Gewichtungsauswahl

Gewichtungsauswahl bezeichnet in Statistik, Ökonometrie und Data Science den Prozess der Bestimmung und Zuweisung von Gewichten zu Beobachtungen, Merkmalen oder Modellen, um deren Relevanz für eine bestimmte Zielgröße angemessen abzubilden. Gewichte dienen dazu, Unterschiede in Stichprobenrepräsentation, Messzuverlässigkeit oder Modellunsicherheit zu berücksichtigen. Je nachdem, wo sie eingesetzt wird, kann Gewichtung als Designmaßnahme vor der Erhebung, als Analysewerkzeug bei der Auswertung oder als Mechanismus bei der Aggregation mehrerer Modelle erfolgen.

Anwendungen umfassen unter anderem Umfragen, Meta-Analysen und Ensemble-Modelle. In Umfragen werden Stichprobengewichte genutzt, um die Population besser abzubilden (z. B. Poststratifikation, Kalibrierung). In der Meta-Analyse kommen Gewichte wie inverse-Varianz-Gewichte zum Einsatz, um Studien mit größerer Präzision stärker zu berücksichtigen. In Ensemble-Methoden der Maschinellen Intelligenz werden Vorhersagen mehrerer Modelle durch gewichtetes Averaging zu einer Gesamtvorhersage kombiniert. In der Ökonometrie helfen gewichtete Regressionsmodelle, unterschiedliche Messfehlerstrukturen abzubilden.

Methodisch umfasst Gewichtung theoretische Ansätze wie inverse Varianz-Gewichte, Propensity-Score-Gewichte oder Kalibrierungsverfahren (Raking, Poststratifikation) sowie datengetriebene Optimierung, die Gewichte so wählen, dass der mittlere quadratische Fehler minimiert wird, oft unter der Nebenbedingung, dass die Summe der Gewichte 1 beträgt und alle Gewichte nicht negativ sind. Herausforderungen sind Verzerrungen trotz Gewichtung, Stabilität bei kleinen Gruppen und die Notwendigkeit, Gewichte transparent zu berichten.

Siehe auch: Gewichtungsmethoden, Stichprobengewicht, Kalibrierung, Ensemble-Learning.