Wintersemester 2020/21

Das Bachelor-Kolloquium wird parallel zur Bearbeitung der Bachelor-Abschlussarbeit belegt.

*Aufgrund der aktuell wieder ansteigenden Corona-Infektionszahlen, findet die Veranstaltung online über Zoom statt. Diese Informationen sind noch nicht in PULS enthalten.

Anrechenbar als

• B.FK.VWL.110, B.KO.PUW.110

Nähere Informationen finden Sie hier.

Die Veranstaltung wird auf Englisch gehalten.

*Aufgrund der aktuell wieder ansteigenden Corona-Infektionszahlen, findet die Veranstaltung online über Zoom statt. Diese Informationen sind noch nicht in PULS enthalten.

Downloads

• Exam Results
• Time Schedule

Zu erbringende Leistung

• Written exam
• Active participation in practical sessions
• Oral presentations

Anrechenbar als 

• MA-B-300, MA-600

Inhalt

The aim of this lecture is to familiarize participants with microeconometric estimation techniques. The lecture will be complemented by a practical session.

Themen:

• Multiple Regression
• Instrumental Variables
• Panel Data Methods
• Limited Dependent Variables
• Machine Learning

Literatur

• Wooldridge, J. (2013): Introductory Econometrics. A Modern Approach. South-Western Cengage Learning.
• Cameron, C., and P. K. Trivedi (2005): Microeconometrics. Methods and Applications. Cambridge University Press, New York.
• Greene, W. H. (2012): Econometric Analysis. Pearson, Massachusetts.
• Kohler, U., Kreuter, F. (2008): Datenanalyse mit Stata. Oldenburg Verlag, München.
• Cameron, C., and P. K. Trivedi (2010): Microeconometrics Using Stata, Stata Press, College Station, Texas.

Diese Veranstaltung wird auf Englisch gehalten.

Aufgrund der aktuell wieder ansteigenden Corona-Infektionszahlen, findet die Veranstaltung online über Zoom statt. 

Download

• Seminarankündigung
• Vorlage: Eidesstattliche Erklärung

Termine

Dies ist ein vorläufiger Zeitplan. Der endgültige Zeitplan hängt von der Anmeldung ab.

• 6.11.20 ,14:00 - 15:30: Seminarvorbesprechung
• 13.11.20, 14:00 - 17:00: Einführung in Machine Learning
• 15.11.20: Anmeldung zum Seminar per E-Mail mit  *Anwendung* präferenz
• 16.11.20: Themenvergabe per E-Mail
• 27.11.20, 9:00 - 11:00: Präsentation von * ML Methodenblock 1*
• 4.12.20: Abgabe Problemset 1
• 11.12.20, 9:00 - 11:00: Präsentation von *Anwendungsblock 1*
• 18.12.20: Abgabe Problemset 2
• 8.1.21, 14:00 - tbd: Präsentation von * ML Methodenblock 2*
• 15.1.21: Abgabe Problemset 3
• 22.1.21, 14:00 - tbd: Präsentation von * Anwendungsblock 2*
• 29.1.21: Abgabe Problemset 4
• 5.02.21, 14:00-15:30: Wrap-up und Abschlussbesprechung & Empirische Arbeit Vergabe
• 10.2.21: Empirische Arbeit Abgabe (neuer Termin!)

Anrechenbar als

• MA-FK-600, MA-W-210/220

Voraussetzungen

• MA: Microeconometrics
• MA: Public Policy Evaluation empfohlen

Zu erbringende Leistung

1. Actively participating in all sessions and complying with all deadlines listed in the schedule. 
2. Complete the reading assignments for the “Introduction to Machine Learning” Sessions. 
3. Present one machine learning method and one application of machine learning to economics. 
4. Complete 4 problemsets. 
5. Complete the final empirical assignment. 
6. Your grade will be determined by how well you do in your presentations, in participating in the discussion, in the problemsets, and in the final empirical assignment. 

Inhalt

Seminartitel: "Topics in Machine Learning and Econometrics"

This seminar has 2 learning goals: 1) introduce the main concepts of machine learning (ML), especially supervised learning, and 2) identify how ML can be used in applied economic research and even enhance causal inference. We will not only discuss text book chapters and empirical economics papers, but also learn how to implement ML methods in R. Students will have the chance to get to know R through online courses provided by “Datacamp for the classroom”. During the semester students will present a ML method, an application of ML in economics, and complete problemsets in R. The final assignment will be in the spirit of a competition (with bonus points for the best performing algorithm). Besides technical skills the course promotes a series of important softskills: public speaking, presenting empirical results intuitively, and navigating self-directed learning the field of machine learning.