Dr. Toni Stocker

Die Übungen finden online statt und beginnen in der 2. Vorlesungs­woche (ab 05.10.

Nähere Info: Download (pdf)

Das Hausaufgaben-Tutorium beginnt bereits in der 1. Vorlesungs­woche (ab. 02.10.)

Weitere Informationen zur Veranstaltung: Download (pdf)

Software R

Studierenden­portal

Dr. Toni Stocker

The lectures will be provided by videos, only the first lecture and the

the last lecture on October 2/December 11 will be held live on Zoom

Friday, 08:30-10:00, beginning 09.10.2020 online (Zoom)

If the number of course participants is large (> 20) a second tutorial

will be offerd on Thursday, 17:15-18:45

Bachelor

English

click here: Download (pdf)

Software R

Studierenden­portal

Dr. Toni Stocker

Montag,    10:15 - 11:45, wtl 10.02.2020 - 25.05.2020, SO 108

Dienstag,  17:15 - 18:45, wtl 11.02.2020 - 26.05.2020, SO 108

Download (pdf)

Die Übungen beginnen in der 2. Vorlesungs­woche.

Die Einteilung in die Übungs­gruppen erfolgt über das Studierenden­portal (strikte Zuweisung mit Anmeldung). Das Verfahren wird in der 1. Vorlesung und im Dokument „Übungs­gruppeneinteilung“ (Veranstaltungs­ordner auf ILIAS) erklärt.

Weitere Informationen zur Veranstaltung: Download (pdf)

Software R

Studierenden­portal

Dr. rer. nat. Ingo Steinke

Studenten der Wirtschafts­informatik - und pädagogik:

Mo 10:15 - 11:45 wtl 10.02.2020 - 25.05.2020 (A3 001)
Di  10:15 - 11:45 wtl  11.02.2020 - 26.05.2020 (A3 001)
Mi  08:30 - 10:00 wtl 12.02.2020 - 27.05.2020 (A3 001)

Studenten der BWL:

Mo 13:45 - 15:15 wtl 10.02.2020 - 25.05.2020 (A3 001)
Di  15:30 - 17:00 wtl  11.02.2020 - 26.05.2020 (A3 001)
Mi  15:30 - 17:00 wtl 12.02.2020 - 27.05.2020 (A3 001)

Pro Woche finden zwei Vorlesungen (am Dienstag und Mittwoch) und eine Übung (am Montag) statt. Davon abweichend findet am Montag, den 10.02., anstelle der Übung eine Vorlesung statt. Die beiden Veranstaltungen „Grundlagen der Statistik“ sind inhaltsgleich. Die Vormittagstermine sind für die Wirtschafts­pädagogen und Wirtschafts­informatiker gedacht, die Nachmittagstermine für die Wirtschafts­wissenschaft­ler. Ein Tausch der Veranstaltungen ist aber prinzipiell möglich. Um Zugang zu den Vorlesungs­materialien zu erhalten, melden Sie sich bitte bei der für E-Learning (Ilias) freigeschalteten Veranstaltung an.

Die Vorlesung stellt eine Einführung in die Wahrscheinlichkeits­rechnung und Induktive Statistik dar. Es werden die Grundbegriffe und Grundlagen der Wahrscheinlichkeits­rechnung besprochen, z.B. Wahrscheinlichkeit, bedingte Wahrscheinlichkeit, Unabhängigkeit, Bayessche Formel, Zufallsvariablen, Verteilungs­funktion, diskrete und stetige Verteilungen, Verteilungen von zwei und mehr Zufallsvariablen und Grenzwertaussagen für große Stichproben. Im Rahmen des Statistikteils der Vorlesung wird in die Grundkonzepte der Schätz- und Testtheorie eingeführt, es werden die wichtigsten klassischen Parametertests besprochen und theoretische und praktische Aspekte von linearen Regressions­modellen diskutiert.

Stocker, T., Steinke, I. (2017): Statistik. De Gruyter Oldenbourg.

Fahrmeier, L., Künstler, R., Pigeot, I., Tutz, G. (2007): Statistik. 6. Auflage. Springer-Verlag.

Schira, J. (2003): Statistische Methoden der VWL und BWL. Pearson-Studium.

Dr. Toni Stocker

Friday, 12:00-13:30h, 14.02.2020 - 29.05.2020, Room 001 (L7, 3-5)

Thursday, 17:15 - 18:45h, 20.02.2020 - 28.05.2020, Room 003 (L9, 1-2)
Friday,      10:15 - 11:45h, 21.02.2020 - 29.05.2020 , Room 003 (L9, 1-2)

The lecture takes place on Friday, 12-13.30h. For the exercise part of the class you may choose between Thursday, 17.15-18.45h, and Friday, 10.15-11.45h.

Bachelor

English

Download (pdf)

Software R

Studierenden­portal

Dr. rer. nat. Ingo Steinke

Thursday, 12:00 - 13:30, 13.02.2020 - 28.05.2020 (003, L9, 1-2)

Master

English

Form and usability of the module: Elective module for M.Sc. in Economics
ECTS credits: 5 ECTS
Teaching method (hours per week): Lecture (2 SWS)
Prerequisites: Advanced Econometrics I or equivalent
Grading and ECTS credits: Final exam (60 min)
Goals and contents of the module: For the planning of statistical studies it is important to know how to choose the sample size in order to be able to prove a specific effect. Moreover, it is useful to compute the power of a test under certain alternatives in order to know what conclusion can be made even if the null hypothesis is not rejected. In the lecture the power of tests is derived and computed under alternatives in several models, e.g. for simple t-tests and in variance, regression, and meta analysis models. The theory behind the formulas will be discussed. Using Stata the power of the tests is computed and sample size computations are performed.
Expected competences acquired after completion of the module: The students know distributional properties of the normal, t-, chi-square, and F-distribution and know how these distributions are constructed. For specific models the students can derive the formulas for the computation of the power. They can compute the power of tests using Stata and determine the sample size necessary to distinguish a specific effect.

Dr. rer. nat. Ingo Steinke

Di, 17:15 - 18:45, wtl 11.02.2020 - 26.05.2020, Raum P 043, L7, 3-5

Art und Verwendbarkeit des Moduls: Wahl­veranstaltung im Bachelor­studien­gang VWL
ECTS-Punkte: 5 ECTS
Lehr­methode: Vorlesung (2 SWS)
Unterrichtssprache: Deutsch
Teilnahme­voraussetzungen: Statistik I und II

Ziele und Inhalte des Moduls: Bei Resampling-Verfahren werden mithilfe vorliegender Stichproben neue Stichproben generiert, die dazu dienen, vorhandene Schätz- und Test­verfahren zu verbessern bzw. die Bestimmung von Konfidenzintervallen und die Durchführung von Tests erst zu ermöglichen. Die Resampling-Verfahren Jackknife und Bootstrap werden aus theoretischer Sicht besprochen. Angewandt werden die Verfahren zur Verbesserung von Schätzern, Konfidenzintervallen und Tests in einfachen parametrischen Modellen und Regressions­modellen. Berechnungen zu den Resampling-Verfahren werden in R durchgeführt. Grund­kenntnisse in R sollten vorhanden sein.

Erwartete Kompetenzen nach Abschluss des Moduls: Die Studierenden sind mit Ergebnissen der asymptotischen Statistik vertraut und können diese anwenden. Sie kennen Landau-Symbole und können mit ihnen rechnen. Sie haben ein grundlegendes Verständnis von der Funktions­weise von Resampling-Verfahren. Sie verstehen die Ideen hinter den theoretischen Ergebnissen zu Resampling-Verfahren. Mithilfe von R können die Studierenden Resampling-Verfahren anwenden.