Startseite
Podcasts
Data Science Deep Dive Podcast
#93: Bayesianische Statistik: Vorwissen und Daten kombinieren

#93: Bayesianische Statistik: Vorwissen und Daten kombinieren

Data Science Deep Dive vor 4 Monaten

0:00

33:31

In dieser Episode sprechen Mira und Amit über die Grundlagen der
bayesianischen Statistik und zeigen anhand der Wahlprognose für
die Bundestagswahl, wie sich Vorwissen und neue Daten zu einer
aussagekräftigen Posterior-Verteilung kombinieren lassen. Sie
erklären die zentralen Begriffe Prior, Likelihood und Posterior
und ordnen ein, wie sich Kredibilitätsintervalle von klassischen
Konfidenzintervallen unterscheiden. Außerdem gehen sie auf
praktische Anwendungsfälle wie A/B-Testing ein und diskutieren,
warum der bayesianische Ansatz trotz seiner Vorteile nicht immer
die erste Wahl ist.

**Zusammenfassung**

Einstiegsbeispiel Wahlprognose: Stichprobenunsicherheit
trifft auf Vorwissen über realistische Stimmanteile

Bayes-Theorem als Grundlage: Posterior ist proportional zu
Likelihood mal Prior

Prior-Verteilungen: informative Priors aus Vorwissen vs.
nicht-informative Priors

Interpretation der Posterior: Erwartungswert,
Wahrscheinlichkeit für Effekte über einem Schwellenwert,
Kredibilitätsintervalle

Unterschied zur frequentistischen Statistik: p-Werte und
Konfidenzintervalle vs. intuitiv interpretierbare
Wahrscheinlichkeitsaussagen

Praxisbeispiele: A/B-Testing mit Vorwissen aus früheren
Tests, Robustheitsprüfungen, Einsatz bei Google

Vorteile: intuitive Interpretation, Nutzung von Vorwissen,
sinnvolle Ergebnisse auch bei kleinen Stichproben

Nachteile: hoher Rechenaufwand durch
Monte-Carlo-Simulationen, geringere Verbreitung, nicht immer
existiert ein sinnvoller Prior

**Links**

#56: Unsere Bundestagswahl-Prognose: Wer gewinnt die Wahl
2025? https://www.podbean.com/ew/pb-hwgnd-16e446e

#26: A/B-Testing: Erkenntnisse statt Bauchgefühl
https://www.podbean.com/ew/pb-6fzpj-143cfb1

Fragen, Feedback oder Themenwünsche? Schreibt uns gern an:
podcast@inwt-statistics.de