Angewandte Multivariate Analysemethoden

40 Präsenzstunden Vorlesung, 20 Präsenzstunden Übung, 35 Stunden Vor-/Nachbereitung der Übungen, 55 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Fundierte Kenntnisse in Wahrscheinlichkeitstheorie und Statistik auf Bachelor-Niveau

Lernziele:

Die Studierenden …

• können gängige multivariate statistische Analysemethoden theoretisch erläutern,
• können diese Methoden in konkreten Analyseprojekten anwenden und die Ergebnisse interpretieren und diskutieren und   
• erarbeiten mindestens ein spezielles Verfahren eigenständig.

Fach- und Methodenkompetenzen:

Die Studierenden …

• planen mindestens ein Datenanalyse-Projekt und führen es mithilfe von multivariaten statistischen Analysemethoden durch,
• führen die Datenaufbereitung durch,
• analysieren Daten mittels deskriptiver und explorativer Verfahren,
• können konkrete Projekt-Anforderungen und -Fragestellungen identifizieren,
• können für eine gegebene Problemstellung ein oder mehrere passende Analyseverfahren auswählen,
• vergleichen und bewerten inwiefern Analysemethoden für ein konkretes Projekt geeignet sind,
• prüfen die Modellvoraussetzungen für die vorliegenden Daten und validieren das Modell,
• bewerten, interpretieren und diskutieren die Ergebnisse adäquat und
• setzen die Analyse in geeigneter Software (z.B. R oder Python) um.  

Überfachliche Kompetenzen:

Die Studierenden …

• können die verwendeten Methoden, sowie die erhaltenen Ergebnisse verständlich gegenüber Dritten kommunizieren und kritisch diskutieren,
• können Gefahren eines unreflektierten Einsatzes von multivariaten Verfahren in der Praxis beschreiben und können diese abschätzen (z.B. Modellgläubigkeit, Black-Box-Modelle, Bias) und
• können ethische und rechtliche Fragestellungen beim Einsatz von multivariaten Verfahren in der Praxis erläutern (z.B. Social Scoring, Recommender Systems, Datenschutz).

• Verfahren der explorativen Datenanalyse wie Clusteranalyse, Hauptkomponentenanalyse, Faktorenanalyse, Multidimensionale Skalierung

• Lineare Modelle: Lineare Regression, Logistische und Generalisierte Regression, semi- und nicht-parametrische additive Regressionsmodelle, Varianzanalyse, Kovarianzanalyse (optional)

• Weitere Verfahren wie z.B. Diskriminanzanalyse, Kanonische Korrelationsanalyse, Korrespondenzanalyse

• Explizite Thematisierung ethischer und rechtlicher Aspekte beim Einsatz von multivariaten Verfahren in der Praxis

• Optional: Weitere ausgewählte Modelle, wie z.B. ordinale und nominale Regression, log-lineare Modelle

Tafel / Whiteboard, Beamer, Programmiersprachen wie R oder Python, Repositories mit Versionskontrolle (z.B. git), Peer Instructions; Peer-to-Peer Feedback

Literaturliste wird zu Beginn der Vorlesung bekannt gegeben.

Beispiel-Literatur:

• Backhaus, Erichson, Plinke, Weiber, Weiber: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 2021
• Backhaus, Erichson, Weiber: Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, 2021
• Dobson, Barnett: An Introduction to Generalized Linear Models, 2018
• Dunn, Smyth: Generalized Linear Models with Examples in R, 2018 -Fahrmeir, Kneib, Lang: Regression: Modelle, Methoden und Anwendungen, 2009
• Härdle, Simar: Applied Multivariate Statistical Analysis, 2019
• Handl, Kuhlenkasper: Multivariate Analysemethoden: Theorie und Praxis mit R, 2017
• Wood: Generalized Additive Models: An Introduction with R, 2017