Learning Outcomes
Nach Abschluss der Lehrveranstaltung sind die Studierenden in der Lage, die Relevanz kausaler Wirkungszusammenhänge in empirischen Datensätzen zu bewerten, indem sie Korrelation von Kausalität unterscheiden, zentrale Konzepte wie Confounder und Collidervariablen identifizieren und Effektstärken durch geeignete statistische Modelle quantifizieren. Dies ermöglicht fundierte, quantitative Entscheidungsunterstützung im unternehmerischen und wissenschaftlichen Kontext.
Inhalt
- Wiederholung der linearen Regression
- Wiederholung statistische Inferenz
- Einführung in kausale Inferenz
- Fallstudie
- Literaturstudie
Methoden
- Vorlesung: Folien, Tafel/ Whiteboard, live R Demos
- Übung: interaktive Modellierung
Literatur
- J. MainDonald, J. Braun. Data Analysis and Graphics Using R. Cambridge University Press (2010).
- T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning. Second Edition. Springer (2009).
- B. Bolker. Ecological Models and Data in R. Princeton University Press (2008).
- J. Pearl & D. Mackenzie. The book of why. Basic Books (2018).
- J. Pearl. Causality. Models, Reasoning and Inference. Cambridge University Press; 2. Edition (2009)
- J. Peters, D. Janzing & B. Schölkopf. Elements of Causal Inference: Foundations and Learning Algorithms. MIT Press (2017)