Termine

Uhrzeit: 9:00-17:00 Uhr; 9:00-13:00 Uhr

• Einführung in die R-Oberfläche
  
• Daten aus Excel importieren und Datenverwaltung
• Deskriptive Statistik: Mittelwert, Median, Quantil, Standardabweichungen, Korrelationen (Pearson, Spearman), Punktewolken (und Grafikoptionen), Boxplots, Histogramme, Balkendiagramme
• R-Skripte, R-Pakete, R-Hilfe und Literatur
• Mittelwerte und Vergleiche: Konfidenzintervalle, die gängigsten Tests für Vergleiche (t-Test, Mann-Whitney/Wilcoxon, Kruskal-Wallis, ...)
• Überprüfen von Voraussetzungen: Tests auf Normalverteilung, QQ-Plots, Gleichheit der Varianzen (Levene)
• Hauptkomponentenanalyse
• Lineare Regression und Varianzanalyse: Einführung in lineare Regression mit R, ANOVA, MANOVA, Post-Hoc-Test, generalisierte lineare Regression (logistisch, probit)
• Repeated Measurements (Longitudinale Studien)

Um einen möglichst reibungslosen Einstieg in R zu gewährleisten, werden bereits im Vorfeld kurze einführende Unterlagen an die Teilnehmer verteilt. Durch diese kleine Vorbereitung wird es leichter, dem Kompaktkurs zu folgen.

Der Kurs beinhaltet auch praktische Übungen, in denen die Teilnehmer selber am Computer statistische Auswertungen in R durchführen.

Qualifikationsziele                                                                                                                                                               

Behandelte statistische Verfahren selbstständig in R anwenden zu können

Teilnahmevoraussetzungen
Zwar werden im Kurs alle behandelten statistischen Verfahren kurz wiederholt, doch ist es für die Teilnehmer leichter, sich auf die Umsetzung in R zu konzentrieren, wenn bereits Kenntnisse über die statistischen Verfahren vorhanden sind.

• Mindestvoraussetzung: Vertrautheit mit statistischen Grundbegriffen, insbesondere Mittelwert, Standardabweichung, Median, Quantil, Konfidenzintervall, Prinzip des Hypothesentestens, p-Wert, Signifikanz
  
• Optimale Voraussetzung: Grundsätzliche Kenntnis der (meisten) im Kurs behandelten statistischen Verfahren (Hauptfokus des Kurses sind die Auswertungen in R und nicht die statistischen Inhalte).
  

Trainer                                                                                                                                                               

• Studium Diplom Mathematik (2001-2006)
• Promotion am Institut für Statistik der LMU München (2006-2009)
• Akademischer Rat a. Zt. an der Universität Bayreuth (2009-2014)
• Habilitation über statistische maschinelle Lernverfahren an der Universität Bayreuth (2012)
• Associate Editor der Zeitschrift Statistics & Probability Letters
• Autor zahlreicher Statistik-Fachartikel
• Seit 2014: Leiter „Data Analysis & Big Data“ am Technologie Campus Grafenau der TH Deggendorf; selbstständiger statistischer Berater

Aus Gründen des Respekts und der Fairness allen Teilnehmenden und den Workshopleitenden gegenüber gelten Teilnehmende, die mehr als 10 % des Workshops verpassen als nicht anwesend. Sie erhalten somit kein Zertifikat und können den betreffenden Workshop weder für die Freischaltung von Geldern noch den Erwerb weiterführender Qualifikationen geltend machen.