Dr. Angelina Hammon (Akademische Rätin)
Raum F21/00.77
Feldkirchenstraße 21
96045 Bamberg
Tel.: 0951 863-2534
Sprechstunde: nach Vereinbarung
Forschungsgebiete
- Behandlung (nicht-ignorierbarer) fehlender Daten
- Multiple Imputation
- Inferenz bei komplexen Survey-Daten und non-probability Samples
Kurzbiographie
Angelina Hammon ist seit April 2026 am Lehrstuhl für Statistik und Ökonometrie als Lehrkraft für besondere Aufgaben tätig. Zuvor war sie seit 2019 als wissenschaftliche Mitarbeiterin am Sozio-oekonomischen Panel (SOEP) am DIW Berlin beschäftigt, wo sie an Projekten zur Inferenz bei nicht-probabilistischen Stichproben sowie zur Entwicklung von Mikrosimulationsmodellen zur Modellierung latenter Entscheidungsprozesse arbeitete. Davor war sie in der Methodengruppe des Leibniz-Institut für Bildungsverläufe (LIfBi) tätig und übernahm regelmäßig Lehrtätigkeiten am Lehrstuhl für Statistik und Ökonometrie der Universität Bamberg.
Sie absolvierte ihr Bachelorstudium in Soziologie an der Otto-Friedrich-Universität Bamberg und erlangte dort 2016 ihren Masterabschluss in Survey Statistik. Im Jahr 2023 schloss sie ihre Promotion an der Humboldt-Universität zu Berlin mit einer Arbeit zur Analyse nicht-ignorierbarer fehlender Daten und Selektionsmechanismen ab.
Ihre Forschungsinteressen umfassen insbesondere Methoden zur Behandlung fehlender Werte, multiple Imputation von (nicht-ignorierbaren) fehlenden Daten sowie die Durchführung valider Inferenzen bei komplexen Survey-Daten und non-probability Samples.
Ausgewählte Veröffentlichungen
- Hammon, A., Zinn, S. (2025): Validating an Index of Selection Bias for Proportions in Non-Probability Samples. International Statistical Review, 93: 499–516.
- Hammon, A. (2023): Analysis of Survey Data in the Presence of Non-Ignorable Missing-Data and Selection Mechanisms. Dissertation
- Hammon, A. (2023): Multiple imputation of ordinal missing not at random data. AStA Advances in Statistical Analysis, 107: 671–692.
- Hammon, A., Zinn, S. (2020): Multiple Imputation of Binary Multilevel Missing not at Random Data, Journal of the Royal Statistical Society Series C, Volume, 69 (3): . 547–564.