Statistik II
| Lernform | Kürzel | Gruppengröße | Aufwand | Kontaktzeit | LP | Abschluss |
| Vorlesung | -- | k.A. | 60 (4 SWS) | 60 | 2 | PL: Klausur |
| Übung | -- | k.A. | 30 (2 SWS) | 30 | 1 | -- |
| Selbststudium | 135 | - | 4,5 | - | ||
| Summe | - | - | 225 | 90 | 7,5 | - |
| Modulbeauftragte(r): | Neuhäuser |
| Sprache: | Deutsch |
| Turnus: | Wintersemester |
| Standort: | RAC |
| Lehrende: | Brück, Kinder, Kremer, Kschischo, Neidhardt, Neuhäuser, Wolf |
| Zwingende Voraussetzungen: | keine |
| Inhaltliche Voraussetzungen: | Analysis I und II, Lineare Algebra I, Wahrscheinlichkeitstheorie, Statistik I |
Lernziele und Kompetenzen
Vertrautheit mit komplexeren statistischen Modellen mit mehreren Prädiktoren wie Varianzanalyse, multiple lineare Regression und logistische Regression als Beispiel eines verallgemeinerten linearen Modells. Fähigkeit, bei praktischen Problemen das statistische Modell zuzuordnen, das Modell für die vorliegende Fragestellung statistisch zu formulieren, Hypothesen zu formulieren, das zugehörige Testverfahren anzuwenden und die Ergebnisse sachgerecht zu interpretieren. Verständnis für die Rolle von Schätzung und Test im statistischen Modell. Grundkenntnisse der Statistiksoftware SAS, Anwendung der Modelle in SAS und R. Präsentation anspruchsvoller Sachverhalte an der Tafel.
Vorlesungsinhalt
Ein- und zweifaktorielle Varianzanalysen, multiple Vergleiche in varianzanalytischen Modellen. Multiple lineare Regression mit einfachen Verfahren der Variablenselektion und Modelldiagnostik, Einführung in multivariate Statistik, allgemeines lineares Modell. Odds-Ratio (Schätzung und Konfidenzintervall), logistische Regression mit nominalen und metrischen Prädiktoren, Fisher’sche Information, Varianz des Maximum-Likelihood-Schätzers, Score-, Wald- und Likelihood-Quotienten-Test, Modellüberprüfung.
Literatur
- Rice, J.: Mathematical Statistics and Data Analysis, Wadsworth, Belmont, CA (1995).
- Fahrmeir L., Kneib T., Lang S.: Regression, Springer, Berlin (2007).
- Dobson A.: An Introduction to Generalized Linear Models, Chapman \& Hall/CRC, London (2008)