Imprecise Probabilities: Ein neues Paradigma für zuverlässige statistische Modellierung?
Imprecise Probabilities: Ein neues Paradigma für zuverlässige statistische Modellierung?
Prof. Dr. Thomas Augustin
Vor diesem Hintergrund stoßen Methoden wie Verallgemeinerte Wahrscheinlichkeiten (imprecise probabilities) auf zunehmendes Interesse. Sie lösen sich dezidiert von dem idealisierten Präzisionsbedarf und -anspruch gängiger statistischer Verfahren und geben insbesondere das implizite Paradigma auf, dass unabhängig von der Datenqualität statistische Analysen immer ein präzises Ergebnis produzieren sollen. Stattdessen wird die (gegebenenfalls mangelnde) Güte der Information als konstitutives Element explizit in die Modellierung mitaufgenommen.
Der Vortrag will -- unter bewusstem Verzicht auf die exakte mathematische Formalisierung -- hauptsächlich eine informelle Einführung in diesen neuen Bereich der Statistik geben. Basierend auf einem intuitiven Verständnis der Konzepte sollen informell Möglichkeiten aber auch Grenzen der Modellierung mittels verallgemeinerter Wahrscheinlichkeiten in der Statistik und der Entscheidungstheorie diskutiert werden.
Im letzten, konkreteren, Teil des Vortrags werden zwei aktuelle Ergebnisse meiner Arbeitsgruppe anschaulich skizziert, nämlich die leistungsfähige Modellierung von Prior-Daten-Konflikt in der Bayesianischen Inferenz und ein mengenwertiger Likelihood-Ansatz zur vorsichtigen Modellierung nichtzufällig fehlender und vergröberter Daten.
Literatur:
T. Augustin, F.P.A. Coolen, G. de Cooman, M.C.M. Troffaes (Hg.): Introduction to Imprecise Probabilities. Wiley, 2014.
C. Manski: Partial Identification of Probability Distributions. Springer, 2003.