Studium
Unsere Lehre umfasst Methoden der Statistik im Bachelor-, Master- und Graduiertenbereich. Im Fokus steht die enge Verzahnung statistisch-methodischer Kenntnisse mit Fähigkeiten zu deren computergestützten Anwendung und Interpretation.
Forschung
Unser Forschungsschwerpunkt ist die Entwicklung und Anwendung flexibler Regressionsverfahren. Wir betreiben Grundlagenforschung und angewandte Statistik und bearbeiten interdisziplinäre Praxisprojekte mit Partnern aus Wissenschaft, Wirtschaft und Gesellschaft.
Aktuelles
Anmeldezeitraum 27.10.-10.11.2022
Einsichtnahme 14.11.-17.11.2022, so funktioniert´s:
- Stud.IP aufrufen & einloggen
- Veranstaltung Nr. 35444 im WiSe2022/23 aufrufen
- Termin auswählen
- Matrikel-Nr. angeben
- zur Einsicht gewünschte Prüfung(en) angeben
Zur Planung und Orientierung veröffentlichen der Lehrstuhl für Statistik und Data Analytics und die Lehreinheit für Computergestützte Statistik und Mathematik eine gemeinsame Übersicht über die geplanten Lehrveranstaltungen im Zeitraum Wintersemester 2022/23 bis Sommersemester 2024.
Der Lehrstuhl für Statistik und Data Analytics vergibt im Bereich "statistical market research/decision support" unter Verwendung von Daten aus dem EFRE-geförderten Projekt DIGIONAL Abschlussarbeiten (Bachelor-/Master) zum Thema Revenue Forecasting. Für Details zu Inhalt und Ablauf wenden Sie sich bitte an Prof. Haupt.
Aktuelle Themen für Master-, Bachelor- und Zulassungsarbeiten:
- Time series forecasts (and their averages) over multiple horizons and information sets (prerequisite is a bachelor level knowledge of time series analysis/stochastic processes)
- Forecast evaluation (prerequisite is a bachelor level knowledge of time series analysis/stochastic processes)
- Deal curve models in marketing research (prerequisite is a basic knowledge in regression analysis and marketing research)
- Air quality monitoring and prediction (prerequisite is a bachelor level knowledge of time series analysis/stochastic processes)
- Quantile regression and utility (prerequisite is a basic knowledge in regression analysis and expected utility)
- Regression smoothing (prerequisite is a basic knowledge in regression analysis)
- Ridge functions in statistics (prerequisite is a basic knowledge of analysis and mathematical statistics)
- Central limit theory for M-estimators (prerequisite is a basic knowledge of probability theory and mathematical statistics)
Arbeiten können einen angewandten, softwaregestützten oder theoretischen Fokus haben. Auch die Vergabe zusammenhängender Themen ist möglich. Arbeiten können nach eigener Wahl in Deutsch oder Englisch angefertigt werden. Für weitere Informationen und Fragen bitte an Prof. Haupt wenden.
Aktuelle Forschungsmeldungen
Wir freuen uns mit Frau Dr. Svenia Elena Behm über die Auszeichnung Ihrer herausragenden Dissertationsschrift mit dem Titel:
Four essays on statistical modelling of environmental data
Im Rahmen des Dies Academicus am Freitag, den 11.11.2022 wurde Frau Dr. Behm mit dem Wissenschaftspreis der Universität Passau, gestiftet von der SPARDA-BANK OSTBAYERN EG ausgezeichnet.
Wir gratulieren sehr herzlich!
Im Rahmen unseres Brown Bag Seminars freuen wir uns Prof. Dr. Daniel J. Henderson anzukündigen:
Donnerstag, 15.12.2022, 12.30 Uhr, WIWI R 301
Ausgewählte Publikationen (2018-2022):
Wild M., Behm S., Beck C., Cyris J., Schneider A., Wolf K., and H. Haupt [2022]
Mapping the time-varying spatial heterogeneity of temperature processes over the urban landscape.
Urban Climate, 101160.
Haupt H. and M. Fritsch [2022]
Quantile Trend Regression and Its Application to Central England Temperature.
Mathematics 2022, 10 (3), 413
Fritsch M. and S. Behm [2021]
Data for modeling nitrogen dioxide concentration levels across Germany.
Data in Brief, 38, 107324
Kleinke K., Fritsch M., Stemmler M., Reinecke J., and F. Lösel [2021]
Quantile Regression-Based Multiple Imputation of Missing Values - An Evaluation and Application to Corporal Punishment Data.
Methodology, 17 (3), 205-230
Fritsch M. and S. Behm [2021]
Agglomeration and infrastructure effects in land use regression models for air pollution - Specification, estimation, and interpretations.
Atmospheric Environment, 253, 118337
Fritsch M., Pua A. A. Y. and J. Schnurbus [2021]
pdynmc: A Package for Estimating Linear Dynamic Panel Data Models Based on Nonlinear Moment Conditions.
The R Journal, 13 (1), 218-231
Behm S. and H. Haupt [2020]
Predictability of hourly nitrogen dioxide concentrations,
Ecological Modelling, 428, 109076
Fritsch M., Pua A. A. Y. and J. Schnurbus [2020]
pdynmc: Moment Condition Based Estimation of Linear Dynamic Panel Data Models.
CRAN: https://cran.r-project.org/web/packages/pdynmc/ ; alternatively, see: https://github.com/markusfritsch/pdynmc
Fritsch M., Haupt H., Lösel F. and M. Stemmler [2019]
Regression trees and random forests as alternatives to classical Regression modeling: Investigating the risk factors for corporal punishment.
Psychological Test and Assessment Modelling 61 (4), 389-417
Behm S., Haupt H. and A. Schmid [2018]
Spatial detrending revisited: Modelling local trend patterns in NO2-concentration in Belgium and Germany.
Spatial Statistics 28, 331-351
Haupt H., Schnurbus J. and W. Semmler [2018]
Estimation of grouped, time-varying convergence in economic growth.
Econometrics and Statistics 8, 141-158
Scholz M., Schnurbus J., Haupt H., Dorner V., Landherr A. and F. Probst [2018]
Dynamic Effects of User- and Marketer-Generated Content on Consumer Purchase Behavior: Modeling the Hierarchical Structure of Social Media Websites.
Decision Support Systems 113, 43-55
Diese Seite teilen
