Dennis Klinkhammer, Alexander Spermann

Einführung in die empirische Kausalanalyse und Machine Learning mit R (eBook, PDF)

• Format: PDF

Produktbeschreibung

Das Lehrbuch bietet Studierenden eine Einführung in die Programmiersprache R. Mit dieser Open-Source-Software werden in der quantitativen Forschung große strukturierte und unstrukturierte Datenmengen für Analysen erschlossen. Lernvideos und digitale Musterlösungen ergänzen das Lehrbuch. Es ist der ideale Einstieg für Bachelor- und Masterstudierende in die Statistik - insbesondere Ökonometrie, empirische Kausalanalyse und Machine Learning. Die ersten beiden Abschnitte enthalten forschungsmethodische sowie statistische Grundlagen und eine Einführung in die anwendungsorientierte Programmiersprache, wobei die Vorteile von R gegenüber einer proprietären Statistiksoftware deutlich werden. Moderne Ökonometrie in der Forschungspraxis steht im Mittelpunkt des dritten Teils. Neben der Einführung in die wichtigsten Methoden der empirischen Wirtschafts- und Sozialforschung werden Musteraufgaben und -lösungen mit R präsentiert. Im Schlussteil beschreiben die Autoren den R-basierten Einstieg in die gängigsten Machine-Learning-Verfahren, verweisen auf Anwendungskontexte in der quantitativen Forschung und ziehen Parallelen zur Statistik.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: wbv Media GmbH & Co. KG
• Seitenzahl: 188
• Erscheinungstermin: 10. August 2020
• Deutsch
• ISBN-13: 9783838555102
• Artikelnr.: 60046861

Autorenporträt

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.

Inhaltsangabe

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