From c19ebf1f4f6da41eef1b2be953398f4c6e6d75ea Mon Sep 17 00:00:00 2001 From: luebby <karsten@statistix.org> Date: Tue, 20 Dec 2022 13:51:43 +0100 Subject: [PATCH] =?UTF-8?q?-=20Link=20zum=20Kurs=20auf=20KI-Campus=20erg?= =?UTF-8?q?=C3=A4nzt.=20-=20Vorschl=C3=A4ge=20@MGehrke=20integriert.?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- Module/Modul_01.Rmd | 6 +++--- Module/Modul_01_KI.Rmd | 4 ++-- README.md | 1 + 3 files changed, 6 insertions(+), 5 deletions(-) diff --git a/Module/Modul_01.Rmd b/Module/Modul_01.Rmd index a0414c2..6e432ee 100644 --- a/Module/Modul_01.Rmd +++ b/Module/Modul_01.Rmd @@ -250,7 +250,7 @@ analyse( ~ y, data = Daten) *** -Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggegierte Datenzusammenfassung. +Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggregierte Datenzusammenfassung. ## @@ -329,7 +329,7 @@ Der naive Vergleich der Mittelwerte überschätzt hier den wahren durchschnittli Erstere hätten aber so oder so, also unabhängig von der Schulung, ein höheres Gehalt erhalten. Hier sind unterschiedliche inhaltliche Erklärungen denkbar (z.B. ein höheres Interesse am Gehalt und damit auch ein anderes Auftreten in Gehaltsverhandlungen). -Kontrollieren Sie diese Aussage, indem Sie den Code so abändern, dass Sie die Mittelwerte der Potential Outcomes berechnen. Diese befinden sich im gleichen Datensatz und tragen die Namen `gehalt0` und `gehalt1`: +Kontrollieren Sie diese Aussage, indem Sie den Code so abändern, dass Sie die Mittelwerte der, auch unbeobachteten, Potential Outcomes berechnen. Diese befinden sich in der gleichen Datentabelle und tragen die Namen `gehalt0` und `gehalt1`: *Tipp*: Einen Lösungshinweis erhalten Sie über den `Hinweise`-Button über dem R Code. Anschließend `Nächster Tipp` und Sie sehen die Lösung. @@ -353,7 +353,7 @@ mean(gehalt1 ~ teilnahme, data = Schulung) ## -Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. +Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt, wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. Die Gefahr solcher Fehlschlüsse verringert sich aber, wenn wir uns darüber Gedanken machen, wie unsere Daten überhaupt entstanden sind. In unserem fiktiven Beispiel kann man die zusätzliche Information heranziehen, dass Personen sich frei auswählen konnten, ob sie teilnehmen oder nicht. Dann erkennt man schnell, dass der naive Mittelwertvergleich kein angemessener Weg ist, den durchschnittlichen kausalen Effekt zu schätzen. diff --git a/Module/Modul_01_KI.Rmd b/Module/Modul_01_KI.Rmd index 899a660..30bb6fc 100644 --- a/Module/Modul_01_KI.Rmd +++ b/Module/Modul_01_KI.Rmd @@ -250,7 +250,7 @@ analyse( ~ y, data = Daten) *** -Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggegierte Datenzusammenfassung. +Beachten Sie: Der durchschnittliche kausale Effekt ist positiv, auf Individualebene kann er aber auch negativ sein. $\bar{\color{orange}{\Delta}}$ ist eine aggregierte Datenzusammenfassung. ## @@ -353,7 +353,7 @@ mean(gehalt1 ~ teilnahme, data = Schulung) ## -Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. +Das fundamentale Problem der kausalen Inferenz ist universell. In vielen Situationen kann es dazu führen, dass die Daten uns in die Irre führen: Vielleicht vermuten wir einen kausalen Effekt, wo es nicht wirklich einen gibt, oder wir erkennen real existierende Effekte nicht. Die Gefahr solcher Fehlschlüsse verringert sich aber, wenn wir uns darüber Gedanken machen, wie unsere Daten überhaupt entstanden sind. In unserem fiktiven Beispiel kann man die zusätzliche Information heranziehen, dass Personen sich frei auswählen konnten, ob sie teilnehmen oder nicht. Dann erkennt man schnell, dass der naive Mittelwertvergleich kein angemessener Weg ist, den durchschnittlichen kausalen Effekt zu schätzen. diff --git a/README.md b/README.md index 7b73ead..0885990 100644 --- a/README.md +++ b/README.md @@ -4,6 +4,7 @@ Entwicklung eines MOOC für den [KI-Campus](https://ki-campus.org/) zum Einstieg Details siehe z.B. [FOM forscht Wissenschaftsblog](https://www.fom-blog.de/2021/07/einstiegskurs-kausale-inferenz-wird-gemeinsam-von-der-universitaet-leipzig-und-der-fom-hochschule-mit-einer-foerderung-durch-das-bmbf-entwickelt/). +Link zum Kurs auf den KI-Campus: [https://ki-campus.org/courses/wwweki](https://ki-campus.org/courses/wwweki) **Videos**: -- GitLab