Lehrveranstaltungen im Überblick

Vorlesung und Übung

Lernziele/Kompetenzen

• Die Studierenden der Betriebswirtschaftslehre erlernen im Rahmen des Kurses die grundlegenden Begriffe und Methoden der Statistik
• Die methodischen Kompetenzen erwerben die Studierenden im Rahmen der Vorlesung. Dabei wird zunächst die Theorie behandelt, welche eine methodische Grundlage bildet
• Im Rahmen der Übung wenden die Studierenden die Verfahren der Wahrscheinlichkeitstheorie und der deskriptiven Statistik auf praktische Fragestellungen an
• Durch eine selbständige Arbeitsweise entwickeln die Studierenden eine Selbstkompetenz und den eigenverantwortlichen Umgang mit statistischen Methoden sowie deren effiziente Anwendung in der Praxis
   

Kursinhalt

▪   Einführung

• Deskriptive Statistik (einschließlich Indexrechnung und Konzentrationsmessung)
• Wahrscheinlichkeitstheorie
• Grundlagen (einschließlich Axiomatik, bedingte Wahrscheinlichkeit und Satz von Bayes)
• Diskrete univariate Verteilungen
• Stetige univariate Verteilungen
• Diskrete multivariate Verteilungen
• Stetige multivariate Verteilungen

• Grenzwertsätze (einschließlich Tschebyscheff-Ungleichung und Gesetze der großen Zahlen) Lehr-/Lernformen

   

Empfohlene Vorkenntnisse

▪  Mathematik für Wirtschaftswissenschaftler

Vorlesung und Übung

Lernziele/Kompetenzen

• Die Studierenden der Betriebswirtschaftslehre erlernen im Rahmen dieses Kurses die grundlegenden Begriffe und Methoden der induktiven und multivariaten Statistik.
• Die methodischen Kompetenzen erwerben die Studierenden im Rahmen der Vorlesung, die auf den Inhalten des vorhergehenden Kurses der deskriptiven Statistik und Wahrscheinlichkeitstheorie beruht. Dabei wird zur Bildung einer methodischen Grundlage zunächst die Theorie behandelt.
• Im Rahmen der Übung wenden die Studierenden die Verfahren der induktiven und multivariaten Statistik auf einfache betriebs- und volkswirtschaftliche Probleme an.
• Durch eine selbständige Arbeitsweise entwickeln die Studierenden eine Kompetenz zum eigenverantwortlichen Umgang mit statistischen Methoden sowie deren effiziente Anwendung in der Praxis.

Kursinhalt

• Inferenzstatistik
• Stichprobenfunktionen
• Punktschätzung
• Konfidenzintervalle
• Signifikanztests
• Multivariate Statistik
• Korrelation
• Regression
• Einfaktorielle Varianzanalyse
• Partielle Korrelation
• Assoziationsmaße für qualitative Merkmale
• Assoziationsmaße und Tests für ordinale Merkmale

Empfohlene Vorkenntnisse

• Mathematik für Betriebswirte
• Deskriptive Statistik und Wahrscheinlichkeitstheorie

Lecture and exercise / Vorlesung und Übung

Competencies / skills

• Upon successful completion of the course, students are able to formulate statistical models for empirical questions, understand the theoretical foundations of estimation and statistical inference, and apply appropriate methods to analyze data. 

• They can critically assess the assumptions and limitations of statistical models, interpret and communicate empirical results, and use computational tools to implement statistical analyses. 

• The course also provides the methodological foundation for more advanced courses in econometrics, causal inference, and data science.

Kompetenzen 

• Nach erfolgreichem Abschluss der Veranstaltung sind die Studierenden in der Lage, statistische Modelle für empirische Fragestellungen zu formulieren, die theoretischen Grundlagen statistischer Schätz- und Inferenzverfahren zu verstehen und geeignete Methoden zur Datenanalyse anzuwenden.
• Sie können die Annahmen und Grenzen statistischer Modelle kritisch beurteilen, empirische Ergebnisse interpretieren und kommunizieren sowie computergestützte Verfahren zur statistischen Analyse einsetzen.
• Die Veranstaltung schafft zudem die methodischen Grundlagen für weiterführende Veranstaltungen in Ökonometrie, kausaler Inferenz und Data Science.

course content/topics

• This course provides a foundation in the statistical methods underlying modern econometrics and data science. It introduces fundamental concepts of statistical modeling, estimation, and inference, with a particular focus on linear models and their applications.
• The course develops the theoretical and computational tools required for statistical data analysis and illustrates them through motivating examples and applications.
• Emphasis is placed on understanding the assumptions underlying statistical methods and on assessing their applicability in practice.

Inhalte 

• Die Veranstaltung vermittelt die statistischen Grundlagen moderner Ökonometrie und Data Science. Behandelt werden grundlegende Konzepte der statistischen Modellierung, Schätzung und Inferenz, mit einem besonderen Fokus auf linearen Modellen und deren Anwendungen.
• Dabei werden die theoretischen und computergestützten Methoden entwickelt, die für die statistische Analyse von Daten erforderlich sind.
• Anhand motivierender Beispiele und Anwendungen wird zudem vermittelt, wie statistische Methoden eingesetzt und ihre zugrunde liegenden Annahmen und praktische Anwendbarkeit beurteilt werden können.

Empfohlene Voraussetzungen / Recommended qualifications

Keine / none

Modulnummer | 88-021-OM07-H-0408

Abschluss des Studiengang | Master

Semester | Winter 

Kurstyp | Seminar

Teilnehmerbeschränkung | 15

Anrechenbar für | Wahlpflicht (Business Analytics & OR, MARKT, Master flex. Soziologie-Schwerpunkt „Methoden der empirischen Sozialforschung, interdisziplinärer Masterstudiengang Mathematik mit der Erweiterung Wirtschaftsmathematik)

Unterrichtsstunden | 4 SWS

Leistungspunkte | 5 ECTS

Sprache | Deutsch

Verantwortlicher Lehrstuhl | Statistik und Quantitative Methoden

Referent/en | Prof. Dr. Dominik Liebl

Kompetenzen

Die Studierenden erwerben die Fähigkeit, statistische und quantitative Methoden auf wissenschaftliche Fragestellungen aus den Wirtschaftswissenschaften anzuwenden und deren Eignung und Aussagekraft kritisch zu beurteilen. Im Einzelnen erwerben sie folgende Kompetenzen: Lernziele/Kompetenzen:

• Methodenkompetenz: Die Studierenden können eine geeignete statistische oder quantitative Methode zur Bearbeitung einer konkreten Fragestellung auswählen, anwenden und kritisch bewerten.

• Wissenschaftliches Arbeiten: Die Studierenden können relevante wissenschaftliche Literatur recherchieren, aufarbeiten und zur fundierten Bearbeitung einer Fragestellung heranziehen.

• Teamfähigkeit: Bei der gemeinsamen Bearbeitung von Seminarthemen stärken die Studierenden ihre Kooperations- und Teamfähigkeit.

• Kommunikations- und Reflexionskompetenz: Die Studierenden können ihre Vorgehensweise und Ergebnisse strukturiert präsentieren, fachlich begründen und im Rahmen einer Diskussion kritisch reflektieren.

Modulinhalt

• Im Mittelpunkt des Seminars steht die vertiefte Auseinandersetzung mit einer ausgewählten statistischen oder quantitativen Methode und deren Anwendung auf eine konkrete Fragestellung.

• Bearbeitung einer wissenschaftlichen Fragestellung mit statistischem oder quantitativem Schwerpunkt und Erstellung einer Seminararbeit.

• Die Themen werden vom Lehrstuhl vorgegeben. Eigene Themenvorschläge der Studierenden sind möglich und können nach vorheriger Abstimmung und Genehmigung durch den Lehrstuhl bearbeitet werden.

Die Seminararbeit kann in Gruppen von bis zu drei Personen erstellt werden.

Lehr-/Lernformen 

• Seminar

Prüfungsmodalitäten

• Seminararbeit 80%
• Präsentation 20%

Aufgrund der Kompetenzorientierung des Kurses stellt die Seminararbeit mit der anschließenden Verteidigung durch eine Präsentation eine zwingend notwendige Prüfungsmodalität dar.

• Seminararbeit: Anhand der schriftlichen Arbeit wird abgeprüft, ob der Student in der Lage ist, eine gegebene Fragestellung in einer wissenschaftlichen Art und Weise zu bearbeiten.
• Präsentation: In der Präsentation wird geprüft, inwiefern der Student in der Lage ist, die im Rahmen der Seminararbeit behandelten Aspekte und die daraus gewonnenen Erkenntnisse in einem vorgegebenen zeitlichen Rahmen verständlich darzulegen und zu verteidigen.
• Poster: Erstellung eines Posters. Anhand des Posters wird ermittelt, ob ein Student in der Lage ist, die wesentlichen Ergebnisse der Seminararbeit angemessen darzustellen.

Empfohlene Vorkenntnisse

• Mathematik für Betriebswirte
• Deskriptive Statistik und Wahrscheinlichkeitstheorie
• Induktive und Multivariate Statistik
• Statistische Prognoseverfahren

Vorlesung und Übung

Kompetenzen:

• Studierende entwickeln ein grundlegendes Verständnis für die Methoden des Machine Learning
• können reale datengetriebene Problemstellungen statistisch modellieren
• sind in der Lage maschinelle Lernverfahren an Fallbeispielen anzuwenden
• können die Ergebnisse interpretieren und deren Qualität beurteilen

Inhalte:

•  Lineare und multiple Regression
• Gradientenverfahren und Kostenfunktion
• Modellgüte, Overfitting, Cross-Validation
• Regularisierung (z.B. Ridge, Lasso, Elastic Net)
• Klassifikation (z.B. Logistische Regression, Naive Bayes)
• Zeitreihenanalysen und Autoregression
• Entscheidungsbäume, Random Forests, Boosting
• Neuronale Netze Praktische Anwendungen im ökonomischen Kontext
• Implementierung verschiedener Modelle in Python

Empfohlene Voraussetzungen:

• Grundlagen der Mathematik und Statistik

• Grundlegende Programmierkenntnisse in Python