Veranstaltungsdetails

Methoden der Datenrepräsentation und Klassifikation

Kurs-Nr.: 080388 | Zeit: Mo 16-18 | Raum: GD E2/208 CIP-Pool | Semester: WiSe 2019/2020

Jeworutzki

Beschreibung:
Ein der herausragenden Aufgaben der Statistik ist die Reduktion der Komplexität von Daten, um Muster und Regelmäßigkeiten überhaupt erkennbar zu machen. Zu diesem Zweck wurden verschiedene statistische Methoden entwickelt, um Untersuchungsobjekte zu klassifizieren und zu Gruppen zusammenzufassen.
Das Seminar behandelt fortgeschrittene statistische Klassifikationsverfahren und Verfahren zur Beschreibung von Ähnlichkeiten sowie deren rechentechnische Umsetzung mit dem Statistikprogramm R.
Die geplanten Themen der Veranstaltung sind:
• Ziele von Klassifikationsverfahren und Gütekriterien für Klassifikationen
• Abstandsmaße
• Multidimensionale Skalierung
• Hierarchische und nicht-hierarchische Clusteranalyseverfahren
• Modellbasierte Klassifikationsverfahren (Latente Klassenanalyse)
• Validierung von Klassifikationslösungen

Begrenzt auf 15 Teilnehmer!

Voraussetzungen für Studiennachweise / Modulprüfungen :
Studiennachweise können durch aktive Teilnahme und das Bearbeiten von Übungsaufgaben erworben werden. Die Modulprüfung umfasst zusätzlich eine Hausarbeit

Teilnahmevoraussetzungen:
Anmeldung über eCampus ab dem 01.09.2019.
Im Seminar werden Auswertungen mit der kostenlosen Open Source-Software „R“ (www.r project.org) durchgeführt. R ist eine flexible, freie Software zur Analyse von empirischen Daten, die nicht nur in weiten Teilen der akademischen Forschung verbreitet ist, sondern auch in vielen Bereichen der Wirtschaft Verwendung findet.
Studierende ohne R-Kenntnisse können am 01.10.2019 einem eintägigen R Einführungskurs teilnehmen.

Literaturhinweise:
Backhaus et al. (2011): Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 13., überarbeitete Auflage, Springer.
Bailey, K. D. (1994): Typologies and taxonomies . Sage.
Cox, T. F./Cox, M. A. A. (2001): Multidimensional scaling . 2. Auflage, Chapman & Hall/CRC.
Hennig, C. (2007): Cluster-wise assessment of cluster stability . In: Computational Statistics & Data Analysis, Nr. 52. 258–271.
Kaufman, L. & Rousseeuw, P. J. (1990): Finding groups in data . Wiley,