Zum Inhalt
Lehrstuhlinhaber

Prof. Dr. Carsten Jentsch

Kontakt

Technische Universität Dortmund
Fakultät Statistik
Lehrstuhl für Wirtschafts- und Sozialstatistik
CDI-Gebäude, Raum 9
44221 Dortmund

E-Mail: jentschstatistik.tu-dortmundde
Tel.: +49 231 755 3869

Porträtfoto von Carsten Jentsch © Felix Schmale​/​TU Dortmund

Carsten Jentsch hat 2001-2007 Mathematik mit Nebenfach BWL an der TU Braunschweig studiert, wo er 2010 auch promoviert wurde. Nach einem Forschungsaufenthalt an der UC San Diego wurde er 2011 Postdoc an der VWL-Fakultät der Universität Mannheim und am SFB 884 The Political Economy of Reforms. Seit 2015 ist er Mitglied im Eliteprogramm für Postdocs der Baden-Württemberg Stiftung. Nach Professurvertretungen an den Universitäten Bayreuth und Mannheim arbeitet er seit Sommersemester 2018 an der TU Dortmund. Er ist Mitglied der RGS Faculty an der Ruhr Graduate School in Economics. Seit 2020 ist er stellvertretender Vorsitzender des Ausschusses Empirische Wirtschaftsforschung und Angewandte Ökonometrie in der Deutschen Statistischen Gesellschaft.

Die Forschungsinteressen von Carsten Jentsch liegen im Bereich der mathematischen Statistik mit Schwerpunkt auf der methodischen Entwicklung und Implementierung von Schätz- und Testverfahren sowie auf der Modellierung von zeitlich und/oder räumlich abhängigen Daten und deren Anwendung in den Wirtschafts- und Sozialwissenschaften. Er beschäftigt sich mit verschiedenen Themen aus der Zeitreihenanalyse bzw. Zeitreihenökonometrie, wobei er verstärkt Methoden aus dem Spektralbereich verwendet. Insbesondere sind Bootstrapverfahren für abhängige Daten ein wesentlicher Gegenstand seiner Forschung. Weiterhin interessiert er sich für statistische Methoden für stochastische Netzwerke und die statistische Analyse von Textdaten.

  • Editor-In-Chief für Statistical Papers (seit 2018)
  • Associate Editor für Journal of Time Series Analysis (seit 2019)
  • Associate Editor für Statistics (2018-2020)
  • Associate Editor für Statistics & Risk Modeling (2017-2020)
  • Associate Editor für Statistics & Probability Letters (2016-2020)
  • Lange, K.-R., Rieger, J. und Jentsch, C. (2022). Lex2Sent: A bagging approach to unsupervised sentiment analysis. arXiv. DOI.

  • Shrub, Y., Rieger, J., Müller, H. und Jentsch, C. (2022). Text data rule - don't they? A study on the (additional) information of Handelsblatt data for nowcasting German GDP in comparison to established economic indicators. Ruhr Economic Papers #964DOILink.

  • Lange, K.-R., Reccius, M., Schmidt, T., Müller, H., Roos, M., und Jentsch, C. (2022).  Towards extracting collective economic narratives from texts. Ruhr Economic Papers #963. Link

  • Benner, N., Lange, K.-R., und Jentsch, C. (2022).  Named Entity Narratives. Ruhr Economic Papers #962Link

  • Li, B., Jentsch, C., und Müller, E.: Prototypes as Explanation for Time Series Anomaly Detection. Akzeptiert für Proceedings of the ANDEA 2022 Workshop.
  • Dorn, M., Birke, M., und Jentsch, C.: Testing exogeneity in the functional linear regression model.
  • Flossdorf, J., Fried, R. und Jentsch, C.: Online Monitoring of Dynamic Networks Using Flexible Multivariate Control Charts. SFB 823 Discussion Paper 2022(33). DOI.
  • Flossdorf, J., Meyer, A., Artjuch, D., Schneider, J. und Jentsch, C.: Unsupervised Movement Detection in Indoor Positioning Systems. arXiv.
  • Aleksandrov, B., Weiß, C.H., Jentsch, C. und Faymonville, M.: Novel Goodness-of-Fit Tests for Binomial Count Time Series.
  • Aleksandrov, B., Weiß, C.H., Nik, S., Faymonville, M. und Jentsch, C.: Modelling and Diagnostic Tests for Poisson and Negative-binomial Count Time Series.
  • Krabel, T. M., Tran, T.N.T., Groll, A., Horn, D. und Jentsch, C.: Random boosting and random^2 forest – A random tree depth injection approach. arXiv.
  • Rieger, J., Jentsch, C. und Rahnenführer, J.: LDAprototype: A Model Selection Algorithm to Improve Reliability of Latent Dirichlet Allocation. DOI.
  • Jentsch, C., Müller, H., Mammen, E., Rieger, J. und Schötz, C.: Text mining methods for measuring the coherence of party manifestos for the German federal elections from 1990 to 2021. DoCMA Working Paper #8. DOI.
  • Blagov, B., Müller, H., Jentsch, C. und Schmidt, T.: The Investment Narrative - Improving Private Investment Forecasts with Media data. Ruhr Economic Papers #921. Link.
  • Walsh, C., Jentsch, C. und Hossain, S.T.: Weighted bootstrap consistency for matching estimators: the role of bias-correction. SFB 823 Discussion Paper 2021(8). DOI.
  • Walsh, C., Jentsch, C. und Hossain, S.T.: Nearest neighbor matching: Does the M-out-of-N bootstrap work when the naïve bootstrap fails? SFB 823 Discussion Paper 2021(5). DOI.
  • Reichold, K. und Jentsch, C.: A Bootstrap-Assisted Self-Normalization Approach to Inference in Cointegrating Regressions. arXiv.

2022

  • Lange, K.-R., Reccius, M., Schmidt, T., Müller, H., Roos, M., und Jentsch, C. (2022).  Towards extracting collective economic narratives from texts. Ruhr Economic Papers #963. link
  • Benner, N., Lange, K.-R., und Jentsch, C. (2022).  Named Entity Narratives. Ruhr Economic Papers #962.
  • Steinmetz, J. und Jentsch, C. (2022). Asymptotic Theory for Mack's Model. Insurance: Mathematics and Economics. DOI.
  • Faymonville, M., Jentsch, C., Weiß, C.H. und Aleksandrov, B. (2022). Semiparametric Estimation of INAR Models using Roughness Penalization. Angenommen für: Statistical Methods & Applications.
  • Lange, K.-R., Rieger, J., Benner, N. und Jentsch, C. (2022). Zeitenwenden: Detecting changes in the German political discourse. Proceedings of the 2nd Workshop on Computational Linguistics for Political Text Analysis. pdf. GitHub.
  • Rieger, J., Lange, K.-R., Flossdorf, J. und Jentsch, C. (2022). Dynamic change detection in topics based on rolling LDAs. Proceedings of the Text2Story'22 Work­shop. CEUR-WS 3117, 5-13. pdf. GitHub.

2021

  • Jentsch, C. und Lunsford, K. (2021). Asymptotically Valid Bootstrap Inference for Proxy SVARs. Journal of Business and Economic Statistics 40(3). DOI. Supplement. Code.
  • Rieger, J., Jentsch, C. und Rahnenführer, J. (2021). RollingLDA: An Update Algorithm of Latent Dirichlet Allocation to Construct Consistent Time Series from Textual Data. Findings of the Association for Computational Linguistics: EMNLP 2021, 2337-2347. DOI. GitHub.
  • Jentsch, C. und Reichmann, L. (2021). Generalized Binary VAR Processes. Journal of Time series Analysis 43(2). DOI.
  • Flossdorf, J. und Jentsch, C. (2021). Change Detection in Dynamic Networks Using Network Characteristics. IEEE Transactions on Signal and Information Processing over Networks 7, 451-464. DOI.
  • Aleksandrov, B., Weiß, C.H. und Jentsch, C. (2021): Goodness-of-fit Tests for Poisson Count Time Series based on the Stein-Chen Identity. Statistica Neerlandica 76(1), 35-64. DOI.
  • Jentsch, C., Lee, E. R. und Mammen, E. (2021). Poisson reduced rank models with an application to political text data. Biometrika 108(2), 455-468. DOI.

2020

  • Jentsch, C. und Kulik, R. (2020). Bootstrapping Hill estimator and tail array sums for regularly varying time series. Bernoulli 27(2), 1409-1439. DOI.
  • Rieger, J., Jentsch, C. und Rahnenführer, J. (2020). Assessing the Uncertainty of the Text Generating Process using Topic Models. ECML PKDD 2020 Workshops. CCIS 1323, 385-396. DOIGitHub.
  • Jentsch, C. und Meyer, M. (2020). On the validity of Akaike's identity for random fields. Journal of Econometrics 222(1C), 676-687. DOI.
  • Rieger, J., Rahnenführer, J. und Jentsch, C. (2020). Improving Latent Dirichlet Allocation: On Reliability of the Novel Method LDAPrototype. Natural Language Processing and Information Systems, NLDB 2020. LNCS 12089, 118-125. DOI.
  • Jentsch, C., Lee, E. R. und Mammen, E. (2020). Time-dependent Poisson reduced rank models for political text data analysis. Computational Statistics and Data Analysis 142, 106813. DOI.
  • Jentsch, C., Leucht, A., Meyer, M., und C. Beering (2020). Empirical characteristic functions-based estimation and distance correlation for locally stationary processes. Journal of Time Series Analysis 41, 110-133. DOI.

2019

  • Jentsch, C. und Reichmann, L. (2019). Generalized Binary Time Series Models. Econometrics 7, 47. DOI.
  • Jentsch, C. und Lunsford, K. (2019). The Dynamic Effects of Personal and Corporate Income Tax Changes in the United States: Comment. American Economic Review 109(7), 2655-2678. DOI. Supplement. Code.
  • Weiß, C. H. und Jentsch, C. (2019). Bootstrap-based Bias Corrections for INAR Count Time Series. Journal of Statistical Computation and Simulation 89(7), 1248-1264. DOI.
  • Jentsch, C. und Weiß (2019), C. H.. Bootstrapping INAR models. Bernoulli 25(3), 2359-2408. DOIWorking Paper

2018

  • Weiß, C. H., Steuer, D., Jentsch, C. und Testik, M. C. (2018). Guaranteed Conditional ARL Performance in the Presence of Autocorrelation. Computational Statistics and Data Analysis 128, 367-379. DOI.

2017

  • Meyer, M., Jentsch, C. und Kreiss, J.-P. (2017). Baxter's Inequality and Sieve Bootstrap for Random Fields. Bernoulli 23(4B), 2988-3020. DOIWorking Paper.
  • Bandyopadhyay, S., Jentsch, C. und Subba Rao, S. (2017). A spectral domain test for stationarity of spatio-temporal data. Journal of Time Series Analysis 38(2), 326-351. DOI.

2016

  • Jentsch, C. und Kirch, C. (2016). How much information does dependence between wavelet coefficients contain? Journal of the American Statistical Association 111(515), 1330-1345. DOI. pdf. Code.
  • Jentsch, C. und Steinmetz, J. (2016). A Connectedness Analysis of German Financial Institutions during the Financial Crisis in 2008. Banks and Bank Systems 11(4). DOI.
  • Jentsch, C. und Leucht, A. (2016). Bootstrapping sample quantiles of discrete data. Annals of the Institute of Statistical Mathematics 68(3), 491-539. DOIWorking Paper.
  • Brüggemann, R., Jentsch, C., und Trenkler, C. (2016). Inference in VARs with Conditional Heteroskedasticity of Unknown Form. Journal of Econometrics 191, 69-85. DOIpdf. Working Paper.

2015

  • Jentsch, C. und Politis, D. N. (2015). Covariance matrix estimation and linear process bootstrap for multivariate time series of possibly increasing dimension. The Annals of Statistics 43(3), 1117-1140. DOIpdf. SupplementCode.
  • Jentsch, C., Paparoditis, E., und Politis, D. N. (2015). Block bootstrap theory for multivariate integrated and cointegrated time series. Journal of Time Series Analysis 36(3), 416-441. DOIpdf.
  • Jentsch, C. und Pauly, M. (2015). Testing equality of spectral densities using randomization techniques. Bernoulli 21(2), 697-739. DOIpdfSupplement.
  • Jentsch, C. und Subba Rao, S. (2015). A test for second order stationarity of a multivariate time series. Journal of Econometrics 185(1), 124-161. DOIpdf. Code.

2013

  • Jentsch, C. und Politis, D. N. (2013). Valid resampling of higher order statistics using linear process bootstrap and autoregressive sieve bootstrap. Communications in Statistics - Theory and Methods 42(7), 1277-1293. pdf.

2012

  • Jentsch, C., Kreiss, J.-P., Mantalos, P. und Paparoditis, E. (2012). Hybrid bootstrap aided unit root testing. Computational Statistics 27(4), 779-797. DOI.
  • Jentsch, C. (2012). A new frequency domain approach of testing for covariance stationarity and for periodic stationarity in multivariate linear processes. Journal of Time Series Analysis 33(2), 177-192. DOIpdf.
  • Jentsch, C. und Mammen, E. (2012). Discussion on the paper "Bootstrap for dependent data: A review" by Jens-Peter Kreiss and Efstathios Paparoditis. Journal of the Korean Statistical Society 40(4), 391-392. DOI.
  • Jentsch, C. und Pauly, M. (2012). A note on periodogram-based distances for comparing spectral densities. Statistics and Probability Letters 82(1), 158-164. DOIpdf.

2010

  • Jentsch, C. und Kreiss, J.-P. (2010). The multiple hybrid Bootstrap - Resampling multivariate linear processes. Journal of Multivariate Analysis 101(10), 2320-2345. DOIpdf.
  • Groll, A. und Jentsch, C. (2022). Über "Paola Zuccolotto and Marica Manisera (2020): Basketball Data science: With Applications in R." Statistical Papers 63, 991-993. DOI.
  • Jentsch, C., Müller, H., Mammen, E., Rieger, J. und Schötz, C. (2021, 18. September). Textanalyse ergibt mögliche Koalitionen: Wer zusammen passt – und wer nicht. Spiegel Online. Institut für Journalistik.
  • von Nordheim, G., Koppers, L., Boczek, K., Rieger, J., Jentsch, C., Müller, H. und Rahnenführer, J. (2021). Die Ent­wick­lung von Forschungssoftware als praktische Interdisziplinarität. M&K Me­di­en & Kom­mu­ni­ka­ti­ons­wis­sen­schaft 69, 80-96. DOI.
  • Rahnenführer, J. und Jentsch, C. (2019). Wer soll das alles lesen? Automatische Analyse von Textdaten. In: Faszination Statistik. Einblicke in aktuelle Forschungsfragen und Erkenntnisse. Eds. Krämer W. und Weihs, C., 191-199. DOI.
  • Jentsch, C. und Politis, D.N. (2011). The multivariate linear process bootstrap. Proceedings of the 17th European Young Statisticians Meeting (EYSM). pdf.
  • Jentsch, C. (2010). (Hybride) Bootstrapverfahren - Wie konstruiert man gute Konfidenzintervalle? In: Theorie und Anwendung lernender Algorithmen in den Ingenieurs- und Naturwissenschaften an der TU Braunschweig. Eds. Heinert, M. und Riedel, B., Geod. Schriftr. TU Braunschweig 25; 27-32.
  • Jentsch, C. (2010). The Multiple Hybrid Bootstrap and Frequency Domain Testing for Periodic Stationarity, Dissertation, TU Braunschweig. pdf.
  • Jentsch, C. (2006). Asymptotik eines nicht-parametrischen Kernschätzers für zeitvariable autoregressive Prozesse, Diplomarbeit, TU Braunschweig. pdf.

Anfahrt & Lageplan

Der Campus der Technischen Universität Dortmund liegt in der Nähe des Autobahnkreuzes Dortmund West, wo die Sauerlandlinie A45 den Ruhrschnellweg B1/A40 kreuzt. Die Abfahrt Dortmund-Eichlinghofen auf der A45 führt zum Campus Süd, die Abfahrt Dortmund-Dorstfeld auf der A40 zum Campus-Nord. An beiden Ausfahrten ist die Universität ausgeschildert.

Direkt auf dem Campus Nord befindet sich die S-Bahn-Station „Dortmund Universität“. Von dort fährt die S-Bahn-Linie S1 im 15- oder 30-Minuten-Takt zum Hauptbahnhof Dortmund und in der Gegenrichtung zum Hauptbahnhof Düsseldorf über Bochum, Essen und Duisburg. Außerdem ist die Universität mit den Buslinien 445, 447 und 462 zu erreichen. Eine Fahrplanauskunft findet sich auf der Homepage des Verkehrsverbundes Rhein-Ruhr, außerdem bieten die DSW21 einen interaktiven Liniennetzplan an.
 

Zu den Wahrzeichen der TU Dortmund gehört die H-Bahn. Linie 1 verkehrt im 10-Minuten-Takt zwischen Dortmund Eichlinghofen und dem Technologiezentrum über Campus Süd und Dortmund Universität S, Linie 2 pendelt im 5-Minuten-Takt zwischen Campus Nord und Campus Süd. Diese Strecke legt sie in zwei Minuten zurück.

Vom Flughafen Dortmund aus gelangt man mit dem AirportExpress innerhalb von gut 20 Minuten zum Dortmunder Hauptbahnhof und von dort mit der S-Bahn zur Universität. Ein größeres Angebot an internationalen Flugverbindungen bietet der etwa 60 Kilometer entfernte Flughafen Düsseldorf, der direkt mit der S-Bahn vom Bahnhof der Universität zu erreichen ist.

Interaktive Karte

Die Einrichtungen der Technischen Universität Dortmund verteilen sich auf den größeren Campus Nord und den kleineren Campus Süd. Zudem befinden sich einige Bereiche der Hochschule im angrenzenden Technologiepark.

Campus Lageplan Zum Lageplan