Einführung in die empirische Kausalanalyse und Machine Learning mit R

Prof. Dr. Dennis Klinkhammer ist Fachhochschuldozent an der FOM Hochschule für Empirische Sozialforschung und Wissenschaftler am Institut für Empirie & Statistik (ifes). Er lehrt und forscht zur Anwendung von quantitativen Methoden und Machine Learning in den Sozialwissenschaften.

Prof. Dr. habil. Alexander Spermann lehrt Volkswirtschaftslehre an der Universität Freiburg sowie an der FOM Köln. Seine Forschungsschwerpunkte sind neben der modernen Ökonometrie in der Volkswirtschaftslehre insbesondere die Arbeitsmarkt- und Beschäftigungspolitik.

Schnelleinstieg in R7
Teil 1: Grundlagen der Forschungsmethoden9
1 Einführung in die Forschungsmethoden9
2 Ziele der empirischen Forschung12
3 Grundlegende Begriffe und Definitionen14
Forschungsfragen und Hypothesen14
Operationalisierung zur Beantwortung von Hypothesen16
Variablen und Konstanten in Datensätzen17
Skalenniveaus20
4 Wissenschaftliche Gütekriterien23
Objektivität23
Reliabilität24
Validität24
5 Daten als Grundlage der Analyse27
Datengenerierung 27
Stichprobenziehung28
Herausforderungen der Datengewinnung32
Teil 2: Quantitative Datenanalyse39
6 Deskriptive Analyse 39
Beispieldatensatz für die deskriptive Analyse39
Lagemaße der deskriptiven Statistik40
Minimum, Maximum sowie weitere Lagemaße43
Boxplot zur grafischen Darstellung von Verteilungen45
Verteilung der Merkmalsausprägungen47
Varianz und Standardabweichung51
Vergleich von z-Werten56
7 Bivariate Analyse58
Beispieldatensatz für die bivariate Analyse58
Empirische Kovarianz60
Korrelationskoeffizienten61
Bivariate Datenstruktur visualisieren66
Chi-Quadrat-Test68
t-Test72
8 Multivariate Analyse77
Beispieldatensatz für die multivariate Analyse78
Deskriptive und bivariate Analyse vor der multivariaten Analyse79
Grundlagen der linearen Regressionsanalyse81
Einfache lineare Regression82
Multiple lineare Regression86
Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen92
Grundlagen der logistischen Regressionsanalyse93
Teil 3: Empirische Kausalanalyse99
9 Das fundamentale Evaluationsproblem und kausale Effekte99
10 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems102
Einführung in randomisierte Experimente102
Identifizierungsstrategie bei randomisierten Experimenten111
11 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung115
Kontrollvariablen in der Regressionsanalys115
Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung118
12 Erster Lösungsansatz: Regression Discontinuity Design120
Grundidee des120
Kausaler Effekt eines fiktiven Weiterbildungsprogramms121
RDD Praxisbeispiel122
13 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung125
Grundidee des Designs125
DiD und Regressionsmethode126
DiD-Regressionsmodelle in R127
Grenzen der DiD-Methode129
14 Dritter Lösungsansatz: Instrumentvariablen-Schätzung133
Grundidee des Designs133
Mincer-Gleichung in R134
Diskussion der identifizierenden Annahme137
Instrumentvariablenschätzung und 2SLS137
15 Wichtige Konzepte und Unterscheidungen141
Arten von Experimenten141
Arten von kausalen Effekten142
Messung von Effekten146
Teststärke147
Externe Validität148
Ausblick149
Teil 4: Machine Learning151
16 Einführung in das Machine Learning151
17 Statistische Formeln als Grundlage des Machine Learnings153
Datenaufbereitung und Modellierung153
Training und Validierung154
18 Anwendung von Machine Learning-Algorithmen158
Beispieldatensatz für das Machine Learning158
Supervised Machine Learning163
Unsupervised Machine Learning171
Teil 5: Weitere Materialien179
Video-Tutorials (YouTube) 179
Programmierbeispiele (GitHub)181
Ausgewiesene Literaturempfehlungen182
Sachwortverzeichnis185