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 für 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 verständlichen Beispielen in Microsoft Excel vorgestellt und erläutert. Der Schwerpunkt des Kurses liegt auf dem Verständnis und der Anwendung und nicht auf detaillierten mathematischen Ableitungen. Hinweis: In diesem Kurs wird die Toolbox "Datenanalyse" verwendet, die standardmäßig in der Windows-Version von Microsoft Excel enthalten ist. Es ist auch Standard bei der Mac-Version 2016 oder höher von Excel. Bei früheren Versionen von Excel für Mac ist es jedoch nicht Standard. WOCHE 1 Modul 1: Regressionsanalyse: Eine Einführung In diesem Modul erhalten Sie eine Einführung in das lineare Regressionsmodell. Wir werden ein Regressionsmodell erstellen und es mit Excel schätzen. Anhand des geschätzten Modells werden wir Beziehungen zwischen verschiedenen Variablen ableiten und das Modell verwenden, um Vorhersagen zu treffen. Das Modul führt auch in die Begriffe Fehler, Residuen und R-Quadrat in einem Regressionsmodell ein. Folgende Themen werden behandelt: - Einführung in die lineare Regression - Erstellung eines Regressionsmodells und dessen Schätzung mit Excel - Rückschlüsse aus dem geschätzten Modell ziehen - Verwendung des Regressionsmodells für Vorhersagen - Fehler, Residuen und R-Quadrat WOCHE 2 Modul 2: Regressionsanalyse: Hypothesentests und Anpassungsgüte (Goodness of Fit) In diesem Modul werden verschiedene Hypothesentests vorgestellt, die Sie mit der Regressionsausgabe durchführen können. 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 Anpassungsmaßen 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 gehören: - Hypothesentests in einer linearen Regression - 'Goodness of Fit'-Maße (R-Quadrat, bereinigtes R-Quadrat) - Dummy-Variablen-Regression (Verwendung kategorischer Variablen in einer Regression) WOCHE 3 Modul 3: Regressionsanalyse: Dummy-Variablen, Multikollinearität 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 erklärt auch, was Multikollinearität ist und wie man damit umgeht. Zu den behandelten Themen gehören: - Regression mit Dummy-Variablen (Verwendung kategorischer Variablen in einer Regression) - Interpretation von Koeffizienten und p-Werten bei Vorhandensein von Dummy-Variablen - Multikollinearität in Regressionsmodellen WOCHE 4 Modul 4: Regressionsanalyse: Verschiedene Erweiterungen Das Modul vertieft Ihr Verständnis der linearen Regression und führt Techniken wie die Mittelwertzentrierung von Variablen und die Erstellung von Vertrauensbereichen für Vorhersagen unter Verwendung des Regressionsmodells ein. Eine leistungsstarke Regressionserweiterung, die so genannten 'Interaktionsvariablen', wird eingeführt und anhand von Beispielen erläutert. 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 gehören: - Mittelwertzentrierung von Variablen in einem Regressionsmodell - Erstellung von Vertrauensbereichen für Vorhersagen unter Verwendung eines Regressionsmodells - Interaktionseffekte in einer Regression - Transformation von Variablen - Die log-log und semi-log Regressionsmodelle