Angewandte Datenanalyse mit R

– Datenanalyseprozess und Einführung in R, RStudio und die tidyverse-Paketgruppe
– Import und Export von Daten aus unterschiedlichen Quellen
– Aufbereitung und Transformation von Daten, Umgang mit Datenproblemen
– Deskriptive Ansätze und Datenvisualisierung mit ggplot2 und plotly
– Hypothesentests und Regressionsverfahren
– Strukturfindende Verfahren (explorative Ansätze) und Machine Learning
– Aufbereitung und Kommunikation von Ergebnissen
– Automatisierung von Prozessabläufen (Reproducible Research)

Die nachfolgenden Qualifikationsziele werden in verschiedene Dimensionen unterteilt. Jede Dimension entspricht dabei einer angestrebten Kompetenzstufe. Folgende Kompetenzstufen werden unterteilt:
• Niveaustufe 1 (Kennen): oberflächliches Verstehen einfacher Strukturen bzw. Abfrage erworbenen Wissens
• Niveaustufe 2 (Können): oberflächliches Verstehen mehrerer Strukturen bis zu tieferem
Verständnis von Beziehungen zwischen Strukturen bzw. Gelerntes übertragen, zerlegen, kombinieren und einsetzen
• Niveaustufe 3 (Verstehen und Anwenden): tieferes Verständnis von Beziehungen
zwischen Strukturen bis zur Abstraktion und Erweiterung auf andere Strukturen bzw. Wissen hinterfragen und/oder bewerten, Zusammenhänge und Auswirkungen erläutern

Die jeweilige Dimensionszuordnung der Qualifikationsziele wird durch die Ergänzung der
jeweiligen Ziffer (1,2 oder 3) in der Kompetenzbeschreibung dargestellt.

Im Einzelnen haben die Studierenden nach Abschluss des Moduls auf Basis
wissenschaftlicher Methoden die folgenden Lernziele erreicht:

Fachkompetenz
Die Studierenden sind in der Lage, alle Schritte des Datenanalyseprozesses mittels R/RStudio und der tidyverse Paketgruppe umzusetzen (3). Sie können die entsprechenden Programme bzw. Pakete installieren (2), bedienen (2) und zur Beantwortung von Fragestellungen im wissenschaftlichen oder beruflichen Kontext einsetzen (3).

Die Studierenden können Daten aus verschiedenen Quellen und unterschiedlichen Formaten importieren (2). Sie kennen die Vorteile des „ Formats ( und können Datensätze in dieses Format überführen 2 Sie sind in der Lage, Datensätze zu transformieren (und Daten zu visualisieren (3) Durch den Einsatz geeigneter Modelle können Sie Fragestellungen mittels Hypothesentests überprüfen (3) bzw. bislang unbekannte Strukturen in den Daten erfassen und für Prognosen zu nutzen (3). Ihre Ergebnisse können die Studierenden durch (statische bzw. interaktive) Grafiken , Dashboards und Websites kommunizieren (3).
Die Studierenden sind in der Lage, Untersuchungen eigenständig zu konzipieren, mittels geeigneter Methoden und Tools durchzuführen und die Ergebnisse kritisch zu interpretieren (3) Sie sind dazu befähigt, die vermittelten Inhalte im Rahmen von wissenschaftlichen Fragestellungen eigenständig anzuwenden (3).

Sozialkompetenz
Die Studierenden sind zum Selbststudium und zum vertieften eigenen Zeitmanagement befähigt (2). Sie sind in der Lage , gemeinschaftlich Fragestellungen anzugehen und adäquate Lösungen zu erarbeiten (2).

Methodenkompetenz
Die Studierenden sind dazu befähigt, mit dem statistisch/ökonometrischen Verfahren kompetent umzugehen (2) und in der Lage ihre analytischen Fähigkeiten problemadäquat um zusetzen (3).

Persönliche Kompetenz
Die Studierenden sind in der Lage, Probleme und Fragestellungen angemessen zu untersuchen (2). Sie kennen die mit statistischen Auswertungen verbundenen Fallstricke (1) und können die Qualität von Untersuchungen und Untersuchungsmethoden kritisch beurteilen (2).

Teilnehmerzahl ist begrenzt auf 20 Studierende (10 Studierende BW, EB und IRM. 10
Studierende sonstige Studiengänge).

Anmeldung erforderlich. Die Details zum Anmeldeverfahren für FW Fächer sind in Moodle abrufbar. Eine Teilnahme ohne vorherige Anmeldung ist grundsätzlich nicht möglich.

Die Vorlesungszeiten sind dem Stundenplan zu entnehmen.

Es handelt sich um ein fakultätsübergreifendes Angebot der Regensburg School of Digitial Sciences.
Es ist erforderlich, dass Sie R und RStudio auf Ihrem Rechner installieren und sich mit Ihrer OTH-Emailadresse einen kostenlosen DataCamp-Account anlegen. Ab Vorlesungsbeginn haben Sie ein halbes Jahr kostenlosen Zugriff auf alle Lerninhalte und Zertifizierungsmöglichkeiten des Anbieters.

Literatur:
Pflichtliteratur
Ismay, C. / Kim, A. Y.: An Introduction to Statistical and Data Sciences with R, 2018
Wickham, Hadley / Grolemound, Garret: R for Data Science, O’Reilley Media, 2016
Xie, Yihui / Allaire, J. J. / Grolemound, Garret: R Markdown: The Definitive Guide, 2018
Zusätzlich empfohlene Literatur
Heuman, C. / Shomaker, S.: Introduction to Statistics and Data Analysis, Springer International Publishing, 2016
Kleiber, C. / Zeileis, A.: Applied Econometrics with R, Springer Science and Business Media, 2008
Schlittgen, R.: Angewandte Zeitreihenanalyse mit R, 3. Auflage, De Gruyter Oldenbourg, 2015
Shumway, R. H. / Stoffer, D. S.: Time Series Analysis and Its Applications, Springer Science and Business Media, 2006
Wickham, Hadley: Advanced R, Chapman and Hall, 2017
Wickham, Hadley: ggplot2, Springer, 2009
Wollschläger, D.: Grundlagen der Datenanalyse mit R, 3. Auflage, Springer Spektrum, 2014