priori-washed-out-schoice

bayes
paper
Published

July 10, 2026

Question

Im Kapitel werden zwei Kung-Modelle verglichen: m_kung (mit selbst gewählten, informativen Priori-Werten \(\mu\sim\mathcal{N}(178,20)\)) und m_kung_neue_prioris (mit den schwach-informativen Standard-Priori-Werten von rstanarm). Beide liefern nahezu identische Ergebnisse für \(\mu\) und \(\sigma\). Welche Erklärung dafür ist im Kapitel korrekt?

Answerlist

  • Bei einer ausreichend großen Stichprobe dominiert die Likelihood (die Daten) die Post-Verteilung so stark, dass unterschiedliche (moderate) Priori-Werte kaum noch ins Gewicht fallen.
  • Beide Modelle verwenden tatsächlich exakt dieselben Priori-Werte, nur mit unterschiedlichen Namen.
  • Die Wahl der Priori-Verteilung hat grundsätzlich, unabhängig von der Stichprobengröße, niemals einen Einfluss auf die Post-Verteilung.
  • Die Ähnlichkeit der Ergebnisse ist ein Zufall und lässt sich nicht systematisch erklären.
  • stan_glm() ignoriert per Voreinstellung immer die vom Nutzer angegebenen Priori-Werte und verwendet stattdessen automatisch die Standardwerte.

Solution

Wie im Kapitel festgehalten: “Trotz des eher vagen Priors ist die Streuung Posteriori-Werte für \(\mu\) und \(\sigma\) klein: Die große Stichprobe hat die Priori-Werte überstimmt.” Bei ausreichend vielen Datenpunkten dominiert die Likelihood die (unstandardisierte) Post-Verteilung, sodass moderat unterschiedliche Priori-Annahmen kaum noch einen merklichen Unterschied im Ergebnis machen. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option ist falsch: m_kung verwendet explizit die selbst gewählten Werte \(\mu\sim\mathcal{N}(178,20)\) und \(\sigma\sim\mathcal{E}(1/8)\), während m_kung_neue_prioris die datenbasierten Standardwerte von rstanarm verwendet – das sind unterschiedliche Priori-Spezifikationen, auch wenn die Endergebnisse ähnlich ausfallen.
  • Die dritte Option widerspricht der zentralen Aussage des Kapitels: Priori-Werte können die Post-Verteilung durchaus beeinflussen, insbesondere bei kleinen Stichproben oder bei sehr extremen (stark informativen) Priori-Annahmen.
  • Die vierte Option ignoriert die im Kapitel gegebene systematische Erklärung (großer Stichprobenumfang überstimmt moderate Priori-Unterschiede) und tut die Beobachtung fälschlich als bloßen Zufall ab.
  • Die fünfte Option ist falsch: stan_glm() verwendet sehr wohl die vom Nutzer über prior_intercept und prior_aux angegebenen Werte, wenn diese explizit gesetzt werden – nur wenn keine Priori-Werte angegeben werden, greifen die Standardwerte.

Aufgabenname: priori-washed-out-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: priori-washed-out-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes