Die Berechnung von Vorhersageintervallen auf derGrundlage von historischen Kontrolldaten aus Bioassaysist in vielen Bereichen der biologischen Forschung von Interesse. Bei pharmazeutischen und präklinischenAnwendungen, wie z. B. Immonogenitätstests, ist die Berechnung von Vorhersageintervallen (oder oberenVorhersagegrenzen), die zwischen anti-drug Antikörper positiven Patienten und anti-drug Antikörper negativenPatienten unterscheiden, von Interesse. In der (Öko-)Toxikologie werden verschiedene Bioassaysangewendet, um die toxikologischen Eigenschaften einer bestimmten chemischen Verbindung anModellorganismenzu untersuchen (z. B. ihre Karzinogenität oder ihre Auswirkungen auf aquatische Nahrungsketten).In diesem Forschungsbereich ist es von Interesse zu überprüfen, ob das Ergebnis der aktuellenunbehandelten Kontrolle (oder der gesamten aktuellen Studie) mit den historischen Informationen übereinstimmt.Zu diesem Zweck können Vorhersageintervalle auf der Grundlage von historischen Kontrolldatenberechnet werden. Wenn die aktuellen Beobachtungen im Vorhersageintervall liegen, kann davonausgegangen werden, dass sie mit den historischen Informationen übereinstimmen.Das erste Kapitel dieser Arbeit gibt einen detaillierten Überblick über die Verwendung von historischenKontrolldaten im Rahmen von biologischen Versuchen. Darüber hinaus wird ein Überblick über die Datenstruktur(dichotome Daten, Zähldaten, kontinuierliche Daten) und die Modelle, auf denen die vorgeschlagenenVorhersageintervalle basieren, gegeben. Im Zusammenhang mit dichotomen Daten oder Zähldatenwird besonderes Augenmerk auf Überdispersion gelegt, die in Daten mit biologischem Hintergrund häufigvorkommt, in der Literatur zu Vorhersageintervallen jedoch meist nicht berücksichtigt wird.Daher wurden Vorhersageintervalle für eine zukünftige Beobachtung vorgeschlagen, die auf überdispersenBinomialdaten beruhen. Die Überdeckungswahrscheinlichkeiten dieser Intervalle wurden auf der Grundlagevon Monte-Carlo-Simulationen bewertet und lagen wesentlich näher am nominellen Level als die inder Literatur gefundenen Vorhersageintervalle, die keineÜberdispersion berücksichtigen (siehe Abschnitte2.1 und 2.2).In mehreren Anwendungen ist die abhängige Variable kontinuierlich und wird als normalverteilt angenommen.Dennoch können die Daten durch verschiedene Zufallsfaktoren (zum Beispiel unterschiedliche Laboredie Proben von mehreren Patienten analysieren) beeinflusst werden. In diesem Fall können die Datendurch lineareModelle mit zufälligen Effekten modelliert werden, bei denen Parameterschätzer mittels Restricted-Maximum-Likelihood Verfahren geschätztwerden. Für dieses Szenariowerden in Abschnitt 2.3 zweiVorhersageintervalle vorgeschlagen. Eines dieser vorgeschlagenen Intervalle basiert auf einem Bootstrap-Kalibrierungsverfahren, das es auch in Fällen anwendbar macht, in denen ein Vorhersageintervall für mehrals eine zukünftige Beobachtung benötigt wird.Abschnitt 2.4 beschreibt das R-Paket predint, in dem das in Abschnitt 2.3 beschriebene bootstrap-kalibrierteVorhersageintervall (sowie untere und obere Vorhersagegrenzen) implementiert ist. Darüber hinaus sindVorhersageintervalle für mindestens eine zukünftige Beobachtung für überdisperse Binomial- oder Zähldatenimplementiert.Der Kern dieser Arbeit besteht in der Berechnung von Vorhersageintervallen für eine oder mehrere zukünftigeBeobachtungen, die auf überdispersen Binomialdaten, überdispersen Zähldaten oder linearen Modellenmit zufälligen Effekten basieren. Nach Kenntnis des Autors ist dies das erste Mal, dass Vorhersageintervalle,die Überdispersion berücksichtigen, vorgeschlagen werden. Darüber hinaus ist "predint" das ersteüber CRAN verfügbare R-Paket, das Funktionen für die Anwendung von Vorhersageintervallen für diegenanntenModelle bereitstellt. Somit ist die in dieser Arbeit vorgeschlageneMethodik öffentlich zugänglichund kann von anderen Forschenden leicht angewendet werden.