Statistisches Beratungslabor
print

Sprachumschaltung

Navigationspfad


Inhaltsbereich

 Das Statistische Beratungslabor (StaBLab)

 Das StaBLab und das Statistikinstitut sind aktiv an der Datenanalyse von Covid-19 Daten beteiligt

Das Statistische Beratungslabor (StaBLab) besteht seit 1997 und ist ein Teil des Instituts für Statistik der Ludwig-Maximilians-Universität München. Unser Ziel ist die wissenschaftliche Beratung von Anwendern der Statistik.

Ein besonderer Schwerpunkt der Arbeit liegt in der Beratung von Studierenden der LMU bei statistischen Fragestellungen, insbesondere bei Abschlussarbeiten. Hierbei ist uns das interdisziplinäre Arbeiten auf der Ebene der Studierenden ein besonderes Anliegen.

Weiter bieten wir statistische Unterstützung für andere Universitäten und externe Forschungseinrichtungen an. Hierbei verfügen wir über langjährige Erfahrungen mit unterschiedlichen Einrichtungen, wie z.B dem Helmholtz Zentrum München und verschiedenen Forstwirtschaftlichen Fakultäten außerhalb der LMU.

Für Unternehmen bieten wir Unterstützung im Bereich der Datenanalyse ("Business Analytics", "Big Data Analytics"). Die Unterstützung reicht von einfachen Kurzberatungen bis zu langjährigen Forschungskooperationen. Inhalte sind z.B. Personalplanung, effizientes Marketing, empirische Bewertung von Unternehmensstrategien.


Aktuelles:


05. Mai 2022

news_apctools


Im Rahmen unseres TourIST-Forschungsprojektes wurde eine neue Publikation veröffentlicht:
Das APCtools R-Paket (Code siehe GitHub) enthält verschiedene Routinen, um Alters-Perioden-Kohorten (APC) Analyse sowohl deskriptiv als auch basierend auf Generalisierten Additiven Modellen durchzuführen.

Link zur Publikation: https://joss.theoj.org/papers/10.21105/joss.04056



09. September 2021

Publikation zur Kommunikation und Visualisierung von Wahlumfragen

 KOALA

In unserer neuesten Publikation im Rahmen unseres KOALA (Koalitionsanalyse) Projektes zeigen wir auf warum die Ergebnisse von Wahlumfragen medial oft nur unzureichend dargestellt und kommuniziert werden. Wir diskutieren die Problematik und zeigen mögliche Alternativen als konkrete Lösungsvorschläge auf.

Link zur Publikation: https://www.doi.org/10.1017/S1049096521000950.


28. Januar 2021

Publikation zur Analyse zeitlicher Entwicklungen der touristischen Nachfrage

Eine in Tourism Economics veröffentlichte Publikation, die im Rahmen des Forschungsprojektes TourIST in enger Zusammenarbeit mit dem Lehrstuhl für Wirtschaftsgeographie der LMU München verfasst wurde, gibt einen Einblick in die flexible Anwendung von spline-basierten statistischen APC-Modellen. Die Modelle dienen der Differenzierung, zu welchem Maße Änderungen in einem touristischen Indikator - beispielsweise wie weit in Deutschland lebende Personen verreisen - auf das Alter der Person (Age - A), allgemeine zeitliche Entwicklungen wie die fortschreitende Technologiesierung (Period - P) oder auf die sich ändernde Sozialisierung verschiedener Generationen (Cohort - C) zurückführen sind. Neben einer Diskussion der Anwendung und Aussagekraft von APC-Modellen geben innovative Visualisierungen einen fundierten Einblick in die komplexen Zusammenhangsstrukturen.

Die Publikation ist hier verfügbar: https://doi.org/10.1177/1354816620987198.


01. Dezember 2020

Publikation zum Nowcasting der COVID-19 Fallzahlen in Bayern

Eine neue Publikation im Biometrical Journal beschreibt das Nowcasting Verfahren, welches zur täglichen Analyse der Bayerischen COVID-19 Meldedaten verwendet wird. Das Verfahren wurde am StaBLab in enger Zusammenarbeit mit Prof. Höhle vom Mathematischen Institut der Universität Stockholm und dem Bayerisches Landesamt für Gesundheit und Lebensmittelsicherheit (LGL) entwickelt und Ergebnisse werden täglich online veröffentlicht (https://corona.stat.uni-muenchen.de/nowcast/). Basierend auf den täglich aktualisierten Meldezahlen wird die epidemische Kurve der Anzahl an Krankheitsbeginnen pro Tag geschätzt. Diese Schätzung ermöglicht eine bessere Einschätzung der aktuellen Lage der Pandemie in Bayern als der Blick auf die täglichen Meldezahlen und kann als Basis für weitergehende Analysen verwendet werden.

Die Publikation ist hier verfügbar (https://onlinelibrary.wiley.com/doi/full/10.1002/bimj.202000112, Open Access)

 

 

Frühere Meldungen