GESIS Training Courses
user_jsdisabled
Suche

Wiss. Koordination

Claudia O'Donovan-Bellante
Tel: +49 621 1246221

Administrative Koordination

Dr. Nora Skopek
Tel: +49 621 1246277

Einführung in die Logik bayesscher Statistik für die Sozialwissenschaften

Dozent(en):
Dr. Hannes Kröger

Datum: 08.02 - 09.02.2018 ics-Datei

Veranstaltungsort: B2,8 Mannheim

Seminarinhalt

In diesem Kurs wird die fundamentale Logik, die hinter bayesscher Statistik stehtvermittelt, und wie sie sich von frequentistischer Statistik unterscheidet und wie diese Unterschiede konkret in sozialwissenschaftlicher Forschung genutzt werden können.
Der Kurs deckt zunächst eine auf Intuition und Forschungslogik basierende Einführung in die Unterschiede und Gemeinsamkeiten der beiden großen Ansätze in der Statistik ab. Formalisierung und Schätzmethoden werden dabei eher am Rande behandelt.
Das erste Beispiel behandelt die Integration von externer Information (prior knowledge) in die Modellschätzung. So wird gezeigt wie Sensitivitätsanalysen für Messfehler im bayesschen Ansatz durchgeführt werden kann. Im Anschluss daran wird besprochen in welchen Anwendungen mit denen wir schon vertraut sind (im Geheimen) auch bayessche Logik angewandt wird, ohne dass wir es merken. Das zweite Beispiel bespricht die Nutzung bayesscher Statistik beim Problem der Modellidentifikation auf Grund kleiner Datensätze (z.B. in Experimenten oder Länderdatensätzen). Das dritte Beispiel zeigt wie bayessche Formulierung von Unsicherheit helfen kann Bekannte Probleme in der Interpretation von statistischer Signifikanz zu umgehen und Schlussfolgerungen aus Forschungsergebnissen zu ziehen, die stärker unserem Alltagsverständnis von Unsicherheit und Wahrscheinlichkeit entsprechen und somit einfacher an ein nicht-wissenschaftliches Publikum zu kommunizieren sind. Zum Schluss wird die Methode der Bayesian Evaluation of Infomative Hypotheses (BEIH) vorgestellt, die eine spezielle Eigenschaft der bayesschen Schätzung nutzt, um Hypothesen bei unterschiedlichen Arten der Gruppenvergleiche angemessener zu überprüfen und uns somit hilft Theorie und empirische Überprüfung klarer miteinander zu verknüpfen.
In der konkreten Bearbeitung der Beispiele wird Stan genutzt, was mit  R (RStan) angesteuert werden kann. Allerdings steht die Handhabung des Statistikprogramms nicht im Vordergrund.


Zielgruppe

Die Veranstaltung richtet sich an Forschende und Studierende, die eine Idee davon bekommen wollen, wann bayessche Statistik Vorteile gegenüber klassischen Ansätzen bietet und wie Forschungsfragen aussehen können, die bayesschen Logik nutzen. Es ist nicht als technisch, statistisch orientierte Einführung in bayessche Statistik gedacht (d.h. wenig formell, viel Intuition und Forschungslogik).


Lernziel

Die Teilnehmenden sollen erstens die grundlegende Unterschiede und Gemeinsamkeiten zwischen bayesschen Und frequentistischen Ansätzen in der Statistik lernen. Zweitens, sollen die Teilnehmenden in der Lage sein Forschungsfragen zu identifizieren, bei denen die Anwendung bayesscher Methoden einen direkten Nutzen hat. Drittens, sollen die Teilnehmenden Studien, die auf dem bayesschen Framework basieren besser verstehen können und in der Lage sein zu analysieren wie sie sich von einem frequentistischen Ansatz unterscheiden oder ob sie zu ähnlichen Ergebnisse führen würden.


Voraussetzungen

Grundkenntnisse in Statistik, wie z.B. Interpretation von linearer (oder logistischer) Regression. Erfahrung im Umgang mit R oder Fähigkeit schnell auf ein anderes Programm umzusteigen. Bereitschaft statistische Modelle in etwas komplexerer Form abzubilden als üblich in klassischen Ansätzen.


Zeitplan

Literaturempfehlungen

Referenteninformationen - Dr. Hannes Kröger

Weitere Informationen