Bayesische Kalibration

Kurzbeschriebung

Bayessche Kalibration ist ein bayessches Inferenzverfahren zur Anpassung von Modellparametern an beobachtete Daten, bei dem Unsicherheit in Parametern, Beobachtungen und ggf. Modellfehlern explizit berücksichtigt wird. Ziel ist es, ein Simulations- oder Rechenmodell so zu justieren, dass seine Ausgaben konsistent mit empirischen Daten sind.

Formal wird ein (oft mechanistisches oder simulationsbasiertes) Modell '"`UNIQ--math-00000000-QINU`"' angenommen, wobei '"`UNIQ--math-00000001-QINU`"' unbekannte Modellparameter, '"`UNIQ--math-00000002-QINU`"' ein expliziter Modellfehlerterm (Discrepancy) und '"`UNIQ--math-00000003-QINU`"' Beobachtungsrauschen sind. Für '"`UNIQ--math-00000004-QINU`"' (und ggf. '"`UNIQ--math-00000005-QINU`"') werden Priorverteilungen spezifiziert und mittels Bayes-Theorem ein Posterior berechnet.

Im Gegensatz zu rein frequentistischen Kalibrationsansätzen liefert bayessche Kalibration vollständige Posteriorverteilungen der Parameter und propagiert Unsicherheit konsistent auf Modellvorhersagen. Häufig wird sie mit Gaussprozess-Emulatoren kombiniert, um rechenintensive Modelle effizient zu kalibrieren.

Bayessche Kalibration ist kein eigenständiges Prognosemodell, sondern ein Meta-Verfahren, das auf bestehende Modelle angewendet wird. Sie ist besonders geeignet, wenn Modelle komplex sind, Daten begrenzt vorliegen und Unsicherheiten transparent quantifiziert werden müssen.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen und Public Health wird bayessche Kalibration eingesetzt, um mechanistische Modelle (z. B. epidemiologische Kompartmentmodelle, gesundheitsökonomische Simulationsmodelle) an Beobachtungsdaten wie Fallzahlen, Hospitalisierungen oder Kosten anzupassen. Dadurch lassen sich realistischere Parameterbereiche und belastbare Unsicherheitsintervalle ableiten.

Besonders wichtig ist die Methode für politiknahe Modellierung, etwa bei Pandemieprojektionen, Interventionsvergleichen oder Kosten-Nutzen-Analysen. Bayessche Kalibration ermöglicht es, explizit zu zeigen, wie stark Ergebnisse von Datenlage und Modellannahmen abhängen, und unterstützt damit transparente Entscheidungsfindung unter Unsicherheit.

Sonstiges

Explizite Trennung von Parameterunsicherheit und Modellfehler

Häufig kombiniert mit Sensitivitäts- und Szenarioanalyse

Rechenaufwendig bei komplexen Modellen ohne Emulatoren

Semantik

Wikidata-Identifikator ist: Q16906819

Deutsche Wikipediaseite ist: Bayes%E2%80%99sche_Inferenz#Bayessche_Kalibrierung

Englische Wikipediaseite ist: Bayesian_calibration

Quelle: Kennedy & O’Hagan (2001), Bayesian Calibration of Computer Models

Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit

Für die Methode benötigte Datenmenge ist klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Inferenz;Simulation„Inferenz;Simulation“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Bayessch;Simulation;Hybrid„Bayessch;Simulation;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist gut

Webseite: https://www.jstor.org/stable/2673443