040713 UK Angewandte Statistik (2022W)
Prüfungsimmanente Lehrveranstaltung
Labels
VOR-ORT
Zusammenfassung
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 12.09.2022 09:00 bis Fr 23.09.2022 12:00
- Abmeldung bis Sa 15.10.2022 23:59
An/Abmeldeinformationen sind bei der jeweiligen Gruppe verfügbar.
Gruppen
Gruppe 1
max. 35 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Donnerstag 06.10. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 13.10. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 20.10. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 27.10. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 03.11. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 10.11. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 17.11. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 24.11. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 01.12. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 15.12. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 12.01. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Donnerstag 19.01. 15:00 - 16:30 Hörsaal 12 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 24.01. 18:30 - 20:00 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Literatur
Kosinski, M., Wang, Y., Lakkaraju, H., Leskovec, J. (2016) Mining big data to extract patterns and predict real-life outcomes, Psychological Methods 21(4), 493-506.
Fahrmeir, L., Hamerle, A., Tutz, G. (1996) Multivariate statistische Verfahren
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Fahrmeir, L., Hamerle, A., Tutz, G. (1996) Multivariate statistische Verfahren
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Gruppe 2
max. 35 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Dienstag 04.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 11.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 18.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 25.10. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 08.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 15.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 22.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 29.11. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 06.12. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 13.12. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 10.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 17.01. 16:45 - 18:15 Hörsaal 10 Oskar-Morgenstern-Platz 1 2.Stock
- Dienstag 24.01. 18:30 - 20:00 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Literatur
Kosinski, M., Wang, Y., Lakkaraju, H., Leskovec, J. (2016) Mining big data to extract patterns and predict real-life outcomes, Psychological Methods 21(4), 493-506.
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Es gibt eine Programmieraufgabe zu jedem Thema. Die Programmieraufgaben werden am 17.11.2022 (Gruppe 1) bzw am 22.11.2022 (Gruppe 2) und am 12.01.2023 (Gruppe 1) bzw. am 10.01.2023 (Gruppe 2) vergeben und eine Woche später abgegeben und besprochen.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten.
Mindestanforderungen und Beurteilungsmaßstab
30 Punkte Programmieraufgabe zum Thema 1
30 Punkte Programmieraufgabe zum Thema 2
40 Punkte schriftliche AbschlussprüfungDie Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
30 Punkte Programmieraufgabe zum Thema 2
40 Punkte schriftliche AbschlussprüfungDie Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
Prüfungsstoff
Inhalte der behandelten Themen
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Di 06.12.2022 13:48
Erwerb von Kenntnissen in der Anwendung statistischer Methoden auf praktische Fragestellungen und die Lösung von konkreten Anwendungsproblemen.Inhalte:
Die Vorlesung basiert auf dem Aufsatz von Kosinski et al. (2016) "Mining big data to extract patterns and predict real-life outcomes’’
https://www.apa.org/pubs/journals/features/met-met0000104.pdf
Es werden mithilfe der Daten aus diesem Aufsatz die Datenreduktion und Strukturerkennung mit
1. SVD (Singulärwertzerlegung) und LDA (latent Dirichlet allocation) in der Regression
und
2. Partielle kleinste Quadraten (PLS) und Lasso
besprochen.Methoden:
Vorlesung mit kombinierter Übung. Es besteht Anwesenheitspflicht in der ersten Einheit und in den Übungen.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.