IBM SPSS Statistics - Multivariate Verfahren II

Details

ID 1252624
Dauer 3.0 Tage
Methoden Vortrag mit Beispielen und Übungen.
Vorwissen Allgemeine Kenntnisse der Mathematik
Zielgruppe Datenanalysten

Ziele

Nutzen und Präferenzen analysieren
Analysieren Sie Kundenvorstellungen mit der Conjoint-Analyse ableiten
Modelle für nichtlineare Regression aufbauen
Bauen Sie analytische Modelle für Polynome oder andere nichtlineare Formen
Komplexe Vorhersagen und Klassifikationen durchführen
Nutzen Sie Künstliche Neuronale Netze für Lernverfahren
Analysieren Sie kategoriale Daten
Visualisieren und bewerten Sie Kreuztabellen mit der Korrespondenzanalyse

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, ihre Abhängigkeitsstruktur. Multivariate Verfahren lassen sich gliedern in \"Strukturprüfende Verfahren\" und \"Strukturentdeckende Verfahren\". Das Seminar behandelt 7 wichtige Verfahren der multivariaten Analysemethoden. Dies sind Auswahlbasierte Conjoint-Analyse, Konfirmatorische Faktorenanalyse, Korrespondenzanalyse, Multidimensionale Skalierung, Neuronale Netze, Nichtlineare Regression und Strukturgleichungsmodelle. Die Themen werden anhand von Vorträgen eingeführt und dann anhand von praktischen Übungen durchgeführt. Als Software werden MS Excel und SPSS, Clementine und AMOS vorgestellt. Nach dem Seminar sind Sie in der Lage, die Verfahren und ihre Ergebnisse zu verstehen und für eigene Daten mit IBM SPSS Statistics anwenden zu können.

Termine

OPEN
INHOUSE

Zurzeit stehen keine offenen Termine zur Verfügung. Nutzen Sie alternativ die Inhouse‑Option.

Lernen Sie anhand maßgeschneiderter Beispiele und Inhalte – passgenau für Ihre Anforderungen.

Ihre Vorteile im Überblick

  • Flexibles Wunschdatum
  • Maßgeschneiderte Inhalte
  • Intensiver Austausch
  • Hoher Praxisbezug

Comelio Medien

Noch auf der Suche nach weiterführender Literatur? Entdecken Sie passende Fachbücher in unserem Katalog.

Themen

  • Nutzen und Präferenzen über die Conjoint-Analyse ableiten
  • Ordinale Variablen analysieren
  • Mit der Probit-Regression dichotome Ausgaben analysieren
  • Nichtlineare Regression durchführen
  • Künstliche Neuronale Netze erstellen

Beschreibung

Setzen Sie IBM SPSS Statistics für multivariate statistische Methoden der Datenanalyse ein.

Services

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

Inhalt

Nicht-lineare Regression
Wie lässt sich der nicht-lineare Zusammenhang zwischen Variablen formalisieren? – Funktionsauswahl und Modellspezifikation – Parameterschätzung – Prüfung des Modells - Beurteilung der Schätzergebnisse
Ordinale Regression
Regressionsmodelle für ordinale Variablen - Schätzen von Parametern - Modellgüte
Probit-Regression
Regressionsmodelle für Situationen mit dichotomer Ausgabe - Schätzen von Parametern - Modellgüte
Traditionelle Conjoint-Analyse
Welchen Nutzenbeitrag liefern die verschiedenen Beschreibungsmerkmale eines Objektes zu dessen Präferenzstellung im Vergleich zu anderen Objekten?
Auswahlbasierte Conjoint-Analyse
Wie kann für eine Person die Auswahlentscheidung unter verschiedenen Objekten abgebildet werden?
Neuronale Netze
Wie können aufgrund von Erfahrungsdaten (Lerndaten) Gruppen gebildet oder unterschieden werden sowie nicht-lineare Zusammenhänge zwischen Variablen entdeckt werden? – Problemstrukturierung und Netztypauswahl – Festlegung der Netztopologie – Informationsverarbeitung in den Neuronen – Trainieren des Netzes – Anwendung des trainierten Netzes
Multidimensionale Skalierung
Wie kann man Objekte auf Basis ihrer Ähnlichkeiten oder Unähnlichkeiten gemeinsam in einem zwei- oder mehrdimensionalen Raum darstellen? - Wie führt man eine Positionierungsanalyse durch?
Einfache und multiple Korrespondenzanalyse
Wie können Kreuztabellen visualisiert werden? – Standardisierung der Daten – Extraktion der Dimensionen – Normalisierung der Koordinaten - Interpretation

Dozent/in