Klinkhammer / Spermann Einführung in die empirische Kausalanalyse und Machine Learning mit R

1. Auflage 2020
ISBN: 978-3-8385-5510-2
Verlag: wbv Media
Format: PDF
Kopierschutz: 0 - No protection

E-Book, Deutsch, 194 Seiten, PDF

Das Lehrbuch zur Programmiersprache R mit Videos und Musterlösungen ist der ideale Einstieg für Studierende in die Statistik mit den Schwerpunkten moderne Ökonometrie, empirische Kausalanalyse und Machine Learning. utb+: Begleitend zum Buch stehen Leser:innen für den schnellen Einstieg in R zwei YouTube-Lernvideos zur Verfügung. Ferner sind für alle Lernziele in R einschlägige Programmierbeispiele über GitHub zugänglich.

Autoren/Hrsg.

Klinkhammer, Dennis

Spermann, Alexander

Fachgebiete

• Interdisziplinäres Wissenschaften Wissenschaften: Forschung und Information Forschungsmethodik, Wissenschaftliche Ausstattung
• Sozialwissenschaften Soziologie | Soziale Arbeit Soziologie Allgemein Empirische Sozialforschung, Statistik
• Interdisziplinäres Wissenschaften Wissenschaften: Allgemeines Wissenschaftliches Arbeiten, Studientechnik
• Sozialwissenschaften Pädagogik Berufliche Bildung Wissenschaftliches Arbeiten, Studientechnik
• Mathematik | Informatik EDV | Informatik EDV & Informatik Allgemein E-Learning
• Sozialwissenschaften Pädagogik Lehrerausbildung, Unterricht & Didaktik E-Learning, Bildungstechnologie

Inhaltsverzeichnis

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

Über Autor(innen)

Klinkhammer, Dennis
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.

Spermann, Alexander
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.

Prof. Dr. Dennis Klinkhammer ist Fachhochschullehrer 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.