Digitale Bibliothek mit akademischen Arbeiten
Offene Methoden

Werkzeuge für kontrollierte Entdeckungen

Wir sammeln, was wir selbst nutzen: veröffentlichte Arbeiten zu multiplen Tests, Code für FDR-Verfahren und Anleitungen, die wir für eigene Analysen geschrieben haben. Nichts ist exklusiv, alles lässt sich nachvollziehen.
Kontakt aufnehmen

Die Publikation, die die Debatte über multiple Tests in der Finanzforschung begründete

Harvey, Liu und Zhu zeigten, dass die Mehrheit der publizierten Faktoren die üblichen Signifikanzschwellen nicht übersteht, wenn man für multiple Tests korrigiert. Ihre Arbeit ist der Ausgangspunkt für alle, die verstehen wollen, warum der Faktor-Zoo so viele Geister enthält. Wir empfehlen den Originaltext als Pflichtlektüre.
Weitere Arbeiten
Gestapelte akademische Publikationen zu statistischen Methoden

Praktische Umsetzung

Sechs konkrete Hinweise, die wir aus eigenen Fehlern gezogen haben und die jeder Analyse vorangehen sollten

Design

Hypothese vor Daten

Formulieren Sie Ihre Fragestellung, bevor Sie die Daten öffnen. Post-hoc-Rationalisierungen sind der schnellste Weg zu falschen Entdeckungen, die als robust erscheinen.

Hypothese vor Daten

Formulieren Sie Ihre Fragestellung, bevor Sie die Daten öffnen. Post-hoc-Rationalisierungen sind der schnellste Weg zu falschen Entdeckungen, die als robust erscheinen.

Design
Dokumentation

Zählen Sie Tests

Dokumentieren Sie jeden einzelnen Test, den Sie durchführen — auch die, die nicht signifikant sind. Verborgene Multiplizität ist gefährlicher als offensichtliche.

Zählen Sie Tests

Dokumentieren Sie jeden einzelnen Test, den Sie durchführen — auch die, die nicht signifikant sind. Verborgene Multiplizität ist gefährlicher als offensichtliche.

Dokumentation
Methodik

Prüfen Sie Abhängigkeiten

Die meisten FDR-Verfahren setzen bestimmte Abhängigkeitsstrukturen voraus. Testen Sie diese Annahme, statt sie stillschweigend zu akzeptieren.

Prüfen Sie Abhängigkeiten

Die meisten FDR-Verfahren setzen bestimmte Abhängigkeitsstrukturen voraus. Testen Sie diese Annahme, statt sie stillschweigend zu akzeptieren.

Methodik
Validierung

Simulieren Sie vorher

Führen Sie Monte-Carlo-Simulationen durch, bevor Sie echte Daten analysieren. So erkennen Sie, wie Ihr gewähltes Verfahren unter kontrollierten Bedingungen arbeitet.

Simulieren Sie vorher

Führen Sie Monte-Carlo-Simulationen durch, bevor Sie echte Daten analysieren. So erkennen Sie, wie Ihr gewähltes Verfahren unter kontrollierten Bedingungen arbeitet.

Validierung
Transparenz

Teilen Sie Code

Veröffentlichen Sie Ihre Implementierung zusammen mit den Ergebnissen. Code, der nicht überprüfbar ist, schwächt jede Schlussfolgerung.

Teilen Sie Code

Veröffentlichen Sie Ihre Implementierung zusammen mit den Ergebnissen. Code, der nicht überprüfbar ist, schwächt jede Schlussfolgerung.

Transparenz
Replikation

Wiederholen Sie alles

Führen Sie Ihre Analyse mit einem neuen Datensatz erneut durch. Ein Faktor, der nur in einer Stichprobe existiert, existiert nicht wirklich.

Wiederholen Sie alles

Führen Sie Ihre Analyse mit einem neuen Datensatz erneut durch. Ein Faktor, der nur in einer Stichprobe existiert, existiert nicht wirklich.

Replikation

Code und Notebooks

Wir teilen Implementierungen, die wir selbst für Analysen verwenden. Jedes Notebook enthält erklärenden Text neben dem Code, damit die methodischen Entscheidungen nachvollziehbar bleiben.
01
Jupyter Notebook mit Python Code für statistische Analyse

FDR in Python

Eine Sammlung von Skripten für die Benjamini-Hochberg-Prozedur und deren Varianten, inklusive Visualisierungen der Entscheidungsgrenzen und deren Abhängigkeit von der Korrelationsstruktur.

02
R Konsole mit statistischer Datenanalyse

Multiple Tests mit R

Implementierungen klassischer Verfahren wie Holm, Hochberg und Hommel mit Vergleichsstudien an simulierten Datensätzen. Der Fokus liegt auf der Interpretation der unterschiedlichen Annahmen.

03
Simulation von Zufallsdaten mit statistischen Verteilungen

Bootstrap-Simulationen

Notebooks zur Schätzung von Testverteilungen unter realistischen Annahmen, einschliesslich Code für blockweise Resampling bei zeitlichen Abhängigkeiten in Finanzdaten.

“Endlich methodisch sauber arbeiten” — Dr. Lukas Brenner “Die Annahmen hinter den Methoden verstehen” — Dr. Nina Hofmann “Code, der die Theorie ernst nimmt” — Thomas Gerber “Daten sprechen nur bei richtigen Fragen” — Dr. Elena Richter
Neuigkeiten

Über neue Arbeiten informiert bleiben

Cookie-Einstellungen

Wir verwenden Cookies und ähnliche Technologien, um die Website-Funktionalität sicherzustellen, die Nutzung zu analysieren und die Benutzererfahrung zu verbessern. Sie können Ihre Präferenzen jederzeit anpassen. Detaillierte Informationen finden Sie in unserer Cookie-Richtlinie.
Mehr erfahren