Einführung in die empirische Kausalanalyse und Machine Learning mit R

10.08.2020

Deutsch

9783825255107

UTB

Nein

Dennis Klinkhammer

180

1

Taschenbuch

empirische Forschung, quantitative Datenanalyse, Ökonometrie, Forschungsmethoden, künstliche Intelligenz, Lernvideos, Programmiersprache R, quantitative Forschung, Statistik, empirische Sozialforschung, Kausalanalyse, kausale Analyse, Multivariate Analyse, Programmiersprache R, Ökonometrie, Statistik, empirische Sozialforschung, Wirtschaftsforschung, Lehrbuch

KCH - Ökonometrie und Wirtschaftsstatistik JHBC - Sozialforschung und -statistik UFM - Mathematische und statistische Software

Schnelleinstieg in R 7 Teil 1: Grundlagen der Forschungsmethoden 9 1 Einführung in die Forschungsmethoden 9 2 Ziele der empirischen Forschung 12 3 Grundlegende Begriffe und Definitionen 14 Forschungsfragen und Hypothesen 14 Operationalisierung zur Beantwortung von Hypothesen 16 Variablen und Konstanten in Datensätzen 17 Skalenniveaus 20 4 Wissenschaftliche Gütekriterien 23 Objektivität 23 Reliabilität 24 Validität 24 5 Daten als Grundlage der Analyse 27 Datengenerierung 27 Stichprobenziehung 28 Herausforderungen der Datengewinnung 32 Teil 2: Quantitative Datenanalyse 39 6 Deskriptive Analyse 39 Beispieldatensatz für die deskriptive Analyse 39 Lagemaße der deskriptiven Statistik 40 Minimum, Maximum sowie weitere Lagemaße 43 Boxplot zur grafischen Darstellung von Verteilungen 45 Verteilung der Merkmalsausprägungen 47 Varianz und Standardabweichung 51 Vergleich von z-Werten 56 7 Bivariate Analyse 58 Beispieldatensatz für die bivariate Analyse 58 Empirische Kovarianz 60 Korrelationskoeffizienten 61 Bivariate Datenstruktur visualisieren 66 Chi-Quadrat-Test 68 t-Test 72 8 Multivariate Analyse 77 Beispieldatensatz für die multivariate Analyse 78 Deskriptive und bivariate Analyse vor der multivariaten Analyse 79 Grundlagen der linearen Regressionsanalyse 81 Einfache lineare Regression 82 Multiple lineare Regression 86 Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen 92 Grundlagen der logistischen Regressionsanalyse 93 Teil 3: Empirische Kausalanalyse 99 9 Das fundamentale Evaluationsproblem und kausale Effekte 99 10 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems 102 Einführung in randomisierte Experimente 102 Identifizierungsstrategie bei randomisierten Experimenten 111 11 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung 115 Kontrollvariablen in der Regressionsanalys 115 Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung 118 12 Erster Lösungsansatz: Regression Discontinuity Design 120 Grundidee des 120 Kausaler Effekt eines fiktiven Weiterbildungsprogramms 121 RDD Praxisbeispiel 122 13 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung 125 Grundidee des Designs 125 DiD und Regressionsmethode 126 DiD-Regressionsmodelle in R 127 Grenzen der DiD-Methode 129 14 Dritter Lösungsansatz: Instrumentvariablen-Schätzung 133 Grundidee des Designs 133 Mincer-Gleichung in R 134 Diskussion der identifizierenden Annahme 137 Instrumentvariablenschätzung und 2SLS 137 15 Wichtige Konzepte und Unterscheidungen 141 Arten von Experimenten 141 Arten von kausalen Effekten 142 Messung von Effekten 146 Teststärke 147 Externe Validität 148 Ausblick 149 Teil 4: Machine Learning 151 16 Einführung in das Machine Learning 151 17 Statistische Formeln als Grundlage des Machine Learnings 153 Datenaufbereitung und Modellierung 153 Training und Validierung 154 18 Anwendung von Machine Learning-Algorithmen 158 Beispieldatensatz für das Machine Learning 158 Supervised Machine Learning 163 Unsupervised Machine Learning 171 Teil 5: Weitere Materialien 179 Video-Tutorials (YouTube) 179 Programmierbeispiele (GitHub) 181 Ausgewiesene Literaturempfehlungen 182 Sachwortverzeichnis 185

240 mm

17 cm