Dieser Kurs konzentriert sich auf eines der wichtigsten Werkzeuge in Ihrem Arsenal der Datenanalyse: die Regressionsanalyse. Unter Verwendung von SAS oder Python werden Sie mit der linearen Regression beginnen und dann lernen, wie Sie sich anpassen, wenn zwei Variablen keine eindeutige lineare Beziehung aufweisen. Sie werden mehrere Prädiktoren für Ihr Ergebnis untersuchen und in der Lage sein, Störvariablen zu identifizieren, die eine überzeugendere Geschichte über Ihre Ergebnisse erzählen können. Sie werden lernen, welche Annahmen der Regressionsanalyse zugrunde liegen, wie Sie Regressionskoeffizienten interpretieren und wie Sie Regressionsdiagramme und andere Hilfsmittel verwenden, um die Qualität Ihres Regressionsmodells zu bewerten. Im Laufe des Kurses werden Sie die von Ihnen entwickelten Regressionsmodelle und die Geschichten, die sie Ihnen erzählen, mit anderen teilen.
Regressionsmodellierung in der Praxis
Dieser Kurs ist Teil von Spezialisierung Datenanalyse und Interpretation
Dozenten: Jen Rose
34.893 bereits angemeldet
Bei enthalten
(274 Bewertungen)
Kompetenzen, die Sie erwerben
- Kategorie: Logistische Regression
- Kategorie: Datenanalyse
- Kategorie: Python-Programmierung
- Kategorie: Regressionsanalyse
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 4 Module
Diese Sitzung beginnt dort, wo der Kurs Datenanalyse-Tools aufgehört hat. Diese erste Reihe von Videos vermittelt Ihnen einige konzeptionelle Hintergründe zu den wichtigsten Datentypen, mit denen Sie arbeiten können. Dies wird Ihre Kompetenz bei der Auswahl der statistischen Analyse, die angesichts der Struktur Ihrer Daten am besten geeignet ist, und beim Verständnis der Grenzen Ihres Datensatzes erhöhen. Wir führen Sie auch in das Konzept der Störvariablen ein, d.h. der Variablen, die für den Zusammenhang zwischen Ihrer erklärenden und Ihrer Antwortvariable verantwortlich sein können. Schließlich werden Sie Erfahrungen mit der Beschreibung Ihrer Daten sammeln, indem Sie über Ihre Stichprobe, die Verfahren zur Erhebung der Studiendaten und Ihre Maßnahmen und Schritte zur Datenverwaltung schreiben.
Das ist alles enthalten
4 Videos5 Lektüren1 peer review
In dieser Sitzung erfahren Sie mehr über die Bedeutung des Testens auf Störfaktoren und erhalten Beispiele für Situationen, in denen eine Störvariable den Zusammenhang zwischen einer erklärenden und einer Antwortvariable erklären kann. Nachdem Sie nun den Zusammenhang zwischen einer erklärenden Variable und Ihrer Antwortvariablen statistisch getestet haben, werden Sie diesen Zusammenhang mit Hilfe einer einfachen linearen Regressionsanalyse für eine quantitative Antwortvariable testen und interpretieren. Sie werden auch lernen, wie das lineare Regressionsmodell zur Vorhersage Ihrer beobachteten Antwortvariablen verwendet werden kann. Schließlich werden wir auch die statistischen Annahmen erörtern, die dem linearen Regressionsmodell zugrunde liegen, und Ihnen einige bewährte Verfahren für die Kodierung Ihrer erklärenden Variablen zeigen. Beachten Sie, dass Sie, wenn Ihre Forschungsfrage keine quantitative Antwortvariable enthält, eine aus Ihrem Datensatz verwenden können, nur um etwas Übung mit dem Tool zu bekommen.
Das ist alles enthalten
8 Videos9 Lektüren1 peer review
Die multiple Regressionsanalyse ist ein Instrument, mit dem Sie Ihre Forschungsfrage erweitern und einen strengeren Test der Assoziation zwischen Ihrer erklärenden und Ihrer Antwortvariablen durchführen können, indem Sie zusätzliche quantitative und/oder kategoriale erklärende Variablen zu Ihrem linearen Regressionsmodell hinzufügen. In dieser Sitzung werden Sie eine multiple Regressionsanalyse für eine quantitative Antwortvariable anwenden und interpretieren und lernen, wie Sie Konfidenzintervalle verwenden, um den Fehler bei der Schätzung eines Populationsparameters zu berücksichtigen. Sie werden auch lernen, wie man nichtlineare Zusammenhänge in einem linearen Regressionsmodell berücksichtigt. Schließlich werden Sie Erfahrungen mit Regressionsdiagnosetechniken sammeln, um zu bewerten, wie gut Ihr multiples Regressionsmodell Ihre beobachtete Reaktionsvariable vorhersagt. Beachten Sie, dass Sie, wenn Sie noch keine zusätzlichen erklärenden Variablen identifiziert haben, mindestens eine zusätzliche erklärende Variable aus Ihrem Datensatz auswählen sollten. Wenn Sie zu Ihren Codebüchern zurückkehren, stellen Sie sich einige Fragen wie "Welche anderen Variablen könnten die Assoziation zwischen meiner erklärenden und meiner Antwortvariablen erklären?"; "Welche anderen Variablen könnten einen größeren Teil der Variabilität meiner Antwortvariablen erklären?" oder sogar "Welche anderen erklärenden Variablen könnten interessant sein, um sie zu untersuchen?" Zusätzliche erklärende Variablen können entweder quantitativ, kategorisch oder beides sein. Obwohl Sie nur zwei erklärende Variablen benötigen, um ein multiples Regressionsmodell zu testen, ermutigen wir Sie, mehr als eine zusätzliche erklärende Variable zu identifizieren. Auf diese Weise können Sie die Leistungsfähigkeit der multiplen Regressionsanalyse wirklich erfahren und Ihr Vertrauen in Ihre Fähigkeit, komplexere Regressionsmodelle zu testen und zu interpretieren, stärken. Wenn Ihre Forschungsfrage keine quantitative Antwortvariable enthält, können Sie dieselbe quantitative Antwortvariable verwenden, die Sie in Modul 2 verwendet haben, oder Sie können eine andere aus Ihrem Datensatz auswählen.
Das ist alles enthalten
10 Videos2 Lektüren1 peer review
In dieser Sitzung werden wir einige Dinge besprechen, die Sie beachten sollten, wenn Sie in Zukunft mit der Datenanalyse arbeiten. Wir zeigen Ihnen auch, wie Sie eine kategoriale erklärende Variable mit mehr als zwei Kategorien in einer multiplen Regressionsanalyse testen können. Schließlich führen wir Sie in die logistische Regressionsanalyse für eine binäre Antwortvariable mit mehreren erklärenden Variablen ein. Die logistische Regression ist einfach eine andere Form des linearen Regressionsmodells, die Grundidee ist also die gleiche wie bei einer multiplen Regressionsanalyse. Im Gegensatz zum multiplen Regressionsmodell ist das logistische Regressionsmodell jedoch darauf ausgelegt, binäre Antwortvariablen zu testen. Sie werden Erfahrungen mit dem Testen und Interpretieren eines logistischen Regressionsmodells sammeln, einschließlich der Verwendung von Odds Ratios und Konfidenzintervallen, um das Ausmaß des Zusammenhangs zwischen Ihren erklärenden Variablen und der Antwortvariablen zu bestimmen. Sie können die gleichen erklärenden Variablen verwenden, die Sie zum Testen Ihres multiplen Regressionsmodells mit einem quantitativen Ergebnis verwendet haben, aber Ihre Antwortvariable muss binär sein (kategorisch mit 2 Kategorien). Wenn Sie eine quantitative Antwortvariable haben, müssen Sie sie in 2 Kategorien binden. Alternativ können Sie auch eine andere binäre Antwortvariable aus Ihrem Datensatz auswählen, die Sie zum Testen eines logistischen Regressionsmodells verwenden können. Wenn Sie eine kategoriale Antwortvariable mit mehr als zwei Kategorien haben, müssen Sie sie in zwei Kategorien einteilen
Das ist alles enthalten
7 Videos6 Lektüren1 peer review
Empfohlen, wenn Sie sich für Wahrscheinlichkeitsrechnung und Statistik interessieren
Alberta Machine Intelligence Institute
Coursera Project Network
Johns Hopkins University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
274 Bewertungen
- 5 stars
62,04 %
- 4 stars
25,18 %
- 3 stars
6,20 %
- 2 stars
3,64 %
- 1 star
2,91 %
Zeigt 3 von 274 an
Geprüft am 14. März 2016
Great but too much stock video footage of people smoking.
Geprüft am 6. März 2017
Awesome course. More than regression generation, they have explained in details about how to interpret regression coefficients and results and how to make conclusions. 5 Stars
Geprüft am 13. Apr. 2021
Great explanation of stat and useful coding examples.
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.