Gegenstand dieser Dissertation war die Frage, wie Menschenaffen physische Beziehungen zwischen Objekten verstehen. In der ersten Studie (STUDIE I) wurden drei Menschenaffenarten und Kinder mit einem Problem konfrontiert, dessen Lösung die Verwendung eines flüssigen Werkzeugs (Wasser) erforderte. Schimpansen und Kinder entdeckten einsichtsvoll eine Lösung, um an eine Belohnung (Erdnuss) zu gelangen, die sich außerhalb ihrer Reichweite befand. Verschiedene Kontrollbedingungen untermauerten die Zielgerichtetheit des Verhaltens der erfolgreichen Schimpansen. Die getesteten Gorillas und die Orang-Utans konnten die Aufgabe nicht lösen. Zwei weitere Studien widmeten sich der Frage, ob Schimpansen Gewicht als kausal relevantes Unterscheidungsmerkmal nutzen können. In STUDIE II war es Aufgabe der Schimpansen aus insgesamt fünf in Form und Größe identischen Flaschen diejenige zu finden, die als einzige Fruchtsaft enthielt, wobei diese sich entweder durch ihr Gewicht (kausales Merkmal) oder durch ihre Farbmarkierung (arbiträres Merkmal) von den anderen Flaschen unterschied. Es zeigte sich, dass die Testtiere schnell lernten, den kausal relevanten Hinweisreiz zu nutzen, dies ihnen jedoch anhand des arbiträren Hinweisreizes nicht gelang. In STUDIE III waren Schimpansen entweder Zeuge einer kausal informativen Ereignisabfolge (hervorgerufen durch die physische Wirkung des Futters) oder einer rein arbiträren (hervorgerufen durch ein Ereignis, dass in keinerlei kausalem Zusammenhang zum Futter stand). Auch hier waren die Tiere nur dann erfolgreich, wenn die Testsituation kausale Rückschlüsse ermöglichte. Zusammenfassend lassen sich die Daten dahingehend interpretieren, dass – ähnlich wie bei Menschen – die kausale Kognition bei Schimpansen nicht nur auf rein perzeptuellen Informationen, sondern zudem auf strukturellen Abstraktionen ihrer physischen Umgebung beruht. / This thesis focused on the topic of primates’ understanding of physical object–object relations. In the first study (STUDY I), three great ape species and human children were confronted with a problem that required the use of a liquid tool in order to access a reward (peanut). Without any training, some chimpanzees and human children found the solution in an insightful way. Several control conditions confirmed the goal directedness of chimpanzees’ behavior. None of the tested gorilla and orangutan subjects were successful. The next two studies addressed chimpanzees’ notion of weight as a causally relevant object property. In STUDY II, chimpanzees were required to detect a bottle containing juice from five opaque bottles of equal shape and size. The bottle of juice differed either by weight (causal property) or by color (arbitrary property) from the other bottles. It turned out that subjects readily inferred the bottle of juice from its causally relevant property but were not able to use the arbitrary cue during the course of the experiment. In STUDY III chimpanzees had to infer the location of a reward (banana) by passively watching an external procedure. Two kinds of event sequences were presented: a causally informative sequence (derived from the physical effect of the reward) and a completely arbitrary sequence (derived from an action unrelated to the reward). Again, chimpanzees performed more correctly when the situation allowed for causal judgments but failed to make useful inferences when the underlying logic was arbitrary. Taking together all of the current data, I suggest that—similar to in humans—chimpanzees’ causal cognition is based not only on perceptual information but also on structural abstraction about their physical environment.

Background: When assessing the association between a factor X and a subsequent outcome Y in observational studies, the question that arises is what are the variables to adjust for to reduce bias due to confounding for causal inference on the effect of X on Y. Disregarding such factors is often a source of overestimation because these variables may affect both X and Y. On the other hand, adjustment for such variables can also be a source of underestimation because such variables may be the causal consequence of X and part of the mechanism that leads from X to Y. Methods: In this paper, we present a simple method to compute control variables in the presence of age at onset data on both X and a set of other variables. Using these age at onset data, control variables are computed that adjust only for conditions that occur prior to X. This strategy can be used in prospective as well as in survival analysis. Our method is motivated by an argument based on the counterfactual model of a causal effect. Results: The procedure is exemplified by examining of the relation between panic attack and the subsequent incidence of MDD. Conclusions: The results reveal that the adjustment for all other variables, irrespective of their temporal relation to X, can yield a false negative result (despite unconsidered confounders and other sources of bias).

Die vorliegende Arbeit stellt die Fortführung eines Projektes dar, in dem kausale Zusammenhänge zwischen Umweltfaktoren und dem Auftreten von Winterneuschälschäden an Fichte durch Rotwild im Harz und im Solling untersucht werden sollten. Ergänzt um die Analyse und detaillierte Darstellung der Datengrundlage der beiden Untersuchungsgebiete bedient sich diese Arbeit zunächst einfacher statistischer Tests zur Quantifizierung der während drei Inventurjahren mittels Klumpenstichprobe ermittelten Schälschäden. Hierbei werden die Werte mit Jagdstrecken- und Forsteinrichtungsdaten sowie Geländeparametern univariat assoziiert und die jeweiligen Chancenverhältnisse der Parameterklassen ausgewiesen. Im Anschluss werden die potentiellen Einflussfaktoren dann mittels binärer logistischer Regressionen sowie durch generalisierte lineare Modelle auf ihren Effektwert als erklärende Variable in multivariaten Modellen hin untersucht. Für die Durchführung dieser Untersuchung werden zu Beginn entsprechende Arbeitshypothesen aufgestellt. Die Berechnung der Chancenverhältnisse zeigt einen starken Zusammenhang zwischen vorangegangener Schäle und dem Auftreten neuer Winterschäle am Stichprobenpunkt. Ebenso lassen sich erhöhte Jagdstreckenergebnisse mit vermehrter Neuschäle assoziieren. Während junge Bestände häufiger Schälschäden aufweisen als ältere Bestände, lassen sich in Bezug auf die untersuchten Geländeausprägungen kaum eindeutige Aussagen treffen. Die Ergebnisse der Regressionsmodelle variieren in ihrem Niveau der Modellanpassung und des Erklärungspotentials und bleiben hinsichtlich ihrer Aussagekraft im Solling gegenüber dem Harz zurück. Je nach Inventurjahr und Gebiet werden unterschiedliche Variablen als Effektparameter ausgewiesenen. Zudem widersprechen sie einander zum Teil in ihrer Effektrichtung. Auch das Vorhandensein von Altschälvorkommen wird nicht in allen Modellen als erklärende Variable hinzugezogen. Die generalisierten linearen Modelle im Harz weisen für die reliefbasierten Parameter wiederkehrende Effekte. Ungeachtet der variierenden Effektstärke bleibt deren Ausprägung über die gesamte Untersuchungsreihe hinweg gleich. So lassen sich mit zunehmender Hangneigung eine Erhöhung und in Abhängigkeit von der Hangrichtung zumindest Unterschiede des Schälrisikos feststellen. Während das Schälrisiko mit zunehmender Exponiertheit des Stichprobenpunktes im Gelände sinkt, weisen Standorte mit einem höheren Strahlungspotential im Januar auch höhere Schälschädigungsraten auf. Die in dieser Arbeit erlangten Ergebnisse korrespondieren zum Teil mit den Erfahrungen anderer Autoren, zeigen jedoch auch Unterschiede zu deren Ergebnissen. Die widersprüchlichen Effektwerte der eigenen Untersuchungen lassen dabei grundsätzliche Zweifel an der Zuverlässigkeit der durch multivariate Modelle ausgewiesenen kausalen Zusammenhänge aufkommen. Neben einem geeigneten Stichprobendesign werden insbesondere auch eine zielgerichtete Parameterauswahl und -erhebung als entscheidende Faktoren für die spätere statistische Analyse hervorgehoben. Als Voraussetzung für die Schaffung eindeutig interpretierbarer Ergebnisse wird nachfolgenden Arbeiten von der Verschneidung ursprünglich nicht für die Untersuchung bestimmter Daten abgeraten und stattdessen eine studienabhängige Erhebung empfohlen.

No description available.

Background: When assessing the association between a factor X and a subsequent outcome Y in observational studies, the question that arises is what are the variables to adjust for to reduce bias due to confounding for causal inference on the effect of X on Y. Disregarding such factors is often a source of overestimation because these variables may affect both X and Y. On the other hand, adjustment for such variables can also be a source of underestimation because such variables may be the causal consequence of X and part of the mechanism that leads from X to Y. Methods: In this paper, we present a simple method to compute control variables in the presence of age at onset data on both X and a set of other variables. Using these age at onset data, control variables are computed that adjust only for conditions that occur prior to X. This strategy can be used in prospective as well as in survival analysis. Our method is motivated by an argument based on the counterfactual model of a causal effect. Results: The procedure is exemplified by examining of the relation between panic attack and the subsequent incidence of MDD. Conclusions: The results reveal that the adjustment for all other variables, irrespective of their temporal relation to X, can yield a false negative result (despite unconsidered confounders and other sources of bias).

Prädiktive Modelle sind hilfreiche Mittel zur quantitativen Entscheidungsunterstützung von modernen Unternehmen. Jedoch gibt es in vielen Fällen statistische Probleme in den genutzten Daten, die eine wirkungsvolle Anwendung prädiktiver Modelle zur Entscheidungsunterstützung verhindern. In dieser Doktorarbeit werden solche häufig auftretenden statistischen Probleme analysiert und statistische Methoden werden vorgestellt, mit denen man diese Probleme überwinden und damit prädiktive Modellierung und Entscheidungsunterstützung wirkungsvoll machen kann. Der erste Teil der Arbeit behandelt das Problem von "Concept Drift" in Google Trends Zeitreihen. Die Doktorarbeit bietet eine empirische Analyse des Problems und einen Ansatz um die Daten zu bereinigen. Für den speziellen Anwendungsfall der Tourismusnachfragevorhersage in Deutschland demonstriert die Arbeit empirisch den Nutzen der Bereinigungsmethode. Der zweite Teil der Arbeit setzt sich mit Experimenten und Modellen zur Schätzung von heterogenen Behandlungseffekten von Individuen auseinander. In solchen Anwendungen stellt Rauschen (Noise) in den Daten eine statistische Herausforderung dar, die zu einer hohen benötigten Fallzahl im Experiment und unerwarteten negativen Folgen bei der anschließenden selektiven Vergabe der Behandlung führen kann. Um diese Probleme zu überwinden entwickelt die Arbeit Methoden um Experimente mit einer kleineren Fallzahl durchzuführen, ohne Einbußen in der Qualität der Ergebnisse zu erleiden. Darüber hinaus analysiert die Arbeit die potenziell negativen Folgen von Noise auf die selektive Behandlungsvergabe und schlägt Ideen vor, wie man diese verhindern kann. / Predictive models are useful methods for quantitative decision support in contemporary business. However, often there are statistical problems in the data sets, hindering effective predictive modeling and decision support. This thesis analyzes such frequently occurring statistical problems and provides statistical approaches to overcome them and thereby enable efficient predictive modeling and decision support. The first part of the thesis focuses on concept drift in Google Trends time series data. The thesis provides an empirical analysis of the problem and an approach to sanitize the data. For the specific use case of tourism demand forecasting in Germany, the thesis demonstrates the usefulness of the statistical approach. The second part of the thesis focuses on experiments and models to estimate heterogeneous treatment effects of individuals. In such applications, noise in the data poses a statistical challenge, leading to high requirements in the sample size for randomized experiments and potentially leading to unexpected negative results in the treatment allocation process. To overcome this problem, the thesis proposes methods to conduct experiments with a limited number of individuals, without impairing the decision support. Moreover, the thesis analyzes the potential adverse effects of noise on the treatment allocation process and provides ideas on how to prevent them.

Erfolgreiche Unternehmen denken intensiv über den eigentlichen Nutzen ihres Unternehmens für Kunden nach. Diese versuchen, ihrer Konkurrenz voraus zu sein, und zwar durch gute Ideen, Innovationen und Kreativität. Dabei wird Erfolg anhand von Metriken gemessen, wie z.B. der Anzahl der loyalen Kunden oder der Anzahl der Käufer. Gegeben, dass der Wettbewerb durch die Globalisierung, Deregulierung und technologische Innovation in den letzten Jahren angewachsen ist, spielen die richtigen Entscheidungen für den Erfolg gerade im operativen Geschäft der sämtlichen Bereiche des Unternehmens eine zentrale Rolle. Vor diesem Hintergrund entstammen die in der vorliegenden Arbeit zur Evaluation der Methoden des maschinellen Lernens untersuchten Entscheidungsprobleme vornehmlich der Entscheidungsunterstützung. Hierzu gehören Klassifikationsprobleme wie die Kreditwürdigkeitsprüfung im Bereich Credit Scoring und die Effizienz der Marketing Campaigns im Bereich Direktmarketing. In diesem Kontext ergaben sich Fragestellungen für die korrelativen Modelle, nämlich die Untersuchung der Eignung der Verfahren des maschinellen Lernens für den Bereich des Credit Scoring, die Kalibrierung der Wahrscheinlichkeiten, welche mithilfe von Verfahren des maschinellen Lernens erzeugt werden sowie die Konzeption und Umsetzung einer Synergie-Heuristik zwischen den Methoden der klassischen Statistik und Verfahren des maschinellen Lernens. Desweiteren wurden kausale Modelle für den Bereich Direktmarketing (sog. Uplift-Effekte) angesprochen. Diese Themen wurden im Rahmen von breit angelegten empirischen Studien bearbeitet. Zusammenfassend ergibt sich, dass der Einsatz der untersuchten Verfahren beim derzeitigen Stand der Forschung zur Lösung praxisrelevanter Entscheidungsprobleme sowie spezifischer Fragestellungen, welche aus den besonderen Anforderungen der betrachteten Anwendungen abgeleitet wurden, einen wesentlichen Beitrag leistet. / Nowadays right decisions, being it strategic or operative, are important for every company, since these contribute directly to an overall success. This success can be measured based on quantitative metrics, for example, by the number of loyal customers or the number of incremental purchases. These decisions are typically made based on the historical data that relates to all functions of the company in general and to customers in particular. Thus, companies seek to analyze this data and apply obtained knowlegde in decision making. Classification problems represent an example of such decisions. Classification problems are best solved, when techniques of classical statistics and these of machine learning are applied, since both of them are able to analyze huge amount of data, to detect dependencies of the data patterns, and to produce probability, which represents the basis for the decision making. I apply these techniques and examine their suitability based on correlative models for decision making in credit scoring and further extend the work by causal predictive models for direct marketing. In detail, I analyze the suitability of techniques of machine learning for credit scoring alongside multiple dimensions, I examine the ability to produce calibrated probabilities and apply techniques to improve the probability estimations. I further develop and propose a synergy heuristic between the methods of classical statistics and techniques of machine learning to improve the prediction quality of the former, and finally apply conversion models to turn machine learning techqiques to account for causal relationship between marketing campaigns and customer behavior in direct marketing. The work has shown that the techniques of machine learning represent a suitable alternative to the methods of classical statistics for decision making and should be considered not only in research but also should find their practical application in real-world practices.

Das vorliegende Buch stellt eine überarbeitete und deutlich erweiterte zweite Ausgabe meines gleichnamigen Buches von 2012 dar. Es wendet sich in Form eines Lehrbuchs sowohl an Anfänger wie Fortgeschrittene der Wissenschaftstheorie sowie an Wissenschaftler, die sich dafür interessieren, wann Daten eine bestimmte Theorie begründen und wie stark die Bestätigung der Theorie durch die Daten ist. Im Vordergrund steht dabei immer die erkenntnistheoretische Frage, ob bestimmte Begründungsverfahren die Ziele der Wissenschaften in überzeugender Weise verfolgen oder ob es dagegen substantielle Einwände gibt. Leider wird sich herausstellen, dass kein Verfahren ohne Fehl und Tadel ist, und wir sollten die Schwächen unserer Begründungsverfahren genau kennen, um sie korrekt einsetzen zu können.

Im Buch werden verschiedene Ansätze zum induktiven Schließen vorgestellt und daraufhin analysiert, welche Erfolgsaussichten sie jeweils bieten, die erkenntnistheoretischen Ziele der Wissenschaften zu erreichen. Dabei werden u.a. die konsverativen Induktionsschlüsse, Falsifikationsverfahren und die eliminative Induktion, der Schluss auf die beste Erklärung und vor allem der Bayesianismus besprochen. Außerdem geht es um die Verfahren der klassischen Statistik sowie moderne Verfahren des kausalen Schließens. Dazu wird ein erkenntnistheoretischer Rahmen angegeben, in dem die verschiedenen Begründungsverfahren untereinander verglichen werden.

Das vorliegende Buch stellt eine überarbeitete und deutlich erweiterte zweite Ausgabe meines gleichnamigen Buches von 2012 dar. Es wendet sich in Form eines Lehrbuchs sowohl an Anfänger wie Fortgeschrittene der Wissenschaftstheorie sowie an Wissenschaftler, die sich dafür interessieren, wann Daten eine bestimmte Theorie begründen und wie stark die Bestätigung der Theorie durch die Daten ist. Im Vordergrund steht dabei immer die erkenntnistheoretische Frage, ob bestimmte Begründungsverfahren die Ziele der Wissenschaften in überzeugender Weise verfolgen oder ob es dagegen substantielle Einwände gibt. Leider wird sich herausstellen, dass kein Verfahren ohne Fehl und Tadel ist, und wir sollten die Schwächen unserer Begründungsverfahren genau kennen, um sie korrekt einsetzen zu können.