regressionsmodell-struktur-schoice

bayes
paper
Published

July 10, 2026

Question

Das Modell m_kung_gewicht_c ist wie folgt spezifiziert:

\[\begin{aligned} \text{height}_i &\sim \operatorname{Normal}(\mu_i, \sigma) && \text{Likelihood} \\ \mu_i &= \beta_0 + \beta_1\cdot \text{weightcentered}_i && \text{Lineares Modell} \\ \beta_0 &\sim \operatorname{Normal}(178, 20) && \text{Prior} \\ \beta_1 &\sim \operatorname{Normal}(0, 10) && \text{Prior} \\ \sigma &\sim \operatorname{Exp}(0{,}1) && \text{Prior} \end{aligned}\]

Welche Aussage zu diesem Modell ist korrekt?

Answerlist

  • \(\mu_i\) wird deterministisch aus \(\beta_0\), \(\beta_1\) und dem Gewicht der \(i\)-ten Person berechnet – es hat also (gegeben \(\beta_0\) und \(\beta_1\)) selbst keine eigene Apriori-Verteilung, im Unterschied zum reinen Modell m_kung ohne Prädiktor.
  • \(\mu_i\) hat, genau wie \(\beta_0\) und \(\beta_1\), eine eigene, separat geschätzte Apriori-Verteilung.
  • Das Modell hat insgesamt nur zwei zu schätzende Parameter: \(\beta_0\) und \(\beta_1\).
  • \(\beta_1\) gibt an, wie groß die mittlere Körpergröße bei einem Gewicht von exakt 0 kg (zentriert) ist.
  • Die Likelihood-Zeile besagt, dass jede Person exakt die Körpergröße \(\mu_i\) hat, ohne jede Streuung.

Solution

Anders als im reinen Modell m_kung (ohne Prädiktor), wo \(\mu\) ein selbst zu schätzender Parameter mit eigener Apriori-Verteilung war, wird \(\mu_i\) hier deterministisch aus den Parametern \(\beta_0\), \(\beta_1\) und dem (bekannten) Gewichtswert der jeweiligen Person berechnet. Gegeben \(\beta_0\) und \(\beta_1\) ist \(\mu_i\) also ohne zusätzliche Ungewissheit festgelegt. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option widerspricht der Modellgleichung direkt: \(\mu_i\) wird durch die lineare Formel berechnet, nicht durch eine eigene, separat zu schätzende Priori-Verteilung – nur \(\beta_0\), \(\beta_1\) und \(\sigma\) haben eigene Priori-Verteilungen.
  • Die dritte Option vergisst \(\sigma\): Das Modell hat insgesamt drei zu schätzende Parameter (\(\beta_0\), \(\beta_1\), \(\sigma\)), nicht nur zwei.
  • Die vierte Option verwechselt \(\beta_0\) (Achsenabschnitt, gibt die mittlere Größe bei Gewicht \(=0\) bzw. bei zentriertem Gewicht \(\text{weightcentered}=0\) an) mit \(\beta_1\) (der Steigung, die den Unterschied in der Größe pro Kilogramm Gewichtsunterschied angibt).
  • Die fünfte Option ignoriert den Streuungsparameter \(\sigma\) in der Likelihood-Zeile: Die Körpergrößen \(h_i\) streuen laut Modell normalverteilt um \(\mu_i\) mit Streuung \(\sigma\), sie entsprechen also gerade nicht exakt (ohne jede Streuung) dem vorhergesagten Mittelwert.

Aufgabenname: regressionsmodell-struktur-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: regressionsmodell-struktur-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes