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

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.