Regressionsanalyse mit R - Webinar von DHL Data Science Seminare GmbH

Dieser Kurs ist das erste Modul des Lehrgangs „Multivariate Datenanalyse mit R”. Sie erhalten eine umfassende Einführung in die lineare und logistische Regressionsanalyse mit allen Erweiterungen.

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.

Agenda

• Lineare Regressionsanalyse: Regressionsmodelle für kontinuierliche Variablen mit linearen und nicht-linearen Effekten, Moderationseffekten (Wechselwirkungen), Suppressionseffekten (Kontrolle von Störeinflüssen) und Interaktionseffekten zwischen kontinuierlichen und kategorialen Einflussgrößen (Populationsunterschiede); Verfahren zur Auswahl von Prognosevariablen (Betagewichte, Toleranzen) und der Ermittlung des am besten an die Daten angepassten Modells (schrittweise Regression mit AIC/BIC); Residualdiagnostik, Prüfung der Modellprämissen (Angemessenheit des Modells, Multikollinearität, Homoskedastizität und Normalverteilung der Residuen, Erkennung von einflussreichen Datenpunkten) und Maßnahmen bei Verletzungen (Ausschluss ungeeigneter Fälle, Selektion und Aggregation von Variablen)
• Logistische Regressionsanalyse: Regressionsmodelle für kategoriale Variablen, Interpretation der Koeffizienten der logistischen Regressionsfunktion (Logits, Odds und Wahrscheinlichkeiten), Berechnung von Odds Ratio und relatives Risiko; Konfusionstabellen mit Trefferquote, Spezifität und Sensitivität, ROC-Kurven und Ermittlung des optimalen Trennwerts; Prüfung des Gesamtmodells und der Merkmalsvariablen (AUC, Likelihood-Ratio-Test und Pseudo R-Quadrat-Statistiken)

Nutzen

Der Nutzen des Seminars besteht darin, dass fortgeschrittene Anwender innerhalb von wenigen Tagen lernen, die lineare und die logistische Regressionsanalyse umfassend kennenzulernen, mit R auf reale Daten anzuwenden und die Ergebnisse korrekt zu interpretieren.

Lernziele

fortgeschrittene Funktionen von R kennen lernen, Daten mit Hilfe der multivariaten Statistik auswerten können, Ergebnisse von multivariaten Verfahren grafisch darstellen, erläutern und interpretieren können, aufgrund einer Fragestellung das geeignete multivariate Verfahren identifizieren und anwenden können

Zielgruppen

Der R-Kurs 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: 3 Tage
• Zeiten: 9 – 17 Uhr
• Intervall: alle 6 Monate