Studium und Lehre

• Mathematik für Wirtschaftswissenschaftler [5 ECTS]: Die Studierenden erlernen die im Rahmen eines wirtschaftswissenschaftlichen Studiums benötigten mathematischen Grundfertigkeiten. Durch eigenständige aktive Lösung von Übungsaufgaben und Praxisbeispielen lernen Sie den Transfer der in der Vorlesung vorgestellten Techniken auf wirtschaftswissenschaftliche Problemstellungen.
   
• Statistik 1 und 2 für Wirtschaftswissenschaftler [10 ECTS]:Deskriptive Statistik und Exploration von Daten; Grundlagen der Wahrscheinlichkeitsrechnung; Zufallsvariablen; diskrete und stetige Verteilungen; Zufallsstichproben; Punkt- und Intervallschätzungen; verteilungsgebundene und verteilungsfreie Hypothesentests; lineare Regressionsanalyse; die Nutzung von statistischer Standardsoftware.

• Einführung in die Ökonometrie [5 ECTS]:Zentraler Gegenstand der Veranstaltung ist die Regressionsanalyse, mit der sich datenbasiert ökonomische Zusammenhänge quantifizieren und korrespondierende Hypothesen testen lassen. Das den Ergebnissen zu Grunde liegende Ausmaß an Unsicherheit lässt sich abschätzen.
   
• Einführung in die Zeitreihenanalyse [5 ECTS]:Das Modul ist als Grundlagenveranstaltung zu den klassischen Themen der Zeitreihenanalyse – wie Niveau-, Trend-, Saison- und Zyklenanalyse – konzipiert. Im ersten Teil des Moduls werden intuitive, semi- und nichtparametrische Methoden behandelt, u.a. das einfache Komponentenmodell und diverse Glättungsverfahren. Der zweite Teil des Kurses führt in die Theorie, Selektion, Schätzung und Diagnostik der ARIMA-Modelle ein. Diese spielen in der Anwendung von Zeitreihenmodellen in der Praxis nach wie vor eine zentrale Rolle.
   
• Computergestützte Statistik - Einführung in R [3 ECTS]: Zentraler Gegenstand ist die Einführung in die Arbeit mit dem Statistikprogramm R. Dies umfasst neben der Vermittlung von programmiertechnischen Grundlagen (Objekte, Funktionen, Schleifen, etc.) auch eine Einführung in die statistische Datenanalyse (Erstellen hilfreicher Tabellen und Graphiken, deskriptive Analysen, Modellschätzungen).
   
• EEBDA - Evidenzbasierte Entscheidungen auf der Grundlage von Big Data Analytics [5 ECTS]: In begleitenden Fallstudien werden die grundlegenden Arbeitsschritte der Datenaufbereitung vermittelt, welche im Zuge von Big Data Analysen relevant sind. Für die fallstudienspezifischen Auswertungen wird das Statistikprogramm R herangezogen; die Datensätze werden mit Hilfe der aufgezeigten Verfahren ausgwertet.

Lehrangebot für Masterstudierende

• Methoden der Ökonometrie [5 ECTS]: Der Kurs ist Basis der Masterausbildung im Bereich der Regressions- und Testverfahren für Querschnittsdaten. Es werden u.a. folgende Themen behandelt: Tiefergehende Interpretationen der Kleinst-Quadrate (KQ) Methode und deren statistische Eigenschaften; exakte versus asymptotische Methoden; generalisierte KQ Verfahren (u.a. GLS, FGLS, 2SLS, IV) und generalisierte Momentenmethode (GMM); empirisch relevante Modellvalidierungs- und spezifikationsverfahren.

• Paneldatenanalyse [5 ECTS]: Zentraler Gegenstand ist die Schätzung von Regressionsmodellen für Paneldaten. Hierbei werden neben grundlegenden Schätzverfahren unter anderem die Fixed-Effects- und Random-Effects-Schätzung behandelt. Des Weiteren werden Test- und Vorhersagenverfahren für den Paneldatenkontext behandelt.
   
• Seminar Applied Statistics [7 ECTS] (Kurs auf Englisch): Die computergestützte Anwendung statistischer Verfahren und die Interpretation der erzielten empirischen Ergebnisse sind Kernkompetenzen in diversen Berufsfeldern. Die Erlangung dieser Kompetenzen ist Ziel dieses Seminars mit wechselnden Themenschwerpunkten, die den Bereichen Zeitreihenprognose, Mikroökonometrie (z.B. Marketing- und Kapitalmarktforschung) und robusten Methoden zugeordnet werden können.

• Multivariate Verfahren [5 ECTS]: Multivariate Verfahren sind ein wichtiger Bestandteil in der empirischen Forschungspraxis, unter anderem im Bereich der Marktforschung. In diesem Modul werden grundlegende Analysetechniken für multivariate Datenstrukturen sowie deren theoretische Fundierung behandelt. Neben einer Einführung in die Grundlagen multivariater Analysemethoden werden folgende Themengebiete behandelt: Hauptkomponentenanalyse, Regressionsanalyse, Faktorenanalyse, Varianzanalyse, Diskriminanzanalyse, Clusteranalyse.
   
• Computational Statistics - Regression in R [3 ECTS] (Kurs auf Englisch): Zentraler Gegenstand ist das Schätzen von Regressionsmodellen sowie die Modelldiagnose/-validierung. Hierbei werden neben graphischen Verfahren und klassischen Validierungsmethoden und Tests auch simulationsbasierte Ansätze besprochen. Es wird auf die Modellierung unterschiedlicher Skalenniveaus sowie Variablentransformationen eingegangen. Neben Querschnittsdaten wird auch auf Zeitreihen und Paneldaten Bezug genommen.
   
• Computational Statistics - Statistical Learning in R [3 ECTS] (Kurs auf Englisch):Statistical Learning sums up methods from computational statistics that are designed to deal with high dimensional, complex data sets. Various topics that facilitate modeling and gaining a deeper insight into high dimensional, complex data sets are introduced. Basic linear and nonlinear classification and regression techniques (e. g., lasso, trees, random forests, boosting, support vector machines) and their underlying principles are presented, applied, and discussed in class. Meta-parameter selection, model evaluation, and specification choice in practical settings are also covered in the course.