Ziele der Case Study

Diese Case-Study besteht aus mehreren Teilen und wird Sie durch die komplette Vorlesung als konkretes Anschauungsobjekt begleiten. Hierbei dient die Case-Study hauptsächlich dazu, ihnen an einem konkreten und umfangreichen Beispiel die Kenntnisse für eine erfolgreiche Projektarbeit zu vermitteln und diese Kenntnisse zu vertiefen. Natürlich können Sie die Case-Study auch als Referenz heranziehen, wenn Sie ihre eigene Projektarbeit anfertigen.


Ersten Teil der Case Study

Im ersten Teil der Case Study werden Sie ihre Kenntnisse aus der Vorlesungseinheit zum Datenhändling, d.h. alles bzgl. Daten einlesen, bearbeiten und in eine geeignete Form bringen, direkt auf Daten zur Arbeitslosenstatistik, dem BIP und der Verschuldung einzelner Landkreise bzw. Gemeinden anwenden. Ziele des ersten Teils der Case Study:

  • Zuverlässig Datenquellen für eine Fragestellung ausfinding machen und diese automatisiert herunterladen
  • Das technische Verständnis wie Daten in R eingelesen und bearbeitet werden können. Hierbei lesen Sie relativ feingranulare Informationen zum Arbeitsmarkt und zur gesamtwirtschaftlichen Lage in Deutschland ein und bearbeiten diese in R
  • Wissen, wie verschiedene Datensätze miteinander verknüpft werden können

Ergänzend zu den unterschiedlichen Regionen innerhalb Deutschlands werden Sie im 2. RTutor Problem Set Kennzahlen zu verschiedenen Ländern der europäischen Union untersuchen und die regionalen Unterschiede innerhalb der europäischen Union erleben. Sowohl in der Case-Study als auch in den RTutor Problem Sets treffen Sie auf konkrete Probleme, die Sie mit ihren Kenntnissen aus der Vorlesung lösen sollen.


Zweiter Teil der Case Study

Im zweiten Teil der Case Study werden Sie die eingelesenen und aufgearbeiteten Daten aus Teil 1 deskriptiv untersuchen. Hierbei erhalten Sie einen Eindruck von den Daten und können mögliche Zusammenhänge entdecken indem Sie unterschiedliche Informationen visualisieren und auch in Tabellenform auswerten. Ziele des zweiten Teils der Case Study:

  • Daten visualisieren und Zusämmenhänge grafisch veranschaulichen
  • Deskriptive Analysen mittels Korrelationstabellen und deskriptiven Tabellen anfertigen
  • Das Verständnis wie Sie ihre Informationen zu bestimmten Fragestellungen möglichst effektiv aufbereiten
  • Interaktive Grafiken erstellen

Sie erhalten durch deskriptive Analysen einen sehr guten Eindruck von den regionalen Unterschieden innerhalb Deutschlands. Das begleitende 3. RTutor Problem Set gibt ihnen einen sehr guten Eindruck davon, wie die Unterschiede zwischen den einzelnen Ländern auf europäischer Ebene aussehen.


Dritter Teil der Case Study

Im dritten Teil der Case Study untersuchen Sie mögliche Gründe für die regionalen Unterschiede innerhalb Deutschlands. Mit den ihnen zur Verfügung stehenden Daten zum BIP und der Verschuldung der einzelnen Landkreise wollen Sie die Arbeitslosenquoten in den einzelnen Regionen Deutschlands erklären. Ziele des dritten Teils der Case Study:

  • Regressionen in R durchführen
  • Interpretation von Regressionskoeffizienten

Sie lernen, wie Sie eine lineare Regression dazu Nutzen können um mögliche Zusammenhängen zwischen der Arbeitslosigkeit und anderen Faktoren näher zu beleuchten. Jedoch lernen Sie auch die Grenzen der lineraren Regression kennen, insbesondere im Hinblick auf die Interpetation der Koeffizienten in einer linearen Regression. Ergänzend hierzu erhalten Sie im 4. RTutor Problem Set Einblicke in die Zusammenhänge verschiedener gesamtwirtschaftlicher Faktoren und der Arbeitslosigkeit in den einzelnen Ländern der europäischen Union. Im 5. und 6. RTutor Problem Set werden Sie zusätzlich erfahren, welche Möglichkeiten wir in den Wirtschaftswissenschaften haben, um kausale Schlüsse ziehen zu können.


Randomisiertes Experiment

In diesem Teil der Veranstaltung schauen wir uns ein Feldexperiment an und lernen, wann Schätzer kausal zu interpretieren sind. Konkret replizieren wir teile der Arbeit des folgenden Artikels:

Quelle: Baranov, Victoria, Sonia Bhalotra, Pietro Biroli, and Joanna Maselko. 2020. “Maternal Depression, Women’s Empowerment, and Parental Investment: Evidence from a Randomized Controlled Trial.” American Economic Review, 110 (3): 824-59.

Die Inhalte der Übung umfassen die Erstellung einer geeigneten Balancing Tabelle mit einer kurzen Diskussion, wann eine solche Balancing Tabelle sinnvoll ist. Wir sehen hier schnell, dass Attrition ein Problem unserer Studie sein könnte, insbesondere da die Studie 7 Jahre dauert. Weiterhin konzentrieren wir uns auf die Hauptergebnisse der Studie und zeigen diese mittels Grafiken (einfacher Vergleich der Mittelwerte) und erläutern, wie wir die gewonnen Ergebnisse auch mittels Regressionsanalyse replizieren können.


Instrumentalvariablen - Eine Simulationsstudie

Hier untersuchen wir die Wirkungsweise der Instrumentalvariablenregression anhand eines simulierten Datensatzes.

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