Multivariate Datenanalyse mit R

Die Seminarreihe „Multivariate Datenanalyse mit R” führt fortgeschrittene Anwender in die multivariate Statistik ein. Die Anwendung der multivariaten Verfahren mit der statistischen Programmiersprache R wird mit vielen Beispielen und Übungsaufgaben trainiert und vertieft. Das Ziel der R-Schulung ist es, multivariate Verfahren mit R unter RStudio anwenden zu können.

Der Nutzen der Seminarreihe besteht darin, dass fortgeschrittene Anwender innerhalb kurzer Zeit lernen, multivariate Verfahren mit R anzuwenden und die Ergebnisse korrekt zu interpretieren. Multivariate Verfahren erlauben es, die Variablen in einem Datensatz gemeinsam zu analysieren und sind somit den univariaten Verfahren des Grundlagenkurses „Grundlagen der Statistik mit R” überlegen.

Der zeitliche Umfang der Seminarreihe mit 80 Unterrichtsstunden erlaubt es, die Verfahren in der Tiefe kennenzulernen, die in der Praxis für eine professionelle Anwendung benötigt wird. Bei einem geringerem Umfang würden die vermittelten Kenntnisse nicht ausreichen, valide Modelle mit hoher Güte und zuverlässigen Prognosen zu entwickeln.

Was sind multivariate Verfahren?

Zum einen gibt es die strukturentdeckenden Verfahren, mit denen explorativ die Zusammenhänge zwischen Variablen oder Ähnlichkeiten zwischen Beobachungsfällen analysiert werden. So kann im Rahmen eines dimensionsreduzierenden Verfahrens (EFA oder PCA) eine hinter vielen Variablen stehende Struktur von wenigen Dimensionen ermittelt werden. Oder es werden mit Hilfe einer Clusteranalyse die beobachteten Fälle einer Stichprobe zu Gruppen ähnlicher Fälle gebündelt. Zum anderen gibt es die strukturprüfenden Verfahren, mit denen geprüft werden kann, welches Erklärungsmuster bzw. welche Struktur von Einflussgrößen die Daten am besten erklärt.

Beide Verfahrensarten der multivariaten Statistik ergänzen sich. So werden beispielsweise mit einer Clusteranalyse beobachtete Fälle mit Hilfe von Merkmalsvariablen in Gruppen ähnlicher Fälle aufgeteilt. Mittels einer nachgeschalteten logistischen Regression können die Merkmale analysiert werden, mit denen die gefundenen Gruppen sich voneinander unterscheiden lassen. Mit den gewonnenen Erkenntnissen können neue Fälle klassifiziert, d. h. deren Gruppenzugehörigkeiten ermittelt werden.

Oder eine Vielzahl von zu analysierenden Variablen werden mit Hilfe einer Faktorenanalyse (EFA, Explorative Factor Analysis) oder einer Hauptkomponentenanalyse (PCA, Principal Component Analysis) auf wenige Dimensionen (Variablen) reduziert. Anschließend werden die Werte für die Dimensionen mit Regressions-, Varianz- oder Zeitreihenanalysen analysiert (was eine erhebliche Arbeitserleichterung mit sich bringt, anstatt viele Variablen nur wenige Dimensionen zu analysieren).

Multivariate Verfahren werden erfolgreich in den verschiedensten Feldern eingesetzt wie beispielsweise in den betriebswirtschaftlichen Anwendungsbereichen (Marktforschung und Marketing), in der Technik (Produktentwicklung und Produktion) und in den wissenschaftlichen Anwendungsbereichen (Naturwissenschaften, Biowissenschaften, Sozialwissenschaften, Medienwissenschaften, Medizin, Pharmazie, Psychologie, Pädagogik, Soziologie usw., um nur einige zu nennen).

Aufbau der Seminarreihe

In der Seminarreihe „Multivariate Datenanalyse mit R” bieten wir eine Reihe verschiedener Module an, mit denen Sie ihre Weiterbildung in der multivariaten Statistik individuell zusammenstellen können. Den größten Lernerfolg haben Sie, wenn Sie die gesamte Seminarreihe buchen: Während des gebuchten Zeitraums werden Sie auch außerhalb der Unterrichtszeiten vom Dozenten persönlich betreut.

Modul Regressionsanalyse (3 Tage)

In diesem Modul wird die Regressionsanalyse als grundlegendes multivariates Verfahren behandelt. Mit der Regressionsanalyse werden Regressionsmodelle entwickelt, die das Zustandekommen einer kontinuierlichen Zielgröße durch das Zusammenwirken von verschiedenen kontinuierlichen, linear oder nichtlinear wirkenden Einflussgrößen sowie deren Wechselwirkungen erklären und für Prognosen verwendet werden können. Darüber hinaus können kategoriale Gruppenvariablen verwendet werden, um das Verhalten des Modells in verschiedenen Teilpopulationen zu untersuchen. Es werden Empfehlungen zur Auswahl von Variablen gegeben und Verfahren zur automatischen Auswahl von Variablen gezeigt. Des Weiteren wird die logistische Regression vermittelt, die zur Anwendung kommt, wenn die Zielgröße keine kontinuierliche, sondern eine kategoriale Variable ist. Mit der logistischen Regression können die Variablen ermittelt werden, mit denen eine Gruppenzugehörigkeit oder das Eintreten eines Ereignisses am besten erklärt werden kann. Ein logistisches Regressionsmodell kann darüber hinaus zur Klassifikation neuer Fälle bzw. zur Prognose zukünftiger Ereignisse eingesetzt werden. Wir zeigen Ihnen, wie Sie mit diesen fortgeschrittenen Methoden realitätsnahe Regressionsmodelle mit hohem Erklärungswert und guten Prognosen entwickeln können.

Modul Varianzanalyse (2 Tage)

Die Varianzanalyse erlaubt die simultane Analyse einer Vielzahl von Mittelwerten verschiedener (Teil-) Stichproben. Sie kann überall dort eingesetzt werden, wo Gruppen miteinander verglichen werden sollen, dabei auch die Veränderungen von Gruppen über mehrere Zeitpunkte. Damit ist die Varianzanalyse das Verfahren der ersten Wahl zur Auswertung von Daten aus Experimenten, Quasi-Experimenten, Befragungen, Beobachtungsstudien und randomisierten kontrollierten Studien im Rahmen von Pretest-Posttest-Designs. Die Varianzanalyse ist das Standardverfahren zur Evaluation der Wirksamkeit von Maßnahmen und Interventionen.

Modul Zeitreihenanalyse (3 Tage)

Die Zeitreihenanalyse umfasst eine Reihe unterschiedlicher Verfahren, die mit verschiedenen Ansätzen für verschiedene Anforderungen entwickelt wurden und sich gegenseitig ergänzen. Zeitreihen können einer Eigendynamik, zyklischen Schwankungen (wie der Saisonalität der Jahreszeiten) und den Einflüssen anderer Variablen unterliegen. In diesem Kurs lernen Sie, wie Sie das richtige Verfahren auswählen und ein Modell für Ihre Zeitreihen entwickeln, das Ihre Daten am besten erklärt. Für kurzfristige Voraussagen eignen sich exponentielle Prognosemodelle (State-Space-Modelle) und für langfristige Prognosen die Zeitregression und die ARIMA-Modellierung.

Modul Cluster- &Faktorenanalyse (2 Tage)

Dieses Modul behandelt die strukturentdeckenden Verfahren: die Clusteranalyse und die dimensionreduzierenden Verfahren (EFA/PCA). Mit einer Clusteranalyse werden ähnliche Fälle zu Gruppen (Cluster) zusammengefasst. Sie werden die hierarchische Clusteranalyse, die k-Means-Clusteranalyse und die k-Medoids-Clusteranalyse kennenlernen. Die Faktorenanalyse (EFA, Explorative Factor Analysis) und die Hauptkomponentenanalyse (PCA, Principal Component Analysis) dienen dazu, eine Vielzahl von Variablen zu wenigen Dimensionen zu reduzieren. Wir zeigen Ihnen beide Verfahren und ihre unterschiedlichen Einsatzmöglichkeiten. Bei Interesse kann die Reliabilitätsanalyse zum Auswählen geeigneter Variablen gezeigt werden.

Weitere Infos zu den Terminen und spezifischen Inhalten der vier Module finden Sie in den Beschreibungen der Teilkurse. Geben Sie dazu den jeweiligen Modulnahmen in das Suchfeld von Semigator ein.

Lernziele

fortgeschrittene Funktionen von R kennenlernen, Daten mit Hilfe multivariater Verfahren auswerten können, Ergebnisse von multivariaten Verfahren grafisch darstellen, erläutern und interpretieren können, aufgrund einer Fragestellung das geeignete multivariate Verfahren auswählen und anwenden können

Zielgruppen

Die Seminarreihe richtet sich an Anwender, Fachkräfte, Doktoranden und Studierende aus den Bereichen der Sozial- und Marktforschung, der Betriebswirtschaft (Marketing, Business Intelligence) und der psychologischen, klinischen, pharmazeutischen und biologischen Forschung, die mit den fortgeschrittenen Verfahren der multivariaten Statistik mehr aus ihren Daten herausholen wollen. Die Verfahren sind dabei in allen empirischen Wissenschaften anwendbar.

Inhaltliche Voraussetzungen zur Kursteilnahme

Grundlegende Fertigkeiten im Umgang mit R und RStudio und die statistischen Standardverfahren der deskriptiven und schließenden Statistik werden vorausgesetzt (Korrelationskoeffizienten wie Pearsons r und Signifikanztests wie der t-Test sollten bekannt sein). Liegen keine Vorkenntnisse vor, empfehlen wir Ihnen den Besuch des fünftägigen R-Kurses „Grundlagen der Statistik mit R”. Sollten Sie bereits solide statistische Grundkenntnisse haben und kennen sich mit Pearsons r und insbesondere dem t-Test aus, können die Voraussetzungen auch mit dem dreitägigen R-Kurs „Einführung in die Programmierung mit R” geschaffen werden.

Technische Voraussetzungen zur Kursteilnahme

Präsenzseminare: Es werden Ihnen Schulungsunterlagen und ein Schulungslaptop mit der erforderlichen Software im Seminarraum zur Verfügung gestellt. Es ist alles vorbereitet und Sie brauchen nur zu erscheinen.

Online-Seminare: Sie benötigen zur Teilnahme an einem unserer Online-Seminare einen Computer mit Internetzugang (empfohlene Bandbreite 1-2 MBit/s). Sie erhalten nach der Anmeldung eine detaillierte Installationsanleitung für die erforderliche Statistik- und Videokonferenz-Software (Teilnahme mit Browser möglich). Bei Bedarf können Sie einen Fernzugang zu einem Schulungscomputer mit der erforderlichen Software erhalten.

Weitere wichtige Informationen

• Ort: Online
• Typ: Intensivkurs
• Niveau: Fortgeschritten
• Größe: 4 – 8 Personen
• Dauer: 10 Tage
• Zeiten: 9 – 17 Uhr
• Intervall: alle 6 Monate