160.253 (21S) Einführung in die Bayes'sche Statistik

Sommersemester 2021

Anmeldefrist abgelaufen.

Erster Termin der LV
18.03.2021 16:30 - 18:30 online Off Campus
... keine weiteren Termine bekannt

Überblick

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.

Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Lehrende/r
Tutor/in/Innen
LV-Titel englisch Introduction to Bayesian Statistics
LV-Art Seminar (prüfungsimmanente LV )
LV-Modell Onlinelehrveranstaltung
Semesterstunde/n 2.0
ECTS-Anrechnungspunkte 4.0
Anmeldungen 17 (20 max.)
Organisationseinheit
Unterrichtssprache Deutsch
mögliche Sprache/n der Leistungserbringung Deutsch , Englisch
LV-Beginn 18.03.2021
eLearning zum Moodle-Kurs

Zeit und Ort

Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

  • Grundlagen/Theorie der Bayes-Statistik kennen
  • Abgrenzungen und Unterschiede zum Frequentismus verstehen
  • Bayes-Parameterschätzung und Bayes-Hypothesentesten verstehen
  • Bayes-Parameterschätzung und -Hypothesentests in R durchführen können
  • Bayes-Faktor interpretieren können
  • Bayes-Statistik auf praktische Fragestellungen anwenden können

Lehrmethodik inkl. Einsatz von eLearning-Tools

  • Online Präsenz-Einheiten
  • Vortrag und Vorzeigen von Beispielen in R
  • Eigenständiges Lesen der bereitgestellten Literatur (Selbststudium)
  • Eigenständige Durchführung von Berechnungen in R
  • Offline-Diskussion im Moodle-Forum (Fragenstellen, Peerantworten und LVLeiter-Antworten)

Inhalt/e

  • Zwei Denkschulen: Frequentismus vs. Bayes-Statistik
  • Grundlagen Bayes-Statistik
    Plausibilität vs. Wahrscheinlichkeit
  • Lernen aus Erfahrung
  •  Vorteile/Nachteile ggü. Frequentismus
  • Bayes-Theorem, Posterior-Verteilung, Prior-Verteilung, Likelihood
    uninformativer vs. informativer Prior
  • Bayes-Parameterschätzung (MAP … maximum a-posteriori probability, EAP … expected a-posteriori measure,
    HPD … highest posterior density, HPI … highest posterior interval)
  • Bayes- Hypothesentesten, Bayes-Faktor
  • MCMC - Markow-Ketten-Monte-Carlo-Verfahren
  • JAGS, R, MCMCpack, BayesFactor

Erwartete Vorkenntnisse

  • gewünscht: hohes Interesse an Statistik und statistischen Fragestellungen
  • (vorteilhaft: gute statistische Vorkenntnisse;
     Arbeiten mit R-Statistics: https://www.r-project.org/)

Literatur

Kruschke, J. K. (2015). Doing bayesian data analysis: A Tutorial with R, JAGS, and Stan. London: Academic Press.
(Sie müssen sich dieses Buch nicht unbedingt kaufen).

Meredith, M. & Kruschke (2020). Bayesian Estimation Supersedes the t-Test. https://cran.r-project.org/web/packages/BEST/vignettes/BEST.pdf

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

  • kleinere Hausarbeiten (Details werden in der LV mitgeteilt)

  • aktive Mitarbeit (in den LV-Einheiten und auf Moodle)

Prüfungsinhalt/e

durchgenommener Stoff in den LV-Einheiten

Beurteilungskriterien/-maßstäbe

  • Anwesenheit (2x Fehlen möglich, danach ist eine Zusatzleistung zu erbringen, aber mind. 65% Anwesenheit -> bei absehbarer Unterschreitung bitte um Kontaktaufnahme vorab!)
  • Mitarbeit während des gesamten Semesters
  • Hausarbeiten


Notenschlüssel

Note
Prozent an Gesamtpunkten
Sehr Gut (1)
91% bis 100%
Gut  (2)
78% bis <91%
Befriedigend (3)
65% bis <78%
Genügend  (4)  
50% bis <65%
Nicht Genügend (5)      
<50%


Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Doktoratsprogramm Health, Science and Social Responsibility, Communication and Management (HSSCM) (SKZ: ---, Version: 17W.1)
    • Fach: Health, Science and Social Responsibility, Communication and Management (HSSCM) (Pflichtfach)
      • Health, Science and Social Responsibility, Communication and Management (HSSCM) ( 0.0h XX / 0.0 ECTS)
        • 160.253 Einführung in die Bayes'sche Statistik (2.0h SE / 4.0 ECTS)
  • Masterstudium Psychologie (SKZ: 840, Version: 12W.4)
    • Fach: Forschungsmethoden und Evaluation (Pflichtfach)
      • Komplexe Quantitative/Qualitative Methoden ( 0.0h SE / 4.0 ECTS)
        • 160.253 Einführung in die Bayes'sche Statistik (2.0h SE / 4.0 ECTS)

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet