Strukturiert Additive Verteilungsregression

• Antragsteller: Professor Dr. Thomas Kneib
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung von 2010 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 166547046

• Erstellungsjahr: 2017

Zusammenfassung der Projektergebnisse

Modelle der Verteilunsgregression erlauben die statistische Analyse von Regressionsbeziehungen, die sich nicht nur auf den bedingten Erwartungswert der Zielgröße, sondern allgemeinere Eigenschaften der Zielgrößenverteilung beziehen. Mit diesem Projekt wurden neuartige Modelle und Methoden entwickelt, mit deren Hilfe der Werkzeugkasten der Verteilungsregression entscheidend erweitert werden konnte. Insbesondere wurde ein neuartiger Vorschlag zur Modusregression gemacht, Erweiterungen zu Expektil- und Quantilregression vorgeschlagen und ein Bayesianischer Ansatz für generalisierte additive Modelle für Lokation, Skale und Form etabliert. Die entwickelten Methoden wurden zudem erfolgreich in die wissenschaftliche Praxis transferiert, wie durch zahlreiche in Kooperation entstandene Veröffentlichungen dokumentiert ist.

Projektbezogene Publikationen (Auswahl)

• (2015): Bayesian generalized additive models for location, scale and shape for zero-inflated and overdispersed count data. Journal of the American Statistical Association, 110, 405–419
  Klein, N., Kneib, T. & Lang, S.
  (Siehe online unter https://doi.org/10.1080/01621459.2014.912955)
• (2015): Bayesian structured additive distributional regression for multivariate responses. Journal of the Royal Statistical Society Series C (Applied Statistics), 64, 569–591
  Klein, N., Kneib, T., Klasen, S. & Lang, S.
  (Siehe online unter https://doi.org/10.1111/rssc.12090)
• (2015): Bayesian structured additive distributional regression with an application to regional income inequality in Germany. Annals of Applied Statistics, 9, 1024–1052
  Klein, N., Kneib, T., Lang, S. & Sohn, A.
  (Siehe online unter https://doi.org/10.1214/15-AOAS823)
• (2016): Modelling hospital admission and length of stay by means of generalised count data models. Journal of Applied Econometrics, 6, 1159–1182
  Herwartz, H., Klein, N. & Strumann, C.
  (Siehe online unter https://doi.org/10.1002/jae.2454)
• (2016): Scale-Dependent Priors for Variance Parameters in Structured Additive Distributional Regression. Bayesian Analysis, 11, 1071–1106
  Klein, N. & Kneib, T.
  (Siehe online unter https://doi.org/10.1214/15-BA983)
• (2016): Simultaneous inference in structured additive conditional copula regression models: A unifying Bayesian approach. Statistics and Computing, 26, 841–860
  Klein, N. & Kneib, T.
  (Siehe online unter https://doi.org/10.1007/s11222-015-9573-6)
• (2017): Model Selection in Semiparametric Expectile Regression. Electronic Journal of Statistics, 11, 3008–3018
  Spiegel, E., Sobotka, F. & Kneib, T.
  (Siehe online unter https://doi.org/10.1214/17-EJS1307)