default

Aktuell

19.12.2017: Bis auf wenige Ausnahmen, die informiert sind, sollten Sie die Noten für die Ausarbeitung vom 4.11.2017 zeitnah auf Ihrer Flexnow-Seite finden.
13.7.2017: Unser Tutor Joshua Driesen pflegt ein GoogleDoc, in dem auch Fragen eingetragen werden können, die er dann beantwortet.
12.6.2017: Ab sofort stehen weitere Informationen zur Ausarbeitung zur Verfügung (s.u.), incl. zweier Probeklausuren, die Ihnen eine konkreten Eindruck darüber vermitteln sollen, was auf Sie zukommt.
10.5.2017: Auf Wunsch der Studierenden wird der Prüfungstermin für das WS 2017/2018 vorgezogen auf Samstag, 4.11.2017, 10:00 - 16:00. Er war ursprünglich geplant für Samstag, 3.2.2018.
10.3.2017: Ankündigung, insbesondere der beiden Blockseminare am 8/9.4.2017 zur Arbeitsumgebung sowie am 22/23.4.2017 zur Datenaufbereitung. Der normale, wöchentliche Rhythmus beginnt mit dem Termin am Donnerstag, 27.4.2017.

Organisatorisches

Diese Veranstaltung ist Teil des Moduls "Multivariate Verfahren". Basis ist die Vorlesung "Multivariate Verfahren" im SS 2017, die in Vertretung für Prof. Uwe Mattler (Forschungsfreisemester) von Andreas Cordes angeboten wird. VL im StudIP unter "Vorlesung M.Psy.205 Multivariate Statistik" (Anmeldung erforderlich).

Das Seminar bzw. die Übung konzentriert sich auf die praktische Umsetzung der in der Vorlesung vorgestellten Verfahren mit dem Statistikpaket R. Die Veranstaltung findet statt im Computerpool (Heinrich-Düker-Weg 12, Erdgeschoss, Raum 0.481), der auf 30 Arbeitsplätze limitiert ist. Daher werden, um genügend Plätze für alle Master-Studierenden zur Verfügung stellen zu können, zwei Paralleltermine angeboten

Die Termine liegen donnerstags (10:15 - 11:45 und 12:15 - 13:45).

Tutor

Teil der Übung sind Übungsaufgaben, an denen Sie sich zuhause versuchen sollen. Bei Fragen hierzu können Sie sich an unseren Tutor Joshua Driesen(E-Mail: joshua.driesen@stud.uni-goettingen.de) wenden. Joshua pflegt ein GoogleDoc, in dem auch Fragen eingetragen werden können, die er dann beantwortet.

Themen

Die Themen orientieren sich an den Themen der Vorlesung. In den ersten Stunden werden auch allgemeine Tipps für den Umgang mit R gegeben und verschiedene Arten der Benutzung vorgestellt. Die einzelnen Themen werden sukzessiv hier eingepflegt und tauchen links in der Übersicht auf.

Geplant sind allgemein:

Daten In- und Output
Datenmodifikation und -aufbereitung
Grafiken
Automatisierung von Auswertung inkl. automatisiertes Erstellen von Berichten

In der Vorlesung vorgestellte, statistische Verfahren:

Lineare Regression
Multiple Regression
Allgemeines Lineares Modell (GLM)
Im Rahmen des GLM Varianzanalytische Designs und varianzanalytische Messwiederholungsdesigns
Logistische Regression (als Beispiel des verallgemeinerten linearen Modells)
Multivariate Analyse (im Sinne von multiplen AVen)
PCA
Faktoren-Analyse
Cluster-Analyse
Multi-Level-Modelle
...

Vorab-Workshop zur Einführung in R-Studio und R-Markdown

Im Rahmen der Veranstaltung "Multivariate Verfahren" findet am Wochenende vor Semesterbeginn, Samstag (ggf. Sonntag in Abhängigkeit von der Zahl der Anmeldungen) 8/9.4.2017 jeweils von 9:00 - 16:00 eine Einführung in die Arbeitsumgebung statt (ebenfalls im Computerpool HDW). Hierbei sollen Sie die Arbeitsumgebung kennenlernen, die während des gesamten Semesters und auch in der Ausarbeitung (Prüfung) genutzt werden wird. Hier wird R als Statistik-Programmiersprache vorgestellt, seine Einbettung in R-Studio, das Plugin R-Commander sowie die Möglichkeiten, die R-Markdown bietet, um automatisiert Auswertungen und dynamische Berichte zu erstellen. Alle Unterlagen für die Übung werden als R-Markdown-Dateien zur Verfügung gestellt.

Der Focus liegt auf der Arbeitsumgebung. Inhaltliche Aspekte werden nur soweit mit einbezogen, als sie zum Kennenlernen bzw. Einüben der Umgebung notwendig sind. Wenn Sie die o. a. Umgebungen bereits kennen, brauchen Sie nicht an diesem Workshop teilzunehmen.

Bitte tragen Sie sich wahlweise an einem der beiden Termine ein, wenn Sie teilnehmen wollen. Die Inhalte sind gleich.

Doodle

Workshop zur Datenaufbereitung mit R und R-Studio

Am Wochenende nach Ostern Samstag/Sonntag 22/23.4.2017 findet von 9:00 - 16:00 ein Blockseminar zum Thema Datenorganisation, Datenaufbereitung und Datenmodifikation statt (Ort: Computerpool HDW). Hierbei sollen Sie lernen, Rohdaten in eine Form zu bringen, in der sie für die statistischen Analysen benutzt werden können. Dies ist ein regelmäßiges Problem, das häufig sehr viel mehr Mühe macht und Zeit kostet, wie die eigentliche Analyse. Behandelt werden sollen dabei verschiedene Möglichkeiten der Umorganisation von Datensätzen, der Bildung neuer Variablen und die strukturelle Umwandlung von Daten zwischen dem sog. Long-Format und dem Wide-Format.

Diese Themen sind Voraussetzung für den Umgang mit R als Auswertungswerkzeug, haben aber inhaltlich eher weniger mit der Thematik "Multivariate Verfahren" zu tun. Unsere Erfahrungen zeigen, dass dieser Schritt viele Studierende vor teils erhebliche Probleme stellt und weiten daher die hierfür zur Verfügung stehende Zeit aus, indem wir ein Blockseminar anbieten.

Bitte tragen Sie sich an einem der beiden Termine ein, wenn Sie teilnehmen wollen. Doodle

Literatur

Brian S. Everitt (2010): Multivariable Modeling and Multivariate Analysis for the Behavioral Sciences.
Grundlage für die MV-Vorlesung und für die Übung. Die Auswahl der Themen/Verfahren und richtet sich nach den Kapiteln dieses Buches.

Die Übung konzentriert sich als Basis auf:

Andy Field, Jeremy Miles, Zoë Field (2012): Discovering Statistics using R.

Abschlussarbeit/Modulprüfung

Die Prüfung erfolgt in Form einer schriftlichen Ausarbeitung, wie aus der Modulbeschreibung ersichtlich. Sie wird angefertigt im E-Prüfungsraum der Universität im blauen Turm. Es werden zwei Termine angeboten:

Normaltermin (für das SS 2017): Samstag 19.8.2016 , 10:00 - 16:00, vor Beginn der 6 freigehaltenen Praktikumswochen in den Sommersemesterferien und auch (hoffentlich) bevor die Auslandssemester beginnen.

Nachholtermin: (im WS 2017/2018): Auf Wunsch der Studierenden vorgezogen auf Samstag, 4.11.2017, 10:00 - 16:00 (ursprünglich geplant für Samstag, 3.2.2018).

Ziel hinter den Terminen ist, die Zeiten zwischen den Prüfungen nicht auf knapp ein Jahr anwachsen zu lassen und damit unverhältnismäßig lange Wartezeiten für eine Pflichtprüfung zu haben.

Weitere Infos zur Abschlussarbeit.

Veranstaltungen und Inhalte

Alle zur Verfügung gestellten Materialien finden Sie in der folgenden Tabelle verlinkt.

	Thema	Ressourcen
13.7.2017	Faktoranalytische Methoden PCA EFA CFA Evaluation und Ausarbeitung	fa.html pca.html efa.html cfa.html
6.7.2017	mixed Models Mehrebenenmodelle Logisitsche Regression	lm_cat_mixed.html lm_multi_level.html glm_logistic.html
29.6.2017	unbalanced Designs repeated Measures Designs mixed Models	lm_cat_unbalanced.html lm_cat_repeated.html lm_cat_mixed.html
22.6.2017	Nachtrag: MR und Modellvergleich (stepwise) Kategoriale Prädiktoren, ANOVA, als GLM, einfach, faktoriell, Kontraste, unbalanced Designs	lm_compare.html lm_cat.html lm_cat_factorial.html lm_cat_contr.html lm_cat_unbalanced.html
15.6.2017	Multiple Regression Moderationsanalyse Kategoriale Prädiktoren	lm_mult.html lm_moderation.html lm_cat.html
8.6.2017	Multiple Regression Moderationsanalyse	lm_mult.html lm_moderation.html
1.6.2017	"Ausflüge" - Datenstrukturen - einfache Regr: Residuen - einfache Regr: Variationen eines Prädiktors - einfache Regr: binärer Prädiktor - einfache Regr. und ML-Schätzung	data.html lm_simple.html lm_simple.html lm_cat.html ml.html
18.5.2017	Einfaches lineares Modell, auch als Beispiel für ALM und Modellvergleich.	lm.html ml.html
11.5.2017	Grafiken 2: ggplot2 und Shiny	ggplot2.html shiny.html
4.5.2017	Grafiken mit ggplot2	ggplot2.html
27.4.2017	Maximum Likelihood Schätzung - eine Grundidee (erster regulärer wöchentlicher Termin)	ml.html
22/23.4.2017	Wochenend-Workshop zur Datenaufbereitung	transformation.html
8/9.4.2017	Wochenend-Workshop zur Arbeitsumgebung	block_intro.html commands.html

Links:

Startseite der Veranstaltung im SS 2016. Möglicherweise veraltet oder teilweise nicht mehr konsistent.

fin