Warum (noch) eine Vorlesung zur Statistik?

• Literacy: Wenn man aktuelle Forschung lesen möchte (oder muss), führt kein Weg an etwas komplexeren Analysen vorbei.
• Selbstwirksamkeit: Wer einmal eine Analyse durchgeführt hat, kann in Seminar- und Abschlussarbeiten besser Daten auswerten.
• Jobaussichten: Viele AbsolventInnen berichten rückblickend, dass gerade die Methodenskills am besten verwertbar waren bei der Jobsuche und im Beruf.

Ziele der Vorlesung

• Studierende werden dazu befähigt, die Anwendung ausgewählter Analyseverfahren nachzuvollziehen sowie entsprechende Forschungsergebnisse und Interpretationen zu verstehen.
• Studierende sind in der Lage, für ausgewählte Analyseverfahren anhand vorgegebener Daten Ergebnisse aus der Forschungsliteratur mittels Statistiksoftware zu reproduzieren.
• Studierende verfügen über die die Kompetenz, Angemessenheit und Güte von methodischen Vorgehensweisen zu beurteilen.
• (Studierende finden Statistik weniger schlimm und langweilig).

Was die Vorlesung (nicht) ist

• keine Wiederholung der VL Statistik oder der Datenanalyse-Übungen
• Fokus auf das Verständnis für und die Anwendung von statistischen Verfahren, weniger die Mathematik dahinter
• das Allgemeine Lineare Modell (GLM) als grundlegendes Verfahren
• kein reines Ablesen von p-Werten und Signifikanz-Sternchen
• emanzipierter Umgang mit statistischen Verfahren statt Rezepte abarbeiten

Vorlesungsplan

Ablauf der Sitzungen und Anwesenheit

Ablauf

1. Besprechung der praktischen Übungen/Hausaufgabe (max. 15 min)
2. Vorlesungsteil (max. 60 min)
3. Fragen und Antworten zur Vorlesung und praktischen Übung

Anwesenheit

• keine Anwesenheitspflicht, aber auch keine Nachhilfepflicht meinerseits
• eigenständige Nachbereitung der praktischen Übungen

E-Learning und Studienleistung

Material

• Folien und Übungsmaterialien samt Daten und R-Code auf
  https://stats.ifp.uni-mainz.de/ba-aa-vl

Studienleistung

• während der Vorlesungszeit 3 Teil-Studienleistungen (je ca. 20 min)
• sowohl Interpretations- als auch praktische Analyseaufgaben
• Deadline jeweils 2 Wochen nach Aufgabenstellung, Do 12h
• Benotung jeweils Pass/Fail, min 2x Pass nötig

Praktische Übungen

• zu jeder Sitzung eine praktische Übung auf Basis einer publizierten Studie
• kurze Besprechung in der Vorlesung, meist mit einer exemplarischen Analyse
• R-Code zum Replizieren der Analysen zuhause oder während der Vorlesung
• praktische Anwendung als integraler Teil der Vorlesung und der Studienleistung
• Copy & Paste/Anpassung von bestehendem Code ist ok!

Software

• in der VL vorgestellten Analysen lassen sich mit praktisch jeder Statistiksoftware reproduzieren
• jede Statistiksoftware ist nur ein Werkzeug
• Lektürekompetenz heißt auch, man kann sowohl SPSS als auch Stata oder R-Output lesen
• wegen Verfügbarkeit und Zukunftsfähigkeit verwende ich R

Für die Studienleistung ist irrelevant, welche Software Sie verwenden!

Warum muss ich jetzt auch noch R lernen?

• Sie müssen nicht!
• R ist freie Software und durch viele tausend Pakete (packages) erweiterbar, u.a. für
  • Datenerhebung: Web-Scraping, APIs (z.B. für TikTok oder Spotify), Textdaten
  • Auswertung: Statistik, Textanalyse, Audiodaten, Psychophysiologie, etc.
  • Datenpräsentation und -visualisierung: Grafiken, Berichte, Folien (z.B. diese)
• grundlegende Programmierkenntnisse, die auch ohne Statistik nützlich sein können
• das IfP stellt in diesem Semester BA Datenanalyse von SPSS auf R um
  https://stats.ifp.uni-mainz.de/ba-datenanalyse/

Kleines R-Beispiel: Breaking Bad Deaths

library(tidyverse)
read_csv('https://wegweisr.haim.it/Daten/breaking_bad_deaths.csv') |>  
  count(method, sort = TRUE) |> 
  head(n = 5)

Literatur

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. London: Sage.

Miles, J., & Shevlin, M. (2001). Applying regression and correlation: A guide for students and researchers. London: Sage.

Darlington, R. B., & Hayes, A. F. (2016). Regression analysis and linear models: Concepts, applications, and implementation. Guilford Publications.

McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and Stan. CRC press. (für Interessierte)

Aufgaben zur nächsten Sitzung

1. Lesen Sie die Einführung in R aus dem BA-Datenanalyse Kurs https://stats.ifp.uni-mainz.de/ba-datenanalyse/r-und-rstudio.html
2. Lösen Sie dort die Hausaufgaben 1 und 2 (Installieren von R).
   Achtung: Bei Aufgabe 2 bitte die Materialien dieser VL https://stats.ifp.uni-mainz.de/ba-aa-vl/ statt der BA-Datenanalyse herunterladen und öffnen.
3. Fallback-Option: RStudio im Browser https://rstudio.ifp.uni-mainz.de, dort das Projekt im Ordner ba-aa-vl öffnen.
   (nur aus dem JGU-Netzwerk, Username = Passwort = ZDV-Nutzername)
4. Frischen Sie ggf. ihre Statistik-Kenntnisse auf. Alle sollten wissen, was eine (Ko)-Varianz ist oder wie eine Datenmatrix aussieht.