advanced analytics Statistical Business Analyst Certification Modele statystyczne część I: MST1-2 dni Zastosowanie i techniki segmentacji SEG - 2 dni

Transkrypt

1 advanced analytics statistical Szkolenia z tej grupy przeznaczone są dla osób odpowiedzialnych za wykonywanie analiz statystycznych, prognoz oraz optymalizacji. Podstawy SAS INTRO - 1 dzień Statistical Business Analyst Certification Podstawy statystyki PST - 1 dzień Wnioskowanie statystyczne: teoria i praktyka WST - 1 dzień Modele statystyczne część I: ANOVA MST1-2 dni Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej KAT - 2 dni Modele statystyczne część III: modele mieszane MST3-3 dni Zastosowanie i techniki segmentacji Modele statystyczne część II: regresja Analiza przeżycia SEG - 2 dni MST2-2 dni SUR - 2 dni Metody doboru próby w analizach danych Metody inputacji braków danych Modele statystyczne część IV: tematy zaawansowane MDP - 2 dni MIBD - 1 dzień MST4-1 dień Analiza danych panelowych Analizy Bayesowskie PAN - 1 dzień BAY - 2 dni Wieloczynnikowe analizy danych WAD - 2 dni Analiza szeregów czasowych ANSZ - 3 dni Analiza szeregów czasowych z SAS Forecast Server ANFS - 2 dni Budowa i rozwiązywanie modeli optymalizacyjnych z SAS OR OPT - 3 dni Certyfikacja: CERTST - 2 h: Egzamin: SAS Certified Statistical Business Analyst Using SAS 9: Regression and Modeling. 24

2 Podstawy statystyki Szkolenie rozpoczyna cały cykl pozycji poświęconych praktycznej analizie danych. Statystyka często postrzegana jest przez pryzmat skomplikowanych definicji i złożonych wzorów. Tymczasem posługując się dedykowanym oprogramowaniem użytkownik może skorzystać z automatycznych obliczeń i skupić swoją uwagę na interpretacji uzyskanych wyników. Program szkolenia ułożony jest tak, aby w miarę możliwości ograniczyć ilość zagadnień teoretycznych a główny nacisk położyć na analizę i interpretację uzyskanych wyników pod kątem praktycznym. Wprowadzenie do statystyki praktycznej Kreatory w środowisku SAS Enterprise Guide Podstawy pisania programów w SAS 4GL Podstawowe statystyki opisowe Interpretacja praktyczna Użyteczność statystyk opisowych Pozostałe praktyczne statystyki Miary położenia Miary rozproszenia Miary asymetrii Statystyka vs praktyka Porównywalność wyników Miary użyteczności danych Braki danych Obliczenia Wartości skrajne i odstające Zastosowania praktyczne Standaryzacja danych Modele predykcyjne Pomiar błędów obliczeń Użyteczne wykresy i rozkłady Histogram i wykres pudełkowy Logarytm Rozkład normalny Rozkład lognormalny Rodzaje zmiennych Zależności między zmiennymi Wykres rozproszenia Korelacja liniowa Próbka vs populacja Estymacja parametrów populacji na podstawie próbki Przedziały ufności SAS Foundation Kod szkolenia: PST Poziom szkolenia: B Wnioskowanie statystyczne: teoria i praktyka Znajomość metodyki przeprowadzania testów statystycznych jest bezwzględnym wymogiem wobec wszystkich, którzy przeprowadzają jakiekolwiek analizy danych. Prawidłowe formułowanie hipotez podlegających weryfikacji oraz rozumienie i umiejętność interpretacji otrzymanych wyników jest fundamentem dla praktycznie większości analiz statystycznych. Niezależnie od rodzaju analizy i typów wykorzystywanych zmiennych konieczność weryfikacji odpowiednich hipotez występuje praktycznie na każdym kroku analizy. Program szkolenia gwarantuje uczestnikom wymaganą podstawę do pełnego uczestnictwa w kolejnych szkoleniach z zakresu analiz danych. Wprowadzenie do wnioskowania statystycznego Przykłady praktyczne Proces weryfikacji hipotezy statystycznej Definicja hipotezy zerowej i alternatywnej Rodzaje błędów i poziom istotności Kryteria odrzucenia hipotezy statystycznej Reguły decyzyjne Wykorzystanie testów statystycznych w praktyce Weryfikacja rozkładu zmiennych Porównanie średnich w dwóch grupach Hipoteza dwustronna vs hipoteza jednostronna Siła testu statystycznego Wrażliwość testu statystycznego Wykorzystanie testów statystycznych w praktyce Pisanie programów w SAS 4GL Wykorzystanie kreatorów w środowisku SAS Enterprise Guide Zależność między zmiennymi ciągłymi Zależność między zmiennymi kategoryzującymi Testy parametryczne vs testy nieparametryczne Kod szkolenia: WST Modele statystyczne część I: ANOVA Podstawowy model statystyczny - porównanie średnich w dwóch grupach Komponenty modelu predykcyjnego INFO: Web: sas.com/poland/szkolenia Tel: (22) cs@spl.sas.com Miary skuteczności modelu Modyfikacja projektowania założeń modelu Model wykorzystujący średnie w wielu grupach Identyfikacja różnic między grupami Model regresji liniowej Role zmiennych w modelu Miary zależności między zmiennymi zależną i niezależną Interpretacja wyników Wykorzystanie modelu predykcyjnego scoring nowych danych Wprowadzenie do regresji wielorakiej Metody i kryteria wyboru zmiennych objaśniających Kryteria statystyczne Kryteria matematyczne Wybór najlepszego modelu Diagnostyka poprawności modelu predykcyjnego Graficzna analiza błędów modelu Identyfikacja istotnych przypadków (obserwacji) Analiza zjawiska współliniowości Wprowadzenie do analizy zmiennych kategoryzujących Zależności Tablice częstości Analiza asocjacji zdarzeń Miary asocjacji Prawdopodobieństwo vs szansa wystąpienia zdarzenia Testy statystyczne Współczynniki korelacji Wprowadzenie do regresji logistycznej Formuła modelu predykcyjnego Analiza zależności pomiędzy zmiennymi w modelu Kod szkolenia: MST1 Modele statystyczne część II: regresja Wielowymiarowe modele regresji liniowej Interpretacja równania modelu Elementy składowe modelu Wykorzystanie hipotez statystycznych Modele złożone Wielomiany Współliniowość Standaryzacja wartości Ocena efektywności modelu Diagnostyka modeli nieliniowych Weryfikacja założeń modelu Metody alternatywne Transformacja zmiennej objaśnianej 25

3 Model ważony Modelowanie różnic w grupach (ANOVA) tematy zaawansowane Własne testy statystyczne Analiza w równolicznych grupach Analiza i weryfikacja założeń modelu Modele regresji z ciągłymi i grupującymi zmiennymi objaśniającymi Adaptacja klasycznego modelu regresji Analiza kowariancji Porównanie metod Wprowadzenie do generycznych modeli liniowych Model regresji Poissona Model regresji Gamma Kod szkolenia: MST2 Zastosowanie i techniki segmentacji Dostępne techniki segmentacyjne Metody hierarchiczne Metody podziałowe Pomiar stopnia podobieństwa pomiędzy obiektami Miary odległości Skuteczność podziału Przygotowanie do segmentacji Klasteryzacja zmiennych Metody graficzne Metody redukcji wymiarów Standaryzacja zmiennych Nieregularne kształty segmentów Segmentacja z wykorzystaniem metod podziałowych Rozwiązywanie przypadków szczególnych Segmentacja z wykorzystaniem metod hierarchicznych Analiza skuteczności procesu segmentacyjnego Optymalna liczba segmentów Określanie cech charakterystycznych segmentu Miary ilościowe Metody graficzne Scoring nowych obserwacji Case study Kod szkolenia: SEG Metody doboru próby w analizach danych Podczas wykonywania analiz statystycznych i badań marketingowych bardzo rzadko dysponujemy danymi dla wszystkich interesujących badacza podmiotów zbadanie wszystkich jest albo niewykonalne albo niezwykle kosztowne. Trudno na przykład zapytać o opinię na temat produktu wszystkich Polaków albo nawet wszystkich klientów danej firmy. Dlatego badanie przeprowadzane jest najczęściej dla wybranego fragmentu całości, a następnie wyniki uogólniane są na całą populację. Ważnym pytaniem w tym momencie jest zagadnienie reprezentatywności wyników uzyskanych w ten sposób i ich dokładności. Osoby projektujące tego typu analizy i badania marketingowe muszą mieć świadomość wpływu kryteriów wyboru próby na jakość otrzymanych wyników. Do najbardziej istotnych problemów można zaliczyć: wielkość próby danych, aby wyniki były reprezentatywne dla całej populacji, wyznaczenie średniego błędu szacunku dla wybranej wielkości próby, wykorzystanie dostępnych informacji do zwiększenia efektywności badania (np. redukcja kosztów, dzięki wykorzystaniu mniejszej próby, zmniejszenie średniego błędu szacunku dla określonej wielkości próby). Uczestnicy szkolenia poznają różne metody doboru próby. Dodatkowo przedstawione zostaną metody obliczenia wielkości próby pozwalające uzyskać wyniki o założonej dokładności. Teoretyczne podstawy metody reprezentacyjnej: Ważniejsze rozkłady zmiennych losowych, Główne twierdzenia graniczne, Projektowanie badań reprezentacyjnych: Liczebność próby, Rodzaje błędów statystycznych i ich źródła, Metody losowania: Losowanie proste, Losowanie warstwowe, Losowanie systematyczne, Testy zgodności, jednorodności i niezależności. Wymagania wstępne: zalecana wiedza z zakresu szkolenia Podstawy statystyki. Kod szkolenia: MDP Poziom szkolenia: D Analiza danych panelowych Dane panelowe to zbiór obserwacji pewnych cech statystycznych dla tej samej grupy podmiotów/ jednostek w kolejnych momentach w czasie. Może on na przykład dotyczyć regularnych comiesięcznych wydatków tej samej grupy klientów na produkty/usługi badanej firmy w ciągu roku lub kilku lat. Specyfika tego rodzaju danych wymaga odpowiedniego podejścia od strony statystycznej. Uczestnicy szkolenia nauczą się szacować modele dla danych panelowych, interpretować wyniki i weryfikować hipotezy związane z estymowanymi parametrami. Wprowadzenie: Wybrane zastosowania analizy danych panelowych, Charakterystyka podejścia panelowego, Cechy prób panelowych, Modele dla danych panelowych: Liniowy model efektów nieobserwowalnych, Estymator efektów stałych, Estymator efektów losowych, Testowanie hipotez dotyczących parametrów. Wymagania wstępne: Zalecana wiedza z zakresu szkolenia: Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej Kod szkolenia: PAN Poziom szkolenia: D Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej (Categorical Data Analysis Using Logistic Regression) This course focuses on analyzing categorical response data in scientific fields. The SAS/STAT s addressed are PROC FREQ, PROC LOGISTIC, and PROC GENMOD. The ODS Statistical Graphics s used are PROC SGPLOT and PROC SGPANEL. The course is not designed for predictive modelers in business fields, although predictive modelers can benefit from the content of this course. 26

4 Biostatisticians, epidemiologists, social scientists, and physical scientists who analyze categorical response data and predictive modelers who would like to learn more about the statistical background of logistic regression have a working knowledge of statistical modeling, including concepts of regression, of variance, and contingency table, which you can obtain in the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course have an understanding of basic syntax in SAS s and DATA steps have experience in executing SAS programs and creating SAS data sets, which you can gain by completing the SAS Programming 1: Essentials course have experience analyzing frequency tables using SAS software have completed a course in statistics that covers linear regression and logistic regression, which you can achieve by completing the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course SAS/STAT software. Categorical Data and Contingency Table Analysis introduction to categorical data associations among categorical variables stratified contingency table Binary Logistic Regression introduction to logistic regression adding categorical predictors and the CLASS statement Model Building empirical logit plots confounding and interactions automatic model selection variable clustering for variable reduction customized tests Model Illustration and Assessment interaction illustration model sssessment ROC curves outlier detection Multinomial Logistic Regression ordinal logistic regression nominal logistic regression Advanced Topics correlated observations GEE regression models conditional logistic regression failure to converge and small samples Kod szkolenia: ANLOG Metody imputacji braków danych (Imputation Techniques in SAS) Concentrating on the needs of those relatively new to the use of multiple imputation tools in SAS, this course provides a general introduction to using the MI and MIANALYZE s for multiple imputation and subsequent analyses with imputed data sets. Analysts, data managers, and other data professionals working with data sets with missing data have a solid understanding of the SAS DATA step, which can be gained by attending the SAS Programming 1: Essentials course or the SAS Programming 2: Data Manipulation Techniques course, or have equivalent experience have an intermediate knowledge of statistics, which can be gained by attending either the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course or thestatistics 2: ANOVA and Regression course, or have equivalent academic training. This course addresses SAS/STAT software. Missing Data Issues types of missing data and how to identify sources and patterns of missing data why missing data occurs, and what to do about it Introduction to Multiple Imputation Using SAS comparison of simple and multiple imputation approaches discussion of why multiple imputation is a preferred approach PROC MI and PROC MIANALYZE Overview of Three-Step Process multiple imputation using PROC MI of imputed data sets using standard SAS s use of PROC MIANALYZE for accounting for variability introduced during multiple imputation and of output from standard SAS s Practical Examples of Multiple Imputation common examples of multiple imputation and of imputed data sets using public release data from the Longitudinal Survey of Aging (a complex sample survey data set) examples that cover typical imputation needs and subsequent of imputed INFO: Web: sas.com/poland/szkolenia Tel: (22) cs@spl.sas.com data using descriptive and regression approaches output from the imputation step and the of imputed data sets Kod szkoelnia MIBD Modele statystyczne część III: modele mieszane (Mixed Models Analyses Using SAS) This course teaches you how to analyze linear mixed models using PROC MIXED. A brief introduction to analyzing generalized linear mixed models using PROC GLIMMIX is also included. Statisticians, experienced data analysts, and researchers with sound statistical knowledge know how to create and manage SAS data sets have experience performing of variance using the GLM of SAS/ STAT software have completed and mastered the Statistics 2: ANOVA and Regression course or completed a graduate-level course on general linear models. Exposure to matrix algebra will enhance your understanding of the material. Some experience manipulating SAS data sets and producing graphs using SAS/GRAPH software is also recommended. This course addresses SAS/STAT software. Introduction to Mixed Models identifying fixed and random effects describing linear mixed model equations and assumptions fitting a linear mixed model for a randomized complete block design using the MIXED writing CONTRAST and ESTIMATE statements to perform custom hypothesis tests Examples of Mixed Models in Some Designed Experiments fitting a linear mixed model for two-way mixed models fitting a linear mixed model for nested mixed models fitting a linear mixed model for split-plot designs fitting a linear mixed model for crossover designs Examples of Mixed Models with Covariates fitting of covariance models with 27

5 28 random effects performing random coefficient regression conducting hierarchical linear modeling Best Linear Unbiased Prediction explaining BLUPs and EBLUPs producing parameter estimates associated with the fixed effects and random effects explaining the difference between LSMEANS and EBLUPs computing LSMEANS and EBLUPs using the MIXED Repeated Measures Analysis discussing issues on repeated measures, including modeling covariance structure analyzing repeated measures data using the four-step process with the MIXED Mixed Models Residual Diagnostics and Troubleshooting performing residual and influence diagnostics for linear mixed models troubleshooting convergence problems Additional Information about Linear Mixed Models (Self-Study) discussing issues associated with unbalanced data, data with empty cells, estimation and inference of variance parameters, and different denominator degrees of freedom estimation methods Introduction to Generalized Linear Mixed Models and Nonlinear Mixed Models discussing the situations where generalized linear mixed models and nonlinear mixed models are needed performing the for generalized linear mixed models using the GLIMMIX Liczba dni: 3 Kod szkolenia MST3 Analiza przeżycia (Survival Analysis Using the Proportional Hazards Model) This course discusses survival concepts with an emphasis on health care problems. The course focuses on the Cox proportional hazards model, not the parametric models, and is not designed for predictive modelers. Biostatisticians, epidemiologists, social scientists, and physical scientists be able to create SAS data sets and manipulate data. You can gain this experience from the SAS Programming 2: Data Manipulation Techniques course. have completed a statistics course such as the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression or the Statistics 2: ANOVA and Regression courses. SAS/STAT software Introduction to Survival Analysis survival concepts exploratory data using survival curves Proportional Hazards Model introduction to the Cox proportional hazards model model assessment models with nonproportional hazards model building and subset selection Advanced Topics working with time-dependent covariates fitting Cox proportional hazards models for repeated events Kod szkolenia: SUR Modele statystyczne część IV: tematy zaawansowane (Advanced Statistical Modeling Using the NLMIXED Procedure) This course teaches you how to use the NLMIXED to fit statistical models. understand categorical data (for example, logistic regression). You can complete thecategorical Data Analysis Using Logistic Regression course or have equivalent experience with and knowledge of logistic regression. understand linear mixed models (the MIXED ). You can complete the Mixed Models Analyses Using SAS course or have equivalent experience with and knowledge of linear mixed models. have experience with SAS programming at the level covered in the SAS Programming 1: Essentials course. Overview of Nonlinear Mixed Models and PROC NLMIXED introduction to nonlinear mixed models Using the NLMIXED for a NLMM Applications of the NLMIXED Procedure fitting zero-inflated Poisson models fitting other mixture models including hurdle models, zero-inlfated negative binomial models, and generalized Poisson models (Self-Study) Computational Efficiency making the NLMIXED run faster using techniques achieving convergence with the NLMIXED interpreting log notes and warnings Kod szkolenia MST4 Analizy Bayesowskie (Bayesian Analyses Using SAS) The course focuses on Bayesian analyses using the PHREG, GENMOD, and s. The examples include logistic regression, Cox proportional hazards model, general linear mixed model, and the zero-inflated Poisson model. A Bayesian of a crossover design and a meta- are also shown. Biostatisticians, epidemiologists, and social scientists who are interested in the Bayesian approach be able to create SAS data sets and manipulate data. You can gain this experience from the SAS Programming 2: Data Manipulation Techniques course. have completed a statistics course such as the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression or the Statistics 2: ANOVA and Regression courses. SAS/STAT software. Introduction to Bayesian Analysis introduce the basic concepts of Bayesian compute the diagnostic plots and diagnostic statistics for model assessment discuss the advantages and disadvantages of Bayesian illustrate a Bayesian in PROC GENMOD and PROC PHREG Fitting Models with the Procedure show the essential statements in PROC show the supported distributions in PROC fit a logistic regression model in PROC fit a general linear mixed model in PROC fit a zero-inflated Poisson model in PROC

6 Bayesian Approaches to Clinical Trials use prior distributions in a Bayesian illustrate a Bayesian approach to clinical trials using PROC illustrate the Bayesian approach to meta Kod szkolenia: BAY Wieloczynnikowa analiza danych (Multivariate Statistical Methods: Practical Research Applications) This course teaches how to apply a variety of multivariate statistical methods to research data. know how to create and manage SAS data sets have experience performing a linear model using the REG or GLM s of SAS/STAT software have completed and mastered the material covered in the Statistics 2: ANOVA and Regression course or completed a graduatelevel course on general linear models. Exposure to matrix algebra will enhance your understanding of the material. Some experience manipulating SAS data sets and producing graphs SAS software is also recommended. SAS/STAT and SAS/GRAPH software. Overview and Examples of Multivariate Methods introduction and examples of multivariate statistics review of univariate statistics introduction to multivariate linear models ODS Statistical Graphics in SAS 9.2 Analysis of Groups: Multivariate Analysis of Variance factorial MANOVA contrasts More Multivariate Linear Models multivariate multiple regression canonical correlation Classification Into Groups: Discriminant Analysis canonical discriminant linear discriminant quadratic discriminant discriminant and empirical validation Variable Reduction and Extraction of Meaningful Factors principal components exploratory factor Cronbach s coefficient alpha for scale reliability Analysis of Structure Using the CALIS Procedure introduction to structural equation models confirmatory factor regression path models structural equation models with latent variables structural models with repeated measurements Additional Data Topics evaluating assumptions for multivariate Kod szkolenia: WAD Analiza szeregów czasowych z SAS Forecast Server (Forecasting Using SAS Forecast Server Software) This course prepares you to generate large volumes of forecasts automatically using the SAS Forecast Studio interactive interface. Forecasters and analysts in any industry, including retail, financial services, manufacturing, and pharmaceuticals Prerequisites be familiar with business forecasting problems have experience with a Windows computing environment have experience using a product such as Microsoft Excel to enter or transfer data and to perform elementary analyses such as computing row totals, column totals, and averages, and producing charts and plots. SAS Forecast Server, SAS/STAT software. INFO: Web: sas.com/poland/szkolenia Tel: (22) cs@spl.sas.com Introduction to SAS Forecast Studio Forecasting Using the Default Functionality in SAS Forecast Studio creating a SAS Forecast Studio project accuracy statistics and forecast model selection families of models supported and functionality issues scenario Hierarchical Forecasting hierarchical forecasting statistical forecast reconciliation accumulation and aggregation options reconciliation effects manual overrides to reconciled forecasts Model Refinement One Series at a Time custom models: generated and prespecified event variables Generating Best Forecasts in Hierarchically Arranged Data honest assessment outlier variables and other model inputs creating and using event variables based on calendar effects stored processes generated data sets accommodating data updates Kod szkolenia: FRS Analiza szeregów czasowych (Forecasting Using SAS Software: A Programming Approach) This course teaches analysts how to use SAS/ ETS software to diagnose systematic variation in data collected over time, create forecast models to capture the systematic variation, evaluate a given forecast model for goodness-of-fit and accuracy, and forecast future values using the model. Topics include Box-Jenkins ARIMA models, dynamic regression models, and exponential smoothing models. Scientists, engineers, and business analysts who have the responsibility of forecasting or evaluating policies and practices for their organizations SAS/ETS software Introduction to Forecasting time series and forecasting introduction to forecasting with SAS software evaluating forecasts Stationary Time Series Models introduction to stationary time series automatic model selection techniques for stationary time series estimation and forecasting for stationary time series Trend Models introduction to nonstationary time series modeling trend alternatives to PROC ARIMA for modeling trend Seasonal Models seasonal ARIMA models alternatives to PROC ARIMA for fitting seasonal models forecasting the airline passengers data Models with Explanatory Variables ordinary regression models event models 29

7 time series regression models Wymagania wstępne: Wiedza z zakresu szkolenia: Podstawy statystyki Liczba dni: 3 Kod szkolenia: ANSZ Budowa i rozwiązywanie modeli optymalizacyjnych z SAS OR (Building and Solving Optimization Models with SAS/OR) This course focuses on formulating and solving mathematical optimization using the OPTMODEL, from inputting data to interpreting output and generating reports. The course covers linear, integer, mixed-integer, and nonlinear programming problems, with an emphasis on model formulation and construction. Anyone who wants to formulate and solve linear, integer, mixed-integer, or nonlinear problems using SAS/OR software Base SAS, SAS/GRAPH, SAS/OR, SAS/STAT Prerequisites Before atending this course you should have completed an undergraduate course in operations research that includes linear programming or have recent experience using linear programming or be comfortable with matrix algebra be able to execute SAS programs and create SAS data sets. You can gain this experience by completing the SAS Programming 1: Essentials course. network flow models Integer and Mixed-Integer Linear Programming Problems introduction to integer and mixed-integer linear programming solving integer and mixed-integer programming problems using the OPTMODEL modeling using binary variables modeling using binary variables mixed-integer linear programming solver options (self-study) Nonlinear Programming Problems introduction to nonlinear programming solving nonlinear programming problems using the OPTMODEL nonlinear optimization methods in the OPTMODEL Supplemental Material declarations reading and creating data delimiters and PROC OPTMODEL syntax variables, constraints, objectives, and parameters Liczba dni: 3 Kod szkolenia: OPT 30 Introduction to Mathematical Optimization introduction simple examples the OPTMODEL Linear Programming Problems: Basic Ideas introduction to linear programming formulating and solving linear programming problems using the OPTMODEL reading data from SAS data sets writing output from the OPTMODEL dual values, reduced costs, and pricing in the simplex method Linear Programming Problems: Additional Topics basic control flow and operators in the OPTMODEL model updates in the OPTMODEL