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
- Margareta KulessaMikroökonomie und Wettbewerb: Soziale Marktwirtschaft verstehen28,00 €
- Michael von HauffNachhaltigkeit für Deutschland? Frag doch einfach!14,90 €
- Dirk LinowskiHerausforderungen der Wirtschaftspolitik43,00 €
- Philipp LepeniesDie Macht der einen Zahl18,00 €
- Hanno BeckStaatsverschuldung8,95 €
- Hansjörg KlausingerDie größten Ökonomen: Friedrich A. von Hayek18,90 €
- Isabel GüntherEinführung in die Entwicklungsökonomik36,00 €
-
-
-
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.
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
- 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
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 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 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
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 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 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