| Kommentar |
In "Zurück in die Zukunft" (1985, R: Robert Zemeckis) wurde die Zukunft durch Veränderungen an der Zeitachse geändert, was das lineare Zeitmodell fundamental veränderte. Niemand kann die Zukunft kennen, aber es ist entscheidend für unser Überleben, sie vorherzusagen. Bereits 1972 haben Meadows et al. in "Die Grenzen des Wachstums" die ökologische Katastrophe vorhergesagt, die jetzt unmittelbar bevorzustehen scheint. Die Grundlage für solche Vorhersagen sind lineare Modelle - die Regression.
In dieser (interaktiven) Vorlesung lernen Sie, wie Sie empirische Daten mit Hilfe der linearen Regression modellieren und analysieren können, um auf der Grundlage gemessener Variablen die Zukunft vorherzusagen (wir beschränken uns auf Fragen der Organisationskommunikation). Es werden sowohl die einfache (bivariate) als auch die multiple (multivariate) Regression behandelt. Neben den grundlegenden Annahmen und Voraussetzungen lernen Sie im aktiven, anwendungsorientierten Teil der Vorlesung auch, wie Sie die bivariaten und multivariaten Verfahren anwenden (SPSS) und interpretieren können.
Die Teilnahme an der Vorlesung ist für alle Studierenden des M.A. Organisationskommunikation verpflichtend. Sie müssen sich für eines der beiden Seminare im Modul 2 entscheiden. Die Modulprüfung M2 besteht aus einer Portfolioprüfung, die sich aus zwei Teilprüfungen der Vorlesung und je zwei Teilprüfungen des gewählten Seminars zusammensetzt. |
| Bemerkung |
Im Modul sind die Vorlesung und EIN Seminar zu belegen.
Information für Erstsemesterstudierende:
Begrüßungs- und Einführungsveranstaltung
Dienstag, 11. April 2023, 9.00 Uhr s.t.; Ernst-Lohmeyer-Platz 3, SR 1.03 |
| Voraussetzungen |
Voraussetzung für die Vorlesung sind Grundkenntnisse in Statistik und Datenanalyse. Sie sollten in der Lage sein, normative und interpretative Paradigmen zu unterscheiden und Skalenniveaus zu bestimmen, sowie sicher mit den Begriffen der deskriptiven Statistik (Normalverteilung, Lageparameter, Streuungsmaße) umgehen können. Sie sollten in der Lage sein, Daten bivariat zu organisieren, auszuwerten (Konfidenzintervalle, Korrelationen, Signifikanztests, Varianzanalyse) und zu interpretieren. Ein Verständnis der Mathematik hinter der linearen Regression, wie die Methode der kleinsten Quadrate, ist hilfreich, aber nicht unbedingt erforderlich.
Falls Sie über diese Vorkenntnisse nicht (mehr) verfügen, sollten Sie sich bitte vor Beginn der Vorlesung die Selbstlerneinheiten "Methodenauflage Master", Teil A und Teil B auf Moodle aneignen. (Einschreibung über: KoWi-Sekretariat)
|
