Dieser Kurs vermittelt Ihnen die Kenntnisse, die Sie benötigen, um grundlegende statistische Verfahren mit der SAS Software umzusetzen. Er behandelt zunächst die Bereiche der schließenden Statistik, der Varianzanalyse, der Regression, der kategorialen Datenanalyse und eine Einführung in die logistische Regression. Anschließend beschäftigen Sie sich mit dem Thema Vorhersagemodellierung mit der SAS/STAT Software mit dem Schwerpunkt auf der Prozedur LOGISTIC. Im Kurs werden außerdem Themen wie Variablenselektion, Modellbewertung, fehlende Werte und Techniken der effizienten Verarbeitung von Massendaten behandelt. Der Kurs bereitet Sie auf die neue Zertifizierung „SAS® Certified Statistical Business Analyst Using SAS®9: Regression and Modeling" vor.

Dieser Kurs kombiniert die Kursinhalte der beiden Kurse Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression und Predictive Modeling Using Logistic Regression.

Zielgruppe / Who should attend

Der Kurs richtet sich an Anwender der SAS Software, die ihre statistischen Analysen mit SAS/STAT realisieren oder aber auch an Modellierer, Analysten und Statistiker, die Vorhersagemodelle erstellen, besonders in den Bereichen Banken, Finanzdienstleistungen, Direktmarketing, Versicherungen und Telekommunikation.

Verfügbare Schulungsformen / Formats available	Dauer
Präsenzkurs:	5.0 Tage

Für die Teilnahme an diesem Kurs

an einem Grundkurs in Statistik, der die Themen beschreibende Statistik, p-Werte sowie Hypothesentests behandelt, teilgenommen haben, z.B. an dem Kurs Grundbegriffe der Statistik: eine Einführung

SAS Programme ausführen und SAS Dateien erstellen können. Sie benötigen die Programmierkenntnisse aus dem Kurs SAS® Programmierung 1: Grundlagen. Alternativ können sie auch den Kurs Kompaktkurs: Base SAS® Programmierung für erfahrene Programmierer besuchen.

In diesem Kurs wird mit folgenden Software Modulen gearbeitet: Base SAS, SAS/STAT Software

Einführung in die Statistik

• Verteilungsanalyse und Stichprobenstatistiken
• Konfidenzintervalle
• Einfacher Hypothesentest

t-Test und Varianzanalyse

• Unterschiede in Gruppenmittelwerten mit dem t-Test
• Einfaktorielle Varianzanalyse
• Zweifaktorielle Varianzanalyse ohne und mit Interaktionen

Lineare Regression

• einfache lineare Regression
• multiple Regression, Modellbildung und Variablenselektion

Lineare Regressionsdiagnostiken

• Residuenanalyse
• Beeinflussende Beobachtungen und Kollinearität

Kategoriale Datenanalyse

• Häufigkeitstabellen und Assoziationsmaße
• Einführung in das Konzept der logistischen Regression
• Einfache und multiple logistische Regressionsmodelle

Vorhersagemodellierung

• Geschäftliche Anwendungen
• Analytische Herausforderungen

Modellanpassung

• Parameterschätzung
• Anpassungen bei Oversampling

Vorbereitung der Inputvariablen

• Fehlende Werte-Behandlung
• Kategorielle Inputvariablen
• Variablen-Clustering
• Untersuchung und Auswahl der Inputvariablen

Analyse der Klassifikationsgüte

• ROC-Kurven und Lift-Graphiken
• Optimale Cutoffs
• K-S-Statistik
• c-Statistik
• Gewinnberechungen
• Auswertung verschiedener Modelle