Dennis Klinkhammer, Alexander Spermann
Einführung in die empirische Kausalanalyse und Machine Learning mit R
Dennis Klinkhammer, Alexander Spermann
Einführung in die empirische Kausalanalyse und Machine Learning mit R
- Broschiertes Buch
- Merkliste
- Auf die Merkliste
- Bewerten Bewerten
- Teilen
- Produkt teilen
- Produkterinnerung
- Produkterinnerung
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. Erhältlich über utb.de.
Andere Kunden interessierten sich auch für
- Michael von HauffNachhaltigkeit für Deutschland? Frag doch einfach!14,90 €
- Margareta KulessaMikroökonomie und Wettbewerb: Soziale Marktwirtschaft verstehen28,00 €
- Dirk LinowskiHerausforderungen der Wirtschaftspolitik43,00 €
- Michael von HauffNachhaltigkeit für Deutschland? Frag doch einfach!19,90 €
- Philipp LepeniesDie Macht der einen Zahl18,00 €
- Hanno BeckStaatsverschuldung8,95 €
- Hansjörg KlausingerDie größten Ökonomen: Friedrich A. von Hayek18,90 €
-
-
-
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. Erhältlich über utb.de.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Produktdetails
- Produktdetails
- UTB Uni-Taschenbücher 5510
- Verlag: UTB / wbv
- Seitenzahl: 180
- Erscheinungstermin: 10. August 2020
- Deutsch
- Abmessung: 241mm x 172mm x 14mm
- Gewicht: 336g
- ISBN-13: 9783825255107
- ISBN-10: 3825255107
- Artikelnr.: 59875541
- Herstellerkennzeichnung
- UTB GmbH
- Industriestr. 2
- 70565 Stuttgart
- www.utb.de
- +49 (0711) 7829555-0
- UTB Uni-Taschenbücher 5510
- Verlag: UTB / wbv
- Seitenzahl: 180
- Erscheinungstermin: 10. August 2020
- Deutsch
- Abmessung: 241mm x 172mm x 14mm
- Gewicht: 336g
- ISBN-13: 9783825255107
- ISBN-10: 3825255107
- Artikelnr.: 59875541
- Herstellerkennzeichnung
- UTB GmbH
- Industriestr. 2
- 70565 Stuttgart
- www.utb.de
- +49 (0711) 7829555-0
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.
Schnelleinstieg in R7Teil 1: Grundlagen der Forschungsmethoden91 Einführung in die Forschungsmethoden92 Ziele der empirischen Forschung123 Grundlegende Begriffe und Definitionen14Forschungsfragen und Hypothesen14Operationalisierung zur Beantwortung von Hypothesen16Variablen und Konstanten in Datensätzen17Skalenniveaus204 Wissenschaftliche Gütekriterien23Objektivität23Reliabilität24Validität245 Daten als Grundlage der Analyse27Datengenerierung 27Stichprobenziehung28Herausforderungen der Datengewinnung32Teil 2: Quantitative Datenanalyse396 Deskriptive Analyse 39Beispieldatensatz für die deskriptive Analyse39Lagemaße der deskriptiven Statistik40Minimum, Maximum sowie weitere Lagemaße43Boxplot zur grafischen Darstellung von Verteilungen45Verteilung der Merkmalsausprägungen47Varianz und Standardabweichung51Vergleich von z-Werten567 Bivariate Analyse58Beispieldatensatz für die bivariate Analyse58Empirische Kovarianz60Korrelationskoeffizienten61Bivariate Datenstruktur visualisieren66Chi-Quadrat-Test68t-Test728 Multivariate Analyse77Beispieldatensatz für die multivariate Analyse78Deskriptive und bivariate Analyse vor der multivariaten Analyse79Grundlagen der linearen Regressionsanalyse81Einfache lineare Regression82Multiple lineare Regression86Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen92Grundlagen der logistischen Regressionsanalyse93Teil 3: Empirische Kausalanalyse999 Das fundamentale Evaluationsproblem und kausale Effekte9910 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems102Einführung in randomisierte Experimente102Identifizierungsstrategie bei randomisierten Experimenten11111 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung115Kontrollvariablen in der Regressionsanalys115Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung11812 Erster Lösungsansatz: Regression Discontinuity Design120Grundidee des120Kausaler Effekt eines fiktiven Weiterbildungsprogramms121RDD Praxisbeispiel12213 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung125Grundidee des Designs125DiD und Regressionsmethode126DiD-Regressionsmodelle in R127Grenzen der DiD-Methode12914 Dritter Lösungsansatz: Instrumentvariablen-Schätzung133Grundidee des Designs133Mincer-Gleichung in R134Diskussion der identifizierenden Annahme137Instrumentvariablenschätzung und 2SLS13715 Wichtige Konzepte und Unterscheidungen141Arten von Experimenten141Arten von kausalen Effekten142Messung von Effekten146Teststärke147Externe Validität148Ausblick149Teil 4: Machine Learning15116 Einführung in das Machine Learning15117 Statistische Formeln als Grundlage des Machine Learnings153Datenaufbereitung und Modellierung153Training und Validierung15418 Anwendung von Machine Learning-Algorithmen158Beispieldatensatz für das Machine Learning158Supervised Machine Learning163Unsupervised Machine Learning171Teil 5: Weitere Materialien179Video-Tutorials (YouTube) 179Programmierbeispiele (GitHub)181Ausgewiesene Literaturempfehlungen182Sachwortverzeichnis185
Schnelleinstieg in R7Teil 1: Grundlagen der Forschungsmethoden91 Einführung in die Forschungsmethoden92 Ziele der empirischen Forschung123 Grundlegende Begriffe und Definitionen14Forschungsfragen und Hypothesen14Operationalisierung zur Beantwortung von Hypothesen16Variablen und Konstanten in Datensätzen17Skalenniveaus204 Wissenschaftliche Gütekriterien23Objektivität23Reliabilität24Validität245 Daten als Grundlage der Analyse27Datengenerierung 27Stichprobenziehung28Herausforderungen der Datengewinnung32Teil 2: Quantitative Datenanalyse396 Deskriptive Analyse 39Beispieldatensatz für die deskriptive Analyse39Lagemaße der deskriptiven Statistik40Minimum, Maximum sowie weitere Lagemaße43Boxplot zur grafischen Darstellung von Verteilungen45Verteilung der Merkmalsausprägungen47Varianz und Standardabweichung51Vergleich von z-Werten567 Bivariate Analyse58Beispieldatensatz für die bivariate Analyse58Empirische Kovarianz60Korrelationskoeffizienten61Bivariate Datenstruktur visualisieren66Chi-Quadrat-Test68t-Test728 Multivariate Analyse77Beispieldatensatz für die multivariate Analyse78Deskriptive und bivariate Analyse vor der multivariaten Analyse79Grundlagen der linearen Regressionsanalyse81Einfache lineare Regression82Multiple lineare Regression86Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen92Grundlagen der logistischen Regressionsanalyse93Teil 3: Empirische Kausalanalyse999 Das fundamentale Evaluationsproblem und kausale Effekte9910 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems102Einführung in randomisierte Experimente102Identifizierungsstrategie bei randomisierten Experimenten11111 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung115Kontrollvariablen in der Regressionsanalys115Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung11812 Erster Lösungsansatz: Regression Discontinuity Design120Grundidee des120Kausaler Effekt eines fiktiven Weiterbildungsprogramms121RDD Praxisbeispiel12213 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung125Grundidee des Designs125DiD und Regressionsmethode126DiD-Regressionsmodelle in R127Grenzen der DiD-Methode12914 Dritter Lösungsansatz: Instrumentvariablen-Schätzung133Grundidee des Designs133Mincer-Gleichung in R134Diskussion der identifizierenden Annahme137Instrumentvariablenschätzung und 2SLS13715 Wichtige Konzepte und Unterscheidungen141Arten von Experimenten141Arten von kausalen Effekten142Messung von Effekten146Teststärke147Externe Validität148Ausblick149Teil 4: Machine Learning15116 Einführung in das Machine Learning15117 Statistische Formeln als Grundlage des Machine Learnings153Datenaufbereitung und Modellierung153Training und Validierung15418 Anwendung von Machine Learning-Algorithmen158Beispieldatensatz für das Machine Learning158Supervised Machine Learning163Unsupervised Machine Learning171Teil 5: Weitere Materialien179Video-Tutorials (YouTube) 179Programmierbeispiele (GitHub)181Ausgewiesene Literaturempfehlungen182Sachwortverzeichnis185