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

R - Regressionsanalyse mit R

ID	1252622
Klassenraum	3 Tage 9:00-16:30
Webinar	5 Tage 9:00-12:30
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

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.

Spezial

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 einen Tag vorher kostenlos stornieren

Übersicht

R Regressionsanalyse mit R Training 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

Wir überarbeiten gerade unsere Webseite und die Seminare. Neue Termine gibt es erst ab 2025. Wir bieten dieses Seminar weiterhin als Inhouse-Seminar für Sie und Ihr Team an.

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.