Statistik - Regressionsanalyse mit R

Details

ID 1252622
Dauer 3.0 Tage
Methoden Vortrag mit Beispielen und Übungen.
Vorwissen Grundlagen der Statistik
Zielgruppe Datenanalysten

Ziele

Lineare Regression nutzen
Erstellen Sie Regressionsmodelle mit einer und mehreren Variablen
Modelle für nichtlineare Regression aufbauen
Bauen Sie analytische Modelle für Polynome oder andere nichtlineare Formen
Logistische Regression für Klassifikation nutzen
Erstellen Sie Modelle für die Gruppenzugehörigkeit von Daten
Nichtparametrische Regression einsetzen
Setzen Sie Techniken wie Kernregression und andere Glättungstechniken ein

Übersicht

Regressionsanalysen sind statistische Analyseverfahren mit dem Ziel, Beziehungen zwischen einer abhängigen und einer oder mehreren unabhängigen Variablen festzustellen. Sie wird insbesondere verwendet, wenn Zusammenhänge quantitativ zu beschreiben oder Werte der abhängigen Variablen zu prognostizieren sind. Mit R stehen eine Vielzahl von Analysemöglichkeiten bereit. Dieses Seminar zeigt Ihnen ausgehend von der einfachen linearen Regression, wie Sie lineare und nichtlineare Regressionsmodelle mit mehreren Variablen ableiten und für Prognosen nutzen können. Dabei werden auch die Themen robuste Regression und die Regression mit vielen Regressoren behandelt. Neben metrischen Zielvariablen sehen Sie auch, wie Sie mit logistischer Regression die Vorhersage von kategorialen Zielgrößen modellieren können. Das Seminar geht dann zusätzlich auch auf fortgeschrittene Themen wie semi- und nichtparametrische Regression oder Quantilsregression ein.

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

  • Lineare Regression mit einer und mehreren Variablen nutzen
  • Besondere Techniken für die lineare Regression mit vielen Regressoren verstehen
  • Modelle für nichtlineare Regression aufbauen
  • Daten mit der nichtparametrischen Regression untersuchen
  • Gruppen klassifizieren über die logistische Regression

Beschreibung

Lernen Sie die Regressionsanalyse mit R umfassend kennen, um sowohl lineare Einfach- und Mehrfach-Regression zu beherrschen, nichtlineare Modelle aufzubauen, Daten klassifizieren zu können oder nichtparametrische Analyse durchzuführen.

Services

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

Inhalt

Einfache lineare Regression
Regression als Deskription - Regressionsgerade - Bestimmtheitsmaß - Schätzen und Testen im einfachen lineare Regressionsmodell: Konfidenzintervalle, Prognoseintervalle, Tests - Residualanalyse
Multiple lineare Regression
Das klassische lineare Regressionsmodell: Parameterschätzung, Tests, Konfidenz- und Prognoseintervalle, Variablenselektion, Modell-Check - Das allgemeine lineare Regressionsmodell: KQ- und GKQ-Schätzung, Heteroskedastische Störungen, Clusterweise Regression - Multivariate multiple Regression: Das multivariate lineare Modell, Parameterschätzung
Lineare Regression mit vielen Regressoren
Hauptkomponentenregression - Partial Least Squares-Regression - Reduzierte Rang-Regression
Nichtlineare Regression
Formen nichtlinearer Abhängigkeiten - Linearisierbare Zusammenhänge - Polynomiale Regressionsmodelle - Inferenzmethoden
Nichtparametrische Regression
Kernregression und Nächste-Nachbarn - Lokale polynomiale Glättung - Spline-Regression - Additive Modelle - Regressionsbäume
Quantilsregression
Quantilsfunktion - Regressionsquantile - Parameterschätzung
Logistische Regression
Binomialverteilte Zielgrößen und ihre Modellschätzung - Logitmodelle für mehrkategoriale Zielgrößen - Schätzen und Testen für mehrkategoriale Modelle

Dozent/in