IBM SPSS Statistics - Multivariate Verfahren I

• Details
• Themen
• Ziele

Beschreibung

Nutzen Sie fortgeschrittene statistische Techniken in IBM SPSS Statistics, um statistische Modelle zu entwickeln, Zusammenhänge aufzudecken und wichtige Variablen zu finden.

Spezial

Starten Sie mit IBM SPSS Statistics und fortgeschrittenen Analysetechniken durch.

Services

• Mittagessen / Catering
• Hilfe bei Hotel / Anreise
• Comelio-Zertifikat
• Flexibel: Bis einen Tag vorher kostenlos stornieren

Übersicht

Mit Multivariaten Verfahren (Multivariate Analyse(methoden), Abk.: MVA) werden multivariat verteilte statistische Variablen untersucht. Man betrachtet hier nicht eine Variable isoliert (univariat verteilt), sondern das Zusammenwirken mehrerer Variablen zugleich und damit ihre Abhängigkeitsstruktur. Multivariate Verfahren lassen sich gliedern in "Strukturprüfende Verfahren" und "Strukturentdeckende Verfahren". Das Seminar behandelt 8 wichtige Verfahren der multivariaten Analysemethoden. Dies sind Cluster-, Diskriminanz- und Explorative Faktorenanalyse, Kreuztabellierung und Kontingenzanalyse, Logistische Regression, Regressionsanalyse, Varianzanalyse und Zeitreihenanalyse. Die Themen werden anhand von Vorträgen eingeführt und dann anhand von praktischen Übungen durchgeführt. Teilnehmer/innen sollen nach dem Seminar in der Lage sein, die genannten Verfahren zu verstehen und bewerten zu können, um sie dann mit Erfolg auch für die konkrete Datenanalyse mit IBM SPSS Statistics einzusetzen.

Inhalt

Multiple Regressionsanalyse

Wie stark ist der als linear unterstellte Zusammenhang zwischen metrisch-skalierten Variablen? – Modellformulierung – Schätzung der Regressionsfunktion – Prüfung der Regressionsfunktion – Prüfung der Regressionskoeffizienten – Prüfung der Modellprämissen

Varianzanalyse (ANOVA)

Wie gut kann eine metrisch-skalierte abhängige Variable durch eine nominal skalierte unabhängige Variable erklärt werden? – Problemformulierung – Analyse der Abweichungsquadrate – Prüfung der statistischen Unabhängigkeit

Kontingenzanalyse (Kreuztabellierung)

Besteht ein statistisch signifikanter Zusammenhang zwischen zwei nominal-skalierten Variablen? – Erstellung der Kreuztabelle – Ergebnisinterpretation – Prüfung der Zusammenhänge

Logistische Regression

Mit welcher Wahrscheinlichkeit können Objekte einer bestimmten Gruppe zugeordnet werden? – Modellformulierung – Schätzung der logistischen Regressionsfunktion – Interpretation der Regressionskoeffizienten – Prüfung des Gesamtmodells – Prüfung der Merkmalsvariablen

Diskriminanzanalyse

Welche Variablen können gegebene Objektgruppen signifikant voneinander unterscheiden? – Definition der Gruppen – Formulierung, Schätzung und Prüfung der Diskriminanzfunktion – Prüfung der Merkmalsvariablen – Klassifikation neuer Elemente

Explorative Faktorenanalyse

Wie können metrisch-skalierte Variablen zu hypothetischen Größen (Faktoren) zusammengefasst werden? – Variablenauswahl und Korrelationsmatrix – Extraktion der Faktoren – Bestimmung der Kommunalitäten – Zahl der Faktoren – Faktorinterpretation – Bestimmung der Faktorenwerte

Clusteranalyse

Wie können Objekte, die durch verschiedene Merkmale beschrieben sind, zu homogenen Gruppen zusammenfasst werden? – Bestimmung der Ähnlichkeiten – Auswahl des Fusionsalgorithmus – Bestimmung der Clusteranzahl