Moses - Modulbeschreibung ohne Titel

Zur Modulseite PDF generieren

Modul / Version
#70370 / #1

Gültigkeit
WS 2019/20 - SoSe 2024

Verfügbare Sprache(n)
Deutsch, Englisch

Titel des Moduls
Regression-based Statistical Learning with R

Leistungspunkte
6

Modulverantwortliche*r
Werwatz, Axel

Benotung
Benotet

Prüfungsform
Schriftliche Prüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät VII

Institut
Institut für Volkswirtschaftslehre und Wirtschaftsrecht

Fachgebiet
37312100 FG Ökonometrie und Wirtschaftsstatistik

Prüfungsausschuss
Volkswirtschaftslehre

Kontakt

Sekretariat
H 57

Ansprechpartner*in
Hölscher, Oliver

E-Mail-Adresse
axel.werwatz@tu-berlin.de

Webseite

http://www.statistik.tu-berlin.de

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum WS 2019/20 - SoSe 2024. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

Lernergebnisse

Die Regressionsanalyse als klassisches Werkzeug in der empirischen Erforschung von kausalen Zusammenhängen gewinnt vor dem Hintergrund der aktuellen Fortschritte im Bereich des statistischen Lernens an Bedeutung. In diesem Feld des statistischen Lernens wird die Regressionsanalyse vornehmlich zur Vorhersage von stetig verteilten Zielvariablen genutzt. Diese Anwendung der Regression bildet den Fokus dieser Lehrveranstaltung. Als empirisches Beispiel dient hierzu die Vorhersage von Hauspreisen gegeben der Charakteristika der Häuser. Die Studierenden erlangen ein fundiertes Wissen über die Theorie der Vorhersage mittels Regressionsanalysen in der zur Lehrveranstaltung gehörenden Vorlesung. In den Übungen wird dieses Wissen in praktische Übungen mittels des Statistikframeworks R umgesetzt. Dies versetzt die Studierenden in die Lage eigenständig Forschungsfragen empirischer Natur zu beantworten. Dazu gehört sowohl die Spezifikation und die Implementierung statistischer Modelle. Das theoretische Wissen aus der Vorlesung ermöglicht es die Modellergebnisse in den korrekten, statistischen Kontext zu fassen. Dazu gehört das Erkennen von eventuell fehlerhaften Modellspezifikationen als auch das korrekte Interpretieren der empirischen Ergebnisse. Die Lernergebnisse qualifizieren die Studierenden somit über die Lehrveranstaltung hinaus mit wichtigen Fähigkeiten zur Bearbeitung eigener, empirischer Forschungsprojekte z.B. im Rahmen einer wissenschaftlichen Abschlußarbeit.

Lehrinhalte

Loss Functions und Optimal Prediction Modellwahl (bias-variance trade-off, Kreuzvalidierung, Informationskriterien) nicht-parametrische Regression Kernel-Regression Nearest-neighbor Regression Additive Modelle Parametrische Regression Lineare Regression Ridge Regression LASSO und Elastic Net Regression Regression Trees Random Forest

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Regression-based Statistical Learning with R	VL	VL 71 21 L	WiSe	en	2
Regression-based Statistical Learning with R	UE	VL 71 21 L	WiSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Regression-based Statistical Learning with R (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/ Nachbereitung	15.0	2.0h	30.0h
			60.0h(~2 LP)

Regression-based Statistical Learning with R (UE):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor- / Nachbereitung	15.0	2.0h	30.0h
			60.0h(~2 LP)

Lehrveranstaltungsunabhängiger Aufwand:

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Prüfungsvorbereitung	1.0	60.0h	60.0h
			60.0h(~2 LP)

Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Neben der Vorlesung (VL) findet eine Übung in Form einer computerbasierten Übung statt. Dabei werden Programmier- sowie Datenanalyseaufgaben bearbeitet mit Hilfe des Statistikprogrammes R.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Kenntnisse im Bereich Wahrscheinlichkeitstheorie und statistische Inferenz auf dem Niveau der Veranstaltungen „Statistik I für Ökonomen und Wirtschaftsingenieure“ und „Statistik II für Ökonomen und Wirtschaftsingenieure" sind wünschenswert. Weiterhin ist der erfolgreiche Abschluß einer Veranstaltung, die die Grundlagen der Regressionsanalyse zum Thema hat (z.B. "Ökonometrie"), wünschenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

90 Min.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Zur Teilnahme am Modul ist keine Anmeldung erforderlich.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Fahrmeir, L., Kneib, T., Lang, S., Regression, Springer.
Hastie, T., Tibshirani, R. and Friedman, J. (2017). The elements of statistical learning. 2nd edition. Corrected 12th printing, Springer Series in Statistics.

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Die Veranstaltung findet auf englisch statt.