 |
| Detailinformationen |
| Anmeldevoraussetzungen |
keine
|
| Quellcurriculum |
Bachelorstudium Statistik und Data Science 2025W |
| Lernergebnisse |
Kompetenzen |
| Die Studierenden kennen nach Absolvierung der Lehrveranstaltung die Verfahren und die praktische Anwendung der klassischen linearen Regression, Varianz- und Kovarianzanalyse und allgemeinen linearen Regression
|
|
| Fertigkeiten |
Kenntnisse |
- Kennen und Verstehen des linearen Modells samt Modellannahmen (k1, k2).
- Anwenden und Interpretieren verschiedener linearer Modelle (k3, k4, k5).
- Anwenden der Methoden des linearen Modells mit der Freeware R (k3).
- Verstehen und Anwenden der Modellsuche, verschiedene lineare Modelle gegeneinander Testen (k2, k3, k4).
|
- Einfache lineare Regression: Modellannahmen, Konfidenzintervalle und Testen von Hypothesen über Parameter, Residualanalyse
- Multiple Regression: Modellierung von Effekten, Konfidenzbereiche, F-Tests, Modellsuche, Modellanpassung
- Varianzanalyse
- Kovarianzanalyse
|
|
| Beurteilungskriterien |
Hausübungen
Klausur
|
| Lehrmethoden |
Vorlesung
Besprechung der von Studierenden ausgearbeiteten Übungsaufgaben
|
| Abhaltungssprache |
Deutsch |
| Literatur |
Fahrmeir L., Kneib T. , Lang S. and Marx B., Regression: Models, Methods and Applications, Springer, 2013
|
| Lehrinhalte wechselnd? |
Nein |
| Äquivalenzen |
4MSOMKV: KV Ökonometrische Modelle (Statistik) (4 ECTS)
|
|
