Detailseite
Projekt
Sublineare Methoden mit statistischen Garantien
Antragsteller
Professor Dr. Holger Dette; Professor Dr. Axel Munk
Fachliche Zuordnung
Mathematik
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 460867398
In diesem Projekt entwickeln wir statistische Methoden, die auf Subsampling- und Resampling-Strategien basieren, und untersuchen deren statistische Effizienz. Unser gemeinsamer Gedanke und grundlegender Ansatz ist es, systematisch die Tatsache auszunutzen, dass Beobachtungen in einer gegebenen Stichprobe typischerweise unterschiedlich viel Information enthalten, und die „informativsten Datenpunkte“ zu identifizieren. Aus dieser Perspektive heraus werden wir das klassische lineare Modell sowie verschiedene Erweiterungen wie hochdimensionale und verallgemeinerte lineare Modelle oder monotone, Quantil-, logistische und Change Point-Regression neu betrachten. In solchen Modellen untersuchen wir die Inferenz für die unbekannten Parameter nach dem Subsampling aus großen Datenmengen. In unseren Untersuchungen werden sequenzielle (d.h. datenadaptive) Techniken eine zentrale Rolle spielen. So werden sie beispielsweise in der Change-Point-Regression eingesetzt, um die nächste Suchposition dynamisch anhand der bisherigen zu bestimmen, während sie in verallgemeinerten linearen Modellen als effiziente Vorabschätzungen der Stichprobengewichte für optimales Subsampling dienen.
DFG-Verfahren
Forschungsgruppen
