Universität Wien
Warning! The directory is not yet complete and will be amended until the beginning of the term.

040713 UK Applied Statistics (2020W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Continuous assessment of course work
Moodle

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).

Details

max. 47 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

  • Tuesday 06.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 13.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 20.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 27.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 03.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 10.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 17.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 24.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 01.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 15.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 12.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 19.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Tuesday 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

Aims, contents and method of the course

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.

Assessment and permitted materials

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.

Minimum requirements and assessment criteria

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

Examination topics

Inhalte der behandelten Themen

Reading list

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.

Association in the course directory

Last modified: Mo 28.09.2020 16:08