Cover 1
Impressum 5
Inhalt 6
Schnelleinstieg in R 10
Teil1: Grundlagen der Forschungsmethoden 12
1 Einführung in die Forschungsmethoden 12
2 Ziele der empirischen Forschung 15
3 Grundlegende Begriffe und Definitionen 17
Forschungsfragen und Hypothesen 17
Operationalisierung zur Beantwortung von Hypothesen 19
Variablen und Konstanten in Datensätzen 20
Skalenniveaus 23
4 Wissenschaftliche Gütekriterien 26
Objektivität 26
Reliabilität 27
Validität 27
5 Daten als Grundlage der Analyse 30
Datengenerierung 30
Stichprobenziehung 31
Herausforderungen der Datengewinnung 35
Teil2: Quantitative Datenanalyse 42
6 Deskriptive Analyse 42
Beispieldatensatz für die deskriptive Analyse 42
Lagemaße der deskriptiven Statistik 43
Minimum, Maximum sowie weitere Lagemaße 46
Boxplot zur grafischen Darstellung von Verteilungen 48
Verteilung der Merkmalsausprägungen 50
Varianz und Standardabweichung 54
Vergleich von z-Werten 59
7 Bivariate Analyse 61
Beispieldatensatz für die bivariate Analyse 61
Empirische Kovarianz 63
Korrelationskoeffizienten 64
Bivariate Datenstruktur visualisieren 69
Chi-Quadrat-Test 71
t-Test 75
8 Multivariate Analyse 80
Beispieldatensatz für die multivariate Analyse 81
Deskriptive und bivariate Analyse vor der multivariaten Analyse 82
Grundlagen der linearen Regressionsanalyse 84
Einfache lineare Regression 85
Multiple lineare Regression 89
Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen 95
Grundlagen der logistischen Regressionsanalyse 96
Teil3: Empirische Kausalanalyse 102
9 Das fundamentale Evaluationsproblem und kausale Effekte 102
10 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems 105
Einführung in randomisierte Experimente 105
Identifizierungsstrategie bei randomisierten Experimenten 114
11 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung 118
Kontrollvariablen in der Regressionsanalyse 118
Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung 121
12 Erster Lösungsansatz: Regression Discontinuity Design 123
Grundidee des Designs 123
Kausaler Effekt eines fiktiven Weiterbildungsprogramms 124
RDD Praxisbeispiel 125
13 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung 128
Grundidee des Designs 128
DiD und Regressionsmethode 129
DiD-Regressionsmodelle in R 130
Grenzen der DiD-Methode 132
14 Dritter Lösungsansatz: Instrumentvariablen-Schätzung 136
Grundidee des Designs 136
Mincer-Gleichung in R 137
Diskussion der identifizierenden Annahme 140
Instrumentvariablenschätzung und 2SLS 140
15 Wichtige Konzepte und Unterscheidungen 144
Arten von Experimenten 144
Arten von kausalen Effekten 145
Messung von Effekten 149
Teststärke 150
Externe Validität 151
Ausblick 152
Teil 4: Machine Learning 154
16 Einführung in das Machine Learning 154
17 Statistische Formeln als Grundlage des Machine Learnings 156
Datenaufbereitung und Modellierung 156
Training und Validierung 157
18 Anwendung von Machine Learning-Algorithmen 161
Beispieldatensatz für das Machine Learning 161
Supervised Machine Learning 166
Unsupervised Machine Learning 174
Teil 5: Weitere Materialien 182
Video-Tutorials (YouTube) 182
Programmierbeispiele (GitHub) 184
Ausgewiesene Literaturempfehlungen 185
Sachwortverzeichnis 188