Advertisement

Bayesianische Inferenz als Alternative zur klassischen Statistik

Living reference work entry
  • 231 Downloads
Part of the Springer Reference Sozialwissenschaften book series (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.

Schlüsselwörter

Bayesianische Statistik Hierarchische Modelle Markov Chain Monte Carlo A-priori Verteilung Stochastische Simulation 

Literatur

  1. 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
  2. Birnbaum, Allan. 1962. On the foundations of statistical inference. Journal of the American Statistical Association 57:269–306.CrossRefGoogle Scholar
  3. Eliason, Scott R. 1993. Maximum likelihood estimation: logic and practice. Newbury Park: Sage.CrossRefGoogle Scholar
  4. Fairfield, Tasha, und Andrew E. Charman. 2017. Explicit Bayesian analysis for process tracing: Guidelines, opportunities, and caveats. Political Analysis 25(3): 363–380.CrossRefGoogle Scholar
  5. 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
  6. Fisher, Ronald A. 1925a. Statistical methods for research workers. Edinburgh: Oliver and Boyd.Google Scholar
  7. Fisher, Ronald A. 1925b. Theory of statistical estimation. Proceedings of the Cambridge Philosophical Society 22:700–725.CrossRefGoogle Scholar
  8. Fisher, Ronald A. 1930. Inverse probability. Proceedings of the Cambridge Philosophical Society 26:528–535.CrossRefGoogle Scholar
  9. Fisher, Ronald A. 1934. The Design of Experiments, 1. Aufl. Edinburgh: Oliver and Boyd.Google Scholar
  10. 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.CrossRefGoogle Scholar
  11. Gelman, Andrew. 2006. Prior distributions for variance parameters in hierarchical models. Bayesian Analysis 1:514–534.CrossRefGoogle Scholar
  12. Gelman, Andrew, und Jennifer Hill. 2007. Data analysis using regression and multilevel/hierachical models. Cambridge: Cambridge University Press.Google Scholar
  13. Gelman, Andrew, und Donald Rubin. 1992. Inference from iterative simulation using multiple sequences. Statistical Science 7:457–511.CrossRefGoogle Scholar
  14. 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.CrossRefGoogle Scholar
  15. 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
  16. Gill, Jeff. 1999. The insignificance of null hypothesis significance testing. Political Research Quarterly 52(3): 647–674.CrossRefGoogle Scholar
  17. Gill, Jeff. 2002. Bayesian methods. A social and behavioral sciences approach. Boca Raton: Chapman/Hall/CRC.CrossRefGoogle Scholar
  18. Gill, Jeff. 2008a. Is partial convergence a problem for inferences from MCMC algorithms? Political Analysis 16(2): 153–178.CrossRefGoogle Scholar
  19. Gill, Jeff. 2008b. Bayesian methods. A social and behavioral sciences approach, 2. Aufl. Boca Raton: Chapman/Hall/CRC.Google Scholar
  20. 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.CrossRefGoogle Scholar
  21. 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
  22. Hastings, W. Keith. 1970. Monte Carlo sampling methods using Markov chains and their applications. Biometrika 57:97–109.CrossRefGoogle Scholar
  23. Heidelberger, Philip, und Peter D. Welch. 1983. Simulation run length control in the presence of an initial transient. Operations Research 31:1109–1144.CrossRefGoogle Scholar
  24. Humphreys, Macartan, und Alan Jacobs. 2015. Mixing methods: A Bayesian approach. American Political Science Review 109(4): 653–673.CrossRefGoogle Scholar
  25. Jackman, Simon. 2009. Bayesian analysis for the social sciences. Chichester: Wiley.CrossRefGoogle Scholar
  26. King, Gary. 1998. Unifying political methodology. The likelihood theory of statistical inference. Ann Arbor: University of Michigan Press.CrossRefGoogle Scholar
  27. Little, Roderick J. A., und Donald B. Rubin. 2002. Statistical analysis with missing data, 2. Aufl. New York: John Wiley & Sons.CrossRefGoogle Scholar
  28. Lynch, Scott M. 2007. Introduction to applied Bayesian statistics and estimation for social scientists. New York: Springer.CrossRefGoogle Scholar
  29. Metropolis, Nicholas, und Stanislaw Ulam. 1949. The Monte Carlo method. Journal of the American Statistical Association 44:335–341.CrossRefGoogle Scholar
  30. 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.CrossRefGoogle Scholar
  31. 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
  32. 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
  33. 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
  34. 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.CrossRefGoogle Scholar
  35. 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
  36. Plummer, Martyn. 2010a. JAGS Version 2.2.0 User Manual.Google Scholar
  37. Plummer, Martyn. 2010b. rjags: Bayesian graphical models using MCMC. R package version 2.1.0-2.Google Scholar
  38. R Development Core Team. 2009. R: A language and environment for statistical computing. Wien: R Foundation for Statistical Computing.Google Scholar
  39. 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
  40. Raudenbush, Stephen W., und Anthony S. Bryk. 2002. Hierarchical linear models. Thousand Oaks: Sage.Google Scholar
  41. 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
  42. Samaniego, Fancisco J. 2010. A comparison of the Bayesian and frequentist approaches to estimation. New York: Springer.CrossRefGoogle Scholar
  43. 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.CrossRefGoogle Scholar
  44. Spiegelhalter, David J, Andrew Thomas, und Nicky G, Best. 1999. WinBUGS Version 1.2 User Manual. MRC Biostatistics Unit.Google Scholar
  45. Traunmüller, Richard, und Markus Freitag. 2011. State support of religion: Making or breaking faith-based social capital? Comparative Politics 43(3): 253–269.CrossRefGoogle Scholar
  46. Traunmüller, Richard, Andreas Murr, und Jeff Gill. 2015. Modeling latent information in voting data with Dirichlet process priors. Political Analysis 23(1): 1–20.CrossRefGoogle Scholar
  47. 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
  48. Western, Bruce, und Simon Jackman. 1994. Bayesian inference for comparative research. American Political Science Review 88:412–423.CrossRefGoogle Scholar

Authors and Affiliations

  1. 1.Department of GovernmentAmerican UniversityWashington DCUSA
  2. 2.Institut für PolitikwissenschaftGoethe-Universität FrankfurtFrankfurt am MainDeutschland

Personalised recommendations