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.

Zum Bücherkatalog

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

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