Dennis Klinkhammer, Alexander Spermann

Einführung in die empirische Kausalanalyse und Mac hine Learning mit R

Artikelnummer: 6004783

Print:
2020, 188 Seiten, 25,00 €
 
ISBN: 9783825255107
Print
Pressetext
- Auf den Spuren von Sherlock Holmes: Die Open-Source-Software 'R' im Studium anwenden -

Einschlägige Methoden sind für die Forschung im Hochschulstudium und im wissenschaftlichen Kontext ebenso wichtig wie die genaue Beobachtungsgabe, mit der Sherlock Holmes seine Fälle löst. Nur wer relevante  …mehr
- Auf den Spuren von Sherlock Holmes: Die Open-Source-Software 'R' im Studium anwenden -

Einschlägige Methoden sind für die Forschung im Hochschulstudium und im wissenschaftlichen Kontext ebenso wichtig wie die genaue Beobachtungsgabe, mit der Sherlock Holmes seine Fälle löst. Nur wer relevante Variablen identifizieren und die Beziehungen zwischen abhängigen und unabhängigen Variablen möglichst präzise nachzeichnen kann, wird neue Erkenntnisse generieren. Eine der wichtigsten Forschungsmethoden stellen Dennis Klinkhammer und Alexander Spermann in 'Einführung in die empirische Kausalanalyse und Machine Learning mit R' vor. Das Lehrbuch ist für Bachelor- und Masterstudierende der ideale Einstieg in den statistischen Lehrstoff, insbesondere Ökonometrie, die empirische Kausalanalyse mit der Open-Source-Software 'R' und Machine Learning. Lernvideos und digitale Musterlösungen ergänzen den Lernstoff.

Die ersten beiden Teile des Bandes behandeln forschungsmethodische und statistische Grundlagen sowie eine Einführung in die anwendungsorientierte Programmiersprache, wobei die Vorteile der Open-Source-Software gegenüber proprietärer Statistiksoftware deutlich ausgearbeitet werden. Moderne Ökonometrie in der Forschungspraxis steht im Mittelpunkt des dritten Teils. Neben der Einführung in die wichtigsten Methoden der empirischen Wirtschafts- und Sozialforschung werden Musteraufgaben und -lösungen mit 'R' präsentiert. Im Schlussteil beschreiben die Autoren den R-basierten Einstieg in die gängigsten Machine-Learning-Verfahren, verweisen auf Anwendungskontexte in der quantitativen Forschung und ziehen Parallelen zur Statistik.
Autor:in/Herausgeber:in

Prof. Dr. Dennis Klinkhammer ist Fachhochschullehrer 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.

Aus dem Inhalt (u.a.)

Teil 1: Grundlagen der Forschungsmethoden

1. Einführung in die Forschungsmethoden
2. Ziele der empirischen Forschung
3. Grundlegende Begriffe und Definitionen
Forschungsfragen und Hypothesen
Operationalisierung zur Beantwortung von Hypothesen
Variablen und Konstanten in Datensätzen
Skalenniveaus
4. Wissenschaftliche Gütekriterien
Objektivität
Reliabilität
Validität
5. Daten als Grundlage der Analyse
Datengenerierung
Stichprobenziehung
Herausforderungen der Datengewinnung

Teil 2: Quantitative Datenanalyse

6. Deskriptive Analyse
Beispieldatensatz für die deskriptive Analyse
Lagemaße der deskriptiven Statistik
Minimum, Maximum sowie weitere Lagemaße
Boxplot zur grafischen Darstellung von Verteilungen
Verteilung der Merkmalsausprägungen
Varianz und Standardabweichung
Vergleich von z-Werten
7. Bivariate Analyse
Beispieldatensatz für die bivariate Analyse
Empirische Kovarianz
Korrelationskoeffizienten
Bivariate Datenstruktur visualisieren
Chi-Quadrat-Test
t-Test

Inhaltsverzeichnis

8. Multivariate Analyse
Beispieldatensatz für die multivariate Analyse
Deskriptive und bivariate Analyse vor der multivariaten Analyse
Grundlagen der linearen Regressionsanalyse
Einfache lineare Regression
Multiple lineare Regression
Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen
Grundlagen der logistischen Regressionsanalyse

Teil 3: Empirische Kausalanalyse

9. Das fundamentale Evaluationsproblem und kausale Effekte
10. Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems
Einführung in randomisierte Experimente
Identifizierungsstrategie bei randomisierten Experimenten
11. Lösung des fundamentalen Evaluationsproblems bei fehlender Randomisierung
Kontrollvariablen in der Regressionsanalyse
Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung
12. Erster Lösungsansatz: Regression Discontinuity Design
Grundidee des Designs
Kausaler Effekt eines fiktiven Weiterbildungsprogramms
RDD Praxisbeispiel
13. Zweiter Lösungsansatz: Differenz-von-Differenzen Schätzung
Grundidee des Designs
DiD und Regressionsmethode
DiD-Regressionsmodelle in R
Grenzen der DiD-Methode
14. Dritter Lösungsansatz: Instrumentalvariablen-Schätzung
Grundidee des Designs
Mincer-Gleichung in R
Diskussion der identifizierenden Annahme
Instrumentvariablenschätzung und 2SLS

Inhaltsverzeichnis - III

15. Wichtige Konzepte und Unterscheidungen Arten von Experimenten Arten von kausalen Effekten
Messung von Effekten
Teststärke
Externe Validität
Ausblick

Teil 4: Machine Learning

16. Einführung in das Machine Learning
17. Statistische Formeln als Grundlage des Machine Learnings
Datenaufbereitung und Modellierung
Training und Validierung
18. Anwendung von Machine Learning Algorithmen
Beispieldatensatz für das Machine Learning
Supervised Machine Learning
Unsupervised Machine Learning

Teil 5: Weitere Materialien

Programmierbeispiele zum Download
Literaturempfehlungen