stan-glm-chains-schoice
bayes
paper
Question
stan_glm() zieht standardmäßig die Post-Stichproben in 4 unabhängigen “Ketten” (chains). Welche Aussage zum Zweck dieser mehrfachen Ketten ist korrekt?
Answerlist
- Mehrere unabhängige Ketten dienen als Kontrolle: Kommen alle Ketten zu einem etwa gleichen Ergebnis, spricht das dafür, dass die Berechnung zuverlässig funktioniert hat; weichen die Ketten stark voneinander ab, deutet das auf ein Problem bei der Berechnung hin.
- Jede zusätzliche Kette berechnet ein anderes, inhaltlich verschiedenes Modell mit unterschiedlichen Priori-Werten.
- Die Anzahl der Ketten bestimmt direkt die Anzahl der Beobachtungen im verwendeten Datensatz.
- Mehr Ketten führen automatisch zu einer anderen (systematisch verzerrten) Post-Verteilung als eine einzelne Kette.
- Ketten sind nur bei der Bayesbox-Methode relevant, nicht bei der MCMC-Berechnung mit Stan.
Solution
Mehrere unabhängige Ketten liefern jeweils eine eigene Stichproben-Post-Verteilung für dasselbe Modell. Kommen alle Ketten zu einem sehr ähnlichen Ergebnis, ist das ein gutes Zeichen dafür, dass die Berechnung (der MCMC-Algorithmus) korrekt konvergiert ist. Weichen die Ketten deutlich voneinander ab, deutet das auf ein Problem hin (“irgendetwas ist dumm gelaufen”). Die erste Option ist korrekt.
Warum die Distraktoren falsch sind:
- Die zweite Option ist falsch: Alle Ketten berechnen dasselbe Modell mit denselben Priori-Werten und denselben Daten – sie unterscheiden sich lediglich in ihren (zufälligen) Startpunkten und Zufallszahlenfolgen, nicht in den Modellannahmen.
- Die dritte Option verwechselt die Anzahl der MCMC-Ketten mit dem Stichprobenumfang des Datensatzes – beide Größen sind vollkommen unabhängig voneinander.
- Die vierte Option ist falsch: Bei korrekt konvergierender Berechnung liefern mehrere Ketten im Wesentlichen dieselbe (nicht eine systematisch andere) Post-Verteilung wie eine einzelne Kette – der Vorteil mehrerer Ketten liegt in der Prüfbarkeit der Konvergenz, nicht in einem anderen Ergebnis.
- Die fünfte Option ist falsch: Das Konzept der “Ketten” ist spezifisch für MCMC-Verfahren (wie Stan sie verwendet) relevant – die (hier nicht mehr verwendete) Bayesbox-Methode kennt dieses Konzept gar nicht, da sie nicht auf zufälligem Stichprobenziehen mittels Markov-Ketten beruht.
Aufgabenname: stan-glm-chains-schoice
Answerlist
- Wahr
- Falsch
- Falsch
- Falsch
- Falsch
Meta-information
exname: stan-glm-chains-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes