slides.Rmd

---
title: "Folien für Lehrvideos und Live-Veranstaltungen"
output: html_document
---

```{r setup, include = FALSE, cache = FALSE}
knitr::opts_chunk$set(error = TRUE, comment = NA, warnings = FALSE, errors = FALSE, messages = FALSE, tidy = FALSE, echo = FALSE)
```

Die folgenden Bücher sind **kostenfrei**, können **online** gelesen werden und dienen als Referenz für Themengebiete im Projektkurs

- Modern Dive: http://moderndive.com
- R for Data Science: http://r4ds.had.co.nz
- Introduction to Data Science: https://rafalab.github.io/dsbook/
- Causal Inference: The Mixtape: https://mixtape.scunning.com/index.html


## Folien der Lehrvideos {.tabset}

[Folien als PDF herunterladen](pdf_downloads.html)

<br></br>

### 01: RMarkdown

```{r}
knitr::include_url("slides/rmarkdown.html")
```

- R for Data Science, Workflow: http://r4ds.had.co.nz/workflow-basics.html

- Modern Dive, Kapitel zu Getting Started: http://moderndive.com/2-getting-started.html

- R & RStudio Basics: https://bookdown.org/chesterismay/rbasics/3-rstudiobasics.html

- RStudio IDE Cheatsheet: https://github.com/rstudio/cheatsheets/blob/master/rstudio-ide.pdf


### 02: Datentype in R

```{r}
knitr::include_url("slides/data-types.html")
```


### 03: Warum Git und Github?

```{r}
knitr::include_url("slides/Vorteile_Git-und-Github.html")
```

- Happy Git with R: http://happygitwithr.com/

- Try Git tutorial: https://try.github.io/levels/1/challenges/1

- Introduction to Data Science: https://rafalab.github.io/dsbook/git.html (Kapitel 39)

### 04: Programming Basics

```{r}
knitr::include_url("slides/programming-basics.html")
```

- Introduction to Data Science: https://rafalab.github.io/dsbook/programming-basics.html

### 05: Vektorarithmetik

```{r}
knitr::include_url("slides/vector-arithmetics.html")
```

### 06: Daten in R importieren

```{r}
knitr::include_url("slides/import-data.html")
```

### 07: Daten in die richtige Form bringen

```{r}
knitr::include_url("slides/reshape-data.html")
```

- Blog Post wie Sie ihre Daten aufarbeiten können: https://rladiessydney.org/courses/ryouwithme/02-cleanitup-5/

### 08: Einführung in die Datenaufbereitung

```{r}
knitr::include_url("slides/data-wrangling-intro.html")
```


### 09: Datensätze zusammenführen

```{r}
knitr::include_url("slides/combine-tables.html")
```

- Introduction to Data Science: https://rafalab.github.io/dsbook/joining-tables.html

### 10: Datum und Uhrzeit in R

```{r}
knitr::include_url("slides/dates-and-time.html")
```

### 11: Visualisierung mit ggplot2

```{r}
knitr::include_url("slides/Visualisierung_mit_ggplot2.html")
```

- Ein schönes Tutorial wie Sie (ansprechende) Grafiken mit ggplot2 erzeugen können gibt [Cedric Scherer](https://cedricscherer.netlify.app/2019/05/17/the-evolution-of-a-ggplot-ep.-1/) 

- Weiterhin gibt es eine wöchentliche Challange genannt [#Tidytuesday](https://github.com/rfordatascience/tidytuesday) bei der Sie viele ansprechende Grafiken finden mit dem entsprechende Code
  - [Hier der Github Accunt von Cedric Scherer mit vielen schönen Beispielen](https://github.com/Z3tt/TidyTuesday) oder [noch der Account von Georgios Karamanis](https://github.com/gkaramanis/tidytuesday) um nur zwei zu nennen

- Das RStudio `ggplot2` Cheatsheet finden Sie hier: https://github.com/rstudio/cheatsheets/blob/master/data-visualization-2.1.pdf

### 12: Visualisierungsguidelines

```{r}
knitr::include_url("slides/Visualisierung-Guidelines.html")
```

- Diese Vorlesungseinheit orientiert sich an einem Vortrag von [Karl Broman](http://kbroman.org/) mit dem Titel: ["Creating effective figures and tables"](https://www.biostat.wisc.edu/~kbroman/presentations/graphs2017.pdf), 
- Weiterhin sind die Vorlesungsfolien von Peter Aldhous eingearbeitet worden: [Introduction to Data Visualization course](http://paldhous.github.io/ucb/2016/dataviz/index.html) 

- Wie auch das Buch [Introduction to Data Science](https://rafalab.github.io/dsbook/) (Kapitel 10)

### 13: Korrelation

```{r}
knitr::include_url("slides/correlation.html")
```

### 14: Advanced R Markdown

```{r}
knitr::include_url("slides/Advanced_RMarkdown.html")
```

- Hervorragende Einführungen und Übersichten zu R Markdown bietet Allison Hill an. [Hier](https://apreshill.github.io/rmd4cdc/#1) und [hier](https://rstudio-education.github.io/teaching-in-production/slides/index.html#1) finden Sie zwei sehr gute Präsentationen.

- Für die Erstellung von Präsentation in RMarkdown mittels dem Paket xaringan [hier eine sehr gute Einführung](https://spcanelon.github.io/xaringan-basics-and-beyond/index.html).

- Wenn Sie eine Abschlussarbeit mit RMarkdown verfassen möchten dann würde ich ihnen [diesen Vortrag](https://resulumit.com/teaching/rmd_workshop.html#1) von Herr Resul Umit empfehlen.

### 15: Stichprobe vs. Grundgesamtheit

```{r}
knitr::include_url("slides/sample-vs-population.html")
```

- Eine hervorragende Einführung finden Sie im Buch [ModernDive (Kapitel 7)](https://moderndive.com/7-sampling.html)
- Eine etwas tiefgreifendere Einführung finden Sie in dem Buch [Learning Statistics with R (Kapitel 10)](https://learningstatisticswithr.com/lsr-0.6.pdf)

### 16: Koeffizienten Interpretieren

```{r}
knitr::include_url("slides/Koeffizienten_Interpretieren.html")
```

### 16: Kausalität 1

```{r}
knitr::include_url("slides/causality1.html")
```

### 17: Directed acyclic graphs

```{r}
knitr::include_url("slides/DAG_video.html")
```

## Vorlesungsfolien der Live-Veranstaltungen {.tabset}

### 01: Einführung und Begrüßung

```{r}
knitr::include_url("slides/intro_projektkurs_data-science.html")
```

### 02: Erster Teil der Case-Study 

```{r}
knitr::include_url("slides/VL_case-study-Teil1.html")
```

### 03: Zweiter Teil der Case-Study 

```{r}
knitr::include_url("slides/VL_case-study-Teil2.html")
```

### 04: Einführung und Begrüßung zum 2. Teil der VL

```{r}
knitr::include_url("slides/intro_projektkurs_data-science2.html")
```

### 05: Wahrscheinlichkeiten, Verteilungen und Konfidenzintervalle

```{r}
knitr::include_url("slides/probability-and-confidence-interval.html")
```

### 06: Inferenzstatistik (Hypothestest)

```{r}
knitr::include_url("slides/inference.html")
```

### 07: Lineare Regression (inkl. Interaktionsterme)

```{r}
knitr::include_url("slides/linear-regression.html")
```


- Zur schönen Darstellung der Regressionsergebnisse verwenden wir das Paket _stargazer_: Hlavac, Marek. 2018. stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2).

### 08: Dritter Teil der Case-Study 

```{r}
knitr::include_url("slides/VL_case-study-Teil3.html")
```

- Zur schönen Darstellung der Regressionsergebnisse verwenden wir das Paket _stargazer_: Hlavac, Marek. 2018. stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2).

### 09: Kausalität in den Wirtschaftswissenschaften

```{r}
knitr::include_url("slides/DAG_slides.html")
```

- Eine hervorragende Einführung in DAGs finden Sie im Kurs [Program Evaluation](https://evalf20.classes.andrewheiss.com/content/04-content) von Andrew Heiss
- Eine weitere hervorragende Quelle zur Einführung von DAGs ist das 3. Kapitel in [Causal Inferenece - The Mixtape](https://mixtape.scunning.com/dag.html)

### 10: Randomisiertes Experiment

```{r}
knitr::include_url("slides/Experiment_slides.html")
```

### 11: Instrumentalvariablenschätzung

```{r}
knitr::include_url("slides/instruments.html")
```

- Eine hervorragende Einführung in die Instrumentalvariablenschätzung liefert das 7. Kapitel in _Causal Inferenece - The Mixtape_: https://mixtape.scunning.com/instrumental-variables.html
- Eine weitere sehr gute Einführung in die Instrumentalvariablenschätzung liefert Kapitel 5 von [Impact Evaluation in Practice](https://openknowledge.worldbank.org/handle/10986/25030) 
- Eine hervorragende Einführung in DAGs finden Sie im Kurs [Program Evaluation](https://evalf20.classes.andrewheiss.com/content/11-content/) von Andrew Heiss
- Zur Instrumentalvariablenschätzung in R verwenden wir das _AER_: Kleiber, Christian, and Achim Zeileis. 2020. AER: Applied Econometrics with R (version 1.2-9). https://CRAN.R-project.org/package=AER.
- Zur schönen Darstellung der Regressionsergebnisse verwenden wir das Paket _stargazer_: Hlavac, Marek. 2018. stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2). https://CRAN.R-project.org/package=stargazer.