Wintersemester 2023/24

Die Veranstaltung wird ergänzt durch das Schlüsselqualifikationsmodul B.SK.VWL.210/ B.SK.MET.210 "Einführung in die computergestützte Datenanalyse". Es wird vom Lehrstuhl für Methoden der empirischen Sozialforschung (Prof. Dr. Kohler) durchgeführt, nähere Informationen erhalten Sie hier.

Downloads

• Klausurergebnisse Wintersemester 202​​​​​​3/24

Zu erbringende Leistung

• Klausur (90 Min) und aktive Teilnahme in der Übung

Anrechenbar als

• B.BM.VWL.420,  B.VM.VWL.610, BWL: BA-P-602, BA-SK-W-1 (6 ECTS)

Voraussetzungen

• BA: Statistik dringend empfohlen

Inhalt

Ziel der Veranstaltung ist es, den Studierenden die Grundlagen der empirischen Wirtschaftsforschung zu vermitteln und eine Einführung in die Ökonometrie zu geben. Aufbauend auf der Vorlesung „Statistik“ sollen sie in die Lage versetzt werden, eine empirische Analyse (Thesen- und Modellbildung, Datenerhebung und -auswertung, Auswahl der Schätzmethode, Interpretation der Ergebnisse) selbständig durchführen zu können.

Themen

• Analyse ökonomischer Zusammenhänge
• Einführung in die Ökonometrie
• Schätzen, Testen und Interpretieren im einfachen und multiplen linearen Regressionsmodell
• Probleme und Erweiterungen des multiplen Regressionsmodells
• Policy Evaluation
• Einführung in STATA

Literatur

• Schira, J. (2012): Statistische Methoden der VWL und BWL. Pearson Studium.
• Wooldridge, J. (2016): Wooldridge (2016): Introductory Econometrics. A Modern Approach, Cengage Learning, Ohio.
• Kohler, U., Kreuter, F. (2012): Datenanalyse mit Stata. Oldenburg Verlag.

Der Kurs wird vom Lehrstuhl für Methoden der empirischen Sozialforschung (Prof. Dr. Kohler) angeboten.

Weitere Informationen finden Sie in PULS und auf der Homepage des Lehrstuhles für Methoden der empirischen Sozialforschung von Prof. Dr. U. Kohler.

Anrechenbar als

• BVMVWL420 (6 ECTS)

Kursbeschreibung:

Diese Vorlesung bietet eine Einführung in die Grundlagen des maschinellen Lernens unter Verwendung der Programmiersprache R. Das maschinelle Lernen ist eine Schlüsselkomponente in der heutigen datengetriebenen Welt und findet in verschiedenen Anwendungen wie der Datenanalyse, Prognose, Klassifikation und Clustering Anwendung.

In diesem Kurs werden die Studierenden in die Grundkonzepte des maschinellen Lernens eingeführt, beginnend mit den verschiedenen Arten von Lernparadigmen, einschließlich überwachtem und unüberwachtem Lernen. Wir werden uns auf praktische Anwendungen konzentrieren und Schritt für Schritt die wichtigsten Techniken wie lineare Regression, Entscheidungsbäume, k-Nearest Neighbors und neuronale Netze in R implementieren und anwenden.

Am Ende des Kurses werden die Studierenden in der Lage sein, maschinelles Lernen in R anzuwenden, um reale Datenprobleme zu lösen, Modelle zu entwickeln und die Ergebnisse zu interpretieren. Dieser Kurs bietet eine solide Grundlage für weiterführende Kurse im Bereich des maschinellen Lernens und der Datenanalyse.

Voraussetzungen: Grundlegende Kenntnisse der Programmiersprache R und grundlegende Statistikkenntnisse sind hilfreich, sind aber nicht zwingend erforderlich.

Qualifikationsziele:

Die Studierenden verfügen über ein solides Verständnis der grundlegenden Konzepte des maschinellen Lernens entwickeln, einschließlich der Unterscheidung zwischen überwachtem und unüberwachtem Lernen sowie der verschiedenen Arten von Lernalgorithmen. Die Studierenden sind in der Lage, Daten in R effizient zu importieren, zu bereinigen und zu explorieren, um wichtige Muster und Zusammenhänge zu identifizieren, die für das maschinelle Lernen relevant sind.

Literatur:

James, G., Witten, D., Hastie, T., Tibshirani, R. (2021): An Introduction to Statistical Learning with Applications in R, Second Edition, Springer. 

Die Veranstaltung wird auf Englisch gehalten.

Anrechenbar als

• MA-W-210, MA-W-220, MA-M-320 (6 ECTS)

Inhalt

• Statistics, econometrics and machine learning.
• Draw contrasts with traditional approaches.
• How to use machine learning methods for prediction?
• How to use machine learning tools in R?
• Tree-based methods in R.
• Parametric methods.
• Analyze regression-based methods in R
• How to conduct empirical research?
• How to write an empirical paper?

Zu erbringende Leistung

• Oral exam (50%)
• Term paper (50%)

Das Master-Forschungskolloquium wird parallel zur Bearbeitung der Master-Abschlussarbeit belegt.

Die Veranstaltung wird auf Englisch gehalten.

Anrechenbar als

• MA-F-100, MA-FK-600 (3 ECTS)