Regression-based Statistical Learning with RModulbeschreibung #70370 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v4)
| Modul / Version | #70370 / #1 |
|---|---|
| Gültigkeit | WS 2019/20 – SoSe 2024 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Werwatz, Axel |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät VII |
|---|---|
| Institut | Institut für Volkswirtschaftslehre und Wirtschaftsrecht |
| Fachgebiet | 37312100 FG Ökonometrie und Wirtschaftsstatistik |
Kontakt
| Sekretariat | H 57 |
|---|---|
| Ansprechpartner*in | Marcath, Ronja Maria |
| E-Mail-Adresse | sekretariat@statistik.tu-berlin.de |
| Webseite | http://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.
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
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Regression-based Statistical Learning with R | Vorlesung | VL 71 21 L | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
| Regression-based Statistical Learning with R | Übung | VL 71 21 L | Wintersemester | [en] | 2 | WiSe 2026/27 (1) 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
- Supervised Machine Learning: Regression (Vorlesung) Termingruppe 1 VL 71 21 L
Regression-based Statistical Learning with R (Übung) 1
- Supervised Machine Learning: Regression (Übung) Termingruppe 1 VL 71 21 L
Arbeitsaufwand und Leistungspunkte
Regression-based Statistical Learning with R (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/ Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Regression-based Statistical Learning with R (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- / Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 60 h | 60 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 90 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Industrial Economics StuPO 2018 | SoSe 2020 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule |
| WiSe 2020/21 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| SoSe 2021 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| WiSe 2021/22 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| SoSe 2022 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| WiSe 2022/23 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| SoSe 2023 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| WiSe 2023/24 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| SoSe 2024 | Wahlpflichtbereich › Vertiefungsstudium › VWL-Vertiefungsmodule | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2020 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
| WiSe 2020/21 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2021 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2021/22 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2022 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2022/23 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2023 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| WiSe 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics | |
| SoSe 2024 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Statistics & Econometrics |
Sonstiges
Die Veranstaltung findet auf englisch statt.