Seminarinhalt:

• Quantitative Forschungsmethoden
• Datenrecherche: offene (Geo-)Daten: Geoportale, Statistikportale
• Methoden der quantitativen Datenerhebung (Kartierung, standardisiertes Interview)
• Datenbewertung, -analyse
• Datenvisualisierung, kritische Kartographieanwendung

Da die Inhalte der Veranstaltung aufeinander aufbauen und in Hausaufgaben und gemeinschaftlichen Übungen eingeübt werden, besteht eine Anwesenheitspflicht von 80 % der Sitzungen.

Es findet keine Vorbesprechung statt. Die Teilnahme an der ersten Sitzung ist verbindlich. Etwaige freie Plätze werden nach Warteliste und Anwesenheit in der ersten Sitzung verteilt.

Kurs im HIS-LSF

ACHTUNG - Im Rahmen eines didaktischen Modellversuchs wird auch die VL Statistik II im WiSe 2023/24 als flipped classroom-Veranstaltung durchgeführt. Das bedeutet, dass Studierende die aufgezeichnete Vorlesungssitzung zuhause anschauen und dann für das Tutorium - geleitet von Prof. Schlipphak - in Präsenz an der Uni sind. Für die Termine bedeutet das, dass das Großtutorium mit allen Studierenden in Präsenz am Mo 10-12 Uhr (eigentlich: Termin VL) durchgeführt wird. Alle Studierenden werden dringend gebeten, sich Anfang Oktober in den (vorerst nicht Passwort-geschützten) Learnweb-Kurs einzutragen UND am ersten VL-Termin am 09.10., 10-12 Uhr, auf jeden Fall teilzunehmen!

Die Covid 19-Pandemie hat zu einem großen Schub in der Kommunikation wissenschaftlicher Ergebnisse geführt. In einer Vielzahl von Medienberichten lässt sich seit Beginn der Pandemie von statistisch signifikanten Effekten lesen, von Unterschieden zwischen false positives und false negatives und von der Problematik unterschiedlicher Stichprobengrößen. Meistens weiß jedoch keiner so ganz genau, was damit gemeint ist – und damit bleibt auch die Aussagekraft der Berichterstattung sowie der wissenschaftlichen Erkenntnis dahinter für viele im Dunkeln.

Die Vorlesung Statistik II will da – vermittelt über politikwissenschaftlich relevante und interessante Beispiele – Licht ins Dunkel bringen. In der Vorlesung werden Sie nicht nur über weiterführende statistische Methoden der deduktiven und explorativen Datenanalyse – multivariate OLS-Regression, logistische Regressionsmodelle, Faktoren- und Clusteranalysen – aufgeklärt, sondern bekommen auch Antworten auf die folgenden Fragen (der schließenden Statistik):

Was bedeutet eigentlich ‚statistisch signifikant‘?

Was sind false positives und false negatives, und was hat der α-Fehler damit zu tun?

Warum ist die Größe einer Stichprobe wichtig?

Warum kann ich nicht alle Regressionsergebnisse gleichermaßen interpretieren?

Und warum brauche ich all das, um quantitative Forschung verstehen, hinterfragen und selbst durchführen zu können?

Parallel zur Vorlesung muss ein begleitendes Tutorium besucht werden, in welchem nicht nur die Inhalte der Vorlesung – sofern notwendig – wiederholt, sondern die VL-Teilnehmenden zudem in der Interpretation quantitativer Ergebnisse in der wissenschaftlichen Literatur unterrichtet werden. Da die Konzeption von Vorlesung und Tutorien auf den Inhalten aus Statistik I basiert, empfehle ich als Voraussetzung für den gewinnbringenden Besuch der Statistik II-Vorlesung dringend den erfolgreichen Abschluss von Statistik I.

Die Klausur findet am 22.01.2024, 10-12 Uhr, statt.
Die Nachschreibeklausur findet am N.N. statt.

Kurs im HIS-LSF

Diese Veranstaltung führt in die wichtigsten Begriffe und Themen der Testtheorie und Testkonstruktion ein. Dabei werden neben den Methoden der Itemanalysen (deskriptive Statistiken, Trennschärfen, explorative Faktorenanalysen), die Klassische Testtheorie und Item-Response-Modelle (Probabilistische Testtheorie) behandelt.

In der Vorlesung werden einige mathematische Grundlagenkenntnisse genutzt, die in den Vorlesungen Statistik I und II vermittelt wurden (z.B. Berechnung und Interpretation von Mittelwerten, Varianzen, Korrelationen, Konfidenzintervallen). Nebenfachstudierende, die diese Vorlesungen nicht besucht haben, müssen die benötigten Inhalte selbstständig aufarbeiten

Kurs im HIS-LSF

Im begleitenden Tutorium Statistik 1 Soziologie werden Studierende die Inhalte der Vorlesung Statistik 1 diskutieren, Fragen stellen und in Übungen ihre neuen Kenntnisse vertiefen.

Soziologische Fragestellungen lassen sich nur selten monokausal erklären, so dass es unverzichtbar ist, zumindest die Grundlagen multivariater Analyseverfahren zu beherrschen. Dafür werden in dem Kurs sowohl die theoretischen und mathematischen Hintergründe der Verfahren erklärt, aber auch anhand von Statistikprogrammen wie SPSS und aktuellen Beispielen aus Fachaufsätzen die Verfahren angewendet, interpretiert und hinterfragt. Abhängig von dem Vorwissen der Kursteilnehmer/innen werden exemplarisch multivariate Verfahren (z.B. Regressions-, Cluster- oder Faktorenanalyse) detailliert behandelt. Grundkenntnisse in SPSS oder einem vergleichbaren Statistikprogramm sind für den Kurs hilfreich, aber keine Voraussetzung. Der Kurs wird mit einer statistischen Anwendung zu einer Fragestellung abgeschlossen, die mittels multivariater Verfahren gelöst werden soll.

Kurs im HIS-LSF

Eine Anmeldung in HISLSF dient der Organisation der Vorlesung und sollte nach Möglichkeit vorgenommen werden. Die Teilnahme an der Veranstaltung sowie die Verbuchung Ihrer Leistungen in QISPOS ist jedoch auch ohne vorherige Anmeldung via HISLSF möglich.

Diese Veranstaltung ist ein Element des Moduls Forschungsmethoden und wird als Vorlesung mit (freiwillig zu besuchendem) Tutorium durchgeführt. Ziel ist die Fähigkeit zur Beschreibung von Daten durch deskriptive statistische Kennwerte (Häufigkeitsverteilungen, Lage- und Streuungsmaße) und Analyseverfahren (Mittelwertvergleiche, Kontingenz- und Korrelationsanalyse, einfache Regressionsanalyse). Das (theoretische) Verständnis der Verfahren und die Interpretation der Ergebnisse stehen neben der praktischen, problemorientierten Datenanalyse im Mittelpunkt.

Als Prüfungsleistung wird eine Klausur angeboten; als Studienleistung wird die regelmäßige Bearbeitung von Übungszetteln angeboten

Kurs im HIS-LSF

Ob es die ansprechende und ausdrucksstarke Präsentation von Zahlen ist, die Prognose von Entwicklung auf Basis erhobener Daten oder die Ermittlung des Marketingerfolges – nicht nur, aber gerade auch im Umfeld von Start-Ups sind grundlegende Kenntnisse ökonometrischer und statistischer Verfahren eine wesentliche Voraussetzung für eine erfolgreiche unternehmerische Tätigkeit.

In der Veranstaltung werden auf leicht zugängliche Art und Weise die notwendigen Grundlagen vermittelt, um Daten einerseits zielorientiert visualisieren zu können und andererseits notwendige Methoden und Verfahren problemorientiert einsetzen zu können, um so Zusammenhänge zu erkennen und auszudrücken. Dabei liegt der Schwerpunkt nicht in der Mathematik, sondern in der praktischen Anwendbarkeit und Interpretation der Ergebnisse der eingesetzten Methoden.

Kurs im HIS-LSF

Kurs im HIS-LSF

Kurs im HIS-LSF

Ziel der Veranstaltung und Vorkenntnisse

Das Ziel dieser Schlüsselqualifikation ist es, Studierenden frühzeitig die wesentlichen Kompetenzen im Umgang und der Arbeit mit Daten („Data Literacy“) zu vermitteln. Insbesondere erlernen die Studierenden dabei strukturiert über die Arbeit mit Daten nachzudenken, Daten zu modellieren und zu interpretieren sowie die entsprechenden praktischen Tools und Technologien entlang des Data Science-Prozesses einzusetzen. Die Inhalte des Kurses bereiten Studierende auf eine potenzielle empirische Abschlussarbeit in der Wissenschaft sowie die Realität der Arbeit mit Daten in der Praxis vor. Theoretische Vortragseinheiten (video-on-demand) wechseln sich dabei mit anwendungsbezogenen Einheiten und Übungen zur Vertiefung des Gelernten ab. Studierende sammeln (erste) Erfahrungen im Umgang mit Excel, Python sowie Tableau. Der Fokus liegt hierbei auf einer überblicksartigen Wissensvermittlung und hat nicht den Anspruch eines zum Beispiel tiefgehenden Programmierkurses. Es wird erwartet, dass die Studierenden ein intrinsisches Interesse an den behandelten Themen mitbringen und sich aktiv einbringen. Die individuelle Lernkurve hängt dabei von der eigenen Motivation sowie den Vorkenntnissen der Studierenden ab und kann eine konsequente Nachbereitung der Inhalte zwischen der Veranstaltungsterminen erfordern. Generell sollten Teilnehmer:innen folgende Vorkenntnisse mitbringen:

1. Erfolgreicher Abschluss der Module „Statistik 1“ (bzw. "Data Science 1" nach neuer PO) und „Statistik 2“ (bzw. "Data Science 2" nach neuer PO) und „Mathematik für Wirtschaftswissenschaftlicher“ (bzw. "Analysis für Wirtschaftswissenschaftler" nach neuer PO).
2. Vorkenntnisse im Umgang mit Python oder einer anderen Programmiersprache zur Datenanalyse sind nicht erforderlich. Gleiches gilt für Tableau.
3. Optional: Sollten Sie noch in der alten Prüfungsordnung studieren, ist ein erfolgreicher Abschluss des Moduls „Techniken der IT“ von Vorteil.

Anmeldung

Die Teilnehmerzahl ist beschränkt. Eine Bewerbung erfolgt über die Bewerbungsmaske der IVV Wirtschaftswissenschaften (bis zum 31. März 2023). Die Teilnahme an der Veranstaltung wird spätestens eine Woche vor Veranstaltungsbeginn bestätigt. Aktuelle Veranstaltungsinformationen finden sich zudem auf der Website des Forschungsteam Berens.

Inhalte

1. Einführung „Data Literacy“
   
2. Simulationsrechnung
   
3. Datenvisualisierung
   
4. Datenmanipulation & Datenanalyse mit Python
   
5. Verarbeitung von Textdaten
6. Korrelation & Kausalität
   
7. Datenbeschaffung mittels API

Kurs im HIS-LSF

Data Science 1

Wirtschaftswissenschaften sind empirische Wissenschaften. Es geht immer um die reale Welt. Damit wir etwas über die reale Welt lernen können, brauchen wir Daten. In dem Modul Data Science 1 lernen Sie, wie man mit Daten arbeitet. Die Kenntnisse aus diesem Modul werden für Sie sowohl im Laufe Ihres Studiums als auch darüber hinaus wertvoll sein. Das gilt nicht nur für Tätigkeiten in der Wissenschaft, sondern auch in der Praxis.

Natürlich ist Data Science ohne den Einsatz von Computern nicht möglich. Sie lernen in diesem Modul, wie man mit Hilfe von Computersoftware Daten vorbereitet, auswertet und schließlich die Ergebnisse präsentiert. Wir verwenden die Computersoftware R und RStudio.

Data Science ist aber auch ohne ein fundiertes theoretisches Verständnis über Statistik nicht sinnvoll. Die Abstraktion von konkreten Anwendungen ist nötig, damit man den “Kern” der Methoden herausdestilliert und verstehen kann, was eigentlich bei der Datenanalyse passiert. Dieses abstrakte Wissen ist besonders wertvoll, weil es (im Gegensatz z.B. zu Software) nicht veraltet. Sie können es immer wieder in neuen Situationen auf neue Probleme anwenden. Für die von konkreten Anwendungen abstrahierte Behandlung der Datenanalyse braucht man ein gemeinsames Vokabular und ein wenig Mathematik. Beides werden Sie ebenfalls im Laufe dieses Kurses lernen.

Kurs im HIS-LSF

Kurs im HIS-LSF