Praxisnahe Vermittlung von Grundkenntnissen der Modellierung von regressionsanalytischen Fragestellungen. Verbindung zwischen theoretischem Wissen und der praktischen Umsetzung mittels statistischer Analysesoftware R. Anwendung von Modellen der Regressionsanalyse auf reale Datensätze.

Lineare Regression

Einfachregression:Lineare Regression: Einfachregression Grundbegriffe, Modell, Prinzip der Kleinsten Quadrate,Konfidenzintervalle für Parameter und der Schätzwerte, Tests der Parameter, Bestimmtheitsmaß, Test der Parameter, Kovarianz, Korrelation. Kovarianz, Korrelation, Varianzzerlegung, Bestimmtheitsmaß, F-Test, Tests über die Parameter. Praktische Übungen mit R

Multiples Regressionsmodell: Matrixnotation, Kl. Quadrate Schätzer, Geometrische Interpretation, Hypothesentests im multiplen Regressionsmodell, Konfidenzintervalle. Praktische Übungen mit R Regression Diagnostics: Graphiken, Influential Data Points, Leverage Points, Heteroskedastizität, Autokorrelation, Variablenselektion, Datentransformationen, Regression mit Indikatorvariablen: Kontraste, Stepwise Regression, Ausblick auf fortgeschrittene Techniken der Regression. Praxisbeispiele mit R

Varianzanalyse: Einfach-/Zweifach-Modelle. Praxisbeispiele mit R

Theorie Verallgemeinerte Lineare Modelle

Logistische Regression: Das Grundmodell der logistischen Regression mit einer Variablen; Parameterschätzung, Interpretation, Tests und Konfidenzintervalle. Praktische Übungen mit R Multiple Logistische Regression; Parameterschätzung, Interpretation, Tests und Konfidenzintervalle. Praktische Übungen mit R Datenanalytische Aspekte der Logistischen Regression (Variablenselektion, Goodness-of-Fit). Praxisbeispiele mit R Einführung in das Log-lineare Modell Analyse von zwei- und dreifachen Kontingenztafeln, Zusammenhang zwischen log-linearem Modell und logistischer Regression Praktische Übungen mit R

Mündliches Gespräch über den Vorlesungsstoff inklusive Präsentation der von den Teilnehmern selbst ausgearbeiteten Übungsbeispielen

Termine: Nach persönlicher Vereinbarung

Handouts werden zur Verfügung gestellt.

Tutz, G. (2012): Regression for Categorical Data. Cambridge.

Dobson, A.J., Barnett, A.G.. (2008): An Introduction to Generalized Linear Models. CRC Press.

Madsen, H., Thyregod, P. (2011): Introduction to General and Generalized Linear Models. CRC Press.

Fox, J. (2002). An R and S-PLUS Companion to Applied Regression. Sage Publications.