Im Modul „Statistik 1“ haben die Studierenden u.a. gelernt, wie sich der Zusammenhang zweier metrischer oder nicht-metrischer Variablen beschreiben und generalisieren lässt.
Das Modul vermittelt Studierenden die Fähigkeit zu erkennen, wann einfache statistische Kennzahlen zur Beschreibung von Zusammenhängen ausreichen und wann eine Regressionsanalyse angebracht ist sowie zwischen verschiedenen Regressionsverfahren auszuwählen.

Nach Abschluss verfügen die Studierenden über die praktische Fähigkeit, eigene statistische Analysen auf Basis verschiedener Regressionsverfahren durchzuführen und Analysen in bestehenden Studien, die diese Arten von Regressionsmodellen einsetzen, zu versehen, zu interpretieren und kritisch zu diskutieren.

Anknüpfend an bereits erworbene einführende Kenntnisse der beschreibenden und schließenden Statistik aus der Veranstaltung Statistik I wird zunächst in die lineare Regressionsanalyse eingeführt, eine Methode, die es erlaubt, ein Merkmal auf Basis eines oder mehrere anderer Merkmale vorherzusagen und die Stärke des damit beschriebenen statistischen Zusammenhang zu bestimmen.
Aufbauend auf die lineare Regression, die auf metrische abhängige Variablen zugeschnitten ist, wird im Anschluss die Familie der generalisierten linearen Modelle (GLM) vorgestellt. Zu dieser Modellfamilie gehören Regressionsmodelle, die geeignet sind, unterschiedlich skalierte abhängige Variablen im Rahmen der Regressionsanalyse zu untersuchen. Dazu gehört z.B. die logistische Regression, die zum Einsatz kommt, wenn die abhängige Variable binär kodiert ist (z.B. ja/nein) oder die Poissonregression, die zum Einsatz bei Zählvariablen kommt.

Der Ablauf der Veranstaltung ist durch eine enge Verzahnung von Theorie und praktischen Anwendungen charakterisiert.
Im Rahmen der Vorlesung werden die theoretischen Grundlagen vermittelt und mit den TeilnehmerInnen anhand von empirischen Beispielen diskutiert.
Im begleitenden Seminar wird die praktische Umsetzung der zuvor theoretisch behandelten Verfahren im Rahmen von Übungen am PC mit der Statistiksoftware erlernt.

In die Arbeit mit R wird im Rahmen der Begleitübung zu Beginn des Semesters eingeführt.

• Backhaus, K., B. Erichson, W. Plinke und R. Weiber (2003). Multivariate Analysemethoden. Eine anwendungsorientierte Einführung, Berlin: Springer.
• Fahrmeir, L., Kneib, T., & Lang, S. (2009). Regression: Modelle, Methoden und Anwendungen. Statistik und ihre Anwendungen (2. Aufl.). Berlin: Springer.
• Groß, J. (2010). Grundlegende Statistik mit R: eine anwendungsorientierte Einführung in die Verwendung der Statistik Software R. Wiesbaden: Vieweg + Teubner.
• Sheather, S. (2009). A Modern Approach to Regression with R. Springer Texts in Statistics. New York, NY: Springer New York

KL