Bayesiaanse modellering: rekenen met onzekerheid en voorkennis
Stel je hebt hoofdpijn en zoekt je klachten op. De pagina noemt een zeldzame hersenaandoening als mogelijke oorzaak. Schrik je meteen? Waarschijnlijk niet: je weet dat hoofdpijn veel vaker door stress of te weinig slaap komt dan door iets zeldzaams. Zonder het te beseffen combineer je hier twee dingen: wat je al wist (hoofdpijn is meestal onschuldig) met nieuwe informatie (de klachten passen ook bij iets ergers). Precies dit combineren van voorkennis en nieuwe gegevens is het hart van Bayesiaanse modellering.
In de statistiek en kunstmatige intelligentie is Bayesiaanse modellering een manier om onzekerheid expliciet te berekenen in plaats van op gevoel in te schatten. In plaats van één vast antwoord ('het reproductiegetal is 1,2') geeft een Bayesiaans model een heel scala aan mogelijke antwoorden met een kans erbij ('het reproductiegetal ligt met 90 procent zekerheid tussen 1,0 en 1,4'). Komt er nieuwe data binnen, dan wordt die inschatting bijgewerkt, net zoals een arts zijn vermoeden bijstelt na een extra onderzoek. Deze aanpak wordt inmiddels gebruikt bij coronamodellen, klinische trials, verkiezingspeilingen en zelfs bij het analyseren van gravitatiegolven uit de ruimte.
Wat is het precies?
De basis is een wiskundige regel uit 1763, opgesteld door de Engelse predikant en wiskundige Thomas Bayes en later uitgewerkt door Pierre-Simon Laplace: de stelling van Bayes. Deze regel beschrijft precies hoe je een overtuiging moet bijstellen als er nieuw bewijs binnenkomt.
Een Bayesiaans model werkt in drie stappen. Eerst formuleer je een prior: je beginschatting, gebaseerd op alles wat je al weet, vóórdat je naar de nieuwe data kijkt. Bij het schatten van het reproductiegetal van een virus kan een prior bijvoorbeeld zijn: 'op basis van eerdere epidemieën ligt dit getal waarschijnlijk tussen 0,5 en 3'.
Daarna bereken je de likelihood, oftewel de aannemelijkheid: hoe goed passen de nieuwe waarnemingen (bijvoorbeeld het aantal ziekenhuisopnames deze week) bij verschillende mogelijke waarden van het reproductiegetal?
Tot slot combineert de stelling van Bayes de prior en de likelihood tot een posterior: de bijgestelde, onderbouwde schatting inclusief onzekerheidsmarge. Die posterior kan weer als nieuwe prior dienen zodra er opnieuw data binnenkomt, waardoor het model continu kan blijven leren.
Voor eenvoudige problemen is deze berekening met de hand te doen. Bij realistische modellen met tientallen of honderden variabelen — denk aan een epidemiologisch model met leeftijdsgroepen, regio's en vaccinatiegraad — is de wiskunde al snel te complex voor een exacte oplossing. Daarom gebruiken onderzoekers computersimulaties, met name een familie van technieken die Markov Chain Monte Carlo (MCMC) heet. Simpel gezegd: de computer probeert duizenden tot miljoenen combinaties van waarden uit en onthoudt welke combinaties het best bij de data passen. Zo ontstaat langzaam een betrouwbaar beeld van de meest waarschijnlijke uitkomsten, inclusief hoe zeker of onzeker die zijn.
Wat wil men ermee bereiken?
Het belangrijkste doel is eerlijker omgaan met onzekerheid. Klassieke statistiek geeft vaak één schattting met een simpele foutmarge, wat het risico geeft dat mensen die uitkomst voor zekerder aanzien dan hij is. Bayesiaanse modellen maken die onzekerheid onderdeel van de uitkomst zelf, wat vooral belangrijk is bij beslissingen met grote gevolgen: hoeveel IC-bedden moet een ziekenhuis vrijhouden, welk medicijn krijgt voorrang in een trial, hoe groot is de kans dat een verkiezingsuitslag omslaat?
Een tweede doel is het combineren van verschillende kennisbronnen. Bayesiaanse modellen kunnen expertkennis, historische data en nieuwe metingen tegelijk verwerken, iets wat bij puur datagedreven methoden lastiger is, zeker als er weinig data beschikbaar is.
Tot slot maakt de aanpak het mogelijk om modellen continu bij te werken zodra nieuwe informatie binnenkomt, zonder alles opnieuw vanaf nul te hoeven berekenen. Dat maakt Bayesiaanse modellen aantrekkelijk voor situaties die voortdurend veranderen, zoals een uitbraak van een infectieziekte of een lopende verkiezingscampagne.
Voorbeelden uit de praktijk
Tijdens de coronapandemie (2020-2021) gebruikten instituten als het RIVM in Nederland en de onderzoeksgroep van Neil Ferguson aan Imperial College London Bayesiaanse en verwante statistische methoden om het reproductiegetal te schatten op basis van ziekenhuisopnames, rioolwatermetingen en testcijfers. De onzekerheidsmarges die destijds in persconferenties werden getoond, kwamen rechtstreeks uit dit soort modellen.
Bij de eerste directe detectie van zwaartekrachtgolven door het LIGO-observatorium in 2015 gebruikten natuurkundigen Bayesiaanse inferentie om uit het gemeten signaal de eigenschappen van de botsende zwarte gaten af te leiden, zoals hun massa, afstand en draaisnelheid. Deze methode is sindsdien standaard bij elke nieuwe waarneming van LIGO en het Europese Virgo-observatorium.
In de geneeskunde is I-SPY2 een bekend voorbeeld: een lopend klinisch onderzoek naar borstkankerbehandelingen, gestart rond 2010, dat een adaptief Bayesiaans ontwerp gebruikt. Tussentijdse resultaten worden benut om patiënten sneller naar de meest veelbelovende behandeling toe te leiden en minder effectieve armen van het onderzoek eerder te stoppen.
Ook in de verkiezingsanalyse is de aanpak bekend: de Amerikaanse statisticus Nate Silver en zijn team bij FiveThirtyEight combineren peilingen met historische patronen in modellen die sterk leunen op Bayesiaans redeneren, om niet alleen een verwachte uitslag te geven maar ook een kansverdeling van mogelijke scenario's.
Daarnaast wordt de techniek breed toegepast in zelfrijdende voertuigen en robotica, waar sensordata (camera's, radar, lidar) voortdurend Bayesiaans wordt gecombineerd om een betrouwbare inschatting te maken van de positie van het voertuig en objecten in de omgeving — een toepassing die bekendstaat als Bayesiaanse filtering.
Hoe ver is de techniek?
Bayesiaanse statistiek zelf is geen nieuwe uitvinding; de wiskundige basis dateert uit de achttiende eeuw. Wat de afgelopen twee decennia is veranderd, is de rekenkracht en software die het mogelijk maken om Bayesiaanse modellen ook op grote, complexe datasets toe te passen. Waar dit soort berekeningen twintig jaar geleden dagen kon duren op een gewone computer, is dat nu vaak een kwestie van minuten tot uren.
Een belangrijke mijlpaal was de opkomst van gebruiksvriendelijke software zoals Stan (rond 2012) en later PyMC, waarmee onderzoekers zonder diepgaande wiskundige achtergrond toch Bayesiaanse modellen kunnen bouwen. Dit heeft het vakgebied toegankelijker gemaakt voor epidemiologen, ecologen, psychologen en data scientists buiten de klassieke statistiek.
Toch blijven er obstakels. Bayesiaanse modellen zijn rekenintensief en kunnen bij zeer grote of complexe modellen traag blijven, ook met moderne hardware. Daarnaast is de keuze van de prior een terugkerend discussiepunt: een slecht gekozen prior kan de uitkomst ongewenst sturen, en critici wijzen erop dat de 'objectiviteit' van een model daardoor gedeeltelijk schijn kan zijn. Voorstanders antwoorden dat elke statistische methode aannames bevat, en dat Bayesiaanse modellen die aannames tenminste expliciet maken in plaats van ze te verstoppen.
Er is geen 'doorbraakmoment' te verwachten zoals bij sommige AI-technieken; het is eerder een geleidelijke, gestage groei in toepassing, mede gedreven door goedkopere rekenkracht en betere software.
Wie werken eraan?
Veel fundamenteel werk komt uit universitaire onderzoeksgroepen. Columbia University in de Verenigde Staten, met statisticus Andrew Gelman als bekend gezicht, speelde een centrale rol bij de ontwikkeling van Stan. De MRC Biostatistics Unit van de Universiteit van Cambridge en Imperial College London in het Verenigd Koninkrijk zijn toonaangevend in Bayesiaanse epidemiologie.
In Nederland doen onder meer het RIVM, het Centraal Bureau voor de Statistiek (CBS) en universitaire onderzoeksgroepen aan de Universiteit van Amsterdam, Universiteit Utrecht en Radboud Universiteit onderzoek met en naar Bayesiaanse methoden, zowel in de epidemiologie als in de psychologie en sociale wetenschappen.
Op softwaregebied zijn open-sourcegemeenschappen belangrijk: het Stan-ontwikkelteam en het PyMC-team (met het bedrijf PyMC Labs als drijvende kracht achter verdere ontwikkeling) onderhouden de meest gebruikte gereedschappen. Techbedrijven zoals Google DeepMind en Microsoft Research investeren in probabilistisch programmeren als onderdeel van breder onderzoek naar kunstmatige intelligentie die met onzekerheid kan omgaan. De International Society for Bayesian Analysis (ISBA) verbindt onderzoekers wereldwijd via conferenties en het tijdschrift Bayesian Analysis.