160.253 (21S) Einführung in die Bayes'sche Statistik
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.
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 BenotungsschemaPosition 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)
-
Health, Science and Social Responsibility, Communication and Management (HSSCM) (
0.0h XX / 0.0 ECTS)
-
Fach: Health, Science and Social Responsibility, Communication and Management (HSSCM)
(Pflichtfach)
- 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)
-
Komplexe Quantitative/Qualitative Methoden (
0.0h SE / 4.0 ECTS)
-
Fach: Forschungsmethoden und Evaluation
(Pflichtfach)
Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung
Diese Lehrveranstaltung ist keiner Kette zugeordnet