Hochschule München

Lernziele / Kompetenzen:

Die Studierenden sind nach dem Besuch dieses Moduls in englischer Sprache in der Lage, fortgeschrittene inferenzstatistische Methoden aus dem Gebiet der Regressionsverfahren auf praktische Fragestellungen anzuwenden und die Ergebnisse in Bezug auf konkrete Anwendungsfälle zu interpretieren. Die Regressionsmodelle werden anhand eines englischsprachigen Mangas behandelt, der als praxisnaher und niedrigschwelliger Zugang zu den methodischen Inhalten dient. Die Anwendung der Regressionsverfahren sowie deren Interpretation werden in integrierten Übungssequenzen mit der Statistik-Software R vorgeführt und eingeübt. Der Kurs ist praxisorientiert konzipiert und wird ohne klassische Vorlesungsfolien durchgeführt. Stattdessen arbeiten die Studierenden aktiv mit Beispielen, Datensätzen und Aufgabenstellungen.

Die Studierenden bearbeiten statistische Problemstellungen mit betriebswirtschaftlichem Bezug und diskutieren unterschiedliche methodische Herangehensweisen. Dadurch erwerben sie ein vertieftes Verständnis für die vielfältigen Anwendungsmöglichkeiten von Regressionsmodellen und erkennen deren Nutzen für die datengetriebene Analyse und Lösung betriebswirtschaftlicher Fragestellungen.

Inhalte:

·        Einfaches Regressionsmodell, multiples Regressionsmodell

·        KQ-Schätzer, ML-Schätzer, Tests, Prognose

·        Modellierung mit Haupteffekten und Interaktionen

·        Ausblick in die Modellierung binärer Zielgrößen und Zähldaten

Eingesetzte Methoden der Betriebswirtschaftslehre:

·        Modelle und Methoden der Analyse (z.B.: Forschungs- und Analysemodelle):

o   Einsatz von Signifikanztests

o   Modellierung anhand inferenzstatistischer Verfahren

·        Quantitativ-Empirische Methoden (z.B.: Vergleichende – statistische, mathematische Methode, Datenanalysen):

o   Fortgeschrittene inferenzstatistische Methoden

o   KQ-Methode für Regression

o   ML-Methode für generalisierte Regressionsverfahren

·        Qualitativ-Interpretative Methoden (z.B.: Experteninterview, Umfragen, standardisierte Erhebungen):

o   Interpretation der statistischen Ergebnisse von Regressionsmodellen

o   Rückführung der Ergebnisse auf die inhaltliche Fragestellung  

Lehr-und Lernmethoden:

·        Seminaristischer Unterricht

·        Selbstgesteuertes Lernen

·        Kommunikation von Ergebnissen

·        Gruppenarbeit anhand von Praxisbeispielen

Literatur:

·        Takahashi, S., Inoue, I., Trend-Pro Co., Ltd. (2016): The Manga Guide to Regression Analysis. No Starch Press.

·        Fahrmeir, L., Kneib, T., Lang, S., Marx, B. D. (2021): Regression: Models, Methods and Applications. Springer.

·        Fahrmeir, L., Heumann, C., Künstler, R., Pigeot, I., Tutz, G. (2023): Statistik: Der Weg zur Datenanalyse. Springer.

·        Weitere werden in der Veranstaltung bekannt gegeben

Contents:

• Simple regression model, multiple regression model
• OLS estimator, ML estimator, tests, prediction
• Linear regression models with main effects and interactions
• Generalized linear regression models for binary target variables and count data

Teaching and learning methods:

• Seminar-based teaching
• Self-directed learning
• Communication of results
• Group work based on practical examples