Abschlussarbeiten

Wir freuen uns sehr, dass Sie Ihre Bachelor-/Masterarbeit bei uns am Institut schreiben möchten. Auf dieser Seite finden Sie alle Informationen zu möglichen Themen, dem Anmeldeverfahren sowie allgemeine Hinweise. Wir wünschen Ihnen viel Erfolg!

BACHELORARBEITEN

Die Bachelorarbeit im Bereich Statistik besteht in der Regel aus einer Beschreibung neuer statistischer Verfahren und deren Anwendung auf konkrete Daten.

  • Anmeldung

    Um sicherzustellen, dass alle Studierenden des Bachelorstudiengangs Wirtschaftswissenschaften ein Bachelorarbeitsthema innerhalb der Regelstudienzeit bekommen, werden die Plätze über ein zentrales Bewerbungsverfahren durch das Studiendekanats zugeteilt. Nach Abschluss des Verfahrens wird Ihnen vom Studiendekanat mitgeteilt, an welchem Institut Sie Ihre Bachelorarbeit schreiben können.

  • Themenvergabe

    Für Studierende, die uns über das zentrale Vergabeverfahren zugeteilt wurden, haben wir eine Themenauswahl aus verschiedenen Bereichen zusammengestellt. Die Themen für das SoSe 2021 und WiSe 2021/22 werden innerhalb eines Online-Meetings, welches am Dienstag, 04.05.2020 um 16.00 Uhr stattfindet, vergeben. Zum Online-Meeting gelangen Sie hier. Eine Übersicht mit den aktuell noch verfügbaren Themen finden Sie auf unserer Website.

    Präferenzen teilen Sie bitte bis zum Freitag, 30.04.2021, ans Geschäftzimmer mit.

    Voranmeldungen zum frühzeitigen Starten der Bachelorarbeit können noch bis Freitag, 23.04.2021, ebenfalls per Email ans Geschäftszimmer gerichtet werden.

     

     

THEMENLISTE

Wir haben eine Auswahl mit 30 Themen aus verschiedenen Bereichen zusammengestellt.

Unter den nachfolgenden Kategorien sind die aktuell verfügbaren Themen aufgeführt, sodass Sie sich bei Ihrer Auswahl an diesen orientieren können. Die Themen werden von unserer Webseite genommen, sobald diese nicht mehr verfügbar sind.

Die Inhaltsbeschreibung sowie die Literaturangaben können Sie weiterhin der oben verlinkten Gesamtübersicht entnehmen.

  • Grenzen der klassischen linearen Regression

    Autocorrelation

    Regression with time series data could cause classical assumptions about the OLS estimator to be violated, rendering it ineffective. Autocorrelation is an example of this. When autocorrelation exists, the errors of a linear regression are time dependent. In this thesis the AR(1) error model should be presented. In addition, a test on autocorrelation should be presented and shown how to estimate linear regression models efficiently despite autocorrelation.

    Introductory Literature:

    • J.M. Wooldridge. 2013. Introductory econometrics: A modern approach. Nelson Education (Chap. 12)



    Endogeneity: Generalized Method of Moments (GMM)

    Endogeneity bias can lead to inconsistent estimates and incorrect inferences, which may provide misleading conclusions and inappropriate theoretical interpretations. GMM is a statistical method that combines economic data with the information in population moment conditions and is able to estimate all coefficients simultaneously. The idea behind GMM must be explained and then applied to solve the system.

    Introductory Literature:

    • W.H. Greene. 2012. Econometric analysis. Pearson Education (Chap. 13)
    • J.M. Wooldridge. 2010. Econometric analysis of cross section and panel data. MIT Press (Chap. 8)
    • F. Hayashi. 2000. "Econometrics". Princeton University Press (Chap. 8)
    • J.M. Wooldridge. 2001. "Applications of generalized method of moments estimation". Journal of Economic perspectives 15 (4): 87-100





  • Spezielle Regressionsmodelle




    Modelle für zensierte Daten: Das Lognormal-Hurdle-Modell

    Zensierte Daten sind Daten, die "abgeschnitten" sind. Wenn wir Daten über Arbeitsentgelte erheben, so sind die Daten nicht-negativ, d.h. sie sind ab dem Wert Null abgeschnitten. Das Lognormal-Hurdle-Modell modelliert Auswirkungen von unabhängigen Variablen auf die beobachtete Variable. Es interpretiert den Prozess der Erzeugung von den beobachteten Variablen als zweiteiliges Modell, welches die Hurdle und die lognormalverteilte Größe beinhaltet. Die Hurdle zeigt an, ob die beobachtete Variable zensiert wird, während die lognormalverteilte Größe anzeigt, wie groß die nicht-zensierte Variable ist.

    Einstiegsliteratur: 

    • J.M. Wooldridge. 2010. Econometric analysis of cross section and panel data. MIT Press (Kap. 17)
    • W.H. Greene. 2012. Econometric analysis. Pearson Education (Kap. 19)







  • Multivariate Methoden

    Principal Component Analysis

    A principal component analysis (PCA) is concerned with explaining the variance-covariance structure through a few linear combinations of the original variables. Its general objectives are, first, data reduction and second, interpretation. An analysis of principal components often reveals relationships that were not previously suspected and thereby allows interpretations that would not ordinarily result. Therefore, it is extensively used for finding patterns in data of high dimension in the field of finance, data mining, bioinformatics and environmental studies.

    Introductory Literature: 

    • R.A. Johnson, D.W. Wichern u. a. 2002. Applied multivariate statistical analysis. Prentice Hall, NJ (Chap. 8)
    • A.J. Izenman. 2013. "Multivariate regression". In Modern Multivariate Statistical Techniques, 159-194. Springer (Chap. 7)
    • W.J. Krzanowski. 1995. Recent advances in descriptive multivariate analysis. Clarendon Press (Chap. 5)
    • M. Ringnér. 2008. "What is principal component analysis?" Nature biotechnology 26 (3): 303

    Factor Analysis

    In factor analysis, we take multiple observed variables that have similar response patterns. Like the original variables, the factors vary from individual to individual; but unlike the variables, the factors cannot be measured or observed. Each factor captures a certain amount of the overall variance in the observed variables, and the factors are always listed in order of how much variation they explain. The goal of factor analysis is to reduce the redundancy (needlessness) among the variables by using a smaller number of factors. Motivation for factor models, model definition and assumptions as well as the estimation procedure should be covered.

    Introductory Literature: 

    • A.C. Rencher und W.F. Christensen. 2012. Methods of Multivariate Analysis. John Wiley & Sons, Inc. (Chap. 13)
    • J.F. Hair u. a. 2014. Multivariate Data Analysis. Pearson Education Limited (Chap. 3)

    Cluster Analysis

    In cluster analysis we search for patterns in a data set by grouping the (multivariate) observations into clusters. The goal is to find an optimal grouping for which the observations or objects within each cluster are similar, but the clusters are dissimilar to each other. To group the observations into clusters, many techniques begin with similarities between all pairs of observations. In many cases the similarities are based on some measure of distance. Other cluster methods use a preliminary choice for cluster centers or a comparison of within- and between-cluster variability. The techniques of cluster analysis have been extensively applied to data in many fields, such as medicine, psychiatry, sociology, criminology, anthropology, archaeology, geology, geography, remote sensing, market research, economics, and engineering.

    Introductory Literature: 

    • A.C. Rencher und W.F. Christensen. 2012. Methods of Multivariate Analysis. John Wiley & Sons, Inc. (Chap. 15)
    • J.F. Hair u. a. 2014. Multivariate Data Analysis. Pearson Education Limited (Chap. 8)



  • Modelle der Stochastik





    Extremwertverteilungen

    In vielen Anwendungsgebieten spielt die Modellierung extremer Ereignisse eine besondere Rolle. Mithilfe der Extremwerttheorie kann z.B. das Risiko auf Finanzmärkten oder die Wahrscheinlichkeit für Überflutung eines Deichs abgebildet werden. Eine übliche Herangehensweise ist das Aufteilen des Datensatzes in Blöcke, deren Maxima bestimmten Extremwertverteilungen folgen. Dies sind die Gumbel-, Fréchet- und Weibullverteilung, die in der allgemeinen Extremwertverteilung zusammengefasst werden.

    Einstiegsliteratur: 

    • S. Coles u. a. 2001. An introduction to statistical modeling of extreme values. Springer (Kap. 3)
    • R.-D. Reiss und M. Thomas. 2007. Statistical analysis of extreme values. Springer (Kap. 4)


MASTERARBEITEN

Die Masterarbeit im Bereich Statistik basiert wie die Bachelorarbeit auf einer Beschreibung neuer statistischer Verfahren und deren Anwendung auf konkrete Daten. Darüber hinaus können neue statistische Verfahren ausführlich und kritisch dargestellt oder eine empirische Studie zu einem statistischen Problem durchgeführt werden.

  • Anmeldung

    Bei den Masterarbeiten erfolgt die Zuteilung individuell auf Anfrage der Studierenden. Wenn Sie Ihre Masterarbeit gerne bei uns am Institut schreiben möchten, können Sie gerne Herrn Prof. Dr. Sibbertsen per E-Mail kontaktieren.

  • Themenvergabe

    Das Spektrum der Masterarbeitsthemen ist sehr vielfältig und reicht von überwiegend methodischen Arbeiten (Methodendarstellung, Methodenvergleich, Methodenentwicklung) bis zu eigenen empirischen Arbeiten (Datenerhebung und -auswertung) mit inhaltlichen Bezügen zu nahezu allen anderen volkswirtschaftlichen wie auch betriebswirtschaftlichen Wahlpflichtfächern.

    Die Themenvergabe erfolgt in direkter Absprache mit Ihnen. Gerne berücksichtigen wir dabei Ihre eigenen Themenvorstellungen.


HINWEISE FÜR ABSCHLUSSARBEITEN

Hier finden Sie weitere Informationen zu den Anforderungen an Bachelorarbeiten sowie eine Vorlage für die Gestaltung in LaTeX.

KONTAKT FÜR ALLGEMEINE FRAGEN ZU ABSCHLUSSARBEITEN

Laura Bub
Geschäftszimmer
Adresse
Königsworther Platz 1
30167 Hannover
Gebäude
Raum
011
Laura Bub
Geschäftszimmer
Adresse
Königsworther Platz 1
30167 Hannover
Gebäude
Raum
011