Moses - Statistische Regressionsanalyse

Zur Modulseite PDF generieren

Modul / Version
#70370 / #2

Gültigkeit
WiSe 2024/25 - WiSe 2024/25

Verfügbare Sprache(n)
Deutsch, Englisch

Titel des Moduls
Regression-based Statistical Learning
Statistische Regressionsanalyse

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 WiSe 2024/25 - WiSe 2024/25. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

Lernergebnisse

Regression ist ein Schlüsselwerkzeug für die empirische akademische Forschung zur Erklärung, d.h. zur Schätzung, kausaler Beziehungen zwischen Variablen. In letzter Zeit hat es eine zentrale Rolle als Schlüsselwerkzeug für die Vorhersage eingenommen, d.h. für überwachtes statistisches Lernen mit einer kontinuierlichen Zielvariable Y. Dies wird die Perspektive dieses Kurses sein. Das empirische Beispiel, das während dieses Kurses verwendet wird, wird die Vorhersage von Hauspreisen (Y) basierend auf ihren Merkmalen (X) sein. In den Vorlesungen dieses Kurses werden die Studierenden Kenntnisse über die theoretischen Konzepte der Prognose im Kontext der Regressionsanalyse erlangen. In den Übungen wird dieses Wissen verwendet, um tatsächlich empirische Vorhersagemodelle mithilfe der Programmiersprache Python zu implementieren und zu schätzen. Dies ermöglicht es den Studierenden, autonom empirische Forschungsfragen zu beantworten. Dies umfasst die Spezifikation statistischer Modelle sowie ihre Schätzung. Das theoretische Wissen aus den Vorlesungen ermöglicht es den Studierenden, die erhaltenen Ergebnisse in den Kontext zu setzen. Dies beinhaltet die Erkennung falsch spezifizierter Modelle sowie die korrekte Interpretation von Modellergebnissen. Darüber hinaus werden die Studierenden Expertise in der Bearbeitung von empirischen Forschungsprojekten erlangen, die typischerweise Teil einer wissenschaftlichen Abschlussarbeit sind. Es wird empfohlen, bereits Kenntnisse in der Programmierung mit Python zu haben.

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	UE	VL 71 21 L	WiSe	de	2
Regression-based Statistical Learning	VL	VL 71 21 L	WiSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Regression-based Statistical Learning (UE):

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 (VL):

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 eines Statistikprogrammes.

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.

Keine Angabe

Sonstiges

Die Veranstaltung findet auf englisch statt.