Prof. Dr. Timo Schmid
Freie Universität Berlin
Fachbereich Wirtschaftswissenschaft
Institut für Statistik und Ökonometrie
Professor für Angewandte Statistik (seit dem 1.4.2021 an der Universität Bamberg)
14195 Berlin
Short Curriculum Vitae
seit 2021 | Universitätsprofessor (W3) für Statistik und Ökonometrie, Universität Bamberg |
2017 - 2021 | Universitätsprofessor für Angewandte Statistik, Freie Universität Berlin |
2012 - 2017 | Juniorprofessor für Angewandte Statistik, Freie Universität Berlin |
2012 - 2021 | Leitung der statistischen Beratungseinheit fu:stat, Freie Universität Berlin |
2010 - 2012 | Doktorand am Lehrstuhl für Wirtschafts- und Sozialstatistik, Universität Trier |
2010 - 2011 | Promotionsstipendium der Stiftung der Deutschen Wirtschaft |
2008 - 2010 | Senior Consultant, A.T. Kearney GmbH |
2002 - 2008 | Diplomstudium Mathematik, Universität Tübingen |
Auszeichnungen
2019 |
Lehrpreis für die beste Lehre am Fachbereich Wirtschaftswissenschaften (Vorlesung: „Statistik für Wirtschaftswissenschaftler“) |
2015 |
Lehrpreis für die beste Lehre am Fachbereich Wirtschaftswissenschaften (Vorlesung: „Statistik für Wirtschaftswissenschaftler“) |
2013 | Lehrpreis für die beste Lehre am Fachbereich Wirtschaftswissenschaften (Vorlesung: „Schließende Statistik") |
Boards/ Gremien
Mitglied des IASS Council (International Association of Survey Statisticians) (2015‐2019) |
Mitglied des Young Statisticians Committee des ISI (International Statistical Institute) |
Mitglied des Vorstandes der Deutschen Statistischen Gesellschaft (DStatG) |
Im Allgemeinen liegen meine Forschungsinteressen im Bereich der Survey-Statistik, dazu gehören Methoden, die sich mit der Konzeptionierung, der wissenschaftlichen Überprüfung und vor allem der statistischen Analyse von Surveys beschäftigen. Mit Hilfe dieser Methoden können aus Stichproben, die nur einen vergleichsweise kleinen Anteil an der Grundgesamtheit haben, Informationen über diese gewonnen werden. Die Schwerpunkte liegen insbesondere auf Small-Area-Schätzmethoden und der Informationsanreicherung von Survey-Daten um weitere Datenquellen, wie z.B. Daten aus der amtlichen Statistik oder Mobilfunkdaten. Dabei schätzen wir nicht nur Mittelwerte, wie z.B. das durchschnittliche Vermögen, sondern auch nichtlineare Indikatoren, wie z.B. verschiedene Indikatoren zur Messung der Ungleichheit oder von Armut. Ein Merkmal unserer Forschung ist auch die Evaluation von neuen Methoden. Dafür stellen Simulationen ein wichtiges Werkzeug dar. Somit können komplexe Szenarien erzeugt werden, an denen unsere neu entwickelten Methoden getestet werden können.
Für die Implementierung der Methoden nutzen wir vorrangig die Programmiersprache R. Auch die Entwicklung und Veröffentlichung von effizienten R-Paketen zählt zu unseren Forschungsinhalten.
Schwerpunkte
- Survey‐Statistik, insbesondere statistische Modellierung
- Indizes und Sozialindikatoren, insbesondere Armutsmessung
- Nutzung großer Datenmengen/ Big Data (etwa Mobilfunkdaten) in der Statistik
- Small Area Estimation
- Simulationstechniken und Monte‐Carlo‐Methoden
- Räumliche Analyseverfahren
-
Estimation of wealth using HFCS data
Ausgewählte Projekte
1. „QUESSAMI + TESAP“
Basierend auf der Erhebung zur finanziellen Situation und zum Konsumverhalten von privaten Haushalten (Household Finance and Consumption Survey - HFCS) werden in diesem Projekt geeignete Methoden für qualitativ hochwertige Schätzer entwickelt, indem multiple Imputationsmethoden mit Small-Area-Schätzern kombiniert werden. Die Statistiken der erhobenen HFCS-Daten können unter anderem herangezogen werden, um individuelle Verhaltensweisen von Haushalten und makroökonomische Theorien besser zu verstehen, sowie potenzielle Einflüsse der Fiskal-, Geld- und Regulierungspolitik zu analysieren. Die Kombination von multiplen Imputationsmethoden und Small-Area-Schätzern ist für die Gewinnung genauer Ergebnisse essenziell, da man sowohl mit dem Problem kleiner Stichprobenumfänge, als auch dem der niedrigen Antwortrate konfrontiert ist.
- Auftraggeber: DFG
- Laufzeit: 04/2016 - 04/2022
- Leitung: Prof. Dr. Timo Schmid
2. „Ermittlung der Verteilung studentischen Wohnens in Berlin“
Im Rahmen des Projektes „Ermittlung der Verteilung studentischen Wohnens in Berlin“ soll untersucht werden, wie sich die Studierenden der Berliner Hochschulen auf die lebensweltlich orientierten Räume verteilen. Sind die genauen Wohnstandorte der Studierenden bekannt, lassen sich wichtige Fragen nach dem benötigten Wohnraum und der nachgefragten Infrastruktur beantworten, sowie Projekte zugunsten Studierender zielgerichteter umsetzen. Als Datenquellen dienen unter anderem der Zensus 2011, die Belegung der Studentenwohnheime, wie auch die Anzahl der Studierenden nach Wohnort auf der Ebene der Postleitzahlbezirke für große Berliner Universitäten/ Hochschulen (u.a. Freie Universität, Humboldt Universität, Technische Universität) für die Jahre 2005, 2010 und 2015 im Vergleich.
- Auftraggeber: Berliner Senatsverwaltung für Stadtentwicklung und Umwelt
- Laufzeit: 01/2016 - 04/2016
- Leitung: Prof. Dr. Timo Schmid
3. „Construction of socio-demographic indicators with digital breadcrumbs (Mobil data)“
In diesem Projekt wurde ein statistisches Schätzverfahren entwickelt, welches Handy-Metadaten und Zensusinformationen miteinander verknüpft, um Informationen über die aktuelle Situation in Bezug auf Armut, Alphabetisierung und andere soziodemografische Indikatoren im Senegal zu erhalten. Die Analyse basiert auf der These, dass sich die Situation einer Bevölkerungsgruppe in ihrem Handy-Nutzungsverhalten niederschlägt und deshalb beispielsweise alphabetisierte Nutzer ihr Handy anders verwenden als Nutzer, die nicht oder nur bedingt lesen und schreiben können. Da Handy-Metadaten zur Produktion von Indikatoren genutzt werden, wie sie u.a. in der Messung des Erfolgs von Nachhaltigkeitszielen herangezogen werden, wird in Kooperation mit den Mobilfunkanbietern Orange und Sonatel sowie den Behörden im Senegal untersucht, wie diese Daten die Umsetzung von nationalen Entwicklungsplänen und internationalen Monitoring-Anforderungen unterstützen können.
- Auftraggeber: Bill & Melinda Gates Foundation
- Laufzeit: 06/2015 - 06/2016
- Leitung: Prof. Dr. Timo Schmid
- Forschungspartner: University at Buffalo, USA
4. „Innovations in Small Area Estimation Methodologies“
Dieses Projekt setzt sich mit Innovationen von Methoden der „Small Area Estimation (SAE)“ auseinander, da diese zunehmend genutzt werden und zuverlässige Statistiken äußerst wichtig für politikrelevante Forschungen sind. SAE Methoden generieren robuste, verlässliche und konsistente Statistiken bei geografischen Maßstäben, für welche Survey Daten entweder nicht existieren oder zu dürftig sind, um Schätzer von zulässiger Präzision zu erhalten. Der Bedarf an komplexen Statistiken steigt, bringt allerdings auch signifikante methodische und angewandte Herausforderungen mit sich. Das Projekt zielt darauf ab, neue SAE Methoden zu entwickeln, welche die Bedürfnisse der Nutzer und Entwickler der SAE besser bedienen, verschiedene methodische Ansätze zur SAE zu überbrücken, SAE für die Beantwortung von stichhaltigen Fragen der Sozialwissenschaften einzusetzen und SAE innerhalb der quantitativen Sozialwissenschaften durch die Erschaffung von methodisch umfassenden und zugänglichen Ressourcen zu etablieren.
- Auftraggeber: National Centre for Research Methods (NCRM, UK)
- Laufzeit: 01/2016 - 12/2018
- Koordinator: Prof. Dr. Nikos Tzavidis, University of Southampton, UK
- Leitung (Freie Universität Berlin): Prof. Dr. Timo Schmid
- Forschungspartner: 8 Partner, insbesondere die Universitäten von Southampton (UK), Liverpool (UK), Sheffield (UK), Portsmouth (UK), Wollongong (Australia), Technology Sydney (Australia), Massey (New Zealand)
- Weitere Informationen: http://www.ncrm.ac.uk/research/ISAEM/
5. Beratung des statistischen Amts Mexiko (CONEVAL):„Producing small area estimates of income related indicators for municipalities in Mexico“
In diesem Projekt werden für das statistische Amt in Mexiko „small area estimates“ von linearen und nicht-linearen Armutsindikatoren (Gini, Armutsgefährungsquote oder Quintile Share Ratio) für Gemeinden in Mexiko entwickelt, um Informationen über soziodemografische Merkmale zu erhalten. Die Schätzer für die Indikatoren werden erzeugt, indem man zwei modellgestützte Methoden heranzieht: Zum einen den „Empirical Best Prediction“ Ansatz und zum anderen eine Methode, die auf der Schätzung der gesamten Verteilung des Einkommens basiert („Microsimulation via Quantiles“). Eine synthetische Schätzung unter einem multinomialen Modell wird für die Bestimmung der multidimensionalen Armut verwendet, welche sich durch die zwei Dimensionen „Einkommen“ und „soziale Benachteiligung“ definiert. Die in diesem Projekt entwickelten Schätzer werden dem statistischen Amt Mexiko (CONEVAL) zur Verfügung gestellt.
- Auftraggeber: Statistisches Amt Mexiko (CONEVAL)
- Laufzeit: 01/2015 - 12/2015
- Koordinator: Prof. Dr. Nikos Tzavidis, University of Southampton, UK
- Leitung (Freie Universität Berlin): Prof. Dr. Timo Schmid
- Forschungspartner: University of Southampton, UK
6. „Multidimensional poverty estimation using small area estimation - Two perspectives“
Mehr und mehr setzt sich in der Internationalen Entwicklungszusammenarbeit die Erkenntnis durch, dass sich „Armut“ durch ein monetäres Armutsmaß wie etwa das Pro-Kopf-Einkommen nur unzureichend beschreiben lässt. Andere Dimensionen wie z.B. Gesundheit, Bildung, Ernährung etc. spielen eine mindestens ebenso wichtige Rolle und sind nur bedingt mit den monetären Armutsmaßen korreliert. In diesem Projekt werden statistische Methoden der Small Area Estimation (SAE) entwickelt, um mehrdimensionale Armut auf regionaler Ebene effizient zu schätzen. Dabei werden parametrische und semi-parametrische Schätzverfahren zur Modellierung der kategorialen abhängigen Variablen verwendet.
- Auftraggeber: DAAD - Deutscher Akademischer Austauschdienst
- Laufzeit: 05/2016 - 04/2018
- Leitung: Prof. Dr. Timo Schmid
Selected publication:
- Data-Driven Transformations in Small Area Estimation, with Rojas-Perilla, N., Pannier, S. and Tzavidis, N., Journal of the Royal Statistical Society: Series A, 2020, 183, pp. 121-148.
- Smoothing and Benchmarking for Small Area Estimation, with Steorts, R. and Tzavidis, N., International Statistical Review, 2020, forthcoming.
- Switching between different non-hierarchical administrative areas via simulated geo-coordinates: A case study for student residents in Berlin, with Groß, M., Kreutzmann, A.-K., Rendtel, U. and Tzavidis, N., Journal of Official Statistics, 2020, 36, pp. 297-314.
- The R Package emdi for Estimating and Mapping Regionally Disaggregated Indicators, with Kreutzmann, A.-K., Pannier, S., Rojas-Perilla, N., Templ, M. and Tzavidis, N., Journal of Statistical Software, 2019, 91, pp. 1-33.
- Analysing radon accumulation in the home by flexible M-quantile mixed effect regression, with Borgoni, R., Carcagni, A. and Salvati, N., Stochastic Environmental Research and Risk Assessment, 2019, 33, pp. 375-394.
- The fayherriot command for estimating small-area indicators, with Halbmeier, C., Kreutzmann, A.-K. and Schröder, C., Stata Journal, 2019, 19, pp. 626-644.
- From start to finish: A framework for the production of small area official statistics, with Tzavidis, N., Zhang, L.-C., Luna Hernandez, A. and Rojas-Perilla, N., Journal of the Royal Statistical Society: Series A, Read paper, 2018, 181, pp. 927-979.
- Modelling the distribution of health related quality of life of advanced melanoma patients in a longitudinal multi-centre clinical trial using M-quantile random effects regression, with Borgoni, R., Del Bianco, P., Salvati, N., and Tzavidis, N., Statistical Methods in Medical Research, 2018, 27, pp. 549-563.
- Robust small area estimation under spatial non-stationarity, with C. Baldermann and N. Salvati, International Statistical Review, 2018, 86, pp. 136-159 .
- Constructing socio-demographic indicators for National Statistical Institutes using mobile phone data: Estimating literacy rates in Senegal, with Bruckschen, F., Salvati, N. and Zbiranski, T., Journal of the Royal Statistical Society: Series A, 2017, 180, pp. 1163-1190.
- Estimating the density of ethnic minorities and aged people in Berlin: Multivariate kernel density estimation applied to sensitive geo-referenced administrative data protected via measurement error, with Groß, M., Rendtel, U., T., Schmon and Tzavidis, N., Journal of the Royal Statistical Society: Series A, 2017, 180, pp. 161-183.
- Outlier robust small area estimation under spatial correlation, with Chambers, R., Münnich, R. and Tzavidis, N., Scandinavian Journal of Statistics, 2016, 43, pp. 806-826.
- Longitudinal analysis of the Strengths and Difficulties Questionnaire scores of the Millennium Cohort Study children in England using M-quantile random-effects regression, with Flouri, E., Midouhas, E., Salvati, N. and Tzavidis, N., Journal of the Royal Statistical Society: Series A, 2016, 179, pp. 427-452.
- Simulation Tools for Small Area Estimation: Introducing the R-Package saeSim, with Warnholz, S., Austrian Journal of Statistics, 2016, 45, pp. 55-69.
- Spatial robust small area estimation, with Münnich, R., Statistical Papers, 2014, 55, pp. 653-670.