Folien für Lehrvideos und Live-Veranstaltungen

Die folgenden Bücher sind kostenfrei, können online gelesen werden und dienen als Referenz für Themengebiete im Projektkurs

• Modern Dive: http://moderndive.com
• R for Data Science: http://r4ds.had.co.nz
• Introduction to Data Science: https://rafalab.github.io/dsbook/
• Causal Inference: The Mixtape: https://mixtape.scunning.com/index.html

Folien der Lehrvideos

Folien als PDF herunterladen

01: RMarkdown

• R for Data Science, Workflow: http://r4ds.had.co.nz/workflow-basics.html

• Modern Dive, Kapitel zu Getting Started: http://moderndive.com/2-getting-started.html

• R & RStudio Basics: https://bookdown.org/chesterismay/rbasics/3-rstudiobasics.html

• RStudio IDE Cheatsheet: https://github.com/rstudio/cheatsheets/blob/master/rstudio-ide.pdf

02: Datentypen in R

03: Warum Git und Github?

• Happy Git with R: http://happygitwithr.com/

• Try Git tutorial: https://try.github.io/levels/1/challenges/1

• Introduction to Data Science: https://rafalab.github.io/dsbook/git.html (Kapitel 39)

04: Programming Basics

• Introduction to Data Science: https://rafalab.github.io/dsbook/programming-basics.html

05: Vektorarithmetik

06: Daten in R importieren

07: Daten in die richtige Form bringen

• Blog Post wie Sie ihre Daten aufarbeiten können: https://rladiessydney.org/courses/ryouwithme/02-cleanitup-5/

08: Einführung in die Datenaufbereitung

09: Datensätze zusammenführen

• Introduction to Data Science: https://rafalab.github.io/dsbook/joining-tables.html

10: Datum und Uhrzeit in R

11: Visualisierung mit ggplot2

• Ein schönes Tutorial wie Sie (ansprechende) Grafiken mit ggplot2 erzeugen können gibt Cedric Scherer

• Weiterhin gibt es eine wöchentliche Challange genannt #Tidytuesday bei der Sie viele ansprechende Grafiken finden mit dem entsprechende Code

  • Hier der Github Accunt von Cedric Scherer mit vielen schönen Beispielen oder noch der Account von Georgios Karamanis um nur zwei zu nennen

• Das RStudio ggplot2 Cheatsheet finden Sie hier: https://github.com/rstudio/cheatsheets/blob/master/data-visualization-2.1.pdf

12: Visualisierungsguidelines

• Diese Vorlesungseinheit orientiert sich an einem Vortrag von Karl Broman mit dem Titel: “Creating effective figures and tables”,

• Weiterhin sind die Vorlesungsfolien von Peter Aldhous eingearbeitet worden: Introduction to Data Visualization course

• Wie auch das Buch Introduction to Data Science (Kapitel 10)

13: Korrelation

14: Advanced R Markdown

• Hervorragende Einführungen und Übersichten zu R Markdown bietet Allison Hill an. Hier und hier finden Sie zwei sehr gute Präsentationen.

• Für die Erstellung von Präsentation in RMarkdown mittels dem Paket xaringan hier eine sehr gute Einführung.

• Wenn Sie eine Abschlussarbeit mit RMarkdown verfassen möchten dann würde ich ihnen diesen Vortrag von Herr Resul Umit empfehlen.

15: Stichprobe vs. Grundgesamtheit

• Eine hervorragende Einführung finden Sie im Buch ModernDive (Kapitel 7)
• Eine etwas tiefgreifendere Einführung finden Sie in dem Buch Learning Statistics with R (Kapitel 10)

16: Koeffizienten Interpretieren

16: Kausalität 1

17: Directed acyclic graphs

Vorlesungsfolien der Live-Veranstaltungen

01: Einführung und Begrüßung

02: Erster Teil der Case-Study

03: Zweiter Teil der Case-Study

04: Einführung und Begrüßung zum 2. Teil der VL

05: Wahrscheinlichkeiten, Verteilungen und Konfidenzintervalle

06: Inferenzstatistik (Hypothestest)

07: Lineare Regression (inkl. Interaktionsterme)

• Zur schönen Darstellung der Regressionsergebnisse verwenden wir das Paket modelsummary: Arel-Bundock V (2022). modelsummary: Summary Tables and Plots for Statistical Models and Data: Beautiful, Customizable, and Publication-Ready. R package version 0.10.0.9000, https://vincentarelbundock.github.io/modelsummary/.
• Ein weiteres Paket zur Darstellung der Regressionsergebnisse ist das Paket stargazer: Hlavac, Marek (2018). stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2).

08: Dritter Teil der Case-Study

09: Kausalität in den Wirtschaftswissenschaften

• Eine hervorragende Einführung in DAGs finden Sie im Kurs Program Evaluation von Andrew Heiss
• Eine weitere hervorragende Quelle zur Einführung von DAGs ist das 3. Kapitel in Causal Inferenece - The Mixtape

10: Randomisiertes Experiment

• Die Studie, welche wir hier betrachten finden Sie hier: Baranov, Victoria, Sonia Bhalotra, Pietro Biroli, and Joanna Maselko. 2020. “Maternal Depression, Women’s Empowerment, and Parental Investment: Evidence from a Randomized Controlled Trial.” American Economic Review, 110 (3): 824-59.

11: Instrumentalvariablenschätzung

• Eine hervorragende Einführung in die Instrumentalvariablenschätzung liefert das 7. Kapitel in Causal Inferenece - The Mixtape: https://mixtape.scunning.com/instrumental-variables.html
• Eine weitere sehr gute Einführung in die Instrumentalvariablenschätzung liefert Kapitel 5 von Impact Evaluation in Practice
• Eine hervorragende Einführung in DAGs finden Sie im Kurs Program Evaluation von Andrew Heiss
• Zur Instrumentalvariablenschätzung in R verwenden wir das AER: Kleiber, Christian, and Achim Zeileis. 2020. AER: Applied Econometrics with R (version 1.2-9). https://CRAN.R-project.org/package=AER.
• Zur schönen Darstellung der Regressionsergebnisse verwenden wir das Paket stargazer: Hlavac, Marek. 2018. stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2). https://CRAN.R-project.org/package=stargazer.