Meine Filiale

Einführung in die empirische Kausalanalyse und Machine Learning mit R

Dennis Klinkhammer, Alexander Spermann

Buch (Taschenbuch)
Buch (Taschenbuch)
Fr. 45.90
Fr. 45.90
inkl. gesetzl. MwSt.
inkl. gesetzl. MwSt.
Versandfertig innert 1 - 2 Werktagen Versandkostenfrei
Versandfertig innert 1 - 2 Werktagen
Versandkostenfrei

Weitere Formate

Taschenbuch

Fr. 45.90

Accordion öffnen
  • Einführung in die empirische Kausalanalyse und Machine Learning mit R

    Utb GmbH

    Versandfertig innert 1 - 2 Werktagen

    Fr. 45.90

    Utb GmbH

eBook (PDF)

Fr. 26.90

Accordion öffnen

Beschreibung

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.

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.

Produktdetails

Einband Taschenbuch
Seitenzahl 180
Erscheinungsdatum 10.08.2020
Sprache Deutsch
ISBN 978-3-8252-5510-7
Verlag Utb GmbH
Maße (L/B/H) 24.1/17.2/1.4 cm
Gewicht 335 g

Kundenbewertungen

Es wurden noch keine Bewertungen geschrieben.

  • Artikelbild-0
  • Schnelleinstieg in R 7
    Teil 1: Grundlagen der Forschungsmethoden 9
    1 Einführung in die Forschungsmethoden 9
    2 Ziele der empirischen Forschung 12
    3 Grundlegende Begriffe und Definitionen 14
    Forschungsfragen und Hypothesen 14
    Operationalisierung zur Beantwortung von Hypothesen 16
    Variablen und Konstanten in Datensätzen 17
    Skalenniveaus 20
    4 Wissenschaftliche Gütekriterien 23
    Objektivität 23
    Reliabilität 24
    Validität 24
    5 Daten als Grundlage der Analyse 27
    Datengenerierung 27
    Stichprobenziehung 28
    Herausforderungen der Datengewinnung 32
    Teil 2: Quantitative Datenanalyse 39
    6 Deskriptive Analyse 39
    Beispieldatensatz für die deskriptive Analyse 39
    Lagemasse der deskriptiven Statistik 40
    Minimum, Maximum sowie weitere Lagemasse 43
    Boxplot zur grafischen Darstellung von Verteilungen 45
    Verteilung der Merkmalsausprägungen 47
    Varianz und Standardabweichung 51
    Vergleich von z-Werten 56
    7 Bivariate Analyse 58
    Beispieldatensatz für die bivariate Analyse 58
    Empirische Kovarianz 60
    Korrelationskoeffizienten 61
    Bivariate Datenstruktur visualisieren 66
    Chi-Quadrat-Test 68
    t-Test 72
    8 Multivariate Analyse 77
    Beispieldatensatz für die multivariate Analyse 78
    Deskriptive und bivariate Analyse vor der multivariaten Analyse 79
    Grundlagen der linearen Regressionsanalyse 81
    Einfache lineare Regression 82
    Multiple lineare Regression 86
    Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen 92
    Grundlagen der logistischen Regressionsanalyse 93
    Teil 3: Empirische Kausalanalyse 99
    9 Das fundamentale Evaluationsproblem und kausale Effekte 99
    10 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems 102
    Einführung in randomisierte Experimente 102
    Identifizierungsstrategie bei randomisierten Experimenten 111
    11 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung 115
    Kontrollvariablen in der Regressionsanalys 115
    Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung 118
    12 Erster Lösungsansatz: Regression Discontinuity Design 120
    Grundidee des 120
    Kausaler Effekt eines fiktiven Weiterbildungsprogramms 121
    RDD Praxisbeispiel 122
    13 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung 125
    Grundidee des Designs 125
    DiD und Regressionsmethode 126
    DiD-Regressionsmodelle in R 127
    Grenzen der DiD-Methode 129
    14 Dritter Lösungsansatz: Instrumentvariablen-Schätzung 133
    Grundidee des Designs 133
    Mincer-Gleichung in R 134
    Diskussion der identifizierenden Annahme 137
    Instrumentvariablenschätzung und 2SLS 137
    15 Wichtige Konzepte und Unterscheidungen 141
    Arten von Experimenten 141
    Arten von kausalen Effekten 142
    Messung von Effekten 146
    Teststärke 147
    Externe Validität 148
    Ausblick 149
    Teil 4: Machine Learning 151
    16 Einführung in das Machine Learning 151
    17 Statistische Formeln als Grundlage des Machine Learnings 153
    Datenaufbereitung und Modellierung 153
    Training und Validierung 154
    18 Anwendung von Machine Learning-Algorithmen 158
    Beispieldatensatz für das Machine Learning 158
    Supervised Machine Learning 163
    Unsupervised Machine Learning 171
    Teil 5: Weitere Materialien 179
    Video-Tutorials (YouTube) 179
    Programmierbeispiele (GitHub) 181
    Ausgewiesene Literaturempfehlungen 182
    Sachwortverzeichnis 185