Matematiikan ja tilastotieteen laitos

Tilastotieteen tutkimus

Tilastotieteen tutkimus matematiikan ja tilastotieteen laitoksella sisältää sekä teoreettista että sovelluslähtöistä tutkimusta. Sovelluslähtöinen tutkimuksen innoittajia ovat sovellusalojen kysymykset, joiden pohjalta tilastotieteilijät kehittävät mm. uusia tehokkaita estimointimenetelmiä ja tutkimusasetelmia. Alla tilastotieteen tutkimus on esitetty näiden innoittajina toimivien sovellusalojen mukaisesti jaoteltuna. Lista on dynaaminen: tilastotieteilijät ovat avoimia uusille yhteistyöhankkeille.

Tutkimus sovellusalan mukaan

Aivotutkimus ja sensoridata

Bio- ja ympäristötieteet

Väestötutkimukset terveys- ja ihmistieteissä

Muut

Tutkimus tilastotieteen alojen mukaan jaoteltuna

 

Ohjelmistot

Laitoksella on osaamista myös tilastollisista ohjelmistoista (R, SAS, SPSS, BUGS/JAGS).

    Laitoksella on luotu seuraavat R-paketit:

    • BSSasymp,
    • causaleffect: The package causaleffect can be used to derive expressions and transportability formulas for causal effects in semi-Markovian causal models.
    • fICA,
    • JADE,
    • KFAS: Tools for modelling multivariate exponential family state space models such as structural time series, ARIMA models, generalized linear models and generalized linear mixed models.
    • Lmoments: L-moments and quantile mixtures
    • PearsonICA: Independent component analysis using score functions from the Pearson system
    • rankhazard: Rank-hazard plots to visualize the relative importance of covariates in a proportional hazards model
    • SpatialNP,
    • spatialsegregation,
    • smatr,
    • seqHMM: Fitting, evaluating, and visualizing hidden Markov models and complex sequence data.
    • Rlibeemd: An R package for performing the ensemble empirical mode decomposition (EEMD), its complete variant (CEEMDAN) or the regular empirical mode decomposition (EMD) for non-stationary and non-linear time series.
    • tsPIPackage tsPI computes prediction intervals for ARIMA and structural time series models by using importance sampling approach with uninformative priors for model parameters, leading to more accurate coverage probabilities in frequentist sense.