Statistische Modellbildung - Paradigmen und Kriterien

Unter Staubscher Modellbildung versteht man die Methodik der Construktion von Verteilungmodellen aus Daten und aus zusätzlichen Informationen über den datenerzeugenden Mechanismus.这是一种预测、分类和对未发现的现象进行分类的方法，因此，所有这些都是对数据进行分解的结果。Staubische Modellbildung gewinnt in den Lebens-，Ingenieur-and Wirtschaftswissenschaften immer größere Bedeutung，nicht zuletzt weil neue Technologien immer leichter erlauben，Daten zu hochkomplexen Phänomenen in greßer Menge zu erzeugen or zu sammeln.因此，这类学校往往是一个复杂的学校，也是一个适应现代教育发展的学校。在统计学、统计学、数值学、知识经济学和社会科学中，都有一种独特的模式教育的”范式“。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 Datenanalysis und Inferenz.这是一个非常有趣的项目，它非常适合你。a. Likewise-，Bayes-，Minimum Description Length-Ansätze sowie Machine Learning grundsätzlich zu untersuchen，kritisch zu diskutieren und theoretisch wie empirisch zu vergleichen.在一个新的特殊研究领域的计划中，一个新的研究领域的任务是在经济与技术领域的国家动态过程中完成。

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.