Quantitative Sozialforschung – serie

Dieses Buch richtet sich an alle, welche die enormen Potenziale maschinellen Lernens für wissenschaftliche Fragestellungen und innovative Ansätze in Studium oder Beruf nutzen möchten. Denn maschinelles Lernen eröffnet neue Möglichkeiten zum effizienten Umgang mit umfassenden, komplex strukturierten und sich schnell entwickelnden Daten. Zunächst werden Grundideen und typische Anwendungsfelder maschinellen Lernens sowie dessen Vorzüge gegenüber inferenzstatistischen Verfahren erläutert. Daran schließen praktische Hinweise dazu an, wie Daten für maschinelle Lernprozesse aufbereitet werden und wie diese durch Anpassung verschiedener Parameter möglichst optimale Ergebnisse erzielen können. Von den hierzu einsetzbaren Modellen werden die gängigsten theoretisch und anhand anschaulicher Beispiele vorgestellt. Auch auf verschiedene Optionen zur besseren Interpretierbarkeit sowie auf spezifische Limitationen von Analyseresultaten wird eingegangen. Weiterführende Anwendungsfälle und verständlich kommentierte Analysecodes sind auf dem GitHub-Repositorium zu diesem Buch auf SpringerLink online verfügbar.

Die verwendeten Syntaxbefehle sowie die Ausgabe der Ergebnisse werden erläutert, zusätzlich sind die kommentierte R-Syntax sowie Beispieldaten als elektronisches Zusatzmaterial im GitHub-Repositorium des Buches auf SpringerLink verfügbar.

Die Mehrebenenanalyse ist ein statistisches Verfahren, das verwendet wird, wenn Daten hierarchisch strukturiert sind, d.h. Einheiten auf dem Individualniveau zu Einheiten aus einem oder mehreren höheren Niveaus gehören (z.B. Schüler in Klassen in Schulen). Es handelt sich um eine spezielle Regressionsanalyse, mit der Abhängigkeiten und Variationen auf verschiedenen Ebenen analysiert werden können. Das Buch behandelt die Logik der Mehrebenenanalyse, ihre wichtigsten statistischen Grundlagen sowie ihre Umsetzung in der Statistikumgebung R. Die Modellierung der Effekte auf verschiedenen Ebenen wird Schritt für Schritt erläutert, wobei ein besonderes Augenmerk auf Modellvergleichen liegt. Zudem werden besondere Anwendungsfälle, etwa kreuz-klassifizierte oder longitudinale Daten, illustriert. Als Beispiel dienen Daten aus der interkulturell vergleichenden Forschung. Datensatz und ergänzende Materialien zu den Kapiteln sind auf der Produktseite des Buches auf SpringerLink verfügbar.

R ist aus der heutigen sozialwissenschaftlichen Datenanalyse nicht mehr wegzudenken. Doch der Einstieg in das R-Universum kann herausfordernd sein. R Essentials bietet eine praxisnahe und leicht verständliche Einführung in die Arbeit mit der Statistiksoftware R. In 20 strukturierten Lernschritten begleitet das Buch von den ersten Anfängen bis hin zur Realisierung komplexer Analysen.Die Leserinnen und Leser lernen, wie sie Daten importieren, transformieren und visualisieren, mit Fehlern umgehen und die Stärken von R für ihren Analyse-Workflow nutzen. Dabei wird R nicht nur als Tool, sondern als Sprache vermittelt – mit zahlreichen praxisnahen Beispielen und hilfreichen Tipps für den Alltag.Dieses Buch führt Neulinge wie auch Fortgeschrittene sicher und fokussiert durch die Welt von R und macht es zu einem unverzichtbaren Begleiter für angehende Sozialwissenschaftlerinnen und Sozialwissenschaftler, die ihre Datenanalysekompetenzen auf ein neues Level heben möchten.Es steht ein praxisnahes Anwendungsbeispiel mit umfassend kommentiertem R-Code online zur Verfügung. Das entsprechende GitHub-Repositorium kann über die Produktseite des Buches auf SpringerLink aufgerufen werden.