Glaubwürdigkeitsintervall

In der Statistik ist ein Glaubwürdigkeitsintervall, auch Kredibilitätsintervall genannt, das bayessche Pendant zum Konfidenzintervall in der frequentistischen Statistik. Bayessche Intervallschätzer werden von der A-Posteriori-Verteilung abgeleitet. Um sie von den Konfidenzintervallen zu unterscheiden, die eine andere Interpretation haben, werden sie Glaubwürdigkeitsintervalle genannt. Das Glaubwürdigkeitsintervall besagt, dass der unbekannte Parameter $\vartheta$ mit Wahrscheinlichkeit $\gamma$ in diesem Intervall liegt.

Definition

Für ein fest vorgegebenes $\gamma \in (0,1)$ ist ein $\gamma \cdot 100\,\%$ -Glaubwürdigkeitsintervall für $\vartheta$ zum Glaubwürdigkeitsniveau $\gamma$ (auch: ein $\gamma$ -Glaubwürdigkeitsintervall) durch zwei reelle Zahlen $t_{l}$ und $t_{u}$ definiert, welche^[1]

\int _{t_{l}}^{t_{u}}f(\vartheta \mid x)\,\mathrm {d} \vartheta =\gamma

erfüllen. Hierbei stellt $f(\vartheta \mid x)$ die A-Posteriori-Verteilung dar.

Der einfachste Weg zur Konstruktion eines Glaubwürdigkeitsintervall besteht darin, die Gewichte in den Rändern der A-Posteriori-Verteilung symmetrisch zu konstruieren: $t_{l}$ als das $(1-\gamma )/2$ -Quantil und $t_{u}$ als das $(1+\gamma )/2$ -Quantil der A-Posteriori-Verteilung. Um solche Glaubwürdigkeitsintervalle zu berechnen, muss man die Quantile der A-Posteriori-Verteilung berechnen.

Interpretation

Da der unbekannte Parameter $\vartheta \mid x$ eine Zufallsvariable ist, kann man sagen, dass $\vartheta \mid x$ in einem $\gamma \cdot 100\,\%$ -Glaubwürdigkeitsintervall mit Wahrscheinlichkeit $\gamma$ liegt.^[1] Im Gegensatz zu dieser Interpretation besagt ein Konfidenzintervall, dass wenn man das Zufallsexperiment auf identische Art und Weise wiederholt, dann wird ein $\gamma \cdot 100\,\%$ -Konfidenzintervall den unbekannten Parameter $\vartheta$ in $\gamma \cdot 100\,\%$ aller Fälle überdecken.

Siehe auch

Zentrales Schwankungsintervall

Einzelnachweise

↑ ^a ^b Leonhard Held, Daniel Sabanés Bové: Applied Statistical Inference: Likelihood and Bayes. Springer, Heidelberg / New York / Dordrecht / London 2014, ISBN 978-3-642-37886-7, S. 172.

[held_S172-1] Leonhard Held, Daniel Sabanés Bové: Applied Statistical Inference: Likelihood and Bayes. Springer, Heidelberg / New York / Dordrecht / London 2014, ISBN 978-3-642-37886-7, S. 172.

[1]