Hauptinhalt

Statistische Software und Monte Carlo Simulationen in R

Um die Anwendung neuer statistischer Methoden in der Praxis zu vereinfachen, ist deren nutzerfreundliche Implementierung zentral. Oft werden außerdem Monte Carlo Methoden eingesetzt, um zu untersuchen, wie gut bestimmte statistische Verfahren und Methoden in der Praxis funktionieren (insbesondere, wenn nicht alle Annahmen für deren Anwendung erfüllt sind). Um sowohl die Anwendung als auch Monte Carlo Simulationen zu vereinfachen, arbeiten wir an verschiedenen R Paketen, die als Open-Source Software frei und kostenlos verfügbar sind. Einen Überblick sowie Möglichkeiten zum Download finden Sie auch hier: Software

Relevante Publikationen:

• Heck, D. W., Overstall, A., Gronau, Q. F., & Wagenmakers, E. (2019). Quantifying uncertainty in transdimensional Markov chain Monte Carlo using discrete Markov models. Statistics & Computing, 29, 631-643. https://doi.org/10.1007/s1
• Heck, D. W., & Davis-Stober, C. P. (2019). Multinomial models with linear inequality constraints: Overview and improvements of computational methods for Bayesian inference. Journal of Mathematical Psychology, 91, 70-87. https://doi.org/10.1016/j.jmp.2019.03.0041222-018-9828-0
• Heck, D. W., Arnold, N. R., & Arnold, D. (2018). TreeBUGS: An R package for hierarchical multinomial-processing-tree modeling. Behavior Research Methods, 50, 264-284. https://doi.org/10.3758/s13428-017-0869-7
• Heck, D. W., & Moshagen, M. (2018). RRreg: An R package for correlation and regression analyses of randomized response data. Journal of Statistical Software, 85(2), 1-29. https://doi.org/10.18637/jss.v085.i02
• Heck, D. W., & Gronau, Q. F. (2017). metaBMA: Bayesian model averaging for random- and fixed-effects meta-analysis. https://cran.r-project.org/package=metaBMA