Data Science / Statistik / R Foundation / R / Regressionsanalyse mit R

R - Regressionsanalyse mit R



ID 1252622
Klassenraum 3 Tage
Webinar 5 Tage
Methode Vortrag mit Beispielen und Übungen.
Vorwissen Grundlagen der Statistik
Zielgruppe Datenanalysten


  • 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


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



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.



Entdecken Sie, was nach der einachen linearen Regression mit R und fortgeschrittenen Statistik-Methoden möglich ist.

Services:

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

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

  • 2020-Oct-26 - Oct-28
  • 2021-Jan-04 - Jan-06
  • 2021-Mar-15 - Mar-17
  • 2021-May-24 - May-26

1450 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-19 - Oct-21
  • 2020-Dec-28 - Dec-30
  • 2021-Mar-08 - Mar-10
  • 2021-May-17 - May-19

1500 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-28
  • 2021-Jan-04 - Jan-06
  • 2021-Mar-15 - Mar-17
  • 2021-May-24 - May-26

1500 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-19 - Oct-21
  • 2020-Dec-28 - Dec-30
  • 2021-Mar-08 - Mar-10
  • 2021-May-17 - May-19

1500 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-28
  • 2021-Jan-04 - Jan-06
  • 2021-Mar-15 - Mar-17
  • 2021-May-24 - May-26

1500 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-28
  • 2021-Jan-04 - Jan-06
  • 2021-Mar-15 - Mar-17
  • 2021-May-24 - May-26

1500 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-28
  • 2021-Jan-04 - Jan-06
  • 2021-Mar-15 - Mar-17
  • 2021-May-24 - May-26

1480 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-19 - Oct-21
  • 2020-Dec-28 - Dec-30
  • 2021-Mar-08 - Mar-10
  • 2021-May-17 - May-19

1550 EUR zzgl. MwSt.

Standort | Anmeldung

  • 2020-Oct-26 - Oct-30
  • 2021-Jan-04 - Jan-08
  • 2021-Mar-15 - Mar-19
  • 2021-May-24 - May-28

950 EUR zzgl. MwSt.

Standort | Anmeldung


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

Unser Trainer für Statistik und Data-Mining mit R Marco Skulschus studierte in Wuppertal und Paris Ökonomie und arbeitet schon seit mehr als 10 Jahren als Dozent, Fachbuch-Autor zum Thema Datenbanken, Datenanalyse und als Berater für statistische Analyse mit R. Teilnehmer/innen seiner R-Seminare sind Betriebswirte / Volkswirtschaftler, Ingenieure und Doktoranden, die für Statistik und Data Mining R einsetzen wollen.

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

Als Berater konzipiert Herr Skulschus Analysesysteme auf Basis von relationalen Datenbanken und entwickelt dann statistische Modelle und Analysen mit R-Programmierung. Zu seinen Kunden zählen Marktforschungsunternehmen, Marketing-Abteilungen sowie Abteilungen für die Qualitätssicherung und Prozessoptimierung oder auch Forschungseinrichtungen.

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.