mar671 - Statistics Software R: Introduction (Complete module description)

Kompetenzziele
- Exemplarisches Kennenlernen weiterer angrenzender Gebiete und damit Erweiterung des eigenen Fachwissens
- Kennenlernen von Anwendungen
- Fähigkeit, vorhandene Software zu verstehen, einzubinden und anzuwenden
- Vertiefung, auch exemplarisch, der im Grundlagenbereich erworbenen Kenntnisse
- Erwerb direkt berufsbezogener inhaltlicher und prozessorientierter Kompetenzen
- Erweiterung des mathematischen Wissens, vor allem aus der Statistik
- Kennenlernen von Software zur Statistik
- Fähigkeit, vorhandene Statistiksoftware und Anwendungspakete zu verstehen, einzubinden und anzuwenden

 Software-Kompetenzen
 - die Studierenden können die Software R eigenständig zur Lösung statistischer Probleme anwenden
 - sie lernen das R-Ökosystem in seiner Organisation mit CRAN, R-Code, den vielen Foren, Mailinglisten, den vielen bereitgestellten Ergänzungspaketen zu R kennen und können sich darin eigenständig mit Information versorgen
 - sie können eigenständig für die Problemstellung relevante Ergänzungspakete identifizieren, installieren und verwenden
 - sie verstehen in wesentlichen Zügen, wie der Interpreter R Code auf dem Rechner umsetzt, und können so Fehler in eigenem und fremden Code identifizieren
 
 Programmierkompetenzen
 - in einem Kurs zur Statistischen Software R werden den Studierenden Grundlagen der Programmierung vermittelt
 - die Studierenden machen Erfahrungen im gemeinsamen Programmieren und lernen dabei gute Dokumentation, Kommentierung und Coding Standards wertschätzen
 - sie kennen Tools zur Organisation und Versionierung gemeinsamen Programmiercodes wie git, gitlab  
 
 statistische Kompetenzen
- die Studierenden können für eine statistische Fragestellung die geeigneten Verfahren identifizieren und in ihrer Aussagetragweite einschätzen
- sie haben ein tieferes Verständnis dafür, wie prädiktive Modelle in R deklariert werden und können diese passgenau in praktischen Anwendungen formulieren
 - sie können statistische Sachverhalte geeignet graphisch illustratieren und diagnostische Plots zur Bewertung der Güte der eingesetzten Verfahren auswählen
 - sie sind in der Lage, Fachfremden Inhalt und Tragweite der eigenen statistischen Analyse zu vermitteln
 
 Kompetenzen bei der Organisation gemeinsam verfasster wissenschaftlicher Arbeiten
 - die Studierenden sammeln Erfahrung bei der Organisation von Programmierung und beim Verfassen wissenschaftlicher Texte in Gruppen
 - sie setzen Werkzeuge des "literate programming" wie Sweave und knitR ein, um für eine einheitliche Verwebung von Analyse-Code, Daten und Bericht/Auswertung zu sorgen
 - sie beachten aktiv die FAIR - Prinzipien des Forschungsdatenmanagements

Vorbereitung und Installation von R; Interaktion mit R: die GUI, R-Studio, Pakete, Dokumentation & Hilfe; eine Beispielsession; Objekte inspizieren, erzeugen, speichern, laden; Datenimport; GrundDatenstrukturen: Vektoren, Listen, Matrizen, Data.frames; Indizierung; Funktionen: Aufbau und Aufruf; Explorative Datenanalyse und Tests in R; Simulationen in R, Graphik; Regression in R; Programmierstrukturen

Ligges, U. Programmieren mit R. Springer

Chambers, John. Software for data analysis: programming with R. Springer.

Dalgaard, Peter. Introductory statistics with R. Springer.

Venables, William, and Brian D. Ripley. S programming. Springer.

Wickham, Hadley. ggplot2: elegant graphics for data analysis. Springer.

Xie, Yihui. Dynamic Documents with R and knitr. CRC Press, 2013.

Klausur am Ende der Veranstaltungszeit, fachpraktische Übungen oder mündliche Prüfung nach Maßgabe der Dozentin oder des Dozenten

KL