Anna Riha, Nikolas Siccha, Antti Oulasvirta und Aki Vehtari schreiben:
Beim Erstellen statistischer Modelle für Bayes’sche Datenanalyseaufgaben können erforderliche und optionale iterative Anpassungen und unterschiedliche Modellierungsoptionen zu zahlreichen Kandidatenmodellen führen. Insbesondere Überprüfungen und Bewertungen während des gesamten Modellierungsprozesses können zu Änderungen an einem bestehenden Modell oder zur Berücksichtigung alternativer Modelle motivieren, um letztendlich Modelle mit ausreichender Qualität für das vorliegende Downside zu erhalten. Darüber hinaus kann die Nichtberücksichtigung alternativer Modelle zu einem übermäßigen Vertrauen in die Vorhersage- oder Inferenzfähigkeit eines ausgewählten Modells führen. Die Suche nach geeigneten Modellen erfordert, dass Modellierer mit mehreren Modellen arbeiten, ohne die Validität ihrer Ergebnisse zu gefährden. Die Multiversum-Analyse bietet einen Rahmen für die transparente Erstellung mehrerer Modelle gleichzeitig auf der Grundlage unterschiedlicher sinnvoller Modellierungsentscheidungen. Die Anzahl der Kandidatenmodelle, die sich aus der Kombination von Iterationen und möglichen Modellierungsentscheidungen ergeben, kann jedoch in der Praxis überwältigend sein. Motiviert durch diese Herausforderungen schlägt diese Arbeit eine iterative Filterung für die Multiversum-Analyse vor, um eine effiziente und konsistente Bewertung mehrerer Modelle und eine sinnvolle Filterung hin zu weniger Modellen höherer Qualität über verschiedene Modellierungskontexte hinweg zu unterstützen. Unter Berücksichtigung kausaler Einschränkungen zeigen wir, wie die Multiversum-Analyse mit Empfehlungen aus etablierten Bayes’schen Modellierungsworkflows kombiniert werden kann, um vielversprechende Kandidatenmodelle zu identifizieren, indem die Vorhersagefähigkeiten bewertet und bei Bedarf rechnerische Probleme behoben werden. Wir veranschaulichen unseren vorgeschlagenen Ansatz in verschiedenen realistischen Modellierungsszenarien anhand realer Datenbeispiele.
Sie fangen gerade erst an! Es muss noch viel mehr getan werden. Ich habe mich dafür interessiert die allgemeine Idee für eine Weile; Die Herausforderung besteht darin, es anhand einiger guter Beispiele zum Laufen zu bringen und dann allgemeinere Werkzeuge zu entwickeln und allgemeinere Prinzipien zu abstrahieren. Wie Riha et al. demonstrieren, kann es hilfreich sein, gleichzeitig in den Richtungen Modellierung und Berechnung zu arbeiten.
