Promotieonderzoek: risico’s van het gebruik van Bayesiaanse statistiek

Soms is het niet mogelijk om genoeg data te verzamelen. Denk bijvoorbeeld aan kleine populaties, zoals mensen met zeer zeldzame ziektes. Of aan een groep die moeilijk te bereiken is, zoals mensen met verslavingsproblemen of ongedocumenteerde migranten. Alle statistische modellen hebben evenwel een bepaalde hoeveelheid data nodig om goed te functioneren.

Om analyseproblemen te omzeilen kiezen onderzoekers met kleine steekproeven steeds vaker voor het gebruik van Bayesiaanse statistiek. Bij Bayesiaanse statistiek worden de verzamelde data gecombineerd met voorkennis (bijvoorbeeld van deskundigen uit de praktijk of op basis van eerdere onderzoeken). Deze voorkennis wordt gevat in een verdeling: de prior-verdeling. 

Met de studies in haar proefschrift laat Sanne Smid zien dat de overstap naar Bayesiaanse statistiek niet zonder problemen is. Er is een aantal softwareprogramma’s dat gebruikmaakt van ingebouwde default prior-verdelingen. Smid: “Helaas zijn deze verdelingen niet altijd geschikt en kunnen ze tot onjuiste resultaten leiden met kleine steekproeven. Het gebruik van Bayesiaanse statistiek is in dat geval geen oplossing voor het analyseren van een kleine steekproef.”

Hoe kleiner de steekproef, hoe belangrijker de prior-verdelingen zijn. In haar proefschrift breng Smid op een toegankelijke manier de risico’s van het gebruik van Bayesiaanse statistiek met kleine steekproeven onder de aandacht, en presenteert ze een Shiny-app waarbij gebruikers de impact van verschillende steekproefgroottes en prior-verdelingen op de resultaten zelf kunnen waarnemen. Daarnaast verstrekt de promovendus richtlijnen zodat Bayesiaanse statistiek op een bewuste manier gebruikt kan worden met kleine steekproeven.