waarbij het maximum wordt bereikt bij de maximum-likelihood-schatter.
Onzekerheidskwantificatie: De contour definieert een possibiliteitsmaat (bovenste waarschijnlijkheid) $\Pi_z$ en een necessiteitsmaat (onderste waarschijnlijkheid) $\bigtriangledown_z$ :
$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$
Deze maten kwantificeren de plausibiliteit en de noodzaak van hypothesen $H$ over $\Theta$ .

Omgaan met Nuisance-parameters:
Het artikel beschrijft twee strategieën voor het elimineren van nuisance-parameters:

Extensie: Een algemene operatie die het extensieprincipe gebruikt (optimalisatie over de ruimte van de nuisance-parameter), wat geldigheid behoudt maar conservatief kan zijn.
Profilering: Een efficiëntere aanpak die parameterwaarden van belang rangschikt met behulp van een relatieve profiel-waarschijnlijkheid voordat validificatie plaatsvindt. Dit levert over het algemeen een hogere efficiëntie op dan extensie-gebaseerde marginalisatie.

Berekening:
Het artikel bespreekt een nieuwe berekeningsstrategie (Martin, 2025b) die dure rooster-evaluaties vermijdt. Het construeert een "credale verzameling" (een verzameling van precieze waarschijnlijkheden die worden gedomineerd door de possibiliteitsmaat) en steekproeft uit een "interne probabilistische benadering" (vaak een uniforme verdeling op de rand van betrouwbaarheidsintervallen). Deze steekproeven worden vervolgens teruggetransformeerd naar een possibiliteitsmaat, wat Monte Carlo-evaluatie faciliteert.

3. Belangrijkste Bijdragen en Resultaten

A. Theoretische Eigenschappen

Sterke Geldigheid: Het possibilistische IM is bewezen sterk geldig te zijn. Specifiek geldt voor elke $\alpha \in [0, 1]$ :
$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$
Dit impliceert dat de bovenste $\alpha$ -niveausets van de contour exacte $100(1-\alpha)\%$ betrouwbaarheidsintervallen zijn. In tegenstelling tot Bayesiaanse geloofswaarde-intervallen vereisen deze geen asymptotische benadering om frequentistische dekking te bereiken.
Beheersing van Valse Zekerheid: Het IM-raamwerk beheerst de Rate van Valse Zekerheid (FCR). Voor elke hypothese $H$ is de waarschijnlijkheid dat het IM een hoge onderste waarschijnlijkheid toekent aan een falsche $H$ , begrensd door het significantieniveau $\alpha$ . Dit lost de onbetrouwbaarheid op die inherent is aan probabilistische methoden.
Efficiëntie (Bernstein–von Mises): Er wordt een nieuwe possibilistische Bernstein–von Mises-stelling gepresenteerd (Martin en Williams, 2025). Deze stelt dat onder standaard regulariteitsvoorwaarden de possibiliteitscontour $\pi_{Z_n}$ convergeert naar een Gaussische possibiliteitsmaat waarvan de variantie overeenkomt met de Cramér–Rao ondergrens. Het IM is dus asymptotisch efficiënt en komt overeen met de prestaties van klassieke schatters zonder de geldigheid op te offeren.

B. Generalisaties

Voorbij Parametrische Modellen: Het raamwerk wordt uitgebreid naar contexten waarin een parametrische waarschijnlijkheid niet beschikbaar is (bijvoorbeeld machine learning, risicominimalisatie). Door de waarschijnlijkheid te vervangen door een algemene rangschikkingsfunctie $\rho(z, \theta)$ (bijvoorbeeld negatief empirisch risico), blijft de IM-constructie geldig.
Voorspelling: Het artikel toont een connectie met conformale voorspelling. Door het IM-raamwerk toe te passen op voorspellingproblemen (waarbij de toekomstige observatie wordt behandeld als een nuisance-parameter die moet worden geëlimineerd via conditionering op de empirische verdeling), wordt aangetoond dat de resulterende voorspellende IM-contour equivalent is aan de output van inductieve conformale voorspellingsalgoritmen.
Nuisance-parameters: Het artikel verduidelijkt dat, hoewel profilering over het algemeen efficiënter is, deze kan tekortschieten in situaties met hoge dimensies van nuisance-parameters (bijvoorbeeld Neyman-Scott-problemen), wat de noodzaak suggereert van marginale of conditionele waarschijnlijkheden in dergelijke gevallen.

4. Betekenis en Beweringen

Het artikel beweert dat possibilistische IM's een significante vooruitgang vormen in de statistische fundamenten door:

Unificatie en Invullen van Gaten: Het raamwerk biedt een "unificatie" van frequentistische en Bayesiaanse doelen, maar belangrijker nog, het vult de gaten in beide. Het biedt de volledig conditionele, datagedreven inferentie die door Bayesiaanse wordt gewenst, terwijl het tegelijkertijd de frequentistische foutenrate-controle garandeert die door frequentisten wordt vereist.
Oplossen van de "Valse Zekerheid"-crisis: Het biedt een wiskundig rigoureuze oplossing voor het probleem van valse zekerheid, en bewijst dat probabilistische onzekerheidskwantificatie inherent onbetrouwbaar is bij afwezigheid van priorinformatie, terwijl possibilistische kwantificatie dat niet is.
Herinterpretatie van Klassieke Concepten: Het artikel betoogt dat p-waarden en betrouwbaarheidsintervallen natuurlijk worden geïnterpreteerd als respectievelijk possibiliteitsmaten (maten van plausibiliteit) en verzamelingen van plausibele parameterwaarden. Dit biedt een rigoureuze rechtvaardiging voor het praktische gebruik van deze instrumenten, die tot nu toe ontbrak in de literatuur.
Praktische Toepasbaarheid: Door nieuwe berekeningstools en connecties met conformale voorspelling en bootstrap-methoden, betoogt het artikel dat IM's niet louter theoretische constructies zijn, maar schaalbaar zijn naar moderne statistische en machine learning-problemen, inclusief risicominimalisatie en voorspelling.

De auteur concludeert dat, hoewel het veld van IM's zich nog ontwikkelt (met name wat betreft schaalbaarheid in hoge dimensies en niet-vacuële priorinformatie), het raamwerk een robuust, betrouwbaar en flexibel alternatief biedt voor bestaande paradigma's, en een fundamentele crisis in statistische inferentie aanpakt.