Simulations-basierte Prior-Verteilungen

Die datengesteuerte statistische Modellierung spielt in fast allen quantitativen Wissenschaften eine entscheidende Rolle. Obwohl die Menge der verfügbaren Daten ständig zunimmt, bleibt die Hinzunahme weiterer Informationsquellen, wie z. B. Expertenwissen, oft ein unersetzlicher Bestandteil der Erstellung von Modellen mit hoher Genauigkeit.

Die auf der Wahrscheinlichkeitstheorie basierende Bayesianische Statistik bietet einen prinzipienbasierten Ansatz für die Einbeziehung von Expertenwissen in Form von Priorverteilungen, ein Prozess, der als Prior Elicitation bezeichnet wird. Die Erhebung von Priorverteilungen für hochdimensionale Bayesianische Modelle ist jedoch mit den bestehenden Methoden aufgrund praktischer und rechnerischer Herausforderungen nicht durchführbar.

Mit dem Ziel, diese Herausforderungen zu lösen, schlagen wir vor, simulationsbasierte Priorverteilungen für hochdimensionale Bayesianische Modelle zu entwickeln, die es erlauben, Prior-Informationen über beliebige modell-implizierte Größen zu erheben. Wir gehen davon aus, dass die entwickelten Methoden einen großen Einfluss auf alle Bereiche haben werden, in denen probabilistische Modelle eingesetzt werden, da sie die Verwendung von Expertenwissen praktisch, robust und rechnerisch machbar machen.

Projektmitglieder Florence Bockting

Förderung: TU Dortmund