From data to stochastic models (Q1976343)

Für jede empirische Wissenschaft ist es ein grundlegendes Problem aus den Messdaten eines betrachteten Systems die ``wahre'' Struktur zu ermitteln und daraus ein mathematisches Modell zu entwickeln, das das beobachtete System möglichst gut abbildet. Auch bei der Wahl eines stochastischen Modells treten zwei grundlegende Ansätze auf zum einen der strukturelle Ansatz, in dem die innere Struktur des Modells interessiert und zum anderen der entscheidungstheoretische Ansatz, der eine optimale Vorhersage aus der Modellbildung erzielen soll. Bei dem strukturellen Ansatz geht man in der Regel von einem allgemeinen Basis-Modell aus, das man mit Methoden des statistischen Tests untersucht. Ein reales Datenbeispiel wird hierfür am Beispiel des Wasserstandes des Rio Negro in Manaus analysiert. Bei dem entscheidungstheoretischen Ansatz geht es um die Güte eines geschätzten Modells in Bezug auf eine zu definierende Verlustfunktion mit dem Ziel, eine Prognose-Güte zu maximieren. Dies wird am Beispiel der Helligkeit des ``White Dwarf''-Sternes untersucht. In diesem Beispiel wird der Unterschied zwischen wahrer und optimaler Modellstruktur verdeutlicht. In einem weiteren Abschnitt wird das ``Akaike-Information Criterion'' als universell anzuwendende Methode zur entscheidungstheoretischen Modellwahl vorgestellt und auf die Sternhelligkeit angewandt. Weitere Untersuchungen werden an dem eindimensionalen DNA-Datensatz der Drosophila und an täglichen Returns von BMW-Aktien durchgeführt. In vielen Modell-Klassen kann man aus rechentechnischen Gründen keine globale Modell-Struktur Suche durchführen. Der ``Context-Algorithmus'' hilft jedoch hier als ein vernünftiges Verfahren zur lokalen Suche.