Nachhilfe in Statistik – Psychologie-Master: Freie Universität Berlin

Klausurvorbereitung

Die Inhalte der Vorlesungen bauen auf die Themen von Statistik I und II aus dem Bachelorstudium auf. Da bei den meisten Student*innen dieses Wissen wieder ein bisschen in den Hintergrund gerutscht ist, lassen wir uns ganz besonders für die ersten Themen soviel Zeit, dass ihr ein tiefes Verständnis für die Logik der Regression aufbaut und genau versteht , warum wann welche Interpretation angebracht ist.

Sehr ausführlich erarbeiten wir uns die R-Outputs, so, dass du wirklich jedes Wort und jede Zahl verstehst und merkst, dass diesen Output interpretieren dem gleichkommt, als würdest du eine Geschichte mit vielen Details erzählen.

Wir erarbeiten uns die Grundlogik am Sonderfall der multiplen Regression mit dem Sonderfall: 2 Prädiktoren, metrische Prädiktoren und metrisches Kriterium, ohne Interaktion, linearer Zusammenhang , unabhängige Residuen. Du wirst dann verstehen, dass jedes weitere Modell als eine Erweiterung dieses Sonderfalles verstanden werden kann und an einem dieser Punkte anknüpft. Und so wird der Stoff, obwohl immer komplexer werdend für dich immer eine Mischung von Wiederholung, Erweiterung und verständlicher Vertiefung sein und dir nicht schwer fallen.

Im zweiten Teil des Kurses lernst du mit uns Umgang und Interpretation der hierarchischen Modelle. Aus der Perspektive von praktischen Forschungsfragen erarbeiten wir uns eine Übersicht der 5 Modelle, die du kennen musst. Viel Zeit lassen wir uns, bis ihr den zuerst unübersichtlichen „Buchstaben- und Zahlensalat“ geschafft habt. Wenn ihr das geknackt habt, dann schafft ihr den Rest mit Links :).

Themenübersicht

• Bivariate Regression
  Korrelation, Schätzung der Regressionskoeffizienten, t- und F-Test, Determinationskoeffizient, Zentrierung, Standardisierung
• Multiple Regression I
  Additives Modell, Moderatoreffekt, Moderatorvariable, Modellvergleich, Nützlichkeit eines Prädiktors
• Multiple Regression II
  Multikollinearität, Redundanz und Suppression, visuelle Modelldiagnostik, non-lineare Regression
• Ancova
  Dummykodierung, Interpretation mit kategorialen Prädiktor, Kovariate, generalisierte Ancova
• logistische Regression bedingte Wahrscheinlichkeit, logit link Inverse, Odds Ratio, multiple logistische Regression mit Interaktion und kategorialem Prädiktor, Wald Test, maximum likelihood Methode
• Clusteranlalyse (nicht klausurrelevant)
• Hierarchische Modelle
  Intraklassenkorrelation, Intercept only, Random slopes, Kontextmodell, Cross-Level-Interaction, Modellvergleiche, Längsschnittmodelle, Modellvergleiche, Pseudo-R²
• Klausurtraining

Klausurvorbereitung

Themenübersicht

• Evaluation Einführung
  Korrelation, Schätzung der Regressionskoeffizienten, t- und F-Test, Determinationskoeffizient, Zentrierung, Standardisierung
• Kausale Effekte und Treatmenteffekte
  Definition und Berechnung kausaler Effekte, Wahrscheinlichkeit der Treatmentzuweisung, Schätzung der Effekte aus empirischen Daten
• Ancova
  Idee Ancova, traditionelle Ancova, generalisierte Ancova, bedingte Regressionsgleichungen, Effektschätzung, lm()- Befehl, effectLite()- Befehl
• Kovariatenmatching
  Balancieren als Möglichkeit der Kovariatenkontrolle, machit()- Befehl, Mahalanobis Distanz,exaktes Matchen, SMD und Varianzenverhältnis, Verteilungsfunktionen, ATE of matched sample
• PS – Methoden
  logistische Regression, PS Schätzung, PS Matching, overlap, Respezifikation, Ps- Stratifizierung, PS- Gewichtung, PS – Regression
• Praktische Überlegungen
  Methodenvergleich, Methodenkombination, Sensitivitätsanalyse, Wahl der Kovariaten, Messfehler,
• Diskontinuierliche Regression
  forcing covariate, Schätzung vom LATE, Modellspezifikationen, optimaler Tolleranzbereich, RDestimate()- Befehl, Interpretationsvarianten
• Non Compliance
  As-treaded- Analyse, Per-Protocol- Analyse, Intention-to-Treat-Analyse, IV- Ansatz, Effektschätzung mit Intrumental-Variable