ALEXANDRA DAUB

Ich bin Doktorandin und forsche im Bereich der statistischen Boosting-Verfahren mit Schwerpunkt auf Generalized Additive Models for Location, Scale and Shape (GAMLSS). Statistical Boosting verbindet Ansätze des maschinellen Lernens mit statistischer Modellierung und ermöglicht so die Schätzung interpretierbarer Modelle mit guter Vorhersagegüte sowie eine automatische Variablenselektion.


Als Teil des Data Science Hubs habe ich an der Erstellung unser Webapp-Sammlung mitgewirkt.

FORSCHUNGSINTERESSEN

• Statistical Boosting


• Generalized Additive Models for Location, Scale and Shape

LEHRE

• Multivariate Statistics (SoSe 2022, SoSe 2023, SoSe 2026)


• Current Topics in Applied Statistics (WS 2025/26)


• Stochastic Processes (SoSe 2024, SoSe 2025)


• Spatial Statistics (WS 2022/23, WS 2023/24)

PUBLIKATIONEN

• Daub, A., Bergherr, E. (2026) Estimating zero-inflated negative binomial GAMLSS via a balanced gradient boosting approach with an application to antenatal care data from Nigeria. ArXiv


• Daub, A., Mayr, A., Zhang, B., Bergherr, E. A balanced statistical boosting approach for GAMLSS via new step lengths. Comput Stat 40, 4741–4773 (2025). DOI

Konferenzbeiträge

• IWSM 2025: Estimating zero-inflated negative binomial GAMLSS via gradient boosting with an application to antenatal care data in Nigeria (Vortrag)


• DagStat 2025: Balanced boosting for GAMLSS using adaptive step lengths – with an application to antenatal care data in West African countries (Vortrag)


• Statistical Computing 2024 A Balanced Statistical Boosting Approach for GAMLSS via New Step Lengths (Vortrag)


• CMStatistics 2023 Gradient boosting for GAMLSS using adaptive step lengths (Vortrag)


• IWSM 2023: Gradient boosting for GAMLSS using adaptive step lengths (Poster)


• Statistical Computing 2022: Modeling the antenatal care of women in West Africa by a GAMLSS using a gradient boosting algorithm with an adaptive step-length (Vortrag)