Lernplattform der Universität Leipzig

Zielgruppe:

Studierende wirtschaftswissenschaftlicher Masterstudiengänge mit Interesse an empirischer Wirtschaftsforschung, Finanzmarktanalysen und/oder Business Forecasting.

Inhalt:

Ein wesentliches Anliegen der Zeitreihenanalyse ist die Konstruktion von Modellen, die die statistischen Beziehungen zwischen chronologisch geordneten Beobachtungen eines dynamischen Phänomens beschreiben und erklären.

In ökonomischen Anwendungen werden Zeitreihenmodelle überwiegend zur Analyse und Prognose der zeitlichen Entwicklung wirtschaftlich relevanter Größen genutzt. Statistisch fundierte Erkenntnisse über Verhaltensmuster in der vollzogenen zeitlichen Entwicklung ökonomischer Variablen vermitteln ein tieferes Verständnis der zugrundeliegenden ökonomischen Prozesse. Prognosen zukünftiger Werte handlungsrelevanter Parameter liefern wertvolle Information für die Entscheidungsfindung in wirtschaftlichen Entscheidungsprozessen, die durch Unsicherheit bezüglich der Werte zeitvariabler Parameter gekennzeichnet sind.

Zentraler Gegenstand des Moduls sind auf der Theorie stationärer stochastischer Prozesse basierende Zeitreihenmodelle für univariate und multivariate Zeitreihen, die in der aktuellen ökonometrischen Forschung ebenso wie in der betriebswirtschaftlichen Praxis als Werkzeuge zur Analyse und Prognose mikroökonomischer, makroökonomischer und finanzwirtschaftlicher Zeitreihen verbreitet Anwendung finden. Dabei werden die theoretischen mathematisch-statistischen Grundlagen und die praktische Modellbildung gleichrangig behandelt. In Computer-Übungen werden Fallbeispiele mit Hilfe des Statistik-Software-Systems R analysiert.

Zielgruppe und Voraussetzungen

Zielgruppe des Moduls sind Studierende wirtschaftswissenschaftlicher Masterstudiengänge und des Studiengangs M.Sc. Data Science mit Interesse an quantitativer Marketingforschung, Knowledge Discovery in Databases, Business Intelligence sowie empirischer Wirtschaftsforschung.

Vorausgesetzt werden gute Kenntnisse in Wahrscheinlichkeitsrechnung, Statistik und linearer Algebra.

Inhalt

1. Multivariate Daten
2. Dimensionsreduktion: Hauptkomponenten- und Faktoranalyse
3. Clusteranalyse
4. Diskriminanzanalyse und multivariate Varianzanalyse
5. Entscheidungsbäume
6. Künstliche Neuronale Netze
7. Assoziationsanalyse