enthalten
Die Regressionsanalyse ist vielleicht das wichtigste Instrument der Unternehmensstatistik, das in der Branche verwendet wird. Die Regression ist der Motor hinter einer Vielzahl von Datenanalyseanwendungen, die 蹿眉谤 viele Formen von Prognosen und Vorhersagen verwendet werden.
Dies ist der vierte Kurs der Spezialisierung "Unternehmensstatistik und -analyse". Der Kurs macht Sie mit dem sehr wichtigen Instrument der linearen Regression vertraut. Sie werden lernen, verschiedene Verfahren wie Regressionen mit Dummy-Variablen, Transformationsvariablen und Interaktionseffekte anzuwenden. All diese Verfahren werden anhand von leicht verst盲ndlichen Beispielen in Microsoft Excel vorgestellt und erl盲utert. Der Schwerpunkt des Kurses liegt auf dem Verst盲ndnis und der Anwendung und nicht auf detaillierten mathematischen Ableitungen. Hinweis: In diesem Kurs wird die Toolbox "Datenanalyse" verwendet, die standardm盲脽ig in der Windows-Version von Microsoft Excel enthalten ist. Es ist auch Standard bei der Mac-Version 2016 oder h枚her von Excel. Bei fr眉heren Versionen von Excel 蹿眉谤 Mac ist es jedoch nicht Standard. WOCHE 1 Modul 1: Regressionsanalyse: Eine Einf眉hrung In diesem Modul erhalten Sie eine Einf眉hrung in das lineare Regressionsmodell. Wir werden ein Regressionsmodell erstellen und es mit Excel sch盲tzen. Anhand des gesch盲tzten Modells werden wir Beziehungen zwischen verschiedenen Variablen ableiten und das Modell verwenden, um Vorhersagen zu treffen. Das Modul f眉hrt auch in die Begriffe Fehler, Residuen und R-Quadrat in einem Regressionsmodell ein. Folgende Themen werden behandelt: - Einf眉hrung in die lineare Regression - Erstellung eines Regressionsmodells und dessen 厂肠丑盲迟锄耻苍驳 mit Excel - R眉ckschl眉sse aus dem gesch盲tzten Modell ziehen - Verwendung des Regressionsmodells 蹿眉谤 Vorhersagen - Fehler, Residuen und R-Quadrat WOCHE 2 Modul 2: Regressionsanalyse: Hypothesentests und Anpassungsg眉te (Goodness of Fit) In diesem Modul werden verschiedene Hypothesentests vorgestellt, die Sie mit der Regressionsausgabe durchf眉hren k枚nnen. Diese Tests sind ein wichtiger Bestandteil der Inferenz und das Modul stellt sie anhand von Excel-Beispielen vor. Die p-Werte werden zusammen mit den Anpassungsma脽en R-Quadrat und dem angepassten R-Quadrat vorgestellt. Gegen Ende des Moduls stellen wir die 'Dummy-Variablen-Regression' vor, die dazu dient, kategoriale Variablen in eine Regression einzubeziehen. Zu den behandelten Themen geh枚ren: - Hypothesentests in einer linearen Regression - 'Goodness of Fit'-Ma脽e (R-Quadrat, bereinigtes R-Quadrat) - Dummy-Variablen-Regression (Verwendung kategorischer Variablen in einer Regression) WOCHE 3 Modul 3: Regressionsanalyse: Dummy-Variablen, Multikollinearit盲t Dieses Modul setzt die Anwendung der Dummy-Variablen-Regression fort. Sie lernen die Interpretation der Regressionsergebnisse bei Vorhandensein von kategorialen Variablen kennen. Anhand von Beispielen werden die verschiedenen vorgestellten Konzepte vertieft. Das Modul erkl盲rt auch, was Multikollinearit盲t ist und wie man damit umgeht. Zu den behandelten Themen geh枚ren: - Regression mit Dummy-Variablen (Verwendung kategorischer Variablen in einer Regression) - Interpretation von Koeffizienten und p-Werten bei Vorhandensein von Dummy-Variablen - Multikollinearit盲t in Regressionsmodellen WOCHE 4 Modul 4: Regressionsanalyse: Verschiedene Erweiterungen Das Modul vertieft Ihr Verst盲ndnis der linearen Regression und f眉hrt Techniken wie die Mittelwertzentrierung von Variablen und die Erstellung von Vertrauensbereichen 蹿眉谤 Vorhersagen unter Verwendung des Regressionsmodells ein. Eine leistungsstarke Regressionserweiterung, die so genannten 'Interaktionsvariablen', wird eingef眉hrt und anhand von Beispielen erl盲utert. Wir untersuchen auch die Transformation von Variablen in einer Regression und stellen in diesem Zusammenhang das log-log und das semi-log Regressionsmodell vor. Zu den behandelten Themen geh枚ren: - Mittelwertzentrierung von Variablen in einem Regressionsmodell - Erstellung von Vertrauensbereichen 蹿眉谤 Vorhersagen unter Verwendung eines Regressionsmodells - Interaktionseffekte in einer Regression - Transformation von Variablen - Die log-log und semi-log Regressionsmodelle
