Bayesianischer-Anteilsschätzer-Rechner

Verwenden Sie die Bayes'sche Anteilsschätzung, wenn Sie Vorwissen in Ihre Schätzung einbeziehen möchten oder wenn Sie eine vollständige Wahrscheinlichkeitsverteilung für den Anteil benötigen, anstatt nur einer Punktschätzung und eines Konfidenzintervalls.

Was ist Bayes'sche Anteilsschätzung?

Die Bayes'sche Anteilsschätzung verwendet das Beta-Binomial konjugierte Prior-System zur Schätzung eines Wahrscheinlichkeitsparameters. Sie beginnen mit einer A-priori-Annahme über den Anteil, beobachten Daten (Erfolge und Misserfolge) und erhalten eine aktualisierte Posterior-Verteilung.

$\text{Prior: } p \sim \text{Beta}(\alpha, \beta)$ $\text{Daten: } X \sim \text{Binomial}(n, p)$ $\text{Posterior: } p|X \sim \text{Beta}(\alpha + x, \beta + n - x)$

Wobei:

• $\alpha, \beta$ = Prior-Parameter
• $n$ = Anzahl der Versuche
• $x$ = Anzahl der Erfolge

Die Beta-Verteilung

Die Beta-Verteilung eignet sich perfekt für Anteile, weil:

• Sie zwischen 0 und 1 begrenzt ist
• Sie flexibel ist (kann gleichförmig, U-förmig oder spitz sein)
• Sie konjugiert zur Binomialverteilung ist (Posterior ist ebenfalls Beta)

Interpretation der Prior-Parameter

Betrachten Sie $\alpha$ und $\beta$ als "Pseudo-Beobachtungen":

• $\alpha$ = frühere Erfolge
• $\beta$ = frühere Misserfolge
• $\alpha + \beta$ = Stärke der A-priori-Annahme

Funktionsweise

Schritt 1: Wählen Sie Ihren Prior

Basierend auf Vorwissen wählen Sie $\alpha$ und $\beta$:

• Prior-Mittelwert = $\frac{\alpha}{\alpha + \beta}$
• Äquivalente Prior-Stichprobengröße = $\alpha + \beta$

Schritt 2: Daten beobachten

Sammeln Sie $n$ Versuche mit $x$ Erfolgen.

Schritt 3: Posterior aktualisieren

$\text{Posterior: Beta}(\alpha + x, \beta + n - x)$

• Posterior-Mittelwert = $\frac{\alpha + x}{\alpha + \beta + n}$
• Dies ist ein gewichteter Durchschnitt aus Prior-Mittelwert und beobachtetem Anteil

Schritt 4: Kredibilitätsintervall berechnen

Das 95%-Kredibilitätsintervall enthält den wahren Anteil mit 95% Wahrscheinlichkeit (im Gegensatz zu frequentistischen Konfidenzintervallen, die diese Interpretation nicht haben).

Beispiel: A/B-Test mit Vorwissen

Szenario: Test eines neuen Buttons. Historische Daten deuten auf Konversionsraten um 5% hin.

Prior: Beta(5, 95) — repräsentiert die Annahme einer ~5%-Rate mit mäßiger Konfidenz (entspricht 100 vorherigen Beobachtungen)

Daten: 200 Besucher, 18 Konversionen (9%)

Posterior: $\text{Beta}(5 + 18, 95 + 182) = \text{Beta}(23, 277)$

Ergebnisse:

• Posterior-Mittelwert = 23/300 = 7,7%
• 95%-Kredibilitätsintervall: [5,0%, 11,0%]

Der Posterior (7,7%) wird vom Prior (5%) aus der beobachteten Rate (9%) gezogen, was den Kompromiss zwischen A-priori-Annahme und Daten widerspiegelt.

Kredibilitätsintervalle vs. Konfidenzintervalle

Wahl des Priors

Nicht-informative Priors

Wenn Sie kein Vorwissen haben:

• Gleichverteilt: Beta(1, 1) — Alle Werte gleich wahrscheinlich
• Jeffreys: Beta(0,5, 0,5) — Invariant unter Reparametrisierung
• Haldane: Beta(0, 0) — Uneigentlich, funktioniert aber oft

Informative Priors

Wenn Sie Vorwissen haben:

1. Schätzen Sie den Prior-Mittelwert $\mu$ und die äquivalente Stichprobengröße $n_0$
2. Setzen Sie $\alpha = \mu \times n_0$ und $\beta = (1 - \mu) \times n_0$

Beispiel: Sie glauben, dass die Rate basierend auf 50 vorherigen Beobachtungen bei etwa 20% liegt:

• $\alpha = 0,20 \times 50 = 10$
• $\beta = 0,80 \times 50 = 40$
• Prior: Beta(10, 40)

Prior-Sensitivitätsanalyse

Prüfen Sie immer, wie empfindlich die Schlussfolgerungen auf die Prior-Wahl reagieren:

Mit ausreichend Daten wird der Posterior weniger empfindlich gegenüber dem Prior.

Anwendungen

Klinische Studien

• Prior aus früheren Studien
• Aktualisierung mit aktuellen Studiendaten
• Adaptive Studiendesigns

Qualitätskontrolle

• Prior aus historischen Fehlerquoten
• Aktualisierung mit Inspektionsdaten
• Prozessüberwachung

Konversionsraten-Optimierung

• Prior von ähnlichen Produkten/Seiten
• Aktualisierung mit A/B-Testdaten
• Entscheidungsfindung unter Unsicherheit

Umfrageanalyse

• Prior aus Volkszählungen oder früheren Umfragen
• Aktualisierung mit Stichprobendaten
• Kleinräumige Schätzung

Posterior-Prädiktive Verteilung

Zur Vorhersage zukünftiger Beobachtungen:

$P(\text{nächster Versuch erfolgreich}) = \frac{\alpha + x}{\alpha + \beta + n}$

Für $m$ zukünftige Versuche: $P(k \text{ Erfolge in } m \text{ Versuchen}) = \text{Beta-Binomial}(m, \alpha + x, \beta + n - x)$

Vergleich zweier Anteile

Um die Anteile $p_A$ und $p_B$ zu vergleichen:

1. Ermitteln Sie den Posterior für jeden: Beta($\alpha_A$, $\beta_A$) und Beta($\alpha_B$, $\beta_B$)
2. Berechnen Sie $P(p_A > p_B)$ durch Simulation oder numerische Integration
3. Berichten Sie die Wahrscheinlichkeit, dass A besser ist

Dies beantwortet direkt "Wie hoch ist die Wahrscheinlichkeit, dass A besser ist als B?" anstatt "Können wir die Nullhypothese ablehnen?"

Historischer Kontext

Thomas Bayes und Pierre-Simon Laplace entwickelten diese Methoden im 18. Jahrhundert. Laplace nutzte Bayes'sche Methoden, um den Anteil weiblicher Geburten in Paris zu schätzen.

Das Beta-Binomial-System wurde zu einem kanonischen Beispiel der konjugierten Analyse und zeigt, wie Prior und Posterior dieselbe Verteilungsform haben können.

Häufige Fehler

Zu starker Prior

Wenn Ihr Prior $\alpha + \beta = 1000$ hat, behaupten Sie das Äquivalent von 1000 vorherigen Beobachtungen. Daten werden Ihre Überzeugungen kaum verändern.

Ignorieren der Prior-Spezifikation

Berichten Sie Ihren Prior und führen Sie eine Sensitivitätsanalyse durch. Unterschiedliche Priors können zu unterschiedlichen Schlussfolgerungen führen.

Überinterpretation kleiner Stichproben

Auch mit Bayes'schen Methoden ergeben kleine Stichproben breite Kredibilitätsintervalle. Der Prior hilft, erzeugt aber keine Information aus dem Nichts.

Verwandte Berechnungen

• Satz von Bayes Rechner — Grundlegende Wahrscheinlichkeitsaktualisierungen
• Konfidenzintervall für Anteil — Frequentistischer Ansatz
• A/B-Test Signifikanz — Frequentistisches A/B-Testing
• Bayes'scher A/B-Test — Vollständiger Bayes'scher Vergleich

Zusammenfassung

Die Bayes'sche Anteilsschätzung verwendet das Beta-Binomial konjugierte Prior-System zur Schätzung von Anteilen. Beginnen Sie mit einem Beta-Prior, der Ihre Überzeugungen kodiert, aktualisieren Sie mit beobachteten Erfolgen und Misserfolgen und erhalten Sie einen Beta-Posterior. Der Posterior-Mittelwert ist ein gewichteter Durchschnitt aus Prior und Daten. Kredibilitätsintervalle haben eine direkte Wahrscheinlichkeitsinterpretation. Wählen Sie Priors sorgfältig, berichten Sie diese und führen Sie eine Sensitivitätsanalyse durch, um sicherzustellen, dass die Schlussfolgerungen robust sind.