Bayesian Model Averaging

Bayesian Model Averaging (BMA), formalisiert als Tutorial von Hoeting, Madigan, Raftery und Volinsky im Jahr 1999, adressiert Modellunsicherheit, indem es über alle plausiblen Modellspezifikationen mittelt, anstatt ein einzelnes bestes Modell auszuwählen. Jedes Kandidatenmodell erhält eine Posterior-Wahrscheinlichkeit, die widerspiegelt, wie gut es die Daten unter Berücksichtigung eines Priors erklärt, und Vorhersagen oder Koeffizientenschätzungen werden als gewichtete Durchschnitte über den gesamten Modellraum gebildet. Dieser Ansatz reduziert die Verzerrung und Überkonfidenz, die entstehen, wenn ein einzelnes ausgewähltes Modell als das wahre behandelt wird.