Die Vorhersage von Zeitreihen ist eine wichtige statistische Methode zur Schätzung zukünftiger Trends. Im Rahmen des Time Series Forecastings lassen sich zahlreiche Modelle identifizieren, die sich für die Prognose von Zeitreihen heranziehen lassen. Zwei bekannte Formen bilden hierbei die Regressions- und ARIMA-Modelle. Dieser Beitrag soll Ihnen helfen, die Unterschiede dieser Modelltypen zu verstehen, und eine Entscheidungshilfe bei der Wahl des passenden Modells bieten.
Im heutigen datengetriebenen Geschäftsumfeld gewinnt die Generierung und Nutzung von Zahlen und Statistiken immer mehr an Bedeutung. Die Fähigkeit, aus grossen Datenmengen relevante Informationen zu extrahieren sowie fundierte Entscheidungen zu treffen, ist für Unternehmen und Forschungseinrichtungen von entscheidender Bedeutung. In diesem Markt der Statistik Beratung bieten neben zahlreichen Einzelkämpfern verschiedene grössere Anbieter ihre Expertise an. […]
Die interne Konsistenz in Strukturgleichungsmodellen ist ein wichtiger Aspekt in der Bestimmung der Messgenauigkeit bestimmter Konstrukte. Die Verwendung von Strukturgleichungsmodellen (im Englischen: Structural Equation Model, SEM) ermöglicht es, weitaus komplexere Modelle als bei typischen Regressionen zu untersuchen. Hinzu kommt, dass in SEM alle theoretisierten Zusammenhänge gleichzeitig erfasst werden können, welches den praktischen Nutzen hervorhebt. Einer […]
Es gibt verschiedene statistische Tests, um zwei Stichproben miteinander zu vergleichen. Hier erklären wir, was gepaarte Daten sind und unter welchen Umständen der Wilcoxon Vorzeichen Rang Test zum Einsatz kommt. Die Anwendung des Tests wird beispielhaft in R dargestellt.
Gemischte Modelle sind das Mittel der Wahl, wenn es um die Arbeit mit geclusterten Daten geht. Im Internet lassen sich viele Einleitungen für ihre praktische Anwendung finden (auch bei uns). Mit diesem Beitrag wollen wir auf die eher grundsätzliche Frage eingehen, wann solche Modelle verwendet werden.
Im Rahmen wissenschaftlicher Arbeiten bringen Fallstudien viele Vorteile mit sich. Die Methodik hat jedoch auch einige Fallstricke. Nur wenn Sie diese kennen, können Sie Ihre Fallstudie erfolgreich einsetzen. Weitere Informationen zu ‘Dos and Don’ts’ in der Fallstudienforschung finden Sie hier!
Für die Analyse multivariater Datensätze kann die Hauptkomponentenanalyse (PCA) sehr hilfreich sein, um Muster in Datensätzen zu erkennen sowie die Dimensionen zu reduzieren. Wir geben einen Überblick, wie die PCA funktioniert, welche Befehle für eine Durchführung in R relevant sind und wie das Ergebnis interpretiert werden kann.
Arbeit mit Paneldatensätzen verlangt fortgeschrittene Kenntnisse der Datenaufbereitung. Diese werden beim Erlernen von statistischen Analyseprogrammen wie SPSS zunächst oft gar nicht vermittelt. Dieser Beitrag versucht diese Lücke ein wenig zu schließen. Wir geben dazu Tipps, wie sich Paneldaten auch in SPSS problemlos und schnell aufbereiten lassen.
Dieser Beitrag thematisiert die Bedeutung des Capital Asset Pricing Models (CAPM) und stellt relevante CAPM Formeln für eine adäquate Berechnung dar.
In diesem Beitrag werden die grundlegende Funktionsweise von ARIMA Models thematisiert sowie die zentralen Schritte demonstriert, die für die Erstellung und Durchführung von ARIMA Models von Bedeutung sind.
