Informationen zu den Modulen
zurück
Modul (6 Credits)
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- verfügen über umfassende Kenntnisse moderner statistischer und ökonometrischer Methoden und beherrschen deren Anwendung bei der Lösung empirischer, ökonometrischer Fragestellungen
- kennen die formalen Eigenschaften zentraler Verfahren und können sie mathematisch zeigen
- können ökonomische Probleme sachgerecht in ein ökonometrisches Modell überführen, die ökonometrischen und statistischen Schätz- sowie Testverfahren hinsichtlich ihrer Problemadäquanz beurteilen, die geeigneten Daten auswählen und die empirischen Befunde kritisch kommentieren
- sind in der Lage, eigenständig und mit Hilfe geeigneter statistischer und ökonometrischer Software praktische Probleme zu lösen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung der Empirie in den Wirtschaftswissenschaften hoch und wird sich noch weiter erhöhen.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten) oder einer mündlichen Prüfung.
Alternativ: Empirisches Prognoseprojekt (70% der Note) und Präsentation (in der Regel: 20 Minuten. 30% der Note).
Die Art der Prüfung wird jeweils zu Semesterbeginn vom Dozenten festgelegt.
- Verwendung in Studiengängen
- Bestandteile
Vorlesung (3 Credits)
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Knowledge of basic econometric concepts such as communicated in our bachelor and master courses “Einführung in die Ökonometrie" and “Methoden der Ökonometrie“ as well as good working knowledge of mathematical statistics.
- Lehrinhalte
- Linear regression and k-nearest neighbors
- Classification
- Resampling methods
- Linear Model selection and regularization
- Polynomial regression, splines and local regression
- Tree-Based methods
- Support vector machines
- Unsupervised learning
- Literaturangaben
- Bishop, C. M. (2006). Pattern recognition and machine learning. New York: Springer.
- Davidson, R.; MacKinnon, J. G. (2004). Econometric theory and methods. New York: Oxford Univ. Press.
- Hastie, T.; Tibshirani R.; Friedman, J. (2013). The elements of statistical learning : data mining, inference, and prediction (2nd edition). New York: Springer.
- Hayashi, F. (2000). Econometrics. Princeton: Princeton Univ. Press.
- James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2016). An introduction to statistical learning : with applications in R. New York: Springer.
- Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd edition). Cambridge, Mass.: MIT Press.
- didaktisches Konzept
Classes are organized around traditional lectures. Students are however expected to contribute intensively through active discussion. Lectures are complemeted via, e.g., illustrations in R, joint interactive programming to better understand the statistical concepts as well as comprehensive problem sets to deepen students’ proficiency.
- Hörerschaft
Übung (3 Credits)
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft