Die Studierenden sind nach Absolvierung der Lehrveranstaltung in der Lage, Regressionsmodelle zu formulieren und auf Daten anzuwenden, sowie wichtige statistische Eigenschaften zu formulieren und deren Herleitung zu beweisen.

Vorlesung mit interaktiven Elementen

- Klassische lineare Modelle (Definitionen, Schätzen, Testen, Modellwahl und Variablenselektion)- Erweiterungen (allgemeines lineares Modell, Regularisierung, Boosting, bayesianischer Zugang)- Generalisierte lineare Modelle (Logit/Probit, Zähldatenmodelle, bayesianischer Zugang)- Weitere Themen je nach Interesse/Zeit, etwa: Ordinale Modelle, mixed models, nichtparametrische Regression

- elementare Arithmetik- lineare Algebra (insbesondere Matrizenrechnung)- Grundlagen der Wahrscheinlichkeitsrechnung- Arbeiten mit Verteilungen- R oder ähnliche Skriptsprache

Fahrmeier, Kneib, Lang, Marx (2021): Regression. Models, Methods and Applications (2nd edition). Springer.Fahrmeier, Kneib, Lang (2009): Regression. Modelle, Methoden und Anwendungen. Springer.

Schriftliche Leistungsüberprüfung in deutscher Sprache. Prüfungstermine: letzter LV-Termin, sowie drei weitere Termine am Anfang, in der Mitte, und am Ende des darauffolgenden Semesters bzw. nach Vereinbarung.

Inhalte der Vorlesung.

Schriftliche Leistungsüberprüfung.