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

040713 UK Angewandte Statistik (2020W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

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

Details

max. 47 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 06.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 13.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 20.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 27.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 03.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 10.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 17.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 24.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 01.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 15.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 12.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 19.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Dienstag 26.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
    Hörsaal 8 Oskar-Morgenstern-Platz 1 1.Stock
    Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
    Seminarraum 4 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziele:
Erwerb von Kenntnissen in der Anwendung statistischer Methoden auf praktische Fragestellungen und die Lösung von konkreten Anwendungsproblemen.

Inhalte:
Die Vorlesung basiert auf dem Aufsatz von Kosinski et al. (2016) "Mining big data to extract patterns and predict real-life outcomes"
https://www.apa.org/pubs/journals/features/met-met0000104.pdf

Es werden am Beispiel der Daten aus diesem Aufsatz folgende Themen besprochen
1. Datenreduktion und Strukturerkennung von Big Data mit SVD (singular value decomposition), PCA (principal component analysis) und LDA (latent Dirichlet allocation)
2. Vorhersage mit Big Data
3. Andere Methoden zur Strukturerkennung und Vorhersage: PLS (partial least squares), logistic PCA, PCA für hoch-dimensionale Daten

Methoden:
Vorlesung kombiniert mit Übung.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen mit statistischer Software am eigenen Rechner programmieren.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Es gibt zwei Prüfungen mit Programmieraufgaben am eigenen Rechner zu den Themen 2 und 3.
Zusätzlich gibt es eine schriftliche Abschlussprüfung in Präsenz zu den theoretischen Inhalten.

Mindestanforderungen und Beurteilungsmaßstab

Die Note ermittelt sich nach folgender Gewichtung:
35% Programmieraufgabe zum Thema 2
35% Programmieraufgabe zum Thema 3
30% schriftliche Abschlussprüfung

Prüfungsstoff

Inhalte der behandelten Themen

Literatur

Kosinski, M., Wang, Y., Lakkaraju, H., Leskovec, J. (2016) Mining big data to extract patterns and predict real-life outcomes, Psychological Methods 21(4), 493-506.
Fahrmeir, L., Hamerle, A., Tutz, G. (1996) Multivariate statistische Verfahren
James, G., Witten, D., Hastie, T., Tibshirani, T. An introduction to statistical learning with applications in R.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 28.09.2020 16:08