DE / EN

Lehre

HWS 2019 - Lehr­veranstaltungen

  • Statistik 2 (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Zeiten und Räume der Vorlesung

    Mo 13:45 - 15:15 ab 02.09.2019, B 6, 23-25, Bauteil A, A001 Großer Hörsaal

    Do 08:30 - 10:00 ab 06.09.2019, Schloss Schneckenhof Ost, SO 108

    Übungen

    Download (pdf)

    Die Übungen beginnen in der 2. Vorlesungs­woche (ab 09.09.)

    Das Hausaufgaben-Tutorium beginnt bereits in der 1. Vorlesungs­woche (ab. 06.09.)

    Weitere Informationen

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

     Weitere Informationen zur Veranstaltung: Download (pdf)

    Links

    Software R

    Studierenden­portal

  • Applied Multivariate Statistics (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Time and Location of Lecture

    Friday, 10.15-11.45, beginning 06.09.2019 (L9,1-2, 003)

    Time and Location of Practical Exercises (Tutorials):

    Friday, 08:30-10:00, beginning 13.09.2019 (L9, 1-2, 003)

    Level

    Bachelor

    Sprache/Language

    English

    More Information

    Download (pdf)

    Links

    Software R

    Studierenden­portal

  • Einführung in die Bayessche Statistik (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    Zeiten und Ort der Vorlesung

    Mo 12:00 - 13:30 wtl 02.09.2019 - 02.12.2019, P 043 (L7, 3-5)

    Do 17:15 - 18:45 wtl 05.09.2019 - 05.12.2019, 002 (L9, 1-2)

    Inhalt

    Ziele und Inhalte des Moduls: Bayessche Modellansätze spielen in der Statistik eine große Rolle, da sie es erlauben, auch für komplexe statistische Modelle Lösungen anzubieten. Ausgehend von einem klassischen parametrischen Modell wird dabei der Parameter als Zufallsvariable aufgefasst, dem man eine a-priori-Verteilung zuweist. Über den Bayesschen Ansatz bekommt man dann eine a-posteriori-Verteilung des Parameters, auf deren Grundlage Schätzer berechnet oder Entscheidungen gefällt werden können. Im Zentrum der Vorlesung steht eine Einführung in die Konzepte der Bayesschen Statistik; dazu gehört auch ein Überblick über das Rechnen mit bedingten Verteilungen. Mit asymptotischen Aussagen wird belegt, warum Bayessche Methoden auch aus klassischer Sichtweise anwendbar sind. Eine Einführung in die rechentechnische Bestimmung der a-posteriori-Verteilung wird gegeben. Im Rahmen der Vorlesung und in der begleitenden Übung wird von der Programmiersprache R Gebrauch gemacht.

  • Markov-Ketten (B.Sc.)

    Dozent

    Dr. Ingo Steinke

    Zeiten und Ort der Vorlesung

    Mi 12:00 - 13:30 wtl 04.09.2019 - 04.12.2019, L9, 1-2, 002

    Mi 15:30 - 17:00 wtl 04.09.2019 - 04.12.2019, L7, 3-5, P043

    Inhalt

    Die Vorlesung stellt eine Einführung in die Theorie der Markov-Ketten mit diskretem Zustandsraum dar. Es werden grundlegende Eigenschaften von Markov-Ketten untersucht mit einem besonderen Augenmerk auf das Verhalten von Markov-Ketten über längere Zeiträume. Es werden Beispiele für ihre Anwendung in der Biologie, den Wirtschafts- und Sozial­wissenschaften vorgestellt. Neben Beispielrechnungen wird ein Einblick in die wahrscheinlichkeits­theoretischen Grundlagen gegeben. Markov-Prozesse, Markov-Ketten mit stetigem Zustandsraum und Markov-Chain-Monte-Carlo-Methoden zur Simulation von speziellen Verteilungen von Zufallsvariablen werden diskutiert. Der Kurs nutzt eine mathematische Notation und enthält teilweise formale mathematische Herleitungen.

  • Advanced Econometrics I (PhD)

    Dozent

    Prof. Dr. Christoph Rothe

    Zeiten und Ort der Vorlesung

    Vorlesung:

    Di 10:15 - 11:45 wtl 08.10.2019 - 03.12.2019, Hörsaal 001 (L7, 3-5)

    Do 10:15 - 11:45 wtl 10.10.2019 - 05.12.2019, Hörsaal 001 (L7, 3-5)

    Übungen:

    Di 13:45 - 15:15 wtl 08.10.2019 - 03.12.2019, P 043 (L7, 3-5)

    Di 17:15 - 18:45 wtl 08.10.2019  - 03.12.2019, P 043 (L7,3-5)

    Inhalt

    The course offers an advanced treatment to econometric theory and serves as the gateway to further advanced theoretical and applied econometric modules offered in the economics graduate program at the Department of Economics in Mannheim.

    The course covers the following specific topics: elementary probability theory, asymptotic theory, basic concepts of statistics, linear regression, theory of extremum estimation, maximum likelihood, moment condition models, instrumental variables.  

    Literatur

    Bruce Hansen: Econometrics (available online)

    Additional readings will be announced in class.

FSS 2019 - Lehr­veranstaltungen

  • Statistik 1 (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Zeiten und Räume der Vorlesung (4 st.)

    Montag,    10:15 - 11:45, wtl 11.02.2019 - 27.05.2019, SO 108

    Dienstag,  17:15 - 18:45, wtl 12.02.2019 - 28.05.2019, SO 108

    Übungen

    Download (pdf)

    Die Übungen beginnen in der 2. Vorlesungs­woche.

    Weitere Informationen

    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)

    Links

    Software R

    Studierenden­portal

  • Grundlagen der Statistik (B.Sc.)

    Dozent

    Dr. rer. nat. Ingo Steinke

    Zeit und Ort der Veranstaltung:

    Studenten der Wirtschafts­informatik - und pädagogik:

    Mo 10:15 - 11:45 wtl 11.02.2019 - 27.05.2019 (A3 001)
    Di  10:15 - 11:45 wtl 12.02.2019 - 28.05.2019 (A3 001)
    Mi  08:30 - 10:00 wtl 13.02.2019 - 29.05.2019 (A3 001)

    Studenten der BWL:

    Mo 13:45 - 15:15 wtl 11.02.2019 - 27.05.2019 (A3 001)
    Di  15:30 - 17:00 wtl 12.02.2019 - 28.05.2019 (A3 001)
    Mi  15:30 - 17:00 wtl 13.02.2019 - 29.05.2019 (A3 001)

    Weitere Informationen

    Pro Woche finden zwei Vorlesungen (am Dienstag und Mittwoch) und eine Übung (am Montag) statt. Davon abweichend findet am Montag, den 11.02., 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.

    Literatur

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

     

    Alternative Literatur

    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.

     

     

     

     

     

     

     

  • Time Series Analysis (B.Sc.)

    Dozent

    Dr. Toni Stocker

    Time and Location of Lecture

    Friday, 12:00-13:30h, 15.02.2019 - 31.05.2019, Room 001 (L7, 3-5)

    Time and Location of Practical Exercises (Tutorials):

    Thursday, 17:15 - 18:45h, 21.02.2019 - 23.05.2019, Room 003 (L9, 1-2)
    Friday,      10:15 - 11:45h, 22.02.2019 - 31.05.2019 , 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.

    Level

    Bachelor

    Sprache/Language

    English

    More Information

    Download (pdf)

    Links

    Software R

    Studierenden­portal

  • E5069 Power Analysis (M.Sc.)

    Dozent

    Dr. rer. nat. Ingo Steinke

    Time and Location of Lecture

    Thursday, 12:00 - 13:30, 14.02.2019 - 23.05.2019 (002, L9, 1-2)

    Level

    Master

    Sprache/Language

    English

    More Information

    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.

  • Resampling-Verfahren (B.Sc.)

    Dozent

    Dr. rer. nat. Ingo Steinke

    Zeit und Ort der Veranstaltung:

    Di, 17:15 - 18:45, wtl 12.02.2019 - 28.05.2019, Raum P 043, L7, 3-5

    Weitere Informationen

    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.

  • E5082 Econometrics of Networks (M.Sc.)

    Dozent

    Alexander Kreiß

    Time and Location of Lecture

    Wednesday, 15:30-17:00h, 13.02.2019 - 29.05.2019, Room 003 (L9, 1-2)

    Friday, 12:00-13:30h, 15.02.2019 - 31.05.2019, Room 003 (L9, 1-2)

    Level

    Master

    Sprache/Language

    English

    More Information

    Module number and title: E5082 Econometrics of Networks
    Form and usability of the module: Elective module for M.Sc. Economics
    Cycle of offer: Irregular
    ECTS credits: 9.5
    Teaching method (hours per week): Lecture (3) + exercises (1)
    Workload: 300 hours, containing 42 hours time in class and 258 hours independent study time and preparation for the exam
    Prerequisites: E601-603 (or equivalent)
    Grading and ECTS credits: Final exam (90 min, 60%) and assignments (40%)

    Literature  
    • Eric Kolaczyk, Statistical Analysis of Network Data
    • Mark Newman, Networks – An Introduction
    • Matthew Jackson, Social and Economic Networks
     
    Description

    Many observations occur as networks, e.g., association networks between users of social media platforms. In this course we want to study in which situations this type of data comes up and how it can be treated statistically. We will formulate various empirical quantities which can be used to describe different features of networks. While doing this we look at examples and try to get an idea of how these features are usually exhibited in real-world data examples. Then, we will investigate how networks can be appealingly plotted and how the network can be partitioned in order to reveal a hidden group structure. We will see that sampling of subnetworks poses new problems and how to overcome them in certain situations. In the last part of the course we will study models for random networks as well as prediction of future behaviour of the network itself as well as functions on the network (e.g. the spreading of opinions through a network). Throughout the course, we will try to illustrate concepts and features of networks with examples, both real-world data as well as simulated data (for this part R knowledge will be helpful).