Statistische Modellbildung - Paradigmen und Kriterien

点击翻译按钮获取中文摘要

Unter Statistischer Modellbildung versteht man die Methodik der Konstruktion von Verteilungsmodellen aus Daten und aus zusätzlichen Informationen über den datenerzeugenden Mechanismus. Ziele einer solchen Modellbildung sind Prognose, Klassifikation, die Gewinnung wichtiger Kenngrößen des untersuchten Phänomens, sowie allgemein die Erklärung sachwissenschaftlicher Zusammenhänge in der Disziplin aus der die Daten stammen. Statistische Modellbildung gewinnt in den Lebens-, Ingenieur- und Wirtschaftswissenschaften immer größere Bedeutung, nicht zuletzt weil neue Technologien immer leichter erlauben, Daten zu hochkomplexen Phänomenen in großer Menge zu erzeugen oder zu sammeln. Hieraus ergibt sich ein wachsender Bedarf an oft ebenfalls komplexen Modellen und auch die Forderung nach geeigneten, adaptiven Modellbildungsprozessen. In der Stochastik, Statistik, Numerik, dem wissenschaftlichen Rechnen und in den Sachdisziplinen, selbst haben sich unterschiedliche „Paradigmen" der Modellbildung entwickelt. Damit sind Ansätze, Grundlagen und auch Methodologien gemeint für die Findung, Validierung und Interpretation von klärenden, formalen Modellen für vorliegende Daten zu den oben genannten Zwecken der Datenanalyse und Inferenz. Das beantragte Projekt verfolgt das Ziel, diese unterschiedlichen Ansätze u. a. Likelihood- , Bayes-, Minimum Description Length-Ansätze sowie Machine Learning grundsätzlich zu untersuchen, kritisch zu diskutieren und theoretisch wie empirisch zu vergleichen. Die in der sechsmonatigen Projektlaufzeit des beantragten Forschungssemesters erlangten ersten Ergebnisse sollen insbesondere in die Planung eines neuen Sonderforschungsbereiches mit dem Titel „Statistik dynamischer Prozesse in Wirtschaft und Technik" einfließen.