Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Regression-based Statistical Learning with RModulbeschreibung #70370 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v4)
Modul / Version#70370 / #1
GültigkeitWS 2019/20 – SoSe 2024
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rWerwatz, Axel
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät VII
InstitutInstitut für Volkswirtschaftslehre und Wirtschaftsrecht
Fachgebiet37312100 FG Ökonometrie und Wirtschaftsstatistik

Kontakt

SekretariatH 57
Ansprechpartner*inMarcath, Ronja Maria
E-Mail-Adressesekretariat@statistik.tu-berlin.de
Webseitehttp://www.statistik.tu-berlin.de

Lernergebnisse

Die Regressionsanalyse als klassisches Werkzeug in der empirischen Erforschung von kausalen Zusammenhängen gewinnt vor dem Hintergrund der aktuellen Fortschritte im Bereich des statistischen Lernens an Bedeutung. In diesem Feld des statistischen Lernens wird die Regressionsanalyse vornehmlich zur Vorhersage von stetig verteilten Zielvariablen genutzt. Diese Anwendung der Regression bildet den Fokus dieser Lehrveranstaltung. Als empirisches Beispiel dient hierzu die Vorhersage von Hauspreisen gegeben der Charakteristika der Häuser.

Die Studierenden erlangen ein fundiertes Wissen über die Theorie der Vorhersage mittels Regressionsanalysen in der zur Lehrveranstaltung gehörenden Vorlesung. In den Übungen wird dieses Wissen in praktische Übungen mittels des Statistikframeworks R umgesetzt. Dies versetzt die Studierenden in die Lage eigenständig Forschungsfragen empirischer Natur zu beantworten. Dazu gehört sowohl die Spezifikation und die Implementierung statistischer Modelle. Das theoretische Wissen aus der Vorlesung ermöglicht es die Modellergebnisse in den korrekten, statistischen Kontext zu fassen. Dazu gehört das Erkennen von eventuell fehlerhaften Modellspezifikationen als auch das korrekte Interpretieren der empirischen Ergebnisse. Die Lernergebnisse qualifizieren die Studierenden somit über die Lehrveranstaltung hinaus mit wichtigen Fähigkeiten zur Bearbeitung eigener, empirischer Forschungsprojekte z.B. im Rahmen einer wissenschaftlichen Abschlußarbeit.

Lehrinhalte

Loss Functions und Optimal Prediction
Modellwahl (bias-variance trade-off, Kreuzvalidierung, Informationskriterien)
nicht-parametrische Regression
Kernel-Regression
Nearest-neighbor Regression
Additive Modelle
Parametrische Regression
Lineare Regression
Ridge Regression
LASSO und Elastic Net Regression
Regression Trees
Random Forest

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Regression-based Statistical Learning with RVorlesungVL 71 21 L Wintersemester[en]2 ISIS
Regression-based Statistical Learning with RÜbungVL 71 21 L Wintersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Regression-based Statistical Learning with R (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Regression-based Statistical Learning with R (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Regression-based Statistical Learning with R (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/ Nachbereitung152 h30 h
60 h

Regression-based Statistical Learning with R (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor- / Nachbereitung152 h30 h
60 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Prüfungsvorbereitung160 h60 h
60 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Neben der Vorlesung (VL) findet eine Übung in Form einer computerbasierten Übung statt. Dabei werden Programmier- sowie Datenanalyseaufgaben bearbeitet mit Hilfe des Statistikprogrammes R.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Kenntnisse im Bereich Wahrscheinlichkeitstheorie und statistische Inferenz auf dem Niveau der Veranstaltungen „Statistik I für Ökonomen und Wirtschaftsingenieure“ und „Statistik II für Ökonomen und Wirtschaftsingenieure" sind wünschenswert. Weiterhin ist der erfolgreiche Abschluß einer Veranstaltung, die die Grundlagen der Regressionsanalyse zum Thema hat (z.B. "Ökonometrie"), wünschenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang90 Min.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Zur Teilnahme am Modul ist keine Anmeldung erforderlich.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • Fahrmeir, L., Kneib, T., Lang, S., Regression, Springer.
  • Hastie, T., Tibshirani, R. and Friedman, J. (2017). The elements of statistical learning. 2nd edition. Corrected 12th printing, Springer Series in Statistics.

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Industrial Economics
StuPO 2018
SoSe 2020Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
WiSe 2020/21Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
SoSe 2021Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
WiSe 2021/22Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
SoSe 2022Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
WiSe 2022/23Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
SoSe 2023Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
WiSe 2023/24Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
SoSe 2024Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2020Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2020/21Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SoSe 2021Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2021/22Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SoSe 2022Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2022/23Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SoSe 2023Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
WiSe 2023/24Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics
SoSe 2024Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics

Sonstiges

Die Veranstaltung findet auf englisch statt.