Statistik - Multivariate Verfahren I

Details

ID 1252623
Dauer 3.0 Tage
Methoden Vortrag mit Beispielen und Übungen.
Vorwissen Grundlagen der Statistik
Zielgruppe Datenanalysten

Ziele

Multivariate Daten beschreiben
Komplexe Datensätze darstellen und analysieren
Strukturen entdecken
Cluster und Faktoren mit entdecken
Kategoriale Daten analysieren
ANOVA und Logistische Regression in R nutzen
Metrische Daten analysieren
Nutzen Sie die Regressionanalyse und erstellen Sie lineare Modelle
Werkzeuge kennenlernen
R, RStudio, FactoMineR, RCommander und R Data Miner (Rattle)

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 7 wichtige Verfahren der multivariaten Analysemethoden. Dies sind Cluster-, Diskriminanz- und Explorative Faktorenanalyse, Kreuztabellierung und Kontingenzanalyse, Logistische Regression, Regressionsanalyse und Varianzanalyse. Sie lernen, multivariate Analysen in R und RStudio und auch mit RCommander und R Data Miner (Rattle) durchführen.

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.

Zum Bücherkatalog

Themen

  • Metrische Daten mit Regressionsanalyse und Diskriminanzanalyse in R analysieren
  • Kategoriale Daten mit Kontingenzanalyse, ANOVA und Logistische Regression in R analysieren
  • Faktorenanalyse und Clusteranalyse in R nutzen
  • Daten in R und RStudio verarbeiten und visualisieren
  • Analysen in RCommander, FactoMineR und R Data Miner (Rattle) durchführen

Beschreibung

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

Services

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

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

Dozent/in

Unser Statistik- und Data-Mining-Trainer Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken und als Business Intelligence-Berater. Zu seinen Kunden zählen Marktforschungsunternehmen oder Behörden wie der Deutsche Bundesrat sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung.

Veröffentlichungen

  • Grundlagen empirische Sozialforschung (Comelio Medien)
    978-3-939701-23-1
  • System und Systematik von Fragebögen (Comelio Medien)
    978-3-939701-26-2
  • Oracle SQL (Comelio Medien)
    978-3-939701-41-5
  • SQL Server 2012: Data Mining und multivariate Verfahren (Comelio Medien)
    978-3-939701-85-9
  • SQL und relationale Datenbanken (Comelio Medien)
    978-3-939701-52-1

Projekte

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.

Forschung

Als Berater und Projektleiter konzipiert Herr Skulschus Business Intelligence-Systeme auf Basis von OLAP und Data Warehouse-Technologien mit MS SQL Server und Oracle mit Berichtskomponenten im Intranet oder MS Excel, statistische Analysen und Data Mining-Modulen. Je nach Aufgabe setzt er R, IBM SPSS oder Minitab ein.

Zertifikate

Marco Skulschus ist zertifiziert als "Microsoft Certified Trainer" und "Oracle Certified Associate" und hat die ComptiaCTT+ Prüfung absolviert.