311.185 (23W) Regressionsmodelle

Wintersemester 2023/24

Anmeldefrist abgelaufen.

Erster Termin der LV
03.10.2023 14:00 - 15:30 N.0.07 On Campus
... keine weiteren Termine bekannt

Überblick

Lehrende/r
LV-Titel englisch Regression Models
LV-Art Vorlesung
LV-Modell Präsenzlehrveranstaltung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 3.0
Anmeldungen 15
Organisationseinheit
Unterrichtssprache Deutsch
mögliche Sprache/n der Leistungserbringung Deutsch , Englisch
LV-Beginn 03.10.2023
eLearning zum Moodle-Kurs

Zeit und Ort

Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

Die Studierenden sind nach Absolvierung der Lehrveranstaltung in der Lage, Regressionsmodelle zu formulieren und auf Daten anzuwenden, sowie wichtige statistische Eigenschaften zu formulieren und deren Herleitung zu beweisen.

Lehrmethodik

Vorlesung mit interaktiven Elementen

Inhalt/e

- Klassische lineare Modelle (Definitionen, Schätzen, Testen, Modellwahl und Variablenselektion)
- Erweiterungen (allgemeines lineares Modell, Regularisierung, Boosting, bayesianischer Zugang)
- Generalisierte lineare Modelle (Logit/Probit, Zähldatenmodelle, bayesianischer Zugang)
- Weitere Themen je nach Interesse/Zeit, etwa: Ordinale Modelle, mixed models, nichtparametrische Regression

Erwartete Vorkenntnisse

- elementare Arithmetik
- lineare Algebra (insbesondere Matrizenrechnung)
- Grundlagen der Wahrscheinlichkeitsrechnung
- Arbeiten mit Verteilungen
- R oder ähnliche Skriptsprache

Literatur

Fahrmeier, Kneib, Lang, Marx (2021): Regression. Models, Methods and Applications (2nd edition). Springer.

Fahrmeier, Kneib, Lang (2009): Regression. Modelle, Methoden und Anwendungen. Springer.

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

Schriftliche Leistungsüberprüfung in deutscher Sprache. Prüfungstermine: letzter LV-Termin, sowie drei weitere Termine am Anfang, in der Mitte, und am Ende des darauffolgenden Semesters bzw. nach Vereinbarung.

Prüfungsinhalt/e

Inhalte der Vorlesung.

Beurteilungskriterien/-maßstäbe

Schriftliche Leistungsüberprüfung.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Bachelorstudium Technische Mathematik (SKZ: 201, Version: 17W.1)
    • Fach: Stochastik (Pflichtfach)
      • 6.5 Lineare Modelle ( 2.0h VO / 3.0 ECTS)
        • 311.185 Regressionsmodelle (2.0h VO / 3.0 ECTS)
          Absolvierung im 5. Semester empfohlen
  • Bachelorstudium Technische Mathematik (SKZ: 201, Version: 22W.1)
    • Fach: Stochastik (Pflichtfach)
      • 6.6 Regressionsmodelle ( 2.0h VO / 3.0 ECTS)
        • 311.185 Regressionsmodelle (2.0h VO / 3.0 ECTS)
          Absolvierung im 5. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Wintersemester 2022/23
  • 311.185 VO Regressionsmodelle (2.0h / 3.0ECTS)
Wintersemester 2021/22
  • 311.185 VO Lineare Modelle (2.0h / 3.0ECTS)
Wintersemester 2020/21
  • 311.185 VO Lineare Modelle (2.0h / 3.0ECTS)
Wintersemester 2019/20
  • 311.185 VO Lineare Modelle (2.0h / 3.0ECTS)
Wintersemester 2018/19
  • 311.185 VO Lineare Modelle (2.0h / 3.0ECTS)
Wintersemester 2017/18
  • 311.185 VO Lineare Modelle (2.0h / 3.0ECTS)