IDEAS home Printed from https://ideas.repec.org/a/zbw/wistat/216091.html
   My bibliography  Save this article

Regionalanalyse auf Basis simulierter Geodoordinaten: Gütebeurteilung des Verfahrens am Beispiel der Wahlberechtigten in Berlin

Author

Listed:
  • Erfurth, Kerstin

Abstract

Für Daten mit geografischem Bezug eignen sich Kartendarstellungen zur Visualisierung, um einen einfachen Zugang zu komplexen Informationen zu erhalten. Insbesondere die Verteilung verschiedener Bevölkerungsgruppen und die Identifikation von Hotspots stellen ein für Planungszwecke bedeutendes Interesse dar. Diese Arbeit beschäftigt sich mit der Bewertung des neuen Kernelheaping-Verfahrens gegenüber anderen in der Praxis gängigen Verfahren zur kartografischen Dichteschätzung von Daten. Dazu wurde ein praxisnahes Szenario mit den Daten der Wahlberechtigten in Berlin geschaffen, in welchem unter kontrollierten Bedingungen Vergleiche durchgeführt werden können. Es konnte gezeigt werden, dass das Kernelheaping-Verfahren in der Lage ist, qualitativ bessere Ergebnisse zu erzielen als die bisher verwendeten Standardverfahren.

Suggested Citation

  • Erfurth, Kerstin, 2020. "Regionalanalyse auf Basis simulierter Geodoordinaten: Gütebeurteilung des Verfahrens am Beispiel der Wahlberechtigten in Berlin," WISTA – Wirtschaft und Statistik, Statistisches Bundesamt (Destatis), Wiesbaden, vol. 72(2), pages 25-36.
    • Handle: RePEc:zbw:wistat:216091
    as

    Download full text from publisher

    File URL: https://www.econstor.eu/bitstream/10419/216091/1/wista-2020-2-025-036.pdf
    Download Restriction: no
    ---><---

    Citations

    Citations are extracted by the CitEc Project, subscribe to its RSS feed for this item.
    as


    Cited by:

    1. Ulrich Rendtel & Willi Seidel & Christine Müller & Florian Meinfelder & Joachim Wagner & Jürgen Chlumsky & Markus Zwick, 2022. "Statistik zwischen Data Science, Artificial Intelligence und Big Data: Beiträge aus dem Kolloquium „Make Statistics great again“ [Statistics between data science, artificial intelligence and big da," AStA Wirtschafts- und Sozialstatistisches Archiv, Springer;Deutsche Statistische Gesellschaft - German Statistical Society, vol. 16(2), pages 97-147, June.

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:zbw:wistat:216091. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    We have no bibliographic references for this item. You can help adding them by using this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: ZBW - Leibniz Information Centre for Economics (email available below). General contact details of provider: https://edirc.repec.org/data/stagvde.html .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.