Arbeitsgruppe "Modellwahl und Goodness-of-Fit"
Leitung: Prof. Dr. Nicolai BissantzMitglieder:
- Patrick Bastian
- Dr. Gauthier Dierickx
- Dr. Tim Kutta
Beschreibung:
Bei realen Datensätzen ist in der Regel nicht klar, auf welchem Wege die Daten generiert wurden. Der Statistiker steht jedoch vor der Aufgabe, ein Modell an die Daten anzupassen, welches die Hauptcharakteristika bestmöglich widerspiegelt und möglichst exakte Vorhersagen ermöglicht. Ein Modellwahlverfahren unterstützt den Statistiker vor der eigentlichen Datenanalyse bei der Entscheidung für ein möglichst gut passendes Modell. Ein typisches Problem welches durch die Modellwahl gelöst wird ist die Identifizierung relevanter Kovariablen in einem Regressionsmodell. Z.B. ist es von Interersse, bei einer bestimmten biologischen Eigenschaft herauszufinden, welche Gene Einfluss auf die Phänotypsausprägung haben. Mittels Modellwahlverfahren lassen sich die relevanten Gene ermitteln und anschließend der Zusammenhang zwischen diesen Genen und der Phänotypsausprägung beschreiben.
Durch Goodness-of-fit-Tests lassen sich unterschiedliche statistische Verfahren bezüglich der Güte ihrer Anpassung an die Daten vergleichen. Sind z.B. relevante Gene identifiziert, lässt sich eine lineare und eine nicht-parametrische Kurve zur Vorhersage einer Phänotypsausprägung bei einem gegebenen genetischen Profil anpassen. Welches Verfahren Vorteile birgt, kann durch einen Test auf parametrische Form ermittelt werden.
In der Arbeitsgruppe "Modellwahl und Goodness-of-fit" werden sowohl eher klassische Modellwahlverfahren entwickelt und ihre Eigenschaften untersucht, als auch modernere Methoden, wie bestrafte parametrische Regression. Es werden zudem neue Tests zum Vergleich von Regressionskurven entwickelt.