Generalized Linear Models

Worum geht's

Du lernst Methoden der Regression für nicht-normal verteilte Zielgrößen (z. B. binär, Zähldaten, nominal, positive Werte). Neben klassischen GLMs wie logistische, Probit-, Poisson-, Gamma- und log-lineare Modelle werden Erweiterungen (z. B. Überdispersion, Zufallseffekte) behandelt. Am Ende kannst Du Modelle schätzen, validieren und die Ergebnisse mit R analysieren und interpretieren.

Was du danach kannst

• Anwenden moderner Regressionsmethoden für nicht-normalverteilte Daten
• Durchführen explorativer Datenanalyse für Regressionsprobleme
• Anpassen und validieren von GLMs (inkl. Überdispersion, Zufallseffekte)
• Interpretation von Modellergebnissen
• Analyse und Interpretation mit der Statistiksoftware R

Aus was das Modul besteht

• VorlesungVermittlung der Inhalte durch Vortrag und Beispielanwendungen; Motivation für eigenständige Literaturarbeit
• Übung/PraktikumPraxisbegleitende Sitzungen mit Aufgabenblättern und Lösungen zum Vertiefen und Selbstüberprüfen

Lehrmethode

• VortragPräsentation der Konzepte und demonstrative Beispiele
• DiskussionErörterung der Inhalte gemeinsam mit den Studierenden
• Übungsaufgaben mit LösungenVertiefung und Selbstkontrolle des Gelernten
• Eigenständige LiteraturarbeitAnregung zur selbständigen Analyse der vorgestellten Themen