Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards MyNewsletter Firmensuche
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
Automotive Acoustics Conference 2025

Call for Papers - Deadline: 13. Januar 2025.

Wir möchten Sie dazu einladen, Ihre Vorschläge für einen Vortrag auf der Automotive Acoustics Conference 2025 einzureichen und mit uns neue Verfahren der nachhaltigen Lärmminderung zu erforschen. Wir freuen uns auf Ihre Anregungen für innovative, umweltfreundliche und intelligente Verfahren zur Gestaltung der Zukunft der Fahrzeugakustik.
Erweiterte Suche
Anmelden
nach oben
Wirtschaftsinformatik & Management
Erschienen in:

05.05.2022 | Schwerpunkt

Asking Why? – Das Spannungsfeld zwischen Ökonometrie und Data Science

verfasst von: Dr. Arne Steinkraus

Erschienen in: Wirtschaftsinformatik & Management | Ausgabe 3/2022

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Auszug

Die datengetriebene Entscheidungsfindung gewinnt in den letzten Jahren sowohl in der Wirtschaft als auch in der Politik zunehmend an Bedeutung. Jedoch hat sich mit dem Aufkommen von Verfahren des maschinellen Lernens die Perspektive von der klassischen retrospektiven Ursache-Wirkungs-Analyse hin zur vorwärts gerichteten prädiktiven Modellierung gedreht. Trotz der teilweise sehr guten Prognoseeigenschaften von einfachen Machine-Learning-Modellen geht mit ihrer Verwendung ein erheblicher Verlust der Interpretierbarkeit einher, der dazu führt, dass Entscheidungsträger die zuvor gewohnte Frage nach dem „Was wirkt wie?“ nicht mehr stellen sollten, da diese neuen Modelle hier keinen Erklärungsgehalt bieten. Dieser Artikel beleuchtet daher das Paradox dieses scheinbaren Informationsverlustes anhand eines einfachen Beispiels und legt somit offen, welche Fehleinschätzungen drohen, falls zu Beginn eines Analyseprojektes die falschen Fragen definiert werden. …
Vorheriger Artikel Der wahre Erfolgsfaktor für Sales & Demand Predictions heißt Augmented Intelligence
Nächster Artikel CDR bei Einsatz von KI in Unternehmensführung und algorithmischen Entitäten

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
2.
Cunningham, S. (2021). Introduction to DAG notation. In Causal inference (S. 97–118). Yale University Press.CrossRef
3.
4.
Kleinberg, J., Ludwig, J., Mullainathan, S., & Obermeyer, Z. (2015). Prediction policy problems. American Economic Review, 105(5), 491–495.CrossRef
5.
Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106.CrossRef
6.
Wager, S., & Athey, S. (2018). Estimation and inference of heterogeneous treatment effects using random forests. Journal of the American Statistical Association, 113(523), 1228–1242.CrossRef
Metadaten
Titel
Asking Why? – Das Spannungsfeld zwischen Ökonometrie und Data Science
verfasst von
Dr. Arne Steinkraus
Publikationsdatum
05.05.2022
Verlag
Springer Fachmedien Wiesbaden
Erschienen in
Wirtschaftsinformatik & Management / Ausgabe 3/2022
Print ISSN: 1867-5905
Elektronische ISSN: 1867-5913
DOI
https://doi.org/10.1365/s35764-022-00405-7

Weitere Artikel der Ausgabe 3/2022

Identifikation der Urheber von Cyberattacken mithilfe künstlicher Intelligenz

  • Spektrum

Technische Glaskugeln

  • Editorial

Erratum zu: Ambidextrous Attitude – Das Potenzial in der IT-Organisation Digitale Transformation für die Digitalisierung

  • Open Access
  • Erratum

Zugriff auf Produktions- und Prozessdaten per „digitalem Schatten“

  • Schwerpunkt

Viel Software für wenig Code

  • Open Access
  • Spektrum

Künstliche Intelligenz als Unterstützungsfunktion der Vorhersage und Prozessexzellenz im Process Mining

  • Open Access
  • Schwerpunkt

Premium Partner

    Bildnachweise