Multivariate Datenanalyse mit R - Kompletttraining (5tägig)
-
Mir hat gut gefallen, dass wir immer wieder selbst etwas ausprobieren konnten. Außerdem waren die Beispiele meist gut gewählt, so dass man die potenziellen Fallstricke erkennen konnten. Eine offene und konstruktive Lernatmosphäre.
← | →
Seminar
In Hamburg
Beschreibung
-
Kursart
Intensivseminar
-
Niveau
Mittelstufe
-
Ort
Hamburg
-
Unterrichtsstunden
40h
-
Dauer
5 Tage
-
Beginn
Dezember
Die Multivariate Datenanalyse untersucht den Einfluss von mehreren statistischen Variablen zugleich. Zusammenhangs- bzw. Abhängigkeitsstrukturen zwischen den Variablen - wie beispielsweise der Einfluss von Preis, verschiedenen Marktpositionierungen und verschiedenen Werbeformen auf den Umsatz eines Produkts - können nur mit multivariaten Verfahren erkannt werden. Damit sind diese den univariaten Verfahren überlegen, bei denen der Einfluss jeder Variablen auf die Messgröße einzeln analysiert wird und die Gegenstand des Seminars Grundlagen der Statistik mit R sind.
Die vorgestellten Verfahren werden erfolgreich in den verschiedensten Feldern eingesetzt wie beispielsweise in den betriebswirtschaftlichen Anwendungsbereichen (Produktentwicklung, Qualitätssicherung, Marketing), in den human- und sozialwissenschaftlichen Anwendungsbereichen (Medizin, Pharmazie, Marktforschung), in der Technik und in den Naturwissenschaften.
Das komplette 5tägige Grundlagen-Seminar gliedert sich in ein 3tägiges Basis-Training und ein 2tägiges Aufbau-Training. Bei diesem Kurs handelt es sich um das 5tägige Komplett-Training.
Zuerst werden die Regressionsanalyse, die die Zusammenhänge zwischen Variablen analyisert, die logistische Regression, die zur Klassifizierung und Risikoabschätzung von Einzelfällen geeignet ist und die Zeitreihenanalyse besprochen, die Zeitreihen mittels verschiedener Verfahren (Zeitregression, exponentielle Prognosemodelle, ARIMA-Modelle, LOESS-Dekomposition) analysiert und Prognosen erlaubt (prediktive Analyse/Forecasting). Danach wird die Clusteranalyse behandelt, die eine Vielzahl von Fällen zu wenigen Gruppen bündelt, dazu ergänzend die Diskriminanzanalyse, die die Unterschiede zwischen den ermittelten Gruppen beschreibt. Zum Schluss wird in die explorative Faktorenanalyse eingeführt, die eine Vielzahl von Variablen zu wenigen Dimensionen reduziert, dazu ergänzend die Reliabilitätsanalyse, die die Eignung und Reliabilität eines Fragebogens prüft.
Standorte und Zeitplan
Lage
Beginn
Beginn
Hinweise zu diesem Kurs
fortgeschrittene Funktionen von R kennenlernen, Daten von Studien bzw. betrieblichen Prozessen erheben und mit Hilfe von multivariaten Verfahren auswerten können, Ergebnisse von multivariaten Datenanalysen grafisch darstellen, erläutern und interpretieren können, aufgrund einer Fragestellung das geeignete multivariate Verfahren identifizieren und anwenden können
Der Kurs richtet sich an Anwender, Fachkräfte, Doktoranden und Studierende aus den Bereichen der Sozial- und Marktforschung, der Betriebswirtschaft (Marketing, Controlling, Qualitätskontrolle) und der psychologischen, klinischen und pharmazeutischen Forschung.
Erfahrungen mit R unter Verwendung von RStudio und die Inhalte des Seminars Grundlagen der Statistik mit R (oder eines vergleichbaren Seminars: Interpretation von Korrelationskoeffizienten wie Pearsons r und Signifikanztests wie dem t-Test sollten bekannt sein)
Schulungszertifikat mit den Seminarinhalten
Im dreitägigen Basiskurs Multivariate Datenanalyse mit R werden die regressionsanalytischen Verfahren behandelt, die aufeinander aufbauen. Dazu gehören die multiple Regressionsanalyse, die die linearen und nichtlinearen Zusammenhänge zwischen mehreren Variablen quantitativ beschreibt und erklärt und Prognosen erlaubt, die logistische Regression, die zur Klassifizierung und Risikoabschätzung von Einzelfällen geeignet ist und die Zeitreihenanalyse, die Zeitreihen mittels verschiedener regressionsanalytischer Verfahren (Zeitregression, exponentielle Prognosemodelle, ARIMA-Modelle, LOESS-Dekomposition) in mehrere Komponenten zerlegt und Prognosen für zukünftige Entwicklungen erlaubt (prediktive Analyse/Forecasting).
Im zweitägigen Aufbautraining Multivariate Datenanalyse mit R werden strukturentdeckende Verfahren behandelt, die der Entdeckung von Zusammenhängen zwischen Variablen dienen. Dazu gehören die Clusteranalyse, die eine Vielzahl von Fällen zu wenigen Gruppen (Cluster) bündelt, und die explorative Faktorenanalyse, die eine Vielzahl von Variablen zu wenigen Dimensionen (Faktoren) reduziert. Als Ergänzung zur Clusteranalyse wird die Diskriminanzanalyse besprochen, mit der analysiert werden kann, mit welchen Variablen die in der Clusteranalyse gefunden Gruppen am besten beschrieben werden können. Als Ergänzung zur Faktorenanalyse wird die Reliabilitätsanalyse behandelt, die die Eignung und Reliabilität eines Itemsets für einen Faktor prüft. Es wird insbesondere gezeigt, wie mit Hilfe der Faktoren- und Reliabilitätanalyse die Güte eines Fragebogens zur Messung latenter Dimensionen überprüft werden kann.
Sie erhalten innerhalb von 1-3 Werktagen die Information, wie Sie den gewünschten Kurs online auf der Webseite des Seminaranbieters www.statistik-seminare.de buchen können.
Meinungen
-
Mir hat gut gefallen, dass wir immer wieder selbst etwas ausprobieren konnten. Außerdem waren die Beispiele meist gut gewählt, so dass man die potenziellen Fallstricke erkennen konnten. Eine offene und konstruktive Lernatmosphäre.
← | →
Kursbewertung
Empfehlung der User
Anbieterbewertung
Frau Syha (Commerzbank)
Themen
- Zeitreihenanalyse
- Diskriminanzanalyse
- Logistische Regression
- Explorative Faktorenanalyse
- Forecasting
- R
- RStudio
- Nicht-lineare Regression
- Hierarchische Clusteranalyse
- K-Means Clusteranalyse
- Reliabilitätsanalyse
- Fragebögen auf Güte prüfen
- Multivariate Analyse
- Lineare Regressionsanalyse
- Multiple Regressionsanalyse
- Exponentielle Prognosemodelle
- ARIMA-Modelle
- LOESS-Dekomposition
- Prediktive Analyse
- Prognosen erstellen
Dozenten
Dr. Haug Leuschner
Methodik und Statistik
Weiterbildungsexperte für Statistik in der Erwachsenenbildung staatlich geprüfter mathematisch-technischer Assistenten, Studium der Wirtschaftspsychologie Danach Lehrauftrag für Methodenlehre und Statistik und Dozentenausbildung an der Universität zu Köln Danach Mitarbeiter in zahlreichen Projekten an der Universität zu Köln und Datenanalyst bei größeren Unternehmen mehrere wissenschaftliche Publikationen im Bereich der Social Cognition Promotionsarbeit: Entwicklung einer computergestützten Erhebungsmethode für Kommunikationsdaten Berater in einer Vielzahl von Projekten für Datenanalyse
Inhalte
Logistische RegressionSchätzung der logistischen Regressionsfunktion, Interpretation der Koeffizienten (Logits, Odds und Wahrscheinlichkeiten), Berechnung von Odds Ratio und relatives Risiko, Konfusionstabellen mit Trefferquote, Spezifität und Sensitivität, ROC-Kurven und automatisierte Verfahren zur Ermittlung des optimalen Trennwerts, Prüfung des Gesamtmodells und der Merkmalsvariablen (AUC, Likelihood-Ratio-Test und Pseudo R-Quadrat-Statistiken)
ZeitreihenanalyseZeitregression mit linearen und nichtlinearen Trend-, Konjunktur- und Saison-Komponenten und unter Berücksichtigung von Strukturbrüchen; Glättungsmethoden und LOESS-Dekomposition von Trend- und Saison-Komponenten; exponentielle Prognosemodelle und ARIMA-Modelle (prediktive Analyse); Erstellung von kurz- und langfristigen Prognosen; grafische Darstellung von Zeitreihen mit Prognose und Prognoseintervallen
ClusteranalyseHierarchische Clusteranalyse (Distanz- und Ähnlichkeitsmaße, Fusionierungs-Algorithmen: Single-Linkage, Complete-Linkage, Ward, Bestimmung der optimalen Clusterzahl), k-Means-Clusteranalyse
DiskriminanzanalyseSchätzung der Diskriminanzfunktion, Prüfung der Eignung von Merkmalsvariablen und der Modellgüte, Klassifikation von neuen Fällen
Explorative FaktorenanalyseVariablenauswahl, Bestimmung der Anzahl der Faktoren, Extraktion und Rotation der Faktoren, Faktorinterpretation, Faktorwerte
ReliabilitätsanalysePrüfung des Indikatorsets eines Faktors auf Eindimensionalität; Reliabilitätsprüfung auf Indikatorebene (Indikatorreliabilität): Faktorladungen, Kommunalitäten, Cronbachs Alpha (ohne Item), Item-To-Skala-Korrelation; Prüfung auf Konstruktebene (Faktorreliabilität): Cronbachs Alpha, Inter-Item-Korrelationen, Einheitsstruktur
Multivariate Datenanalyse mit R - Kompletttraining (5tägig)