Entwicklung von Benutzerschnittstellen in R für das „Bayesian Functional Mixed Model“

Ziel dieses Projekts ist die Entwicklung von offenen und intuitiven Benutzerschnittstellen in der statistischen Umgebung R für das von Jeffrey S. Morris (Department of Biostatistics, The University of Texas MD Anderson Cancer Center) entwickelte „Bayesian Functional Mixed Model“ (FMM). Das FMM bietet Methoden für die statistische Analyse einer Vielzahl von allgemeinen Kurvendaten, wie beispielsweise eindimensionale (z.B. Zeitreihen) oder zweidimensional Kurven („Bilddaten“ wie z.B. Spektrogramme), und auch für die Analyse spezifischer Typen von Kurvendaten, wie z.B. aus elektroenzephalographischen Messungen (Multikanal-EEG). Im Gegensatz zu üblichen Ansätzen zur statistischen Analyse von Kurvendaten nutzt das FMM die gesamte in den Daten vorhandene Information (inklusive der kurveninternen Korrelationsstruktur) und ermöglicht die Modellierung verschiedener experimenteller Designs aufgrund der Implementierung als Modell mit gemischten Effekten. Die in diesem Projekt entwickelten R-Packages werden nutzerfreundliche, intuitive und frei verfügbare Benutzerschnittstellen für die zentrale FMM-Software zur Verfügung stellen, und das FMM so für Forscher aus unterschiedlichen Feldern zugänglich machen, in denen Kurvendaten eine wichtige Rolle spielen. Mit den R-Packages können Benutzer verschiedene Arten von Kurvendaten einfach visualisieren, ein FMM spezifizieren, sowie mit dem entsprechenden Output flexibel weiterarbeiten. Aufbauend auf existierendem R-Code werden wir einige Erweiterungen der zentralen FMM-Software einarbeiten, Methoden zum Manipulieren und Visualisieren von „Big Data“ sowie viele weitere Features zur Verfügung stellen. Ein Schwerpunkt wird darauf liegen, spezialisierte FMM-Methoden für wichtige Datentypen der kognitiven Neuropsychologie zu integrieren (z.B. EEG-Daten).
Ziel dieses Projekts ist die Entwicklung von offenen und intuitiven Benutzerschnittstellen in der statistischen Umgebung R für das von Jeffrey S. Morris (Department of Biostatistics, The University of Texas MD Anderson Cancer Center) entwickelte „Bayesian Functional Mixed Model“ (FMM). Das FMM bietet Methoden für die statistische Analyse einer Vielzahl von allgemeinen Kurvendaten, wie beispielsweise eindimensionale (z.B. Zeitreihen) oder zweidimensional Kurven („Bilddaten“ wie z.B. Spektrogramme), und auch für die Analyse spezifischer Typen von Kurvendaten, wie z.B. aus elektroenzephalographischen Messungen (Multikanal-EEG). Im Gegensatz zu üblichen Ansätzen zur statistischen Analyse von Kurvendaten nutzt das FMM die gesamte in den Daten vorhandene Information (inklusive der kurveninternen Korrelationsstruktur) und ermöglicht die Modellierung verschiedener experimenteller Designs aufgrund der Implementierung als Modell mit gemischten Effekten. Die in diesem Projekt entwickelten R-Packages werden nutzerfreundliche, intuitive und frei verfügbare Benutzerschnittstellen für die zentrale FMM-Software zur Verfügung stellen, und das FMM so für Forscher aus unterschiedlichen Feldern zugänglich machen, in denen Kurvendaten eine wichtige Rolle spielen. Mit den R-Packages können Benutzer verschiedene Arten von Kurvendaten einfach visualisieren, ein FMM spezifizieren, sowie mit dem entsprechenden Output flexibel weiterarbeiten. Aufbauend auf existierendem R-Code werden wir einige Erweiterungen der zentralen FMM-Software einarbeiten, Methoden zum Manipulieren und Visualisieren von „Big Data“ sowie viele weitere Features zur Verfügung stellen. Ein Schwerpunkt wird darauf liegen, spezialisierte FMM-Methoden für wichtige Datentypen der kognitiven Neuropsychologie zu integrieren (z.B. EEG-Daten).