vage-priori-gefahr-schoice

bayes
paper
Published

July 10, 2026

Question

Im Vertiefungsabschnitt wird eine besonders vage Priori für die Streuung getestet, \(\sigma\sim\mathcal{E}(\lambda=0{,}01)\), kombiniert mit \(\mu\sim\mathcal{N}(178,100)\). Die resultierende Priori-Prädiktiv-Verteilung zeigt, dass ein spürbarer Anteil simulierter Körpergrößen negativ ist und auch unrealistisch riesige Werte vorkommen. Welche Schlussfolgerung zieht das Kapitel daraus?

Answerlist

  • Sehr vage (“flache”, informationslose) Priori-Verteilungen sind oft problematisch, weil sie unplausible, teils unmögliche Werte (wie negative Körpergrößen) zulassen – eine gewisse inhaltlich begründete Einschränkung der Priori ist meist sinnvoller.
  • Vage Priori-Verteilungen sind grundsätzlich immer die beste Wahl, da sie am wenigsten subjektive Annahmen einbringen.
  • Negative simulierte Körpergrößen in der Priori-Prädiktiv-Verteilung sind unproblematisch, da sie ohnehin nie in der Post-Verteilung auftauchen können.
  • Je vager die Priori-Verteilung, desto genauer wird zwangsläufig die resultierende Post-Verteilung.
  • Das Auftreten negativer Werte in der Priori-Prädiktiv-Verteilung zeigt, dass die Likelihood-Verteilung (Normalverteilung) für Körpergrößen grundsätzlich ungeeignet ist.

Solution

Das Kapitel zieht explizit die Lehre: “Vage (flache, informationslose, ‘neutrale’, ‘objektive’) Priori-Werte machen oft keinen Sinn, weil sie extreme, unplausible Werte zulassen.” Im Beispiel führt die extrem vage Priori sogar dazu, dass ein Teil der simulierten Körpergrößen negativ ist – biologisch unmöglich. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option widerspricht der zentralen Lehre des Abschnitts direkt: Gerade nicht jede vage Priori ist automatisch die beste Wahl – eine gewisse, inhaltlich sinnvolle Einschränkung (wie im ursprünglichen Modell m_kung mit \(\sigma\sim\mathcal{E}(1/8)\)) ist oft vorzuziehen.
  • Die dritte Option ist falsch: Die Priori-Prädiktiv-Verteilung dient ja gerade dazu, vorab zu prüfen, ob das Modell (Priori plus Likelihood) plausible Werte zulässt – tauchen dort unplausible Werte auf, deutet das auf ein Problem mit der Priori-Wahl hin, das sich auch auf nachfolgende Analysen auswirken kann.
  • Die vierte Option ist falsch: Eine vagere Priori führt nicht automatisch zu einer genaueren Post-Verteilung – im Gegenteil, sie lässt tendenziell mehr (auch unplausible) Werte zu und kann die Schätzung dadurch weniger informativ bzw. weniger realistisch machen.
  • Die fünfte Option zieht eine falsche Schlussfolgerung: Das Problem liegt hier an der Kombination aus sehr breiter Priori für \(\mu\) und \(\sigma\), nicht an der grundsätzlichen Eignung der Normalverteilung als Likelihood-Modell für (annähernd normalverteilte) Körpergrößen.

Aufgabenname: vage-priori-gefahr-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: vage-priori-gefahr-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes