Einführung in die empirische Kausalanalyse und Machine Learning mit R
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...
lieferbar
versandkostenfrei
Taschenbuch
Fr. 36.90
inkl. MwSt.
- Kreditkarte, Paypal, Rechnungskauf
- 30 Tage Widerrufsrecht
Produktdetails
Produktinformationen zu „Einführung in die empirische Kausalanalyse und Machine Learning mit R “
Klappentext zu „Einführung in die empirische Kausalanalyse und Machine Learning mit R “
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.
Inhaltsverzeichnis zu „Einführung in die empirische Kausalanalyse und Machine Learning mit R “
Schnelleinstieg in R7 Teil 1: Grundlagen der Forschungsmethoden9 1 Einführung in die Forschungsmethoden9 2 Ziele der empirischen Forschung12 3 Grundlegende Begriffe und Definitionen14 Forschungsfragen und Hypothesen14 Operationalisierung zur Beantwortung von Hypothesen16 Variablen und Konstanten in Datensätzen17 Skalenniveaus20 4 Wissenschaftliche Gütekriterien23 Objektivität23 Reliabilität24 Validität24 5 Daten als Grundlage der Analyse27 Datengenerierung 27 Stichprobenziehung28 Herausforderungen der Datengewinnung32 Teil 2: Quantitative Datenanalyse39 6 Deskriptive Analyse 39 Beispieldatensatz für die deskriptive Analyse39 Lagemasse der deskriptiven Statistik40 Minimum, Maximum sowie weitere Lagemasse43 Boxplot zur grafischen Darstellung von Verteilungen45 Verteilung der Merkmalsausprägungen47 Varianz und Standardabweichung51 Vergleich von z-Werten56 7 Bivariate Analyse58 Beispieldatensatz für die bivariate Analyse58 Empirische Kovarianz60 Korrelationskoeffizienten61 Bivariate Datenstruktur visualisieren66 Chi-Quadrat-Test68 t-Test72 8 Multivariate Analyse77 Beispieldatensatz für die multivariate Analyse78 Deskriptive und bivariate Analyse vor der multivariaten Analyse79 Grundlagen der linearen Regressionsanalyse81 Einfache lineare Regression82 Multiple lineare Regression86 Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen92 Grundlagen der logistischen Regressionsanalyse93 Teil 3: Empirische Kausalanalyse99 9 Das fundamentale Evaluationsproblem und kausale Effekte99 10 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems102 Einführung in randomisierte Experimente102 Identifizierungsstrategie bei randomisierten Experimenten111 11 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung115 Kontrollvariablen in der Regressionsanalys115 Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung118 12 Erster Lösungsansatz: Regression Discontinuity Design120 Grundidee des120 Kausaler Effekt eines
... mehr
fiktiven Weiterbildungsprogramms121 RDD Praxisbeispiel122 13 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung125 Grundidee des Designs125 DiD und Regressionsmethode126 DiD-Regressionsmodelle in R127 Grenzen der DiD-Methode129 14 Dritter Lösungsansatz: Instrumentvariablen-Schätzung133 Grundidee des Designs133 Mincer-Gleichung in R134 Diskussion der identifizierenden Annahme137 Instrumentvariablenschätzung und 2SLS137 15 Wichtige Konzepte und Unterscheidungen141 Arten von Experimenten141 Arten von kausalen Effekten142 Messung von Effekten146 Teststärke147 Externe Validität148 Ausblick149 Teil 4: Machine Learning151 16 Einführung in das Machine Learning151 17 Statistische Formeln als Grundlage des Machine Learnings153 Datenaufbereitung und Modellierung153 Training und Validierung154 18 Anwendung von Machine Learning-Algorithmen158 Beispieldatensatz für das Machine Learning158 Supervised Machine Learning163 Unsupervised Machine Learning171 Teil 5: Weitere Materialien179 Video-Tutorials (YouTube) 179 Programmierbeispiele (GitHub)181 Ausgewiesene Literaturempfehlungen182 Sachwortverzeichnis185
... weniger
Autoren-Porträt von Dennis Klinkhammer, Alexander Spermann
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.
Bibliographische Angaben
- Autoren: Dennis Klinkhammer , Alexander Spermann
- 2020, 180 Seiten, 24 Schwarz-Weiss-Abbildungen, Masse: 17,2 x 24,1 cm, Taschenbuch, Deutsch
- Verlag: wbv
- ISBN-10: 3825255107
- ISBN-13: 9783825255107
- Erscheinungsdatum: 12.08.2020
Kommentar zu "Einführung in die empirische Kausalanalyse und Machine Learning mit R"
0 Gebrauchte Artikel zu „Einführung in die empirische Kausalanalyse und Machine Learning mit R“
Zustand | Preis | Porto | Zahlung | Verkäufer | Rating |
---|
Schreiben Sie einen Kommentar zu "Einführung in die empirische Kausalanalyse und Machine Learning mit R".
Kommentar verfassen