Glaubwürdigkeitsintervall in der Bayes-Statistik: Ablauf und Fehler

Ein Glaubwürdigkeitsintervall gibt an, mit welchem Grad an Glauben

Ein Glaubwürdigkeitsintervall (englisch credible interval) ist der Bereich, in dem ein unbekannter Parameter nach Auswertung der Daten mit einer festgelegten Wahrscheinlichkeit liegt, etwa 95 Prozent. Es entsteht aus der Posterior-Verteilung und setzt eine Prior-Verteilung voraus. Hier erfährst du, wie du es berechnest, richtig deutest und sauber berichtest.

Was ein Glaubwürdigkeitsintervall aussagt

Ein 95-Prozent-Glaubwürdigkeitsintervall von 0,2 bis 0,5 bedeutet: Gegeben deine Daten und deine Vorannahme liegt der wahre Parameterwert mit 95 Prozent Wahrscheinlichkeit zwischen 0,2 und 0,5. Genau diese direkte Wahrscheinlichkeitsaussage über den Parameter ist der Kern der Bayes-Statistik und unterscheidet das Intervall vom frequentistischen Konfidenzintervall.

Beim bayesschen Vorgehen drückst du aus, mit welchem Grad an Überzeugung der wahre Wert im Intervall liegt. Dafür brauchst du zwingend eine A-priori-Verteilung für den Parameter. Aus Prior und Likelihood ergibt sich über den Satz von Bayes die Posterior-Verteilung, und das Glaubwürdigkeitsintervall ist nichts anderes als ein Ausschnitt dieser Posterior, der eine gewählte Wahrscheinlichkeitsmasse enthält.

Zwei Konstruktionen solltest du kennen:

• Gleichendiges Intervall (equal-tailed): Du schneidest an beiden Rändern gleich viel ab, bei 95 Prozent also das 2,5-Prozent- und das 97,5-Prozent-Quantil der Posterior.
• HPD-Intervall (highest posterior density): Es enthält die Werte mit der höchsten Posterior-Dichte und ist bei gegebener Masse das kürzeste Intervall. Bei schiefen Verteilungen weicht es deutlich vom gleichendigen Intervall ab.

Als Empfehlung gilt: Nenne immer die Masse (zum Beispiel 95 oder 89 Prozent), die Art des Intervalls und den verwendeten Prior. Bei symmetrischen, eingipfligen Posteriors fallen beide Varianten praktisch zusammen, bei mehrgipfligen Verteilungen kann ein HPD-Bereich sogar aus mehreren Teilstücken bestehen. Bayes-Methoden tauchen in vielen quantitativen Fächern auf; wer verschiedene Studiengänge vergleicht, findet sie in Psychologie, Data Science, Physik und Biostatistik.

Ablauf: So berechnest du das Intervall Schritt für Schritt

Der Ablauf folgt immer derselben Logik von der Vorannahme zur Posterior. Am Beispiel einer Erfolgsquote, bei der in 20 Versuchen 7 Erfolge beobachtet wurden, sieht das so aus:

1. Prior festlegen: Ohne Vorwissen wählst du für eine Quote eine Beta(1,1)-Verteilung, also die Gleichverteilung zwischen 0 und 1. Begründe die Wahl schriftlich, etwa mit dem Satz: Als Prior wurde eine nicht informative Beta(1,1)-Verteilung gewählt.
2. Likelihood bestimmen: Erfolge in unabhängigen Versuchen folgen einer Binomialverteilung.
3. Posterior berechnen: Beta-Prior und Binomial-Likelihood sind konjugiert. Die Posterior lautet Beta(1+7, 1+13) = Beta(8,14). Ihr Mittelwert ist 8/22, also rund 0,36.
4. Intervall ablesen: Das gleichendige 95-Prozent-Intervall erhältst du in R mit qbeta(c(0.025, 0.975), 8, 14), in Python mit scipy.stats.beta.ppf([0.025, 0.975], 8, 14).
5. Bei komplexen Modellen simulieren: Ohne geschlossene Lösung ziehst du Stichproben per MCMC, etwa mit Stan, PyMC oder brms, und nimmst die empirischen Quantile der Ziehungen. Ein HPD-Intervall liefert zum Beispiel HDInterval::hdi() in R oder arviz.hdi() in Python.
6. Ergebnis formulieren: Die Erfolgsquote liegt mit 95 Prozent Posterior-Wahrscheinlichkeit zwischen den berechneten Grenzen.

Prüfe vor der Auswertung in der Prüfungsordnung und den Vorgaben deines Lehrstuhls, ob für Abschlussarbeiten bestimmte Software oder Berichtsformate verlangt werden. Allgemeine Studium-Tipps zum Schreiben empfehlen ohnehin, Code und Seeds für die Reproduzierbarkeit im Anhang abzulegen. Gerade im ersten Statistikkurs helfen Erstsemester-Tipps wie feste Übungsgruppen dabei, solche Rechenwege früh zu festigen.

Typische Fehler und wie du sie vermeidest

Die meisten Punktabzüge entstehen nicht bei der Rechnung, sondern bei Deutung und Dokumentation. Diese Fehler solltest du kennen:

Ein weiterer Fehler betrifft die Planung: Wer Bayes-Statistik erst im letzten Semester begegnet, hat wenig Zeit zum Üben. Beim Schritt Studiengang wählen lohnt deshalb ein Blick ins Modulhandbuch, ob Bayes-Verfahren gelehrt werden. Ob eher die Universität oder Fachhochschule passt, entscheidet auch, wie theoretisch die Statistikausbildung ausfällt; ein Studienorientierungstest klärt vorher, ob dir mathematische Fächer überhaupt liegen.

Checkliste für dein Glaubwürdigkeitsintervall

Vor der Abgabe kontrollierst du jedes berichtete Intervall anhand dieser überprüfbaren Punkte:

• Ist die Wahrscheinlichkeitsmasse genannt, zum Beispiel 95 Prozent?
• Steht im Text, ob es sich um ein gleichendiges oder ein HPD-Intervall handelt?
• Sind Prior-Verteilung und ihre Parameter angegeben und begründet?
• Liegt eine Sensitivitätsanalyse mit mindestens einem alternativen Prior vor?
• Wurde bei MCMC die Konvergenz geprüft, mit R-hat und effektiver Stichprobengröße?
• Lautet die Deutung als Wahrscheinlichkeitsaussage über den Parameter und nicht über wiederholte Stichproben?
• Passen untere Grenze, Punktschätzer und obere Grenze logisch zusammen?
• Sind Software, Paketversion und Seed dokumentiert?

Bleiben methodische Zweifel, wende dich an die Statistikberatung deines Instituts oder an deine Betreuung; viele Hochschulen und Universitäten bieten eigene Methodensprechstunden an. Bei Fragen zur Fächerwahl selbst ist die zentrale Studienberatung die richtige Stelle. Planst du ein Auslandssemester, prüfe vorher im Learning Agreement, ob ein Bayes-Kurs der Partnerhochschule angerechnet wird. Auch der Alltag beeinflusst die Lernzeit: Ruhige Lernorte beim Wohnen im Studium und Studentenjobs mit planbaren Schichten geben dir den Freiraum, Modelle in Ruhe nachzurechnen. Datenanalyse-Jobs als Hilfskraft an einem Lehrstuhl sind zudem eine gute Gelegenheit, Glaubwürdigkeitsintervalle an echten Daten zu üben.

Quellen und Stand

• Offizielle Quelle: terascale.physik.uni-freiburg.de (geprüft am 2026-10-28)
• Wikipedia: Glaubwürdigkeitsintervall: de.wikipedia.org (geprüft am 2026-10-28)
• Wikipedia: Credible interval: en.wikipedia.org (geprüft am 2026-10-28)