Regression

Beginn der Vorlesung: Mittwoch, 20. Februar

Übungen: Details zur Übung befinden sich hier.

Übersicht

Ziele:

In der Regression wird die Abhängigkeit einer beobachteten quantitativen Zielgrösse von erklärenden Variablen unter Berücksichtigung zufälliger Fehler untersucht. Die Vorlesung gibt eine Einführung in die Theorie und Praxis eines umfassenden und vielbenutzten Teilgebiets der angewandten Statistik, unter Berücksichtigung neuerer Entwicklungen. Nach der Vorlesung sollte man fähig sein, eine Regressionsanalyse durchzuführen und die Resultate korrekt zu interpretieren. Da Regression die wohl weitverbreitete Statistik-Methode ist, ist es wichtig, Regressionsanalysen kritisch hinterfragen zu können.

Inhalt:

Theorie des linearen Regressionsmodelles mit einer oder mehreren erklärenden Variablen, nichtlineare Modelle, verallgemeinerte lineare Modelle, robuste Methoden und nichtparametrische Modelle. Anhand von mehreren Beispielen wird die Theorie illustriert. In den Übungen wird die Statistiksoftware R eingesetzt.

Vorlesungsunterlagen

Skript: PS / PDF

Notes:

• Role of statistical models
• (Nonparametric) regression
• Examining Data
• Transformations
• Linear Regression
• Categorical Predictors
• Diagnostics for unusual and influential data
• Model Building
• Robust Regression
• Logistic Regression
  

R Code:

• Intro
• Nonparametric regression
• Examining data
• Transformations
• Tests and confidence Intervals
• Categorical predictors
• Fruitfly example
• Fruitfly example part 2
• Diagnostics for unusual and influential data
• Model Selection
  
• Faraway Chapter 12: Chicago Insurance Redlining
• Robust Regression
• Logistic Regression
• Generalized Linear Models
• Cox Regression

Exam Information:

• Exam Information

Zusätzlich:

Julian J. Faraway (2002), "Practical regression with R"
 - Text: http://www.biostat.jhsph.edu/~iruczins/teaching/jf/faraway.html
 - R-commands: http://www.maths.bath.ac.uk/~jjf23/LMR/scripts/

Dies ist ein Skript in Englisch mit vielen R-Kommandos und Beispielen.

Alternative Literatur:

• John Fox (1997), "Applied Regression Analysis, Linear Models, and Related Methods", Sage Publications. (Schöne intuitive Beispiele, nicht sehr mathematisch.)
• Sanford Weisberg (2005), "Applied Linear Regression", 3rd edition, Wiley. (Ähnlich wie das Book von Fox aber mathematischer und knapper.)
• Paul D. Allison (1999), "Multiple linear regression, a primer", Thousand Oaks. (Kurz, sehr gut bzgl. Interpretation, nicht sehr mathematisch.)
• Peter Dalgaard (2002), "Introductory Statistics with R", Springer. (Einführung basierend auf der Software R.)