Universität Wien

040772 UK Komplexe statistische Methoden (2019W)

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. 30 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Donnerstag 03.10. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 10.10. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 17.10. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 24.10. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 31.10. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 07.11. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 14.11. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 21.11. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 28.11. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 05.12. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 12.12. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 09.01. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 16.01. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 23.01. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
  • Donnerstag 30.01. 13:15 - 14:45 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Im Rahmen der Lehrveranstaltung werden Methoden der Stichprobentheorie und der Simulation behandelt
Gliederung der Vorlesung:
Teil 1: Grundlagen der Stichprobentheorie
Design Based Survey Sampling, Model Assisted Survey Sampling
Teil 2: Methoden des Data Cleaning und Data Integration
Data Editing und Imputation, Data Integration (Record Matching, Statistical Matching)
Teil 3: Markov chain Monte Carlo Methods
Grundlagen der Simulation, Metropolis Hastings Algorithmus, Gibbs Sampling
Teil 4: Anwendung von Monte Carlo Methoden
Bayes Modelling, Probabilistic Modelling

Art der Leistungskontrolle und erlaubte Hilfsmittel

Laufende Mitarbeit und Abgabe von ausgearbeiteten Beispielen während des Semesters

Mindestanforderungen und Beurteilungsmaßstab

Voraussetzung: Voraussetzung für einen positiven Abschluss ist die regelmäßige Teilnahme (maximal 3 Fehleinheiten)
Die Gesamtnote setzt sich aus drei Teilen zusammen:
a) Abgabe von Rechenbeispielen: Zu den einzelnen Teilen werden Aufgaben aus den Übungsblättern gerechnet. Je ein Übungsblätter für Teil 1 - Teil 4.
Abgabetermine für die Übungen werden auf der Lernplattform bekannt gegeben.
Für jedes Übungsblatt wird mit maximal 30 Punkten bewertet.
Gesamtpunkte für Übungen: maximal 120 Punkte
b) Zwischentest über Teil 1 und Teil 2, maximal 60 Punkte
c) Abschlusstest über Teil 3 und Teil 4 maximal 60 Punkten

Prüfungsstoff

Inhalte der Lehrveranstaltung

Literatur

Teil 1: Carl-Erik Särndal, Bengt Swensson, Jan Wretman: Model Assisted Survey Sampling. Springer Series in Statistics, 1992
Teil 2: S. Laaksonen: Survey Methodology and Missing Data: Tools and Techniques for Practitioners. Springer 2018
P. Christen: Data Matching: Concepts and Techniques for Record Linkage, Entity Resolution, and Duplicate Detection (Data-Centric Systems and Applications), Springer
Teil 3, Teil 4: : C. P. Robert, G. Casella: Introducing Monte Carlo Methods with R. Springer Use R Series, 2010

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:20