Abschlussarbeiten
Der Lehrstuhl betreut Abschlussarbeiten aus der Psychologie (Bachelor und Master) sowie Zulassungsarbeiten in den Lehramtsstudiengängen.
Bei Interesse an empirischen oder methodisch orientierten Abschlussarbeiten wenden Sie sich bitte an Prof. Sven Hilbert. Für Zulassungsarbeiten sowie Abschlussarbeiten zu schulbezogenen oder gesundheitspsychologischen Fragestellungen kontaktieren Sie bitte Jonas Hauck.
Vorlesungen
Unsere Statistikausbildung ist als konsekutives Curriculum konzipiert: Jede Veranstaltung baut auf den Inhalten der vorherigen auf und erweitert das methodische Repertoire systematisch. Die Bachelorveranstaltungen legen die Grundlagen für ein solides statistisches Verständnis. Im Master vertiefen wir dieses Wissen mit modernen Verfahren der latenten Modellierung und des maschinellen Lernens.
Vorlesungen Bachelor
Statistik I für Humanwissenschaften
Der Einstieg in die quantitative Forschung: Wir beginnen mit deskriptiver Statistik und grafischer Datenanalyse, führen den t-Test als ersten inferenzstatistischen Zugang ein und leiten über zur einfachen und multiplen linearen Regression inklusive Dummy-Kodierung. Ein begleitender Schwerpunkt liegt auf guter wissenschaftlicher Praxis.
Modul Psychologie B.Sc. Psy-BSc-M01.1
Modul Erziehungswissenschaften B.A. M02.1
Modul Angewandte Bewegungswissenschaften B.A. EDU-BA-M10.1
immer im Wintersemester · GRIPS WiSe25/26 (externer Link, öffnet neues Fenster) · SPUR WiSe25/26 (externer Link, öffnet neues Fenster)
Statistik II für Humanwissenschaften
Aufbauend auf Statistik I vertiefen wir die Regressionsanalyse: Regressionsdiagnostik, Interaktionseffekte, Normierung und Zentrierung. Anschließend erweitern wir den Blick auf das Allgemeine Lineare Modell (GLM), die logistische Regression und Varianzanalysen in ihren verschiedenen Formen – einfaktorielle, mehrfaktorielle, Messwiederholungs- und Mixed ANOVA.
Modul Psychologie B.Sc. Psy-BSc-M01.2
Modul Erziehungswissenschaften B.A. M02.2
Modul Angewandte Bewegungswissenschaften B.A. EDU-BA-M10.2
immer im Sommersemester · GRIPS SoSe2026 (externer Link, öffnet neues Fenster) · SPUR SoSe2026 (externer Link, öffnet neues Fenster)
Vorlesungen Master
Fortgeschrittene Statistik I
Zwei zentrale Modellklassen der modernen quantitativen Forschung: Zum einen latente Modellierung – etwa konfirmatorische Faktorenanalyse und Strukturgleichungsmodelle –, um nicht direkt beobachtbare Konstrukte statistisch abzubilden. Zum anderen gemischte lineare Modelle (Mixed Models) für hierarchische und längsschnittliche Datenstrukturen.
Modul Psychological Science M.Sc. PSY-MPS-101.1
Modul Psychologie BKP M.Sc. PSY-BKP-02.1
immer im Wintersemester · GRIPS WiSe25/26 (externer Link, öffnet neues Fenster) · SPUR WiSe25/26 (MPS) (externer Link, öffnet neues Fenster)· SPUR WiSe25/26 (BKP) (externer Link, öffnet neues Fenster)
Fortgeschrittene Statistik II
Einstieg in die Denkweise und Methoden des maschinellen Lernens: Von klassischen Verfahren wie Entscheidungsbäumen über Ensemble-Methoden (Random Forests, Boosting) und Support Vector Machines bis zu neuronalen Netzen. Ergänzend behandeln wir den EM-Algorithmus für fehlende Werte, Clustering-Verfahren und das systematische Parametertuning.
Modul Psychological Science M.Sc. PSY-MPS-101.2
immer im Sommersemester · GRIPS SoSe2026 (externer Link, öffnet neues Fenster) · SPUR SoSe 2026 (externer Link, öffnet neues Fenster)
Statistisches Programmieren mit R
Ergänzend zu den Vorlesungen bieten wir praxisorientierte Kurse an, in denen die erlernten statistischen Verfahren in der Programmiersprache R umgesetzt werden. Die Kurse bauen aufeinander auf, werden jedes Semester angeboten und sind freiwillig – können aber in vielen Studiengängen im Wahlbereich angerechnet werden. Je nach Bedarf finden die Kurse auf Deutsch und/oder Englisch statt.
Introduction to R
Der Einstieg in R: Studierende lernen die Grundlagen der R-Programmierung von Grund auf – vom Installieren der Entwicklungsumgebung über den Import und die Aufbereitung von Datensätzen bis hin zu ersten eigenen Auswertungen. Ein besonderer Fokus liegt auf der Datenvisualisierung: Wie lassen sich Verteilungen, Zusammenhänge und Gruppenunterschiede grafisch darstellen? Der Kurs richtet sich an Studierende ohne Programmiererfahrung und schafft die Basis für alle weiterführenden R-Kurse.
Blockkurs nach Vorlesungsende (jedes Semester) · SPUR SoSe2026 (externer Link, öffnet neues Fenster)
R for Advanced Students
Aufbauend auf den Grundlagen tauchen wir tiefer in das tidyverse-Ökosystem ein – ein mächtiges Paket von R-Bibliotheken für konsistente und gut lesbare Datenanalyse. Studierende lernen, komplexe Datenaufbereitungen mit dplyr und tidyr effizient umzusetzen und mit ggplot2 publikationsreife Grafiken zu erstellen. Darüber hinaus werden statistische Modellierungen in R durchgeführt, sodass die Brücke zwischen Vorlesungsinhalten und eigenständiger Datenanalyse geschlagen wird.
Blockkurs nach Vorlesungsende (jedes Semester) · SPUR SoSe2026 (externer Link, öffnet neues Fenster)
Applied Machine Learning with R
Dieser Kurs begleitet die Vorlesung Fortgeschrittene Statistik II und vermittelt die praktische Umsetzung von Machine-Learning-Verfahren in R. Im Mittelpunkt steht das tidymodels-Framework, das einen einheitlichen und reproduzierbaren Workflow für die gesamte Modellierungspipeline bietet – von der Datenvorverarbeitung (Recipes) über das Modelltraining und die Kreuzvalidierung bis hin zum systematischen Parametertuning. Studierende arbeiten mit realen Datensätzen und lernen, verschiedene Algorithmen zu vergleichen und fundiert auszuwählen.
Blockkurs nach Vorlesungsende (jedes Semester) · SPUR SoSe2026 (externer Link, öffnet neues Fenster)