Datenanalyse sind mathematische Verfahren und daher oft analytisch beweisbar, benötigen allerdings dafür oft Annahmen, etwa über asymptotisches Verhalten von Verteilungen. Wenn unklar ist, in welchem Ausmaß diese Annahmen erfüllt sind, benötigt man empirische Verfahren, um Analyseverfahren zu testen. Das betrifft zum Beispiel empirische Analysen mit wenig Probanden, aber auch aufwendige Fitverfahren, deren Komplexität sich einem formalen Beweis entziehen.
Die beste Analyse kann nur die Information aus den Daten rausholen, die in den Daten drinsteckt. Die Forschung im Bereich der Versuchsdesignplanung untersucht die Möglichkeiten, schon vor der Datenerhebung die Chancen für viel Information in den Daten zu maximieren. Dadurch kann man mit demselben Einsatz von z.B. Geld mehr über den Forschungsgegenstand lernen.
Alle normalverteilten Modelle lassen sich als Strukturgleichungsmodelle darstellen. Ωnyx ist ein Programm, um solche Modelle graphisch als Pfaddiagramm darzustellen. Das Diagramm kann in ein Skript für viele verschiedene Systeme wie OpenMx, Lavaan, MPlus, oder auch als Javaprogramm für Ωnyx übersetzt werden, oder erlaubt auch das direkte schätzen der Parameter für einen Datensatz im Pfaddiagramm selbst.
Künstliche Intelligenz begegnet uns in jedem Haushaltsgerät. Manchmal klar als solche zu erkennen wie zum Beispiel bei Large Language Models, manchmal aber auch versteckte Classifier, die zu erraten versuchen, ob uns ein Film auf einer Streamingplattform gefallen wird. Beide Varianten von künstlicher Intelligenz können auch die Datenauswertung in den empirischen Wissenschaften vereinfachen, und am Thomas Bayes Institut forschen wir in beide Richtungen.