Einführung in die empirische Kausalanalyse und Machine Learning mit R (eBook)
188 Seiten
WBV Media (Verlag)
978-3-8385-5510-2 (ISBN)
Lernvideos und digitale Musterlösungen ergänzen das Lehrbuch. Es ist der ideale Einstieg für Bachelor- und Masterstudierende in die Statistik - insbesondere Ökonometrie, empirische Kausalanalyse und Machine Learning.
Die ersten beiden Abschnitte enthalten forschungsmethodische sowie statistische Grundlagen und eine Einführung in die anwendungsorientierte Programmiersprache, wobei die Vorteile von R gegenüber einer proprietären Statistiksoftware deutlich werden. Moderne Ökonometrie in der Forschungspraxis steht im Mittelpunkt des dritten Teils. Neben der Einführung in die wichtigsten Methoden der empirischen Wirtschafts- und Sozialforschung werden Musteraufgaben und -lösungen mit R präsentiert.
Im Schlussteil beschreiben die Autoren den R-basierten Einstieg in die gängigsten Machine-Learning-Verfahren, verweisen auf Anwendungskontexte in der quantitativen Forschung und ziehen Parallelen zur Statistik.
Teil 1: Grundlagen der Forschungsmethoden
1. Einführung in die Forschungsmethoden
2. Ziele der empirischen Forschung
3. Grundlegende Begriffe und Definitionen
Forschungsfragen und Hypothesen
Operationalisierung zur Beantwortung von Hypothesen
Variablen und Konstanten in Datensätzen
Skalenniveaus
4. Wissenschaftliche Gütekriterien
Objektivität
Reliabilität
Validität
5. Daten als Grundlage der Analyse
Datengenerierung
Stichprobenziehung
Herausforderungen der Datengewinnung
Teil 2: Quantitative Datenanalyse
6. Deskriptive Analyse
Beispieldatensatz für die deskriptive Analyse
Lagemaße der deskriptiven Statistik
Minimum, Maximum sowie weitere Lagemaße
Boxplot zur grafischen Darstellung von Verteilungen
Verteilung der Merkmalsausprägungen
Varianz und Standardabweichung
Vergleich von z-Werten
7. Bivariate Analyse
Beispieldatensatz für die bivariate Analyse
Empirische Kovarianz
Korrelationskoeffizienten
Bivariate Datenstruktur visualisieren
Chi-Quadrat-Test
t-Test
Inhaltsverzeichnis
8. Multivariate Analyse
Beispieldatensatz für die multivariate Analyse
Deskriptive und bivariate Analyse vor der multivariaten Analyse
Grundlagen der linearen Regressionsanalyse
Einfache lineare Regression
Multiple lineare Regression
Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen
Grundlagen der logistischen Regressionsanalyse
Teil 3: Empirische Kausalanalyse
9. Das fundamentale Evaluationsproblem und kausale Effekte
10. Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems
Einführung in randomisierte Experimente
Identifizierungsstrategie bei randomisierten Experimenten
11. Lösung des fundamentalen Evaluationsproblems bei fehlender Randomisierung
Kontrollvariablen in der Regressionsanalyse
Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung
12. Erster Lösungsansatz: Regression Discontinuity Design
Grundidee des Designs
Kausaler Effekt eines fiktiven Weiterbildungsprogramms
RDD Praxisbeispiel
13. Zweiter Lösungsansatz: Differenz-von-Differenzen Schätzung
Grundidee des Designs
DiD und Regressionsmethode
DiD-Regressionsmodelle in R
Grenzen der DiD-Methode
14. Dritter Lösungsansatz: Instrumentalvariablen-Schätzung
Grundidee des Designs
Mincer-Gleichung in R
Diskussion der identifizierenden Annahme
Instrumentvariablenschätzung und 2SLS
Inhaltsverzeichnis - III
15. Wichtige Konzepte und Unterscheidungen Arten von Experimenten Arten von kausalen Effekten
Messung von Effekten
Teststärke
Externe Validität
Ausblick
Teil 4: Machine Learning
16. Einführung in das Machine Learning
17. Statistische Formeln als Grundlage des Machine Learnings
Datenaufbereitung und Modellierung
Training und Validierung
18. Anwendung von Machine Learning Algorithmen
Beispieldatensatz für das Machine Learning
Supervised Machine Learning
Unsupervised Machine Learning
Teil 5: Weitere Materialien
Programmierbeispiele zum Download
Literaturempfehlungen
| Erscheint lt. Verlag | 10.8.2020 |
|---|---|
| Verlagsort | Bielefeld |
| Sprache | deutsch |
| Themenwelt | Mathematik / Informatik ► Informatik |
| Schlagworte | Bachelor • bachelor/master degree courses • Empirische Forschung • Empirische Forschungsmethoden • Empirische Sozialforschung • Forschungsmethoden • kausale Analyse • Künstliche Intelligenz • Lernvideos • machine learning • Masterstudium • Ökonometrie • Programmiersprache R • Quantitative Forschung • Statistik |
| ISBN-10 | 3-8385-5510-4 / 3838555104 |
| ISBN-13 | 978-3-8385-5510-2 / 9783838555102 |
| Haben Sie eine Frage zum Produkt? |
PDF (Ohne DRM)Größe: 7,0 MB
Digital Rights Management: ohne DRM
Dieses eBook enthält kein DRM oder Kopierschutz. Eine Weitergabe an Dritte ist jedoch rechtlich nicht zulässig, weil Sie beim Kauf nur die Rechte an der persönlichen Nutzung erwerben.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Zusätzliches Feature: Online Lesen
Dieses eBook können Sie zusätzlich zum Download auch online im Webbrowser lesen.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
