Universität Wien

040713 UK Applied Statistics (2023W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Continuous assessment of course work
ON-SITE
Moodle

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).

Details

max. 60 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

Tuesday 03.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 10.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 17.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 24.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 31.10. 13:15 - 14:45 Seminarraum 14 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 31.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 07.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 14.11. 13:15 - 14:45 Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
Tuesday 14.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 21.11. 13:15 - 14:45 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Tuesday 21.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 28.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 05.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 12.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 16.01. 13:15 - 14:45 Seminarraum 16 Oskar-Morgenstern-Platz 1 3.Stock
Tuesday 16.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Tuesday 23.01. 16:45 - 18:15 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß

Information

Aims, contents and method of the course

Ziele:
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. Partiellen kleinsten Quadraten (PLS) und Lasso
besprochen.

Methoden:
Vorlesung mit kombinierter Übung. Je nach Teilnehmerzahl werden die Übungen in zwei Gruppen stattfinden.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.

Assessment and permitted materials

Es gibt eine Programmieraufgabe zu jedem Thema. Die Programmieraufgaben werden am 14.11.2023 und am 09.01.2024 vergeben und eine Woche später abgegeben und besprochen.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten am 23.01.2024.

Die Verwendung von KI-Tools (z. B. ChatGPT) für die Produktion von Texten ist nur dann erlaubt, wenn diese von der Lehrveranstaltungsleitung ausdrücklich gefordert werden (z. B. für einzelne Arbeitsaufgaben).

Minimum requirements and assessment criteria

30 Punkte Programmieraufgabe zum Thema 1
30 Punkte Programmieraufgabe zum Thema 2
40 Punkte schriftliche Abschlussprüfung

Die Note ermittelt sich nach folgendem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.

Examination topics

Inhalte der behandelten Themen

Reading list

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.

Association in the course directory

Last modified: We 18.10.2023 11:47