#65: Sicher ist nur die Unsicherheit: Unsicherheitsintervalle erklärt

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