prior-wahl-beta1-vergleich-schoice

bayes
paper
Published

July 10, 2026

Question

Das Kapitel vergleicht zwei Modelle: m_kung_gewicht_c mit einer eher schwach informativen Priori für \(\beta_1\) (\(\beta_1\sim\mathcal{N}(0,10)\)) und m_kung_starkes_beta1 mit einer meinungsstärkeren Priori (\(\beta_1\sim\mathcal{N}(5,3)\)). Welche Aussage zum Effekt dieser unterschiedlichen Priori-Wahl ist am ehesten zutreffend?

Answerlist

  • Die schwach informative Priori für \(\beta_1\) lässt vorab auch negative Zusammenhänge (also einen negativen Effekt von Gewicht auf Größe) als plausibel zu, während die meinungsstärkere Priori vorab bereits einen klar positiven Zusammenhang um 5 herum favorisiert.
  • Beide Prioris führen zwangsläufig zu exakt identischen Post-Verteilungen für \(\beta_1\), unabhängig von der Datenmenge.
  • Die schwach informative Priori bedeutet, dass das Modell \(\beta_1\) überhaupt nicht schätzen kann.
  • Eine meinungsstärkere Priori für \(\beta_1\) macht die Berechnung mit stan_glm() unmöglich.
  • Der Unterschied zwischen den beiden Prioris betrifft nur \(\beta_0\), nicht \(\beta_1\).

Solution

Die Priori \(\beta_1\sim\mathcal{N}(0,10)\) ist recht breit um 0 zentriert und lässt damit vorab sowohl positive als auch negative Werte für den Zusammenhang als plausibel erscheinen (der Bereich reicht laut Kapitel von ca. \(-20\) bis \(+20\)). Die Priori \(\beta_1\sim\mathcal{N}(5,3)\) hingegen ist deutlich enger um den Wert 5 zentriert und geht damit von vornherein von einem klar positiven Zusammenhang aus. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option ist eine unzulässige Verallgemeinerung: Ob unterschiedliche Prioris zu ähnlichen oder unterschiedlichen Post-Ergebnissen führen, hängt von der Stichprobengröße und der Stärke der Priori-Information ab – eine zwangsläufige Identität der Ergebnisse ist damit nicht garantiert, insbesondere bei kleineren Stichproben oder sehr informativen Prioris.
  • Die dritte Option ist falsch: Eine schwach informative (aber nicht flache) Priori erlaubt weiterhin die Schätzung von \(\beta_1\) – sie lässt lediglich einen breiteren Bereich plausibler Werte zu als eine informativere Priori.
  • Die vierte Option ist falsch: stan_glm() kann problemlos mit informativeren (engeren) Priori-Verteilungen umgehen, wie im Kapitel am Modell m_kung_starkes_beta1 explizit demonstriert wird.
  • Die fünfte Option ist falsch: Der beschriebene Unterschied zwischen beiden Modellen betrifft explizit die Priori-Verteilung von \(\beta_1\) (nicht \(\beta_0\), dessen Priori in beiden Modellen identisch bei \(\mathcal{N}(178,20)\) bleibt).

Aufgabenname: prior-wahl-beta1-vergleich-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: prior-wahl-beta1-vergleich-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes