Skip to main content
SpringerLink
Log in
Book cover

Handbuch Methoden der Politikwissenschaft pp 1–27Cite as

Bayesianische Inferenz als Alternative zur klassischen Statistik

  • Living reference work entry
  • First Online:

  • 475 Accesses

Part of the book series: Springer Reference Sozialwissenschaften ((SRS))

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. 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. 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. 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. 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.

    Google Scholar 

  • Birnbaum, Allan. 1962. On the foundations of statistical inference. Journal of the American Statistical Association 57:269–306.

    Article  Google Scholar 

  • Eliason, Scott R. 1993. Maximum likelihood estimation: logic and practice. Newbury Park: Sage.

    Book  Google Scholar 

  • Fairfield, Tasha, und Andrew E. Charman. 2017. Explicit Bayesian analysis for process tracing: Guidelines, opportunities, and caveats. Political Analysis 25(3): 363–380.

    Article  Google Scholar 

  • Fisher, Ronald A. 1922. On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Statistical Society of London A 222:309–360.

    Google Scholar 

  • Fisher, Ronald A. 1925a. Statistical methods for research workers. Edinburgh: Oliver and Boyd.

    Google Scholar 

  • Fisher, Ronald A. 1925b. Theory of statistical estimation. Proceedings of the Cambridge Philosophical Society 22:700–725.

    Article  Google Scholar 

  • Fisher, Ronald A. 1930. Inverse probability. Proceedings of the Cambridge Philosophical Society 26:528–535.

    Article  Google Scholar 

  • Fisher, Ronald A. 1934. The Design of Experiments, 1. Aufl. Edinburgh: Oliver and Boyd.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Gelman, Andrew. 2006. Prior distributions for variance parameters in hierarchical models. Bayesian Analysis 1:514–534.

    Article  Google Scholar 

  • Gelman, Andrew, und Jennifer Hill. 2007. Data analysis using regression and multilevel/hierachical models. Cambridge: Cambridge University Press.

    Google Scholar 

  • Gelman, Andrew, und Donald Rubin. 1992. Inference from iterative simulation using multiple sequences. Statistical Science 7:457–511.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Gill, Jeff. 1999. The insignificance of null hypothesis significance testing. Political Research Quarterly 52(3): 647–674.

    Article  Google Scholar 

  • Gill, Jeff. 2002. Bayesian methods. A social and behavioral sciences approach. Boca Raton: Chapman/Hall/CRC.

    Book  Google Scholar 

  • Gill, Jeff. 2008a. Is partial convergence a problem for inferences from MCMC algorithms? Political Analysis 16(2): 153–178.

    Article  Google Scholar 

  • Gill, Jeff. 2008b. Bayesian methods. A social and behavioral sciences approach, 2. Aufl. Boca Raton: Chapman/Hall/CRC.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • Hastings, W. Keith. 1970. Monte Carlo sampling methods using Markov chains and their applications. Biometrika 57:97–109.

    Article  Google Scholar 

  • Heidelberger, Philip, und Peter D. Welch. 1983. Simulation run length control in the presence of an initial transient. Operations Research 31:1109–1144.

    Article  Google Scholar 

  • Humphreys, Macartan, und Alan Jacobs. 2015. Mixing methods: A Bayesian approach. American Political Science Review 109(4): 653–673.

    Article  Google Scholar 

  • Jackman, Simon. 2009. Bayesian analysis for the social sciences. Chichester: Wiley.

    Book  Google Scholar 

  • King, Gary. 1998. Unifying political methodology. The likelihood theory of statistical inference. Ann Arbor: University of Michigan Press.

    Book  Google Scholar 

  • Little, Roderick J. A., und Donald B. Rubin. 2002. Statistical analysis with missing data, 2. Aufl. New York: John Wiley & Sons.

    Book  Google Scholar 

  • Lynch, Scott M. 2007. Introduction to applied Bayesian statistics and estimation for social scientists. New York: Springer.

    Book  Google Scholar 

  • Metropolis, Nicholas, und Stanislaw Ulam. 1949. The Monte Carlo method. Journal of the American Statistical Association 44:335–341.

    Article  Google Scholar 

  • 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.

    Article  Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Google Scholar 

  • 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.

    Article  Google Scholar 

  • Neyman, Jerzy, und Egon S. Pearson. 1936. Sufficient statistics and uniformly most powerful tests of statistical hypotheses. Statistical Research Memorandum 1:113–137.

    Google Scholar 

  • Plummer, Martyn. 2010a. JAGS Version 2.2.0 User Manual.

    Google Scholar 

  • Plummer, Martyn. 2010b. rjags: Bayesian graphical models using MCMC. R package version 2.1.0-2.

    Google Scholar 

  • R Development Core Team. 2009. R: A language and environment for statistical computing. Wien: R Foundation for Statistical Computing.

    Google Scholar 

  • 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.

    Google Scholar 

  • Raudenbush, Stephen W., und Anthony S. Bryk. 2002. Hierarchical linear models. Thousand Oaks: Sage.

    Google Scholar 

  • Roßteutscher, Sigrid. 2009. Religion, Zivilgesellschaft, Demokratie. Eine international vergleichende Studie zur Natur religiöser Märkte und der demokratischen Rolle religiöser Zivilgesellschaften. Baden-Baden: Nomos.

    Google Scholar 

  • Samaniego, Fancisco J. 2010. A comparison of the Bayesian and frequentist approaches to estimation. New York: Springer.

    Book  Google Scholar 

  • 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.

    Article  Google Scholar 

  • Spiegelhalter, David J, Andrew Thomas, und Nicky G, Best. 1999. WinBUGS Version 1.2 User Manual. MRC Biostatistics Unit.

    Google Scholar 

  • Traunmüller, Richard, und Markus Freitag. 2011. State support of religion: Making or breaking faith-based social capital? Comparative Politics 43(3): 253–269.

    Article  Google Scholar 

  • Traunmüller, Richard, Andreas Murr, und Jeff Gill. 2015. Modeling latent information in voting data with Dirichlet process priors. Political Analysis 23(1): 1–20.

    Article  Google Scholar 

  • Tsai, Tsung-han, und Jeff Gill. 2012. superdiag: A comprehensive test suite for Markov chain non- convergence. The Political Methodologist 19:12–18.

    Google Scholar 

  • Western, Bruce, und Simon Jackman. 1994. Bayesian inference for comparative research. American Political Science Review 88:412–423.

    Article  Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Department of Government, American University, Washington DC, USA

    Jeff Gill

  2. Institut für Politikwissenschaft, Goethe-Universität Frankfurt, Frankfurt am Main, Deutschland

    Richard Traunmüller

Authors
  1. Jeff Gill
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Richard Traunmüller
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Jeff Gill .

Editor information

Editors and Affiliations

  1. Methodenzentrum Sozialwissenschaft, Goethe-Universität Frankfurt Methodenzentrum Sozialwissenschaft, Frankfurt, Hessen, Germany

    Claudius Wagemann

  2. Institute for Political Sciences, University of Duisburg-Essen Institute for Political Sciences, Duisburg, Germany

    Achim Goerres

  3. Institut für Politikwissenschaft, Goethe-Universität Frankfurt am Main Institut für Politikwissenschaft, Frankfurt, Hessen, Germany

    Markus Siewert

Rights and permissions

Reprints and permissions

Copyright information

© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this entry

Check for updates. Verify currency and authenticity via CrossMark

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

Publish with us

Policies and ethics

Search

Navigation