Modellbildung in der Wirtschaftsinformatik aus Perspektive der Bayesschen Statistik

Ziel des Tutorials ist es, den Teilnehmern die Grundgedanken der Bayesschen Statistik und ihre Anwendung anhand einfacher und für die Wirtschaftsinformatik relevanter Modelle zu vermitteln. Dazu wird zunächst der Zusammenhang Zwischen den Parametern eines Modells, den empirischen Daten und dem Apriori-Wissen anhand des Bayes-Theorems erläutert. Anschliessend wird das zur Modellschätzung verwendete Markov Chain Monte Carlo Verfahren und speziell der Metropolis Hastings Algorithmus sowie das Gibbs Sampling skizziert. Der wesentliche Teil des Tutoriums zeigt, wie statistische Modelle mit den Softwarepaketen JAGS (Just Another Gibbs Sampler) und R umgesetzt werden können.

In der Vergangenheit nutzte die Wirtschaftsinformatik mathematische Modelle vornehmlich im Zuge verhaltensorientierter Forschung. Das wesentliche Ziel liegt dabei im Erkenntnisgewinn, insb. dem Aufdecken von Zusammenhängen zwischen theoretischen Konstrukten. In den letzten Jahren haben darüber hinaus in der Wirtschaftsinformatik statistische Methoden und Modelle zur Entscheidungsunterstützung an Bedeutung gewonnen. Im Sinne des Tagungsmottos werden so "digitale Produkte und Prozesse für das Unternehmen der Zukunft" maßgeblich unterstützt bzw. überhaupt erst ermöglicht. Häufig werden in den Untersuchungen Verfahren aus dem Bereich Data Mining (z. B. neuronale Netze oder Stützvektormaschinen) oder der schließenden Statistik (z.B. logistische Regression oder Diskriminanzanalyse) eingesetzt. Die Modellinterpretation ist meist durch eine frequentistische Sicht geprägt (z.B. Punktschätzung mit Hilfe von Maximum Likelihood). Andere Disziplinen wie das Marketing oder die Ökonometrie hingegen nutzen zunehmend Ansätze der Bayesschen Statistik, was einige Vorteile mit sich bringt, dazu bspw.: (i) Berücksichtigung von Vorwissen, sei es aus anderen Studien/ Erfahrungen oder auch aus Theorien, (ii) natürlicher Zugang zu hierarchischen Modellen und Berücksichtigung von Heterogenität der Untersuchungsobjekte, (iii) Parameterschätzungen in Form von Wahrscheinlichkeitsdichten statt Punktschätzungen. Die Nachteile liegen neben der vergleichsweisen hohen Komplexität der Anwendung in der Rechenintensität.