Einführung in die empirische Kausalanalyse und Machine Learning mit R

Produktbeschreibung

Das Lehrbuch bietet eine Einführung in die Programmiersprache R. Mit dieser Open-Source-Software werden in der quantitativen Forschung große strukturierte und unstrukturierte Datenmengen für Analysen erschlossen. Lernvideos und digitale Musterlösungen ergänzen das Lehrbuch. Es ist der ideale Einstieg für Bachelor- und Masterstudierende in die Statistik - insbesondere Ökonometrie, empirische Kausalanalyse und Machine Learning. Das Buch enthält forschungsmethodische sowie statistische Grundlagen und eine Einführung in die anwendungsorientierte Programmiersprache, wobei die Vorteile von R gegenüber einer proprietären Statistiksoftware deutlich werden. Moderne Ökonometrie in der Forschungspraxis steht im Mittelpunkt des dritten Teils. Neben der Einführung in die wichtigsten Methoden der empirischen Wirtschafts- und Sozialforschung werden Musteraufgaben und -lösungen mit R präsentiert. Die Autoren beschreiben den R-basierten Einstieg in die gängigsten Machine Learning Verfahren, verweisen auf Anwendungskontexte in der quantitativen Forschung und ziehen Parallelen zur Statistik. 

Inhaltsverzeichnis

Schnelleinstieg in R7Teil 1: Grundlagen der Forschungsmethoden91 Einführung in die Forschungsmethoden92 Ziele der empirischen Forschung123 Grundlegende Begriffe und Definitionen14Forschungsfragen und Hypothesen14Operationalisierung zur Beantwortung von Hypothesen16Variablen und Konstanten in Datensätzen17Skalenniveaus204 Wissenschaftliche Gütekriterien23Objektivität23Reliabilität24Validität245 Daten als Grundlage der Analyse27Datengenerierung 27Stichprobenziehung28Herausforderungen der Datengewinnung32Teil 2: Quantitative Datenanalyse396 Deskriptive Analyse 39Beispieldatensatz für die deskriptive Analyse39Lagemaße der deskriptiven Statistik40Minimum, Maximum sowie weitere Lagemaße43Boxplot zur grafischen Darstellung von Verteilungen45Verteilung der Merkmalsausprägungen47Varianz und Standardabweichung51Vergleich von z-Werten567 Bivariate Analyse58Beispieldatensatz für die bivariate Analyse58Empirische Kovarianz60Korrelationskoeffizienten61Bivariate Datenstruktur visualisieren66Chi-Quadrat-Test68t-Test728 Multivariate Analyse77Beispieldatensatz für die multivariate Analyse78Deskriptive und bivariate Analyse vor der multivariaten Analyse79Grundlagen der linearen Regressionsanalyse81Einfache lineare Regression82Multiple lineare Regression86Zusammenfassung der Voraussetzungen für lineare Regressionsanalysen92Grundlagen der logistischen Regressionsanalyse93Teil 3: Empirische Kausalanalyse999 Das fundamentale Evaluationsproblem und kausale Effekte9910 Randomisierte Experimente zur Lösung des fundamentalen Evaluationsproblems102Einführung in randomisierte Experimente102Identifizierungsstrategie bei randomisierten Experimenten11111 Lösung des fundamentalen Evaluationsproblemsbei fehlender Randomisierung115Kontrollvariablen in der Regressionsanalys115Praxisbeispiel: Evaluation eines Weiterbildungsprogramms ohne Randomisierung11812 Erster Lösungsansatz: Regression Discontinuity Design120Grundidee des120Kausaler Effekt eines fiktiven Weiterbildungsprogramms121RDD Praxisbeispiel12213 Zweiter Lösungsansatz: Differenz-von-Differenzen-Schätzung125Grundidee des Designs125DiD und Regressionsmethode126DiD-Regressionsmodelle in R127Grenzen der DiD-Methode12914 Dritter Lösungsansatz: Instrumentvariablen-Schätzung133Grundidee des Designs133Mincer-Gleichung in R134Diskussion der identifizierenden Annahme137Instrumentvariablenschätzung und 2SLS13715 Wichtige Konzepte und Unterscheidungen141Arten von Experimenten141Arten von kausalen Effekten142Messung von Effekten146Teststärke147Externe Validität148Ausblick149Teil 4: Machine Learning15116 Einführung in das Machine Learning15117 Statistische Formeln als Grundlage des Machine Learnings153Datenaufbereitung und Modellierung153Training und Validierung15418 Anwendung von Machine Learning-Algorithmen158Beispieldatensatz für das Machine Learning158Supervised Machine Learning163Unsupervised Machine Learning171Teil 5: Weitere Materialien179Video-Tutorials (YouTube) 179Programmierbeispiele (GitHub)181Ausgewiesene Literaturempfehlungen182Sachwortverzeichnis185 

Autoreninfo

Prof. Dr. Dennis Klinkhammer ist Fachhochschuldozent an der FOM Hochschule für Empirische Sozialforschung und Wissenschaftler am Institut für Empirie & Statistik (ifes). Er lehrt und forscht zur Anwendung von quantitativen Methoden und Machine Learning in den Sozialwissenschaften.