Zusammenfassung
Dieser Beitrag stellt die Grundzüge der bayesianischen Inferenz vor und argumentiert, dass es sich dabei um das ideale statistische Paradigma für die empirische Politikwissenschaft handelt. Die Politikwissenschaft ist in der Regel mit methodischen Herausforderungen und Daten konfrontiert, die mit den Vorstellungen der klassischen „frequentistischen“ Statistik nur unzureichend vereinbar sind. Bayesianische Methoden dagegen kombinieren Priori-Annahmen über interessierende Phänomene mit empirischer Evidenz, um dadurch zu informierten Wahrscheinlichkeitsaussagen zu gelangen. Darüber hinaus steht der moderne bayesianische Ansatz in enger Verbindung mit Markov Chain Monte Carlo (MCMC) Simulationsalgorithmen. Diese ermöglichen es, komplexere Modelle zu schätzen, als dies für herkömmliche Schätzverfahren der Fall ist. Schließlich überzeugt die bayesianische Herangehensweise durch die intuitive Form und Interpretierbarkeit der durch sie erzielten Ergebnisse. Wir demonstrieren die Nützlichkeit des bayesianischen Ansatzes anhand eines Beispiels aus der empirischen Demokratieforschung: der Frage, welchen Einfluss die staatliche Unterstützung von Religion für religiöses Sozialkapital im europäischen Vergleich besitzt.
This is a preview of subscription content, log in via an institution.
Notes
- 1.
Manchmal wird die Ansicht vertreten, Signifikanztests hätten aufgrund von zufälligen Mess- oder Codierfehlern auch eine Berechtigung bei der Analyse nicht-stochastischer Daten. Doch ist hier weder klar, auf welche Grundgesamtheit sich die „Stichprobe“ dann beziehen soll, noch über welchen konkreten datengenerierenden Prozess sich diese Fehler beschreiben lassen. Um es kurz und deutlich zu sagen, „adhering to a frequentist conception of probability in the face of non-repeatable data risks intellectual embarrassment“ (Jackman 2009, S. xxxii).
- 2.
Dieser Wert ist hypothetisch und dürfte laut der Studie von Traunmüller und Freitag (2011) sogar höher liegen. Die Autoren berichten neben dem Koeffizienten mit negativen Vorzeichen jedoch nur zwei Sternchen **, die einem p-Wert < .01 entsprechen.
- 3.
Angaben zu einzelnen Variablen fehlen bei rund 15 Prozent aller Befragten. Wir haben wir fehlende Werte mittels multipler Imputation (Little und Rubin 2002) unter Zuhilfenahme des mice packages in R imputiert.
- 4.
Die bayesianische Herangehensweise bietet auch eine Lösung für Probleme der ML Schätzung von Mehrebenenmodellen. Das Hauptproblem ist, dass die Schätzung zentraler Parameter von Punktschätzungen konditionierender Parameter abhängt, deren Schätzunsicherheit nicht angemessen berücksichtigt wird (Raudenbush und Bryk 2002; Seltzer et al. 1996). Die Folge sind zu enge Konfidenzintervalle oder sogar verzerrte Koeffizienten. Im bayesianischen Ansatz wird die Unsicherheit bezüglich aller Parameter berücksichtigt.
Literatur
Bennett, Andrew. 2008. Process tracing: A Bayesian Perspective. In The Oxford Handbook of political methodology, Hrsg. Janet M. Box-Steffensmeier, Henry E. Brady und David Collier, 702–721. Oxford: Oxford University Press.
Birnbaum, Allan. 1962. On the foundations of statistical inference. Journal of the American Statistical Association 57:269–306.
Eliason, Scott R. 1993. Maximum likelihood estimation: logic and practice. Newbury Park: Sage.
Fairfield, Tasha, und Andrew E. Charman. 2017. Explicit Bayesian analysis for process tracing: Guidelines, opportunities, and caveats. Political Analysis 25(3): 363–380.
Fisher, Ronald A. 1922. On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Statistical Society of London A 222:309–360.
Fisher, Ronald A. 1925a. Statistical methods for research workers. Edinburgh: Oliver and Boyd.
Fisher, Ronald A. 1925b. Theory of statistical estimation. Proceedings of the Cambridge Philosophical Society 22:700–725.
Fisher, Ronald A. 1930. Inverse probability. Proceedings of the Cambridge Philosophical Society 26:528–535.
Fisher, Ronald A. 1934. The Design of Experiments, 1. Aufl. Edinburgh: Oliver and Boyd.
Gelfand, Alan E., und Adrian F. M. Smith. 1990. Sampling based approaches to calculating marginal densities. Journal of the American Statistical Association 85:398–409.
Gelman, Andrew. 2006. Prior distributions for variance parameters in hierarchical models. Bayesian Analysis 1:514–534.
Gelman, Andrew, und Jennifer Hill. 2007. Data analysis using regression and multilevel/hierachical models. Cambridge: Cambridge University Press.
Gelman, Andrew, und Donald Rubin. 1992. Inference from iterative simulation using multiple sequences. Statistical Science 7:457–511.
Geman, Stuart, und Donald Geman. 1984. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence 6:721–741.
Geweke, John. 1992. Evaluating the accuracy of sampling-based approaches to the calculation of posterior moments. In Bayesian statistics, Hrsg. J. M. Bernardo, A. F. M. Smith, A. P. Dawid und J. O. Berger, Bd. 4, 169–193. Oxford: Oxford University Press.
Gill, Jeff. 1999. The insignificance of null hypothesis significance testing. Political Research Quarterly 52(3): 647–674.
Gill, Jeff. 2002. Bayesian methods. A social and behavioral sciences approach. Boca Raton: Chapman/Hall/CRC.
Gill, Jeff. 2008a. Is partial convergence a problem for inferences from MCMC algorithms? Political Analysis 16(2): 153–178.
Gill, Jeff. 2008b. Bayesian methods. A social and behavioral sciences approach, 2. Aufl. Boca Raton: Chapman/Hall/CRC.
Gill, Jeff, und George Casella. 2009. Nonparametric priors for ordinal Bayesian social science models: Specification and estimation. Journal of the American Statistical Association 104: 453–464.
Grim, Brian J., und Roger Finke. 2006. International religion indexes: Government regulation, government favoritism, and social regulation of religion. Interdisciplinary Journal of Research on Religion 2:2–40.
Hastings, W. Keith. 1970. Monte Carlo sampling methods using Markov chains and their applications. Biometrika 57:97–109.
Heidelberger, Philip, und Peter D. Welch. 1983. Simulation run length control in the presence of an initial transient. Operations Research 31:1109–1144.
Humphreys, Macartan, und Alan Jacobs. 2015. Mixing methods: A Bayesian approach. American Political Science Review 109(4): 653–673.
Jackman, Simon. 2009. Bayesian analysis for the social sciences. Chichester: Wiley.
King, Gary. 1998. Unifying political methodology. The likelihood theory of statistical inference. Ann Arbor: University of Michigan Press.
Little, Roderick J. A., und Donald B. Rubin. 2002. Statistical analysis with missing data, 2. Aufl. New York: John Wiley & Sons.
Lynch, Scott M. 2007. Introduction to applied Bayesian statistics and estimation for social scientists. New York: Springer.
Metropolis, Nicholas, und Stanislaw Ulam. 1949. The Monte Carlo method. Journal of the American Statistical Association 44:335–341.
Metropolis, Nicholas, Arianna W. Rosenbluth, Marshall N. Rosenbluth, Augusta H. Teller, und E. Teller. 1953. Equation of state calculations by fast computing machines. Journal of Chemical Physics 21:1087–1091.
Neyman, Jerzy, und Egon S. Pearson. 1928a. On the use and interpretation of certain test criteria for purposes of statistical inference. Part I. Biometrika 20A:175–240.
Neyman, Jerzy, und Egon S. Pearson. 1928b. On the use and interpretation of certain test criteria for purposes of statistical inference. Part II. Biometrika 20A:263–294.
Neyman, Jerzy, und Egon S. Pearson. 1933a. On the problem of the most efficient test of statistical hypotheses. Philosophical Transactions of the Royal Statistical Society, Series A 231:289–337.
Neyman, Jerzy, und Egon S. Pearson. 1933b. The testing of statistical hypotheses in relation to probabilities a priori. Proceedings of the Cambridge Philosophical Society 24:492–510.
Neyman, Jerzy, und Egon S. Pearson. 1936. Sufficient statistics and uniformly most powerful tests of statistical hypotheses. Statistical Research Memorandum 1:113–137.
Plummer, Martyn. 2010a. JAGS Version 2.2.0 User Manual.
Plummer, Martyn. 2010b. rjags: Bayesian graphical models using MCMC. R package version 2.1.0-2.
R Development Core Team. 2009. R: A language and environment for statistical computing. Wien: R Foundation for Statistical Computing.
Raftery, Adrian, und Steven Lewis. 1992. How many iterations in the Gibbs sampler? In Bayesian statistics, Hrsg. J. M. Bernardo, A. F. M. Smith, A. P. Dawid und J. O. Berger, Bd. 4, 763–773. Oxford: Oxford University Press.
Raudenbush, Stephen W., und Anthony S. Bryk. 2002. Hierarchical linear models. Thousand Oaks: Sage.
Roßteutscher, Sigrid. 2009. Religion, Zivilgesellschaft, Demokratie. Eine international vergleichende Studie zur Natur religiöser Märkte und der demokratischen Rolle religiöser Zivilgesellschaften. Baden-Baden: Nomos.
Samaniego, Fancisco J. 2010. A comparison of the Bayesian and frequentist approaches to estimation. New York: Springer.
Seltzer, Michael H., Wing Hung Wong, und Anthony S. Bryk. 1996. Bayesian analysis in applications of hierarchical models: Issues and methods. Journal of Educational and Behavioral Statistics 21:131–167.
Spiegelhalter, David J, Andrew Thomas, und Nicky G, Best. 1999. WinBUGS Version 1.2 User Manual. MRC Biostatistics Unit.
Traunmüller, Richard, und Markus Freitag. 2011. State support of religion: Making or breaking faith-based social capital? Comparative Politics 43(3): 253–269.
Traunmüller, Richard, Andreas Murr, und Jeff Gill. 2015. Modeling latent information in voting data with Dirichlet process priors. Political Analysis 23(1): 1–20.
Tsai, Tsung-han, und Jeff Gill. 2012. superdiag: A comprehensive test suite for Markov chain non- convergence. The Political Methodologist 19:12–18.
Western, Bruce, und Simon Jackman. 1994. Bayesian inference for comparative research. American Political Science Review 88:412–423.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this entry
Cite this entry
Gill, J., Traunmüller, R. (2019). Bayesianische Inferenz als Alternative zur klassischen Statistik. In: Wagemann, C., Goerres, A., Siewert, M. (eds) Handbuch Methoden der Politikwissenschaft. Springer Reference Sozialwissenschaften. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-16937-4_33-1
Download citation
DOI: https://doi.org/10.1007/978-3-658-16937-4_33-1
Received:
Accepted:
Published:
Publisher Name: Springer VS, Wiesbaden
Print ISBN: 978-3-658-16937-4
Online ISBN: 978-3-658-16937-4
eBook Packages: Springer Referenz Sozialwissenschaften und Recht