Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

040242 VO Ökonometrie und Statistik (MA) (2022W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
VOR-ORT

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

Sprache: Deutsch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

19.10. voraussichtlich Offline

  • Mittwoch 05.10. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 12.10. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 19.10. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 09.11. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 16.11. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 23.11. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 30.11. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 07.12. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 14.12. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 11.01. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 18.01. 18:30 - 20:00 Hörsaal 14 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Datamining und Big Data anhand von Fallbeispielen

Im Kurs werden Konzepte des Datamining und Big Data anhand von Fallbeispielen erläutert und diskutiert.

Die Beispiele kommen aus den Themenbereichen

• Customer Relationship Management
• Fraud Detection
• Revenue Management
• Market Research

Die vorgestellten Konzepte des Dataming’s und Big Data umfassen u.a.

• Sampling
• Supervised und unsupervised learning
• multiple Regression
• logistische Regression
• Kontingenztafelanalyse
• Varianzanalyse
• Zeitreihenanalyse

Art der Leistungskontrolle und erlaubte Hilfsmittel

Test am Semesterende, Schriftliche Prüfung
Wenn möglich, wird der Test als Präsenzprüfung vor Ort an der Universität durchgeführt

Mindestanforderungen und Beurteilungsmaßstab

Um den Kurs positiv zu absolvieren, müssen mindestens 60% der Punkte erreicht werden.

Prüfungsstoff

1) Analysieren einer Problemstellung und skizieren der Lösung mittels Datamining
2) Beschreiben des Ablaufes einer Standardanalyse
3) Verstehen (= lesen und interpretieren können) einer Statistischen Analyse

Mehr Details zur Prüfung werden während des Kurses bekanntgegeben.

Literatur

Werner Brannath, Andreas Futschik, Statistik für Wirtschaftswissenschaftler

Weitere Literatur wird während der Vorlesung bekannt gegeben.

Folien, die im Kurs diskutiert werden (werden auf der Homepage veröffentlicht).

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Do 19.01.2023 14:28