Statistische Auswertung Mainz
Auch für unsere Studenten, Doktoranden und Habilitanden aus Mainz und Umgebung: Insbesondere für die Fachrichtungen Finanzen und Wirtschaft, Biowissenschaften (Medizin, Sportwissenschaften o. Ä.), Psychologie und Soziologie, bieten wir Unterstützung bei der statistischen Auswertung von Daten an. Wir wenden dabei state-of-the art Programmiersprachen für die statistische Auswertung an: R, Python und SAS.
Bemerkung: Wir arbeiten mit R, Python oder SAS! Andere Programmiersprachen werden von uns im Rahmen der statistischen Auswertung nicht angeboten!
Ein Paar gängige R libraries die wir oft einsetzen: tidyverse (dplyr, ggplot2, tidyr, purrr), data.table, Hmisc, lme4/nlme, lmtest, glmnet, sandwich, survival, car, rpart, randomForest,e1071, caret, rmarkdown, shiny u.a.
Wir arbeiten mit folgenden Python libraries: numpy, scipy, pandas, statsmodels, sklearn, matplotlib, seaborn, tensorflow, keras.
Und mit folgenden SAS Paketen: Base, STAT, GRAPH, OR, QC, ETS, IML, SAS Enterprise Guide.
Wir helfen Studierenden nicht nur bei der statistischen Auswertung, sondern auch bei technischen Datenvorbereitungen (Datenextraktionen, Transformationen, Missing Values, Outlier u.s.w.), bei der Programmierung, bei der Anwendung und Testen von bereits programmierten Skripten oder bei der Fehlerbehebung bei bereits programmierten R, Python oder SAS Codes.
Durch das Anwenden von besonderen, didaktischen und technischen Methoden ist unsere Unterstützung bei statistischen Auswertungen innerhalb von Abschlussarbeiten oder Publikationen akademisch einwandfrei.
Preise und Konditionen finden Sie hier.
Angewandte statistische Verfahren
Design of Experiments, Sampling Verfahren (simple random sampling, stratified random sampling, multistage random sampling usw), Fallzahlplanung (in Bezug auf SE, CV, MOE, Power), deskriptive Statistik, Visualisierung der Daten, Outlier Analyse, Missing Values Analyse, Transformationen, statistische Tests (t-tests, Wilcoxon-Mann-Whitney, Chi²-Tests, Fisher, Bartlett, Levene u.a.), Konfidenzintervalle, Toleranzintervalle, Korrelationen (Pearson, Spearman, Kendall, partielle u.a.), Lineare Modelle, Varianzanalyse, ANOVA, gemischte Modelle, GLM, Prozeduren für multiple Vergleiche, lineare Regression, multiple Regression, robuste Regression (z.B. Sandwich-Schätzer), gewichtete Regression, logistische Regression, Poisson Regression, nichtlineare Regression, nichtparametrische Verfahren, Überlebenszeitanalyse, Hauptkomponentenanalyse, Faktorenanalyse, Structural-Equation-Modeling u.a.
Machine Learning und Data Science
Assoziationsanalyse, Warenkorbanalyse, Hauptkomponentenanalyse, Faktorenanalyse, Cluster Analyse, Feature extraction, Entscheidungsbäume, Random Forests, AdaBoost, Gradient Boosting, logistische Regression, LM, Regularization, Ridge, LASSO, LAR, Neuronale Netze, Deep Learning, Support Vector Machines, Modellauswahl und kostenbasierte Entscheidungen, Feature Importance, ROC und Lift Charts, Predictive dependency plots, ICE plots, Scoring und Vorhersage.
Zeitreihenanalyse
Exponential smoothing, ARIMA Modelle, Box-Jenkins Zeitreihenanalyse, autoregressive error models usw.
