Winter Term 2023/24

The course will be complemented by the Key Skill module B.SK.VWL.210/ B.SK.MET.210 "Einführung in die computergestützte Datenanalyse" which is organized by the Chair of Empirical Social Research (Prof. Dr. Kohler). More information is available here.

Exam

• Written exam (90 min)

Creditable as

• Economics: B.BM.VWL.420,  B.VM.VWL.610 (6 ECTS)
• Business Administration: BA-P-602 (6 ECTS)
• "Studiumplus": BA-SK-W-1 (6 ECTS)

Requirements

• BA: Statistics strongly recommended

Content

The aim of this course is to provide the participants with a basic understanding of empirical economics and to give them an introduction to econometrics. Building on the lecture "BA: Statistics" the participants shall be enabled to conduct empirical analysis on their own.

Topics

• Analysis of economic relationships
• Introduction to econometrics
• Estimating, testing and interpreting the simple and multiple regression model framework
• Problems and extensions of the multiple regression model
• Policy evaluation
• Introduction to STATA

Literature

• Schira, J. (2012): Statistische Methoden der VWL und BWL. Pearson Studium.
• Wooldridge, J. (2016): Wooldridge (2016): Introductory Econometrics. A Modern Approach, Cengage Learning, Ohio.
• Kohler, U., Kreuter, F. (2012): Datenanalyse mit Stata. Oldenburg Verlag.

The course is provided by the Chair of Methods of Empirical Social Research (Prof. Dr. Kohler).

More information can be found on PULS and on the homepage of the Chair of Methods of Empirical Social Research of Prof. Dr. U. Kohler.

Anrechenbar als

• BVMVWL420 (6 ECTS)

Kursbeschreibung:

Diese Vorlesung bietet eine Einführung in die Grundlagen des maschinellen Lernens unter Verwendung der Programmiersprache R. Das maschinelle Lernen ist eine Schlüsselkomponente in der heutigen datengetriebenen Welt und findet in verschiedenen Anwendungen wie der Datenanalyse, Prognose, Klassifikation und Clustering Anwendung.

In diesem Kurs werden die Studierenden in die Grundkonzepte des maschinellen Lernens eingeführt, beginnend mit den verschiedenen Arten von Lernparadigmen, einschließlich überwachtem und unüberwachtem Lernen. Wir werden uns auf praktische Anwendungen konzentrieren und Schritt für Schritt die wichtigsten Techniken wie lineare Regression, Entscheidungsbäume, k-Nearest Neighbors und neuronale Netze in R implementieren und anwenden.

Am Ende des Kurses werden die Studierenden in der Lage sein, maschinelles Lernen in R anzuwenden, um reale Datenprobleme zu lösen, Modelle zu entwickeln und die Ergebnisse zu interpretieren. Dieser Kurs bietet eine solide Grundlage für weiterführende Kurse im Bereich des maschinellen Lernens und der Datenanalyse.

Voraussetzungen: Grundlegende Kenntnisse der Programmiersprache R und grundlegende Statistikkenntnisse sind hilfreich, sind aber nicht zwingend erforderlich.

Qualifikationsziele:

Die Studierenden verfügen über ein solides Verständnis der grundlegenden Konzepte des maschinellen Lernens entwickeln, einschließlich der Unterscheidung zwischen überwachtem und unüberwachtem Lernen sowie der verschiedenen Arten von Lernalgorithmen. Die Studierenden sind in der Lage, Daten in R effizient zu importieren, zu bereinigen und zu explorieren, um wichtige Muster und Zusammenhänge zu identifizieren, die für das maschinelle Lernen relevant sind.

Literatur:

James, G., Witten, D., Hastie, T., Tibshirani, R. (2021): An Introduction to Statistical Learning with Applications in R, Second Edition, Springer. 

This event is held in English.

Creditable as

• MA-W-210, MA-W-220, MA-M-320 (6 ECTS)

Content

• Statistics, econometrics and machine learning.
• Draw contrasts with traditional approaches.
• How to use machine learning methods for prediction?
• How to use machine learning tools in R?
• Tree-based methods in R.
• Parametric methods.
• Analyze regression-based methods in R
• How to conduct empirical research?
• How to write an empirical paper?

Exam

• Oral exam (50%)
• Term paper (50%)

Students enroll in this colloquium during their Master thesis.

The event is held in English.

Creditable as

• Economics: MA-F-100, MA-FK-600 (3 ECTS)