Angebot!

Seminar Multivariate Datenanalyse mit R

Dozent: Dr. Haug Leuschner

 845,00 2.375,00

Zzgl. 16% MwSt.
Auswahl zurücksetzen

Das Seminar Multivariate Datenanalyse mit R behandelt im dreitägigen Basistraining strukturprüfende und im direkt anschließenden zweitägigen Aufbautraining strukturentdeckende Verfahren zur Analyse des Zusammenhangs zwischen mehreren Variablen. Grundlegende Fertigkeiten im Umgang mit R/RStudio, wie Datenimport, Datenaufbereitung, Grafikerstellung und statistische Standardverfahren wie der t-Test, werden vorausgesetzt, ständig angewendet und vertieft. Im fünftägigen Kompletttraining haben Sie das gesamte Programm, wobei im Preis eine Ermäßigung von 100 Euro für die Teilnahme am Basis- und Aufbautraining in derselben Woche enthalten ist. Im Preis sind Kursmaterialien, Getränke und Schulungslaptops mit der aktuellen Version von R und RStudio enthalten. Sie können per Überweisung oder auf Rechnung zahlen (weitere Infos).

Beschreibung

In der fünftägigen Komplett-Schulung Multivariate Datenanalyse mit R werden in den ersten drei Tagen die multiple Regressionsanalyse, die logistische Regressionsanalyse und die Zeitregression behandelt. In den letzten beiden Tagen werden die strukturentdeckenden Verfahren behandelt. Dazu gehören die Clusteranalyse und die explorative Faktorenanalyse, dazu ergänzend die Zeitreihenanalyse, die Diskriminanzanalyse und die Reliabilitätsanalyse.

Zielgruppe: Anwender, Fachkräfte und Studierende aus den Bereichen der Sozial- und Marktforschung, der Betriebswirtschaft (Marketing, Controlling, Qualitätskontrolle) und der psychologischen, klinischen und pharmazeutischen Forschung

Voraussetzungen: 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). Grundlegende Fertigkeiten im Umgang mit R/RStudio, wie Datenimport, Datenaufbereitung, Grafikerstellung und statistische Standardverfahren, werden vorausgesetzt, ständig angewendet und vertieft. Wenn der Umgang mit R/RStudio nicht vertraut sein sollte, empfiehlt es sich, vorher ein R/RStudio-Training mit den Grundlagen oder ein vergleichbares Seminar zu besuchen.

Lernziele: fortgeschrittene Funktionen von R kennen lernen, Daten 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

Übungen: Es wird Wert auf den Anwendungsbezug gelegt, die Praxisbeispiele und Übungsaufgaben erfolgen in der Schulung auf unseren Schulungslaptops mit der statistischen Programmiersprache R und der Entwicklungsumgebung RStudio.

Leistungen: Schulungsräume in zentraler Lage, 2-10 Teilnehmer pro Veranstaltung, Unterricht 9-18 Uhr, Getränke in den Pausen, Schulungslaptop mit installierter Software, gedruckte Schulungsunterlagen, ein Zertifikat mit den Schulungsinhalten

Hinweis: Die 5-tägige Komplett-Schulung Multivariate Datenanalyse mit R besteht aus einer 3-tägigen Basis-Schulung und einer anschließenden 2-tägigen Aufbau-Schulung, die auch einzeln gebucht werden können.

Inhalte des 5tägigen Komplett-Trainings Multivariate Datenanalyse mit R:

  • 3-tägiges Basis-Training: strukturprüfende Verfahren

    • Multiple Regressionsanalyse
      Regressionsmodelle für kontinuierliche und kategoriale Variablen mit Suppressionseffekten (Suppressoranalyse), Moderationseffekten (Moderatoranalyse), nicht-linearen Effekten (polynomiale Regression) und Interaktionseffekten zwischen kategorialen und kontinuierlichen Variablen (dummykodierte Regressionsanalyse); automatisierte Verfahren zur Auswahl von Prognosevariablen und der Ermittlung des am besten an die Daten angepassten Modells; Residualdiagnostik und Prüfung der Modellprämissen (Angemessenheit des Modells, Unabhängigkeit der Daten, Multikollinearität, Homoskedastizität und Normalverteilung der Residuen, Erkennung von einflussreichen Datenpunkten); 2D- und 3D-Grafiken von Regressionsmodellen
    • Logistische Regression
      Schätzung 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, automatisierte Auswahl von Prognosevariablen, Prüfung des Gesamtmodells und der Merkmalsvariablen (AUC, Likelihood-Ratio-Test und Pseudo R-Quadrat-Statistiken)
    • Zeitregression
      Zeitreihenmodelle mit Trend- und Saisonkomponenten, lineare/nichtlineare Trendmodelle mit Berücksichtigung von zyklischen Schwankungen und Strukturbrüchen, Extrapolationsmodelle und Strukturmodelle, Erstellung von Prognosen mit Prognoseintervallen, Beurteilung der Modellgüte und Prognosegüte, grafische Darstellung von Zeitreihen
  • 2-tägiges Aufbau-Training: strukturentdeckende Verfahren

    • Zeitreihenanalyse
      Glättungsmethoden und LOESS-Dekomposition von Trend- und Saison-Komponenten, exponentielle Prognosemodelle (State-Space-Modelle) und ARIMA-Modelle, Erstellung von Prognosen, Beurteilung der Modellgüte und Prognosegüte, grafische Darstellung von Zeitreihen
    • Clusteranalyse
      hierarchische Clusteranalyse (Distanz- und Ähnlichkeitsmaße, Fusionierungs-Algorithmen: Single-Linkage, Complete-Linkage, Ward), k-Means-Clusteranalyse
    • Diskriminanzanalyse
      Schätzung der Diskriminanzfunktion, Prüfung der Modellgüte und der Eignung von Variablen, automatisierte Auswahl von Variablen, Klassifikation von neuen Fällen
    • Explorative Faktorenanalyse
      Hauptachsenanalyse, Hauptkomponentenanalyse, Extraktion und Rotation der Faktoren, Variablenauswahl, Modellgüte, Berechnung von Faktorwerten
    • Reliabilitätsanalyse
      Prüfung 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