ID 1252617
Klassenraum 2 Tage
Webinar 4 Tage
Methode Vortrag mit Beispielen und Übungen.
Vorwissen Allgemeine Kenntnisse der Mathematik
Zielgruppe Datenanalysten


  • Zeitreihen strukturiert beschreiben und darstellen
  • Einfache Modelle durch Glättung und Interpolation aufbauen
  • Deterministische Modelle für Erklärung und Prognose entwickeln
  • ARIMA-Modelle bestimmen und nutzen


Zeitreihen beschreiben
Beschreiben Sie die innere Struktur von Zeitreihen
Zeitreihen glätten und interpolieren
Glätten Sie Zeitreihen und nutzen Sie die Glättung für Prognosen
Deterministische Modelle aufbauen
Nutzen Sie die Regressionsanalyse, um ein Modell für eine Zeitreihen zu bauen
ARIMA-Modelle erstellen
Verwenden Sie autoregressive Modelle für komplexe Zeitreihenanalyse



Analysieren Sie Zeitreihen in Python mit Hilfe von einfachen Methoden und der komplexen ARIMA-Technik für Erklärung und Prognose.



Daten aus Experimenten und Messungen erfolgreich analysieren lernen anhand von Einführungen in die Methodik und konkreten Beispielen

Services:

  • Mittagessen / Catering
  • Hilfe bei Hotel / Anreise
  • Comelio-Zertifikat
  • Flexibel: Bis 10 Tage vorher kostenlos stornieren

Übersicht

Eine Zeitreihe ist eine zeitabhängige Folge von Datenpunkten. Typische Beispiele für Zeitreihen sind makroökonomische Größen, marktbezogene Daten sowie auch technische Messdaten. Die Zeitreihenanalyse beschäftigt sich mit der mathematisch-statistischen Analyse von Zeitreihen und der Vorhersage ihrer künftigen Entwicklung. Sie ist eine Spezialform der Regressionsanalyse. Das Zeitreihenanalyse-Seminar in Python zeigt eine Auswahl an Methoden, Zeitreihenanalysen durchzuführen. Im ersten Teil lernen Sie, wie Sie eine Zeitreihe mit Python beschreiben und in zentralen Kenngrößen zusammenfassen können. Der zweite Teil stellt die univariate Zeitreihenanalyse vor. Sie beinhaltet die Zerlegung einer Zeitreihe sowie die Ableitung von (autoregressiven) Regressionsmodellen mit AR, MA und AR(I)MA-Modellen mit Python-Programmierung.

Termine

  • 2020-Nov-12 - Nov-13
  • 2021-Jan-21 - Jan-22
  • 2021-Apr-01 - Apr-02
  • 2021-Jun-10 - Jun-11

1150 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-22 - Oct-23
  • 2020-Dec-31 - Jan-01
  • 2021-Mar-11 - Mar-12
  • 2021-May-20 - May-21

1200 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-22 - Oct-23
  • 2020-Dec-31 - Jan-01
  • 2021-Mar-11 - Mar-12
  • 2021-May-20 - May-21

1200 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Nov-05 - Nov-06
  • 2021-Jan-14 - Jan-15
  • 2021-Mar-25 - Mar-26
  • 2021-Jun-03 - Jun-04

1200 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-22 - Oct-23
  • 2020-Dec-31 - Jan-01
  • 2021-Mar-11 - Mar-12
  • 2021-May-20 - May-21

1200 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Nov-12 - Nov-13
  • 2021-Jan-21 - Jan-22
  • 2021-Apr-01 - Apr-02
  • 2021-Jun-10 - Jun-11

1200 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Nov-05 - Nov-06
  • 2021-Jan-14 - Jan-15
  • 2021-Mar-25 - Mar-26
  • 2021-Jun-03 - Jun-04

1180 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Nov-12 - Nov-13
  • 2021-Jan-21 - Jan-22
  • 2021-Apr-01 - Apr-02
  • 2021-Jun-10 - Jun-11

1250 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-29
  • 2021-Jan-04 - Jan-07
  • 2021-Mar-15 - Mar-18
  • 2021-May-24 - May-27

650 EUR zzgl. MwSt.

Standort | Anmeldung


Inhalt

Univariate Beschreibung von Zeitreihen

Schätzung der Momentfunktionen (Erwartungswert, Auto-Kovarianz) - Auto-Korrelation: Lag-Operator, Erstellung und Interpretation des Korrelogramms - Glättung von Zeitreihen: Gleitende Durchschnitte, exponentielles Glätten, Holt-Winters-Methode - Transformation von Zeitreihen durch Filter – Differenzen erster und zweiter Ordnung

Zerlegung von Zeitreihen durch deterministische Modelle

Komponentenmodelle: additiv und multiplikativ - Saisonale Strukturen bei Zeitreihen: Trend, Saisonbereinigung und Ableitung der Saisonfigur, Prognose und Residualanalyse - Niveau-Veränderung - Lineare, parabolische, logistische, exponentielle Anpassung und Regression von Zeitreihen – Polynome - Gütemaße

Periodizitäten bei Zeitreihen

Trigonometrische Funktionen und ihre Bedeutung für periodische Trends – Perioden und Frequenzen - Periodogramm: Ableitung und Interpretation – Regressionsmodelle mit periodischen Schwingungen – Spektren und Spektralschätzung von Zeitreihen

Univariate lineare Zeitreihenmodelle mit AR(I)MA

Stationarität bei Zeitreihen – White Noise-Prozesse - AR (Autoregressive)- Modelle - MA (Moving Average)-Modelle - ARMA und ARIMA-Modelle – Prognose - Residualanalyse – Statistische Tests bei linearen Zeitreihenmodellen – Gütemaße und Modellauswahl

Dozent/in

Unser Python-Trainer Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Berater und auch Fachbuch-Autor zum Thema Datenbanken, statistische Datenanalyse, Data Mining und Python. Er unterrichtet deskriptive und induktive Statistik, multivariate Verfahren und Data Mining für die Bereiche Controlling und Marketing bzw. Marktforschung.

Veröffentlichungen
  • Grundlagen empirische Sozialforschung ISBN 978-3-939701-23-1
  • System und Systematik von Fragebögen ISBN 978-3-939701-26-2
Projekte

Im Bereich statistischer Datenanalyse führt Herr Skulschus als Berater und Projektleiter auch Projekte durch, bei denen Python zum Einsatz kommt oder mit individueller Software-Entwicklung in Java und .NET auf Datenbank-Basis Analyse- und Reporting-Lösungen entstehen.

Forschung

Er leitete ein mehrjähriges Forschungsprojekt zur Entwicklung eines Fragebogensystems mit ontologie-basiertem Datenmodell und innovativen Frage-Antwort-Darstellungen. Förderung durch das BMWi und Zusammenarbeit mit verschiedenen Universitäten.