Hochdimensionales statistisches Lernen: Neue Methoden für Wirtschafts- und Nachhaltigkeit

In den letzten Jahren hat die Verfügbarkeit von großen Datenmengen rasant zugenommen. Diese sind oftmals zu groß, komplex, schnelllebig und zu schwach strukturiert um sie mit herkömmlichen Methoden der Datenverarbeitung auszuwerten. Auch jene Methoden, die eingesetzt werden um politsche Entscheidungsträger beispielsweise in der Wirtschafts- und Nachhaltigkeitspolitik zu beraten, sind oft auf kleinere Datensätze ausgerichtet. Das bedeutet, dass wichtige Dynamiken in statistischen Modellen und damit Auswirkungen von Politikmaßnahmen und -szenarien leicht übersehen werden können. Somit besteht der unbedingte Bedarf, bestehende Analyseverfahren zu verbessern um auch große Datenmengen wirkungsvoll als Grundlage für komplexe, politische Entscheidungsprozesse einzusetzen. Vorrangiges Ziel dieses Projekts ist die Entwicklung und Anwendung von innovativen und zukunftsweisenden Methoden zur Analyse von großen Datenmengen. Dafür wird untersucht, wie die bislang weitgehend unverbundenen Forschungsfelder Bayesianischen Ökonometrie, Statistical Model Checking und Machine Learning effektiv kombiniert und integriert werden können. Dabei wird besonderes Augenmerk auf die korrekte Quantifizierung der mit der Analyse verbundenen Unsicherheit gelegt; ein Aspekt, der in traditionellen Zugängen von Machine Learning oftmals unbeachtet bleibt. Diese konzentrieren sich nämlich weitgehend (und oftmals ausschließlich) auf die Generierung von Punktschätzungen von Kerngrößen, die in dem jeweiligen Kontext von Interesse sind. Im Gegenzug dazu werden in der Bayesianischen Ökonometrie typischerweise Algorithmen entworfen, die Rückschlüsse auf die gesamte Verteilung der geschätzten Kerngrößen zulassen. Dadurch werden auch probabilistische Vorhersagen möglich. Das Projekt liefert zwei wesentliche Beiträge. Aus methodischer Perspektive werden modernste statistische Methoden sowie Algorithmen entwickelt und implemementiert. Darüber hinaus werden aktuelle Fragen im Kontext von Wirtschafts- und Nachhaltigkeitspolitik in vier empirischen Fallstudien untersucht, etwa: Wie hängt konjunkturelle Unsicherheit mit Einkommensungleichheit zusammen? Welche Zusammenhänge bestehen zwischen Klimaemissionen und Wirtschaftswachstum? Welche Rolle spielen Tweets für die Preisentwicklung von Kryptowährungen? Welche stadtpolitischen Maßnahmen sind wirkungsvoll, um urbane Mobilität nachhaltiger zu machen? Durch diese Anwendungsfälle soll aufgezeigt werden, wie Data Science für gesellschaftspolitisch relevante Thematiken sinnvoll eingesetzt werden kann.

In den letzten Jahren hat die Verfügbarkeit von Daten rasant zugenommen. Diese sind oftmals zu groß, komplex, schnelllebig und zu schwach strukturiert, um sie mit herkömmlichen Methoden der Datenverarbeitung auszuwerten. Auch jene Methoden, die eingesetzt werden, um politische Entscheidungsträger - beispielsweise in der Wirtschafts- und Nachhaltigkeitspolitik - zu beraten, sind oft auf kleinere Datensätze ausgerichtet. Das bedeutet, dass wichtige Dynamiken in statistischen Modellen und damit Auswirkungen von Politikmaßnahmen und -szenarien leicht übersehen werden können. Somit besteht der unbedingte Bedarf, bestehende Analyseverfahren zu verbessern, um auch große Datenmengen wirkungsvoll als Grundlage für komplexe, politische Entscheidungsprozesse einzusetzen. Vorrangiges Ziel dieses Projekts ist die Entwicklung und Anwendung von innovativen und zukunftsweisenden Methoden zur Analyse von großen Datenmengen. Dafür wird untersucht, wie die bislang weitgehend unverbundenen Forschungsfelder Bayesianischen Ökonometrie, Statistical Model Checking und Machine Learning effektiv kombiniert und integriert werden können. Dabei wird besonderes Augenmerk auf die korrekte Quantifizierung der mit der Analyse verbundenen Unsicherheit gelegt; ein Aspekt, der in traditionellen Zugängen von Machine Learning oftmals unbeachtet bleibt. Diese konzentrieren sich nämlich weitgehend (und oftmals ausschließlich) auf die Generierung von Punktschätzungen von Kerngrößen, die in dem jeweiligen Kontext von Interesse sind. Im Gegenzug dazu werden in der Bayesianischen Ökonometrie typischerweise Algorithmen entworfen, die Rückschlüsse auf die gesamte Verteilung der geschätzten Kerngrößen zulassen. Dadurch werden auch probabilistische Vorhersagen möglich. Das Projekt liefert zwei wesentliche Beiträge. Aus methodischer Perspektive werden modernste statistische Methoden sowie Algorithmen entwickelt und implementiert. Darüber hinaus werden aktuelle Fragen im Kontext von Wirtschafts- und Nachhaltigkeitspolitik in vier empirischen Fallstudien untersucht, etwa: Wie hängt konjunkturelle Unsicherheit mit Einkommensungleichheit zusammen? Welche Zusammenhänge bestehen zwischen Klimaemissionen und Wirtschaftswachstum? Welche Rolle spielen Tweets für die Preisentwicklung von Kryptowährungen? Welche stadtpolitischen Maßnahmen sind wirkungsvoll, um urbane Mobilität nachhaltiger zu machen? Durch diese Anwendungsfälle wird aufgezeigt, wie Data Science für gesellschaftspolitisch relevante Thematiken sinnvoll eingesetzt werden kann.