Description

Punktprognosen sind was für Leute, die gerne enttäuscht werden ;) Wir befassen uns in dieser Episode mit der Quantifizierung und Kommunikation von Unsicherheit bei Prognosen. Dabei gehen Mira und Amit auf klassische Statistik, Bayes-Methoden, Machine Learning, Bootstrapping und Conformal Predictions ein. Außerdem gehen sie auf Herausforderungen der Data Literacy und bei rechenintensiven Ansätzen zur Bestimmung der Unsicherheit ein.

Zusammenfassung

• Warum Unsicherheiten unverzichtbar sind (Beispiel Wetter-, Wahl-, Bewerberprognosen)
• Klassische Statistik: Konfidenzintervall vs. Prediction Intervall
• Bayesianische Sicht: Glaubwürdigkeitsintervalle
• ML-Methoden ohne Verteilungsannahmen: Bootstrapping & Conformal Predictions
• Rechenaufwand vs. Modellannahmen
• Data Literacy als Schlüssel zum richtigen Interpretieren von Prognoseintervallen
• Praxisnahe Beispiele und Entscheidungshilfen

Links

• #10: Signifikanz https://www.podbean.com/ew/pb-y25ti-12fab65
• #44: Lineare Regression in der Praxis – Oldie oder Goldie? https://www.podbean.com/ew/pb-jiecf-15d0ac1
• #56: Unsere Bundestagswahl-Prognose: Wer gewinnt die Wahl 2025? https://www.podbean.com/ew/pb-hwgnd-16e446e
• Wer gewinnt die Bundestagswahl 2025? www.wer-gewinnt-die-wahl.de
• Molnar (2023): Introduction To Conformal Prediction With Python. A Short Guide For Quantifying Uncertainty Of Machine Learning Models.
• Sammlung von Ressourcen zu Conformal Predictions https://github.com/valeman/awesome-conformal-prediction/
• Feedback, Fragen oder Themenwünsche gern an podcast@inwt-statistics.de