Abschlussarbeiten

Bewerben für die Abschlussarbeit: Das Wichtigste im Überblick

Um eine Abschlussarbeit am Lehrstuhl für Statistik verfassen zu können, muss sichergestellt sein, dass die Thematik fachlich zu Ihnen passt. Daher ist es notwendig sich zunächst für mehrere (2-3) Themenbereiche zu bewerben und die eigenen Themenwünsche der Priorität nach zu ordnen.

 

 

Hierbei gehen Sie bitte folgendermaßen vor:

 

  1. Voraussetzung für die Vergabe von Bachelorarbeiten ist die erfolgreiche Teilnahme an Statistik I und II. Wünschenswert ist zudem eine weitere themenbezogene Veranstaltung. Somit soll gewährleistet sein, dass Sie die nötigen Vorkenntnisse für das Verfassen einer Abschlussarbeit am Lehrstuhl für Statistik mitbringen.
  2. Informieren Sie sich auf der Lehrstuhlhomepage über ausgeschriebene Themenbereiche.
  3. Bewerben Sie sich unbedingt frühzeitig, d. h. etwa 6 Wochen, bevor Sie mit der Arbeit beginnen möchten.
  4. Senden Sie Ihre Bewerbung an:  statistik@wiwi.uni-augsburg.de

 

Bewerbungsemail und Motivationsschreiben

 

Ihre Email muss folgendes enthalten:

  • Ihren aktuellen und vollständigen Studis-Auszug (für Masteranden zzgl. den Studis-Auszug des Bachelors oder einen gleichwertigen Nachweis zur Beurteilung der Methodenkompetenzen).
  • Informationen darüber, welche Veranstaltungen Sie bereits erfolgreich besucht haben und in denen Sie Kernkompetenzen für den angestrebten Themenbereich aufbauen konnten.
  • Informationen über den gewünschten Beginn- und Abgabezeitpunkt. Bezüglich der Korrekturfristen beachten Sie unbedingt Kapitel 2.3 Termine und Fristen unseres Leitfadens.
  • Eine Präferenzreihenfolge von 2-3 Themenbereichen.
  • Für den erstgenannten Themenbereich hängen Sie zudem ein Motivationsschreiben (300-400 Wörter) an. Dieses muss schlüssig darstellen, wieso der Themenbereich für Sie als Abschlussarbeit fachlich und persönlich interessant ist und zeigen, dass Sie sich mit Inhalt und Fragestellungen des Themenbereiches bereits beschäftigt haben. Weitere Informationen zu Motivationsschreiben, eigenen Themenvorschlägen etc. finden Sie in unserem Leitfaden.

Termine und Ablauf

Generell können Abschlussarbeiten am Lehrstuhl für Statistik während des gesamten Jahres begonnen werden.

 

Wird die Note einer Bachelor- oder Masterarbeit zu einem bestimmten Datum (z. B. Semesterende) benötigt, muss die Korrekturzeit für diese Arbeiten beachtet werden. Diese beträgt bei Bachelorarbeiten 8 Wochen und bei Masterarbeiten 3 Monate. Es liegt in der Verantwortung des Verfassers, seine Arbeit rechtzeitig anzumelden, anzufertigen und abzugeben.

 

Wenn Sie für eine Abschlussarbeit ausgewählt wurden, setzt sich Ihr Betreuer mit Ihnen zur Terminvereinbarung in Verbindung. Es wird Ihnen ein konkretes Thema vorgeschlagen, zu welchem Sie nach entsprechender Einarbeitungszeit eine Disposition und initiale Arbeitsgliederung verfassen. Nach Zustimmung durch Ihren Betreuer wird die Arbeit angemeldet. Weitere Informationen zur Disposition finden Sie in unserem Leitfaden.

Themenbereiche

Der Lehrstuhl für Statistik befasst sich generell mit mathematischen und statistischen Modellen und Verfahren zur Formulierung, Analyse und Lösung datengestützter und praxisbezogener Probleme aus dem betriebs- und volkswirtschaftlichen Bereich. Methodisch gesehen beziehen sich Abschlussarbeiten auf die Gebiete

 

  • Data Mining, Data Analytics und Machine Learning
  • Modellierung von Zeitreihen
  • Prognosemethoden
  • Regressionsanalyse
  • Statistische Auswertung von Daten

 

Darüber hinaus sind auch eigene Themenvorschläge und praxisbezogene Arbeiten in Kooperation mit Unternehmen, sowie Abschlussarbeiten von (Wirtschafts-)Mathematikern, Wirtschaftsingenieuren und Wirtschaftsinformatikern willkommen.

 

Allgemeine Themenbereiche für Bachelorarbeiten mit Bezug zu Veranstaltungen

 

Allgemeine Themenbereiche für Masterarbeiten mit Bezug zu Veranstaltungen

 

Spezielle Themenbereiche für Bachelor- und Masterarbeiten

Leitfaden

Genauere Erläuterungen zur Bewerbung, zum Ablauf der Abschlussarbeit, formalen Anforderungen, sowie zu möglichen Zitierweisen finden Sie in unserem Leitfaden. Wir bitten jeden Interessenten, bei Fragen zur Abschlussarbeit zunächst den Leitfaden zu konsultieren. Falls Sie Ihre Arbeit in Latex anfertigen möchten existiert hierzu eine Vorlage.

 

 

Frühere Arbeiten

Hier finden Sie eine Auflistung der bisher am Lehrstuhl für Statistik verfassten Abschlussarbeiten. Diese Liste kann Ihnen als Orientierung dienen, da wir durchaus gerne im Themenumfeld vieler bisheriger Arbeiten wieder Abschlussarbeiten anbieten.

 

Bachelorarbeiten

  • Untersuchung von Online Kommentaren mithilfe neuronaler Netze
  • Das Maximum-Diversification Portfolio als Alternative zum Ansatz von Markowitz: eine empirische Analyse
  • Evaluation von Effektivität der Suchmaschine der Webseite CHECK 24 Vergleichsportal Shopping GmbH
  • Marketing Automation: Anwendungsmöglichkeiten von Machine Learning Algorithmen zur Verbesserung der mySortimo Plattform
  • Corona und die Aktienmärkte: Welchen Einfluss hat die Angst?
  • Analyse und Prognose von Wohnungspreisen mittels Regression    
  • Predicting Crowdfunding Success using Random Forests – An Analysis of Model Interpretability
  • SWIOFish3 and the Seychelles Marine Spatial Plan Initiative – A statistical investigation
  • Binäre Klassifikation – Theoretische und Empirische Analyse maschineller Lernalgorithmen
  • Datensegmentierung mittels modellbasierter Verfahren -Der EM-Algorithmus
  • Regression Trees and Tree Ensembles – Ein empirischer Vergleich der Out-of-Sample Performance von Bagging, Random Forest und Boosting
  • Umsatzprognosen unter Verwendung verschiedener Zeitreihenmodelle in R
  • Erklärbarkeit von Künstlichen Neuronalen Netzen
  • Portfoliooptimierung unter alternativen Zielfunktionen – drei Portfoliooptimierungsansätze im Vergleich
  • Renditeprognose unter Berücksichtigung des privaten und institutionellen Investor Sentiments - Eine empirische Analyse mittels Regressionsmodellen
  • Markowitz-Portfoliooptimierung und Verbesserungsansätze - Eine empirische Analyse
  • Bildklassifikation mit Convolutional Neural Networks
  • Variablenselektion im linearen Regressionsmodell
  • Analyse des In-Sample-Fit als auch der Out-of-Sample-Prognosegüte bei linearen Regressionsmodellen
  • Tests der Normalverteilung – Eine Simulationsstudie zur  Beurteilung der Güte verschiedener Testverfahren
  • Analyse der Determinanten des Einkommens mittels Quantilsregression
  • Performanceanalyse zweier Klassifikationsverfahren – Support Vector Machine vs. logistische Regression
  • Datensegmentierung mittels partitionierender Clusterverfahren: K-Means vs. PAM

 

Masterarbeiten

  • Portfolio Optimization: Incorporating Investors`Nonlinear Views via Entropy Pooling
  • Data Cleaning: Der Umgang mit Missing Values mithilfe des MICE-Algorithmus
  • Vorhersage der Ölpreisschwankungen mit Machine Learning Verfahren
  • Modellierung der Volatilität auf Rohstoffmärkten

  • An analysis of model-agnostic interpretability machine learning techniques

  • Kundenzufriedenheitsvorhersage mit Extreme Gradient Boosting

  • Forecasting Stock Time Series using ARFIMA and Neural Networks

  • Vine Copulas and their applications

  • Vergleich von transparenten und intransparenten Machine Learning Methoden in der industriellen Produktion

  • GARCH Modell und dessen Erweiterungen

  • Tracking the money in PAC-free elections: a data driven analysis of the 2020 Democratic primary cycle

  • Modellierung von Volatilität in der Zeitreihenanalyse

Suche