Ein Kurs für Fortgeschrittene mit Schwerpunkt auf modernen statistischen und maschinellen Lernverfahren für die Wirtschaftsforschung. Die Studierenden wenden Methoden wie ARIMA, logistische Regression, PCA, Random Forests und SHAP auf reale Daten an und erwerben dabei die Fähigkeiten, zeitabhängige und hochdimensionale Datensätze mit Python zu analysieren.
Dieser Kurs baut auf grundlegenden Kenntnissen der Statistik auf, einschließlich zentraler Konzepte wie Wahrscheinlichkeit, Verteilungen, Stichprobenverfahren, Hypothesentests, Varianzanalyse und Regressionsanalyse. Er richtet sich an Studierende, die bereits Erfahrung in der Anwendung dieser grundlegenden Techniken auf wirtschaftswissenschaftliche Problemstellungen gesammelt haben. In diesem Kurs der zweiten Stufe beschäftigen sich die Teilnehmenden mit zeitgemäßen Analysemethoden, die in der modernen Wirtschaftsforschung und Datenwissenschaft zum Einsatz kommen, wobei der Schwerpunkt auf komplexeren, hochdimensionalen und zeitabhängigen Daten liegt.
Der Kurs soll den Studierenden praktische Erfahrungen mit Python vermitteln und gleichzeitig ihr Verständnis für statistisches Denken und maschinelles Lernen vertiefen. Die Studierenden arbeiten mit realen Datensätzen, um Zeitreihenmodelle (z. B. ARIMA) zu erstellen, logistische Regression und verallgemeinerte lineare Modellierung mit Regularisierung (Lasso, Ridge) durchzuführen, Techniken zur Dimensionsreduktion wie PCA und Faktorenanalyse anzuwenden sowie mit Clustering- und überwachten Lernmodellen wie Random Forests und Gradient Boosting zu experimentieren.
Anstatt Theorie und Praxis voneinander zu trennen, folgen alle Sitzungen einem integrierten Format, bei dem die Studierenden Konzepte unmittelbar durch Programmierung und Gruppenanalyse anwenden. Ziel ist es, die Studierenden zu befähigen, eigenständige, fundierte und kommunizierbare Wirtschaftsanalysen durchzuführen, die sowohl akademischen als auch anwendungsorientierten Forschungsstandards entsprechen.
Am Ende des Kurses sind die Teilnehmer in der Lage:
• Zeitreihenmodelle zur Prognose wirtschaftlicher Daten anzuwenden und zu interpretieren
• Klassifikationsmodelle unter Verwendung logistischer Regression und Regularisierung zu erstellen und zu bewerten
• Dimensionsreduktion mithilfe von PCA und Faktorenanalyse durchzuführen
• Clustering- und unüberwachte Lernverfahren zur Mustererkennung einzusetzen
• Überwachte Algorithmen des maschinellen Lernens (z. B. Random Forest, SVM) zu implementieren und zu vergleichen
• Modellresultate interpretieren und Erkenntnisse effektiv kommunizieren
Die Studierenden sollten einen Einführungskurs in Statistik absolviert haben oder über entsprechende Vorkenntnisse verfügen. Zu den erforderlichen Kompetenzen gehören das Verständnis grundlegender statistischer Prinzipien (z. B. Mittelwert, Varianz), der Wahrscheinlichkeitstheorie, von Verteilungen, Stichproben und Schätzungen, Hypothesentests, der Varianzanalyse (ANOVA) sowie der linearen Regression. Die Studierenden sollten zudem in der Lage sein, statistische Ergebnisse zu interpretieren und anhand realer Wirtschaftsdaten Schlussfolgerungen zu ziehen. Es werden keine Programmierkenntnisse vorausgesetzt, jedoch ist die Bereitschaft, Python zu erlernen und anzuwenden, unerlässlich.
Pflichtlektüre
• James et al. (2023). An Introduction to Statistical Learning with Applications in Python
• Kenett et al. (2022). Modern Statistics: A Computer-Based Approach with Python
• McClave et al. (2017). Statistik für Wirtschaft und Betriebswirtschaft
Empfohlen
• Müller & Guido (2016). Einführung in das maschinelle Lernen mit Python
• Hyndman & Athanasopoulos (2021). Prognosen: Grundlagen und Praxis
• Xiao (2022). Programmierung künstlicher Intelligenz mit Python
• Vorlesungen
• Gruppenarbeiten
• Semesterarbeit
• Python-basierte Übungen
• Wöchentliche Sprechstunden
Zeugnis