Statistik

Diese Seminare behandeln ein konkretes Gebiet der Statistik unter Zuhilfenahme von R.
Dazu habe ich eine eigene Anwendung entwickelt - damit können Daten generiert werden, die den Anforderungen des jeweiligen Seminars entsprechen. Die Voreinstellungen (Parameter) zunächst nur mir bekannt. Die Teilnehmer erhalten im Rahmen des Seminars eine Textdatei mit Daten, welche sie in R einlesen. Die Aufgabe besteht darin, die Parameter auf Grund der Daten zu ermitteln. Am Ende wird das Geheimnis gelüftet und die Teilnehmer können ihr Ergebnis mit dem tatsächlichen Resultat vergleichen.
Durch wiederholtes Anwenden dieser Technik wird das Vertrauen in statistische Methoden gestärkt und gleichzeitig die notwendige Sicherheit für den Gebrauch im Alltag gebildet.

Dauer: jeweils 1/2 Tag

 

Statistische Grundbegriffe

Dieser Kurs erläutert die wichtigsten statistischen Grundbegriffe.
Auch hier kommt die von mir entwickelte Software zum Einsatz, welche erlaubt, auch zunächst scheinbar komplexe Begriffe anschaulich darzustellen.
So manchem Teilnehmer wird hier ein Aha-Erlebnis beschert.

 

Klassische Tests mit R

Bei diesem Seminar wird die Umsetzung unterschiedlicher Tests (Ein-, Zweistichprobentest) mit Hilfe der R Syntax dargestellt.
Es werden Mittelwerte, Varianzen und Anteile verglichen. Auch der Einsatz von nicht-parametrischen Tests wird behandelt.
Zur Sprache kommen z.B. der Wilcoxon Rangsummentest und der Vorzeichentest. Wie überprüft man eine Verteilungsannahme?
Für Kontingenztabellen wird der Chi-Quadrattest vorgestellt. Abschließend wird das Thema Korrelation behandelt.

 

Varianzanalyse mit R

Dieses Seminar behandelt das Thema Varianzanalyse unter Zuhilfenahme von R.
Gibt es Unterschiede in den Klassen und mit welchen Effekten? Sind die Testergebnisse signifikant?
Wurde ein erfolgreicher Test auf Grund einer zu geringen Fallzahl abgewiesen (Fehler 2. Art)? Was versteht man unter optimaler Fallzahl?
Wie muss man Experimente aufbauen (Design), um konkrete Fragestellungen zu beantworten?
Behandelt werden auch Begriffe wie Randomisierung und Blockbildung.

 

Regression mit R

Zunächst werden anhand der einfachen linearen Regression die wesentlichen Elemente beschrieben.
In der Folge werden für alle Regressionsparameter die Konfidenzintervalle ermittelt und unterschiedliche Schlüsse gezogen.
Dazu gehören die Vorhersage des Mittelwerts bzw. das Prognoseintervall für eine Einzelbeobachtung. Neben der klassischen linearen Regression werden zunehmend auch nichtlineare Ansätze erfolgreich eingesetzt.
Wie kann man diese neueren Techniken für sich nutzen? Wann ist der klassischen linearen Regression der Vorzug zu geben?