invisible header

Dies ist eure zentrale Lernressource für Regressionsanalysen mit R/R-Studio und somit zur praktischen Umsetzung der Inhalte aus der Statistik 2 sowie zur Vorbereitung eurer mündlichen Prüfung. In den einzelnen Lektionen findet ihr die Folien aus den Tutoraten, kommentierte Syntax, sowie Übungsaufgaben und deren Musterlösung. Achtung: Die Aktualisierungen der Seite erfolgen Schritt für Schritt im Laufe des Semesters

Neben den Inhalten zur Regressionsanalyse bieten insb. die ersten drei Lerneinheiten auch eine knappe Einführung zu den R-Basics. Eine ausführliche Einführung zur Statistik mit R findet ihr auf der HP zur Statistik 1.

Die lineare Regression bietet einen praktischen und einfachen Rahmen für bi- und multivariate Datenanalysen metrischer (aber auch kategorialer) Variablen. Die Abbildung unten zeigt die konkreten Techniken, die wir in diesem Semester behandeln. Sie veranschaulicht zugleich das (mehr oder weniger) typische Vorgehen bei der sozialwissenschaftlichen Umsetzung einer regressionsbasierten Datenanalyse.

Bei technischen Problemen mit der Seite wendet euch bitte an Marco Giesselmann. Bei inhaltlichen Fragen kontaktiert Eure TutorIn oder nutzt das Forum zum Kurs auf OLAT.

Tutorate im HS23 (ab 26.2.)

Tutorate, Zeitfenster und Zuweisung: Siehe Vorlesungsverzeichnis

Materialien

Die Inhalte werden auf Basis des European Social Survey Datensatzes (ESS) aus dem Jahr 2016 erarbeitet. Auch die Übungen basieren auf diesem Datensatz. In der Regel verwenden wir das Stata-Format .dta für die Integraton der Daten nach R/R-Studio. Diese Daten sind öffentlich zugänglich und können direkt von der ESS-Homepage heruntergeladen werden: https://www.europeansocialsurvey.org/. Die Codebooks können nach Land, Thema oder Jahr unter “ESS Data and Documentation” als PDF-Datei auf der HP des ESS heruntergeladen werden.

Literatur

BB: Peter Bruce und Andrew Bruce (2017): Practical Statistics for Data Scientist.

BCP: Beckerman, A.P., Childs, D.Z., Petchey, O.L. (2017): Getting Started with R. Oxford: University Press.

GW: Wickham, Hadley und Garrett Grolemund (2018): R for Data Science. Import, Tidy, Transform, Visualize, and Model Data.

IK: Chester Ismay und Albert Y. Kim (2021): Statistical Inference via Data Science.

SVS: Marco R. Steenbergen, Kushtrim Veseli, Benjamin Schlegel (2015): Working with Descriptive and Inferential Statistics in R. Script.

SRM: Marco R. Steenbergen (2016): Regression Analysis: A Primer for the Social Sciences.

Semesterplan

Lerneinheit I: Organisatorisches und R-Basics
Lektüre: BCP 1, GW 1-2, SVS I.1-I.2

Lerneinheit II: Datenmanagement
Lektüre: BCP 2&3, GW 3-5, SVS I.3

Lerneinheit III: Regression: Basics
Lektüre: BCP 5.4, GW 18, SVS II.7

Lerneinheit IV: Linearität und Ausreisser
6.-7. Sitzung Lektüre: BCP 5.4, GW 23, SVS II.7

Lerneinheit V: Inferenz
Lektüre: BB 4, IK 10, SRM III.5 - III.7

Lerneinheit VI: Drittvariablen
Lektüre: IK 6.2, SRM II.6.9

Lerneinheit VII: ANOVA
Lektüre: BCP 6.2-6.3, SRM II.8.1

Offene Übung, Vortragstraining
nach Vereinbarung – ab 31.5

 

logo.knit

Conforti, E., Siefart, F., De Min, N., Dürr, R., Hofer, L., Rauh, S., Senn, S., Strassmann Rocha, D., Giesselmann, M. (2023): “Regressionsanalysen mit R”