Regression

Ferienpräsenz:
1. Donnerstag, 22.07.2010, von 14:00 bis 15:00 im HG F 26.3.
2. Donnerstag, 29.07.2010, von 14:00 bis 15:00 im HG G 26.3.

Beginn der Vorlesung: Mittwoch, 24. 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.

Vorlesungsskript

Deutsches Skript: PS / PDF
Englisches Skript: PDF

Notes:

Woche 1:
Role of statistical models
(Nonparametric) Regression

Woche 2:
Examining Data
Transformations

Woche 3:
Linear Regression

Woche 9:
Dummy Variable Regression

Woche 10:
Diagnostics

Woche 11:
Model Building

Woche 13:
Robust Regression

Woche 14:
Logistic Regression

R Code:

Woche 1:
Introduction
(Nonparametric) Regression

Woche 2:
Examining Data
Transformations

Woche 3:
Linear Regression

Woche 9:
Categorical Variables
ANOVA

Woche 10:
Diagnostics
Fruitfly

Woche 11:
Model Building

Woche 12:
Insurance data example

Woche 13:
Robust Regression

Woche 14:
Logistic Regression

Informationen zur Prüfung:

Exam Info

Zusatzmaterial:

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/

Referenzkarte für R: http://cran.r-project.org/doc/contrib/Short-refcard.pdf

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.)