Christian Heumann

Dieses Buch vereinigt Konzepte und Methoden der stochastischen Modellbildung, der statistischen Analyse und der aktuariellen Anwendung in einem Band. Dabei wird eine kompakte, aber dennoch für Theoretiker wie Praktiker verständliche und interessante Darstellung der Themen Risikobewertung, Datenanalyse, Parameterschätzung, verallgemeinerte lineare Regression, stochastische Prozesse und Differenzialrechnung, Zeitreihen, biometrische Modelle, Credibility sowie Simulation gegeben. Zahlreiche Beispiele illustrieren die Anwendung der Konzepte in der aktuariellen Praxis, wobei auf Modelle aus der Personen- und Sachversicherung und der Finanzmathematik eingegangen wird.

Dieses Lehrbuch liefert eine umfassende Darstellung der deskriptiven und induktiven Statistik sowie moderner Methoden der explorativen Datenanalyse. Dabei stehen inhaltliche Motivation, Interpretation und Verständnis der Methoden im Vordergrund. Unterstützt werden diese durch zahlreiche Grafiken und Anwendungsbeispiele, die auf realen Daten basieren, sowie passende exemplarische R-Codes und Datensätze. Die im Buch beschriebenen Ergebnisse können außerdem anhand der online zur Verfügung stehenden Materialien reproduziert sowie um eigene Analysen ergänzt werden. Eine kurze Einführung in die freie Programmiersprache R ist ebenfalls enthalten. Hervorhebungen erhöhen die Lesbarkeit und Übersichtlichkeit. Das Buch eignet sich als vorlesungsbegleitende Lektüre, aber auch zum Selbststudium.Für die 9. Auflage wurde das Buch inhaltlich überarbeitet und ergänzt. Leserinnen und Leser erhalten nun in der Springer-Nature-Flashcards-App zusätzlich kostenfreien Zugriff auf über 100 exklusive Lernfragen, mit denen sie ihr Wissen überprüfen können.

Now in its second edition, this introductory statistics textbook conveys the essential concepts and tools needed to develop and nurture statistical thinking. It presents descriptive, inductive and explorative statistical methods and guides the reader through the process of quantitative data analysis. This revised and extended edition features new chapters on logistic regression, simple random sampling, including bootstrapping, and causal inference.The text is primarily intended for undergraduate students in disciplines such as business administration, the social sciences, medicine, politics, and macroeconomics. It features a wealth of examples, exercises and solutions with computer code in the statistical programming language R, as well as supplementary material that will enable the reader to quickly adapt the methods to their own applications.

Now in its second edition, this introductory statistics textbook conveys the essential concepts and tools needed to develop and nurture statistical thinking. It presents descriptive, inductive and explorative statistical methods and guides the reader through the process of quantitative data analysis. This revised and extended edition features new chapters on logistic regression, simple random sampling, including bootstrapping, and causal inference.The text is primarily intended for undergraduate students in disciplines such as business administration, the social sciences, medicine, politics, and macroeconomics. It features a wealth of examples, exercises and solutions with computer code in the statistical programming language R, as well as supplementary material that will enable the reader to quickly adapt the methods to their own applications.

This textbook provides a comprehensive introduction to statistical principles, concepts and methods that are essential in modern statistics and data science. The topics covered include likelihood-based inference, Bayesian statistics, regression, statistical tests and the quantification of uncertainty. Moreover, the book addresses statistical ideas that are useful in modern data analytics, including bootstrapping, modeling of multivariate distributions, missing data analysis, causality as well as principles of experimental design. The textbook includes sufficient material for a two-semester course and is intended for master’s students in data science, statistics and computer science with a rudimentary grasp of probability theory. It will also be useful for data science practitioners who want to strengthen their statistics skills.

This textbook provides a comprehensive introduction to statistical principles, concepts and methods that are essential in modern statistics and data science. The topics covered include likelihood-based inference, Bayesian statistics, regression, statistical tests and the quantification of uncertainty. Moreover, the book addresses statistical ideas that are useful in modern data analytics, including bootstrapping, modeling of multivariate distributions, missing data analysis, causality as well as principles of experimental design. The textbook includes sufficient material for a two-semester course and is intended for master’s students in data science, statistics and computer science with a rudimentary grasp of probability theory. It will also be useful for data science practitioners who want to strengthen their statistics skills.

This introductory statistics textbook conveys the essential concepts and tools needed to develop and nurture statistical thinking. It presents descriptive, inductive and explorative statistical methods and guides the reader through the process of quantitative data analysis. In the experimental sciences and interdisciplinary research, data analysis has become an integral part of any scientific study. Issues such as judging the credibility of data, analyzing the data, evaluating the reliability of the obtained results and finally drawing the correct and appropriate conclusions from the results are vital.The text is primarily intended for undergraduate students in disciplines like business administration, the social sciences, medicine, politics, macroeconomics, etc. It features a wealth of examples, exercises and solutions with computer code in the statistical programming language R as well as supplementary material that will enable the reader to quickly adapt all methods to their own applications.

This introductory statistics textbook conveys the essential concepts and tools needed to develop and nurture statistical thinking. It presents descriptive, inductive and explorative statistical methods and guides the reader through the process of quantitative data analysis. In the experimental sciences and interdisciplinary research, data analysis has become an integral part of any scientific study. Issues such as judging the credibility of data, analyzing the data, evaluating the reliability of the obtained results and finally drawing the correct and appropriate conclusions from the results are vital.The text is primarily intended for undergraduate students in disciplines like business administration, the social sciences, medicine, politics, macroeconomics, etc. It features a wealth of examples, exercises and solutions with computer code in the statistical programming language R as well as supplementary material that will enable the reader to quickly adapt all methods to their own applications.

Thebookisbasedonseveralyearsofexperienceofbothauthorsinteaching linear models at various levels. It gives an up-to-date account of the theory and applications of linear models. The book can be used as a text for courses in statistics at the graduate level and as an accompanying text for courses in other areas. Some of the highlights in this book are as follows. A relatively extensive chapter on matrix theory (Appendix A) provides the necessary tools for proving theorems discussed in the text and o?ers a selectionofclassicalandmodernalgebraicresultsthatareusefulinresearch work in econometrics, engineering, and optimization theory. The matrix theory of the last ten years has produced a series of fundamental results aboutthe de?niteness ofmatrices,especially forthe di?erences ofmatrices, which enable superiority comparisons of two biased estimates to be made for the ?rst time. We have attempted to provide a uni?ed theory of inference from linear models with minimal assumptions. Besides the usual least-squares theory, alternative methods of estimation and testing based on convex loss fu- tions and general estimating equations are discussed. Special emphasis is given to sensitivity analysis and model selection. A special chapter is devoted to the analysis of categorical data based on logit, loglinear, and logistic regression models. The material covered, theoretical discussion, and a variety of practical applications will be useful not only to students but also to researchers and consultants in statistics.

Statistische Verfahren werden sowohl in der Wirtschaft als auch in den Natur- und Sozialwissenschaften eingesetzt. Die Statistik gilt trotzdem als schwierig. Um diese Hemmschwelle zu überwinden, geben die Autoren eine didaktisch ausgefeilte, anwendungsbezogene Einführung in die Methoden der deskriptiven Statistik und Datenanalyse. Anhand praxisnaher Beispiele werden die Ideen des Datenmanagements und der Datenauswertung unter Einsatz von SPSS und R beschrieben. Viele Übungsaufgaben (mit Lösungen) unterstützen das (Selbst-) Studium der Leser. Das Buch deckt den Stoff Statistik I an deutschsprachigen Universitäten vollständig ab. Neu in dieser Auflage ist eine Einführung in die logistische Regression, deren Konzept auch anhand der statistischen Software SPSS und R erläutert wird. Des Weiteren wurden viele Beispiele und Übungsaufgaben thematisch überarbeitet.

Das Fach Statistik gehört in vielen Fachrichtungen zum Grundstudium. Wegen des teilweise abstrakten und mathematisch begründeten Vorgehens haben Studenten häufig Probleme im Verständnis der statistischen Methoden. Das Arbeitsbuch ist eine Ergänzung zu den beiden Lehrbüchern von Helge Toutenburg Deskriptive Statistik und Induktive Statistik, deren voller Stoffumfang klausurrelevant für Haupt- und Nebenfachstudenten an deutschsprachigen Universitäten ist. Es ist eine effektive Lernhilfe für die Vorlesungen Statistik I und II. Jedes Kapitel des Arbeitsbuches besteht aus einem anschaulich geschriebenen, überschaubaren Lehrteil, der den Studenten die wichtigsten Zusammenhänge anhand klar strukturierter Beispiele näher bringt, sowie einem ausführlichen und gut kommentierten Aufgabenteil. Das didaktische Anliegen des Buches wird durch eine Vielzahl neuer und origineller Beispiele unterstützt. Datensätze im Internet können zusätzlich zur Übung allgemein und zu speziellen Aufgaben mit SPSS genutzt werden.

Statistische Verfahren werden in der Medizin und in allen Naturwissenschaften, in der Wirtschaft, in der Technik und zunehmend auch in den Sozial- und Geisteswissenschaften eingesetzt. Die Statistik gilt trotzdem als schwierig. Um diese Hemmschwelle zu überwinden, geben die Autoren in dem vorliegenden Buch eine anwendungsorientierte Einführung in die Methoden der induktiven Statistik und Datenanalyse. Sie beschreiben anhand praxisnaher Beispiele die Ideen und Werkzeuge des modernen statistischen Datenmanagements. Der Leser kann mittels der vielen Übungsaufgaben sein Wissen vertiefen, wobei die Musterlösungen ihm zeigen, wie eine Übung gelöst werden könnte. Sowohl die Statistik-Software SPSS als auch – als Neuerung - die Programmiersprache R kommen in diesem Buch zum Einsatz. Das Buch beinhaltet ferner eine Einführung zur Problematik fehlender Daten. Diese Erweiterung ist einmalig für ein deutschsprachiges Lehrbuch der Statistik.

Thebookisbasedonseveralyearsofexperienceofbothauthorsinteaching linear models at various levels. It gives an up-to-date account of the theory and applications of linear models. The book can be used as a text for courses in statistics at the graduate level and as an accompanying text for courses in other areas. Some of the highlights in this book are as follows. A relatively extensive chapter on matrix theory (Appendix A) provides the necessary tools for proving theorems discussed in the text and o?ers a selectionofclassicalandmodernalgebraicresultsthatareusefulinresearch work in econometrics, engineering, and optimization theory. The matrix theory of the last ten years has produced a series of fundamental results aboutthe de?niteness ofmatrices,especially forthe di?erences ofmatrices, which enable superiority comparisons of two biased estimates to be made for the ?rst time. We have attempted to provide a uni?ed theory of inference from linear models with minimal assumptions. Besides the usual least-squares theory, alternative methods of estimation and testing based on convex loss fu- tions and general estimating equations are discussed. Special emphasis is given to sensitivity analysis and model selection. A special chapter is devoted to the analysis of categorical data based on logit, loglinear, and logistic regression models. The material covered, theoretical discussion, and a variety of practical applications will be useful not only to students but also to researchers and consultants in statistics.

Marginale Regressionsmodelle sind geeignet, den Einfluss von Kovariablen auf multivariate, korrelierte Responsevariablen zu modellieren. Dieser Modelltyp ist besonders nutzlich fur die Analyse von Panel- und Clusterdaten. Die Arbeit beschaftigt sich speziell mit vollen Likelihoodansatzen bei kategorialen Responsevariablen. Die Kovariablen durfen dabei auch stetig sein. Schwerpunkte sind die Behandlung der verschiedenen Parametrisierungsmoglichkeiten und die Gewinnung von Maximum-Likelihood-Schatzungen. Die Methoden werden anschliessend zur Analyse eines grossen Datensatzes aus der Praxis verwendet und gegenubergestellt. Zusatzlich wird ein fur Querschnittsdaten bekanntes statistisches Verfahren zur Modelldiagnose auf den Fall korrelierter Responsevariablen adaptiert und umgesetzt."