Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Kategoriale Daten sind überall. Sie stecken in den neuesten Umfragewerten, in den Daten, die zu Durchbrüchen in der Genomik führen, und in den Datensammlungen, die Internetunternehmen nutzen, um dir Produkte zu verkaufen. In diesem Kurs lernst du, das Signal vom Rauschen zu trennen: Werkzeuge, um zu erkennen, wann Struktur in diesen Daten interessante Phänomene widerspiegelt und wann sie nur zufälliges Rauschen ist.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Schlussfolgern für einen einzelnen Parameter
In diesem Kapitel lernst du, wie du statistische Schlussfolgerungen zu einem einzelnen Parameter ziehst, der kategoriale Daten beschreibt. Dazu gehören sowohl Resampling-Verfahren als auch Approximationsmethoden für einen einzelnen Anteil.
- Die General Social Survey50 XP
- Exploring consci100 XP
- Per Bootstrap generieren100 XP
- Konstruieren eines KI100 XP
- Warum mehr Bootstraps?50 XP
- Ein Konfidenzintervall interpretieren50 XP
- KIs und Konfidenzniveau50 XP
- SE with less data100 XP
- SE mit anderem p100 XP
- Die Näherungs-Abkürzung50 XP
- KI über Approximation100 XP
- Methoden im Vergleich50 XP
2
Anteile: Testen und Teststärke
Dieses Kapitel geht tiefer darauf ein, Hypothesentests durchzuführen und Konfidenzintervalle für einen einzelnen Parameter zu erstellen. Danach lernst du, wie du Schlussfolgerungen über eine Differenz zwischen zwei Anteilen ziehst. Zum Schluss untersucht das Kapitel, was passiert, wenn die Nullhypothese tatsächlich wahr ist.
3
Viele Parameter vergleichen: Unabhängigkeit
In diesem Kursteil lernst du, sowohl Resampling-Methoden als auch klassische Methoden zu nutzen, um die Unabhängigkeit zweier kategorialer Variablen zu testen. Dieses Kapitel behandelt die Durchführung eines Chi-Quadrat-Tests.
4
Viele Parameter vergleichen: Anpassungsgüte
Der Kurs endet mit zwei Fallstudien anhand von Wahldaten. Hier lernst du, wie du mit einem Chi-Quadrat-Test die Anpassungsgüte prüfst. Du analysierst Wahlergebnisse aus dem Iran und aus Iowa und testest, ob das Benfordsche Gesetz auf diese Datensätze zutrifft.
R
Schlussfolgern für kategoriale Daten in R
Kurs
abgeschlossen
