Welche Sessions gibt es?
Aktuell sind folgende Themen und Sessions geplant:
Statistik I – Daten verstehen, Werte einordnen
Was sagen Daten eigentlich aus — und warum ist nicht jede Zahl automatisch gleich gut vergleichbar? In dieser Session geht es um eine erste Einführung in die Statistik und darum, wie Daten beschrieben, geordnet und sinnvoll interpretiert werden können.
Im Mittelpunkt stehen die verschiedenen Skalenniveaus und zentrale Lageparameter. Schritt für Schritt wird erklärt, worin sich nominale, ordinale und metrische Merkmale unterscheiden, wann der arithmetische Mittelwert sinnvoll ist und warum Median und Quantile oft ein besonders robustes Bild der Daten liefern. So entsteht eine erste statistische Grundlage, um Daten nicht nur zu berechnen, sondern auch richtig zu verstehen.
Statistik II – Streuung verstehen, Unterschiede einordnen
Warum reicht ein Mittelwert allein oft nicht aus, um Daten wirklich zu beschreiben? In dieser Session geht es um Streuungsmaße und die Frage, wie stark einzelne Beobachtungen um einen typischen Wert herum variieren.
Im Mittelpunkt stehen Varianz und Standardabweichung. Schritt für Schritt wird erklärt, was Streuung bedeutet, wie sie berechnet und interpretiert werden kann und warum zwei Datensätze trotz gleichem Mittelwert sehr unterschiedlich aussehen können. So wird deutlich, dass Statistik nicht nur danach fragt, wo die Mitte liegt, sondern auch, wie weit die Werte auseinanderliegen.
Korrelation – Die Basics
In dieser Online-Session geht es um die Frage, wie Zusammenhänge zwischen zwei Merkmalen statistisch beschrieben werden können.
Behandelt werden insbesondere der Korrelationskoeffizient nach Bravais-Pearson und der Rangkorrelationskoeffizient nach Spearman. Wir klären, wann welcher Koeffizient geeignet ist, wie Korrelationswerte interpretiert werden und warum Korrelation nicht automatisch Kausalität bedeutet.
Die Session baut auf grundlegenden Statistikkenntnissen auf. Erste Kenntnisse zu Datenarten, Mittelwert und Streuung sind hilfreich; die zentralen Begriffe werden zu Beginn kurz eingeordnet.
Kontingenzanalyse
Wie hängen zwei qualitative Merkmale miteinander zusammen? Dabei wird gezeigt, wie man aus Häufigkeitstabellen erkennt, ob zwei kategoriale Merkmale eher unabhängig voneinander sind oder ob sich ein erkennbarer Zusammenhang zeigt.
Außerdem geht es um den Chi-Quadrat-Test für Unabhängigkeit und Homogenität. Ziel ist es, Häufigkeitstabellen und Testergebnisse verständlich zu interpretieren und typische Fehlinterpretationen zu vermeiden.
Die Session baut auf grundlegenden Statistikkenntnissen auf. Hilfreich ist insbesondere ein erstes Verständnis für Datenarten, Häufigkeiten und statistisches Testen.
Normalverteilung I – So schön und so wichtig
Die Normalverteilung gehört zu den wichtigsten Verteilungen in der Statistik — und begegnet uns in vielen Anwendungen und im Alltag immer wieder. In dieser Online-Session wird anschaulich erklärt, wie die Normalverteilung aussieht, welche Bedeutung ihre typische Glockenform hat und warum sie für statistisches Denken so zentral ist.
Außerdem wird gezeigt, wie man mit Verteilungstabellen arbeitet und Wahrscheinlichkeiten sowie Grenzwerte richtig abliest und interpretiert.
Die Session baut auf grundlegenden Statistikkenntnissen auf. Hilfreich ist ein erstes Verständnis für Mittelwert, Streuung und Wahrscheinlichkeiten; die wichtigsten Begriffe werden zu Beginn kurz eingeordnet.
Ideal für alle, die die Normalverteilung nicht nur als Formel oder Glockenkurve sehen möchten, sondern wirklich verstehen wollen, warum sie in der Statistik eine so große Rolle spielt.
Normalverteilung II – Der Deepdive
Warum spielt die Normalverteilung in der Statistik eine so zentrale Rolle — und wie hängen daraus Standardnormalverteilung, t-Verteilung, Chi-Quadrat-Verteilung und F-Verteilung zusammen?
In dieser Session geht es um die wichtigsten Verteilungen der schließenden Statistik und ihre Beziehungen zueinander. Schritt für Schritt wird erklärt, wie aus der Normalverteilung durch Standardisierung die Standardnormalverteilung entsteht, warum bei geschätzter Varianz die t-Verteilung ins Spiel kommt, wie quadrierte standardnormalverteilte Zufallsvariablen zur Chi-Quadrat-Verteilung führen und weshalb die F-Verteilung beim Vergleich von Varianzen und in der ANOVA eine zentrale Rolle übernimmt.
Wahrscheinlichkeiten I – Die Basics
Was bedeutet eigentlich Wahrscheinlichkeit? Und wie lassen sich Zufallsvorgänge, mögliche Ergebnisse und Ereignisse sinnvoll beschreiben?
In dieser ersten von insgesamt drei Online-Sessions zur Wahrscheinlichkeit geht es um die grundlegenden Begriffe: Zufallsvorgänge, Ereignisse und den Wahrscheinlichkeitsbegriff. Außerdem wird gezeigt, wie Venn-Diagramme helfen können, Ereignisse und ihre Beziehungen anschaulich darzustellen.
Die Session eignet sich für alle, die einen verständlichen Einstieg in die Wahrscheinlichkeitsrechnung suchen und die wichtigsten Grundlagen sicher einordnen möchten.
Wahrscheinlichkeiten II – Kombinatorik
Warum gibt es bei manchen Aufgaben so viele mögliche Ergebnisse? Und wann spielt die Reihenfolge eine Rolle — und wann nicht?
In dieser zweiten Online-Session zur Wahrscheinlichkeit geht es um Kombinatorik und die klassischen Urnenmodelle. Behandelt wird das Ziehen mit und ohne Zurücklegen sowie die Frage, ob die Reihenfolge der gezogenen Elemente berücksichtigt werden muss.
Gerade diese Fälle wirken auf den ersten Blick oft verwirrend. In der Session werden sie Schritt für Schritt eingeordnet, sodass klarer wird, welches Modell zu welcher Fragestellung passt.
Die Session eignet sich für alle, die kombinatorische Aufgaben besser verstehen und typische Fehler bei Urnenmodellen vermeiden möchten.
Wahrscheinlichkeiten III – Wenn Ereignisse voneinander abhängen
Wie verändert sich eine Wahrscheinlichkeit, wenn bereits bestimmte Informationen vorliegen? Genau darum geht es in dieser dritten Online-Session zur Wahrscheinlichkeit.
Im Mittelpunkt stehen bedingte Wahrscheinlichkeiten, Multiplikationssätze, der Satz der totalen Wahrscheinlichkeit und der Satz von Bayes. Außerdem wird erklärt, was statistische Unabhängigkeit bedeutet und warum sie in der Wahrscheinlichkeitsrechnung eine zentrale Rolle spielt.
Die Session baut auf den Grundlagen der Wahrscheinlichkeit auf und eignet sich für alle, die bedingte Wahrscheinlichkeiten, und Bayes-Aufgaben besser verstehen und sicherer anwenden möchten.
Die Idee von Maximum-Likelihood – Schätzen heißt: das plausibelste Modell finden.
In dieser Session wird die Grundidee der Maximum-Likelihood-Methode anschaulich erklärt: Welche Parameterwerte machen die beobachteten Daten am wahrscheinlichsten? Ohne unnötige Formalismen wird gezeigt, warum Maximum-Likelihood in vielen statistischen Modellen eine zentrale Rolle spielt – von einfachen Wahrscheinlichkeitsmodellen bis hin zur Regression. Ziel ist es, die Logik hinter der Methode zu verstehen und ein Gefühl dafür zu bekommen, warum sie in der angewandten Statistik so häufig eingesetzt wird.
Stetige Verteilungsmodelle – Wenn Zufall jeden Wert annehmen kann
Wie lassen sich Zufallsvorgänge beschreiben, bei denen nicht nur einzelne Werte möglich sind, sondern ganze Intervalle? In dieser Session geht es um zentrale stetige Verteilungsmodelle und die Frage, wie Wahrscheinlichkeiten bei kontinuierlichen Zufallsvariablen verstanden und berechnet werden.
Im Mittelpunkt stehen die stetige Gleichverteilung, die Exponentialverteilung, die Gamma-Verteilung und die Beta-Verteilung. Schritt für Schritt wird erklärt, welche Idee hinter den einzelnen Modellen steckt, worin sie sich unterscheiden und für welche Situationen sie besonders geeignet sind — vom zufälligen Wert in einem Intervall über Wartezeiten bis hin zu Anteilen und Wahrscheinlichkeiten zwischen 0 und 1.
Diskrete Verteilungsmodelle – Wenn Zufall zählbar wird
Wie lassen sich Zufallsexperimente beschreiben, bei denen nur bestimmte Werte auftreten können — etwa Treffer und Nieten, Wartezeiten, Anzahlen oder Ziehungen aus einer Urne? In dieser Session geht es um zentrale diskrete Verteilungsmodelle und die Frage, welches Modell zu welcher Zufallssituation passt.
Im Mittelpunkt stehen die Bernoulli-Verteilung, die diskrete Gleichverteilung, die geometrische Verteilung, die Binomialverteilung, die negative Binomialverteilung, die hypergeometrische Verteilung und die Poisson-Verteilung. Schritt für Schritt wird erklärt, welche Idee hinter den einzelnen Modellen steckt, worin sie sich unterscheiden und wie sie typische Zufallsvorgänge mathematisch beschreiben — vom einzelnen Ja-Nein-Experiment bis zur Anzahl seltener Ereignisse in einem festen Zeitraum.
Statistisches Testen – Entscheidungen unter Unsicherheit
Wann ist ein beobachteter Unterschied wirklich auffällig — und wann kann er noch plausibel durch Zufall erklärt werden? In dieser Session geht es um die zentralen Ideen des statistischen Testens und darum, wie aus Stichprobendaten begründete Entscheidungen über Hypothesen abgeleitet werden können.
Im Mittelpunkt stehen Nullhypothese, Alternativhypothese, kritischer Bereich und Signifikanzniveau. Schritt für Schritt wird erklärt, wie eine Nullhypothese grundsätzlich formuliert sein muss, wann ein Testergebnis als signifikant gilt und warum statistisches Testen immer mit Unsicherheit verbunden bleibt. Ausführlich werden außerdem Fehler 1. und 2. Art sowie die Teststärke behandelt — also die Frage, wie wahrscheinlich ein Test einen tatsächlich vorhandenen Effekt auch erkennt.
Angewandte Hypothesentests I – Eine Stichprobe, viele Fragen
Wie lässt sich prüfen, ob ein beobachteter Mittelwert, Median oder typischer Wert wirklich von einem vorgegebenen Vergleichswert abweicht — oder ob die Abweichung noch plausibel durch Zufall erklärt werden kann?
In dieser Online-Live-Session geht es um zentrale Hypothesentests im Einstichprobenproblem. Vorgestellt werden der t-Test für eine Stichprobe, der Vorzeichentest und der Wilcoxon-Vorzeichen-Rang-Test. Dabei steht nicht nur die rechnerische Durchführung im Mittelpunkt, sondern vor allem die Frage, welcher Test in welcher Situation sinnvoll ist.
Die Session zeigt, wie Hypothesen formuliert, p-Werte interpretiert und Testergebnisse verständlich eingeordnet werden. So wird deutlich, wie statistische Tests helfen, aus einer einzelnen Stichprobe belastbare Schlüsse zu ziehen — ohne die Unsicherheit der Daten aus dem Blick zu verlieren.
Angewandte Hypothesentests II – Verbundene Stichproben verstehen und sicher auswerten
Hat sich nach einer Maßnahme etwas verändert? Unterscheiden sich zwei Messzeitpunkte, zwei Bedingungen oder zwei paarweise zugeordnete Beobachtungen tatsächlich — oder lassen sich die Unterschiede noch durch Zufall erklären?
In dieser Online-Live-Session geht es um Hypothesentests für verbundene zwei Stichproben. Vorgestellt werden der t-Test für verbundene Stichproben, der Vorzeichentest, der Wilcoxon-Vorzeichen-Rang-Test sowie der McNemar-Test für verbundene kategoriale Daten.
Im Mittelpunkt steht die Frage, welcher Test zu welcher Datensituation passt: metrische Differenzen, ordinale Veränderungen oder dichotome Vorher-Nachher-Ergebnisse. Die Session zeigt, wie Hypothesen formuliert, Testergebnisse interpretiert und Veränderungen statistisch fundiert eingeordnet werden. So wird deutlich, wie aus paarweise verbundenen Daten belastbare Aussagen über Unterschiede und Entwicklungen entstehen.
Angewandte Hypothesentests III – Unterschiede zwischen zwei Gruppen statistisch sicher einordnen
Unterscheiden sich zwei Gruppen tatsächlich — oder können die beobachteten Unterschiede noch durch Zufall erklärt werden? Genau diese Frage steht im Mittelpunkt, wenn zwei unabhängige Stichproben miteinander verglichen werden.
In dieser Online-Live-Session geht es um zentrale Hypothesentests für das unverbundene Zweistichprobenproblem. Vorgestellt werden der t-Test für unabhängige Stichproben, der Welch-Test, der Wilcoxon-Rangsummen-Test bzw. Mann-Whitney-Test sowie der exakte Fisher-Test für kategoriale Daten.
Dabei steht nicht nur die Durchführung der Tests im Vordergrund, sondern vor allem die Entscheidung, welcher Test in welcher Situation angemessen ist: bei metrischen Daten, unterschiedlichen Varianzen, ordinalen Daten oder kleinen Fallzahlen in Häufigkeitstabellen. Die Session zeigt, wie Hypothesen formuliert, p-Werte interpretiert und Gruppenunterschiede verständlich eingeordnet werden.
ANOVA I – Mittelwerte, Streuung und Co.
Wenn mehr als zwei Mittelwerte miteinander verglichen werden sollen, reicht der klassische t-Test nicht mehr aus. In dieser Session geht es um die Grundidee der Varianzanalyse: Wie lassen sich Unterschiede zwischen Gruppen systematisch untersuchen, und warum spielt dabei ausgerechnet die Streuung innerhalb und zwischen den Gruppen die entscheidende Rolle?
Im Mittelpunkt steht die einfaktorielle ANOVA. Schritt für Schritt werden die Voraussetzungen, die Logik des F-Tests und die Interpretation der Ergebnisse erklärt — verständlich, anschaulich und mit Blick auf typische Anwendungen in Statistik, Forschung und Datenanalyse.
ANOVA II – Wenn zwei Faktoren gemeinsam wirken
Was passiert, wenn nicht nur ein Einflussfaktor betrachtet wird, sondern zwei Merkmale gleichzeitig auf eine Zielgröße wirken? In dieser Session geht es um die zweifaktorielle Varianzanalyse und die Frage, wie sich Haupteffekte und Interaktionseffekte statistisch untersuchen lassen.
Im Mittelpunkt steht die Idee, dass zwei Faktoren nicht nur jeweils für sich allein einen Unterschied machen können, sondern sich auch gegenseitig beeinflussen. Schritt für Schritt wird erklärt, was ein Interaktionseffekt bedeutet, wie er erkannt wird und warum er für die Interpretation von Daten oft entscheidender ist als der einzelne Haupteffekt.
ANOVA-Check – Voraussetzungen prüfen, Ergebnisse absichern
Bevor die Ergebnisse einer ANOVA interpretiert werden, stellt sich eine wichtige Frage: Passen die Voraussetzungen überhaupt gut genug zu den vorliegenden Daten? In dieser Session geht es um zwei zentrale Annahmen der Varianzanalyse und darum, wie sie systematisch überprüft werden können.
Im Mittelpunkt stehen die Annahme der Normalverteilung und die Annahme der Varianzhomogenität. Schritt für Schritt wird erklärt, wie der Shapiro-Wilk-Test zur Prüfung der Normalverteilung eingesetzt wird und wie sich mit dem Levene-Test sowie dem Brown-Forsythe-Test untersuchen lässt, ob die Streuungen in den Gruppen ausreichend vergleichbar sind.
Beyond ANOVA I – Unbalancierte Designs, Korrekturen und Kovariablen verstehen
Nicht jedes Experiment passt perfekt in das Lehrbuchschema einer balancierten Varianzanalyse. In dieser Online-Live-Session geht es deshalb darum, was passiert, wenn Gruppen unterschiedlich groß sind, Voraussetzungen verletzt werden oder zusätzliche Einflussgrößen berücksichtigt werden sollen.
Erklärt werden unbalancierte Experimente, die drei gängigen Möglichkeiten zur Fehler- beziehungsweise Varianzkorrektur bei Mehrfachvergleichen sowie die Grundidee der ANCOVA, bei der Kovariablen in die Analyse einbezogen werden. Außerdem wird gezeigt, wann der Jonckheere-Terpstra-Test als nichtparametrische Alternative sinnvoll ist – insbesondere dann, wenn eine geordnete Tendenz über mehrere Gruppen hinweg erwartet wird.
Die Session richtet sich an alle, die ANOVA nicht nur anwenden, sondern auch verstehen möchten, was in weniger idealen, aber sehr realistischen Datensituationen zu tun ist.
Beyond ANOVA II – Wenn klassische Voraussetzungen nicht passen
Was tun, wenn die Voraussetzungen der klassischen ANOVA nicht erfüllt sind oder die Daten nicht so schön aussehen, wie es das Lehrbuch gerne hätte? In dieser Session geht es um wichtige Alternativen zur Varianzanalyse und darum, wann welcher Test sinnvoll eingesetzt werden kann.
Im Mittelpunkt stehen der Welch-Test, der bei ungleichen Varianzen eine robuste Alternative bietet, der Wilcoxon-Rangsummentest bzw. Mann-Whitney-Test für den Vergleich zweier unabhängiger Gruppen sowie der Kruskal-Wallis-Test als nichtparametrische Alternative für mehrere Gruppen. Schritt für Schritt wird erklärt, welche Idee hinter diesen Verfahren steckt, worin sie sich von der klassischen ANOVA unterscheiden und wie ihre Ergebnisse interpretiert werden können.
MANOVA – Wenn mehrere Zielgrößen gleichzeitig betrachtet werden
Was passiert, wenn nicht nur eine abhängige Variable untersucht wird, sondern mehrere Zielgrößen gemeinsam analysiert werden sollen? In dieser Session geht es um die multivariate Varianzanalyse und die Frage, wie sich Gruppenunterschiede bei mehreren verbundenen Merkmalen statistisch prüfen lassen.
Im Mittelpunkt steht die Grundidee der MANOVA: Statt einzelne ANOVAs getrennt zu betrachten, werden mehrere abhängige Variablen gemeinsam ausgewertet. Schritt für Schritt wird erklärt, wann eine MANOVA sinnvoll ist, welche Logik hinter dem Verfahren steckt und warum die gemeinsame Betrachtung mehrerer Zielgrößen oft ein differenzierteres Bild liefert als einzelne Mittelwertvergleiche.
Lineare Regression I – Zusammenhänge modellieren und verstehen
Wie lässt sich der Zusammenhang zwischen einer Zielgröße und einer erklärenden Variable statistisch beschreiben? In dieser Session geht es um die Grundlagen des linearen Modells und die Frage, wie aus Daten eine möglichst passende Regressionsgerade geschätzt wird.
Im Mittelpunkt steht die Methode der Kleinsten Quadrate. Schritt für Schritt wird erklärt, wie die geschätzten Effekte interpretiert werden, was die Güte der Anpassung aussagt und welche Rolle das Bestimmtheitsmaß spielt. Außerdem wird gezeigt, wie mit dem F-Test das Modell insgesamt und mit t-Tests einzelne Regressionskoeffizienten beurteilt werden können.
Lineare Regression II – Kategorien, Gruppen und Interaktionen modellieren
Wie lassen sich qualitative Merkmale wie Geschlecht, Schulform, Region oder Versuchsgruppe in ein lineares Regressionsmodell einbeziehen? In dieser Session geht es darum, wie kategoriale Variablen mithilfe von Dummy-Variablen statistisch modelliert und sinnvoll interpretiert werden können.
Im Mittelpunkt steht die Erweiterung des linearen Modells über reine metrische Einflussgrößen hinaus. Schritt für Schritt wird erklärt, wie Referenzkategorien funktionieren, wie sich Gruppenunterschiede in Regressionsmodellen abbilden lassen und welche zusätzliche Aussagekraft Interaktionen bieten. Dabei wird deutlich, dass Regressionsmodelle nicht nur einfache Zusammenhänge beschreiben, sondern auch zeigen können, ob ein Effekt in verschiedenen Gruppen unterschiedlich stark ausfällt.
Lineare Regression III – Nichtlinear denken, linear modellieren
Nicht jeder Zusammenhang verläuft geradlinig. In dieser Session geht es darum, wie auch gekrümmte oder linearisierbare Zusammenhänge mit Regressionsmodellen beschrieben werden können.
Im Mittelpunkt stehen polynomiale Regressionsmodelle und die Bedeutung des natürlichen Logarithmus. Schritt für Schritt wird erklärt, wie quadratische oder kubische Terme helfen können, nichtlineare Muster in Daten abzubilden, und warum logarithmische Transformationen in vielen Anwendungen eine besondere Rolle spielen. Dabei wird deutlich, dass lineare Regression weit mehr kann als nur Geraden zu schätzen: Sie bietet flexible Möglichkeiten, komplexere Zusammenhänge verständlich und interpretierbar zu modellieren.
Einführung in R I – Der erste Einstieg in die Arbeit mit R
Was ist R eigentlich – und warum wird es in Statistik und Datenanalyse so häufig verwendet? In dieser Session geht es um den ersten praktischen Zugang zu R: von einfachen Berechnungen wie mit einem Taschenrechner bis zum grundlegenden Umgang mit Daten. Schritt für Schritt wird gezeigt, wie R „denkt“, wie Befehle aufgebaut sind und wie Daten eingelesen, betrachtet und für erste Analysen vorbereitet werden können.
Einführung in R II – Daten einlesen, gezielt auswählen und R flexibel erweitern
Nach dem ersten Einstieg in R geht es in dieser Session um wichtige Werkzeuge für die praktische Datenanalyse. Im Mittelpunkt stehen Zusatzpakete, mit denen R gezielt erweitert werden kann, das Einlesen externer Datensätze sowie die Auswahl bestimmter Variablen, Fälle und Teilgruppen. Außerdem wird gezeigt, wie mit Bedingungen gearbeitet wird, um Daten systematisch zu filtern und für weitere Analysen vorzubereiten.
Einführung in R III – Abläufe automatisieren und eigene Funktionen schreiben
In dieser Session wird gezeigt, wie wiederkehrende Arbeitsschritte in R effizient automatisiert werden können. Im Mittelpunkt stehen Schleifen, mit denen Befehle mehrfach und systematisch ausgeführt werden, sowie eigene Funktionen, mit denen sich individuelle Auswertungsschritte klar strukturieren und wiederverwenden lassen. So wird R vom reinen Analysewerkzeug zu einer flexiblen Umgebung für eigene statistische Arbeitsabläufe.
Einführung in R IV – Daten sichtbar machen – Grafiken in R erstellen
In dieser Session geht es um die grafische Darstellung von Daten mit R. Schritt für Schritt wird gezeigt, wie aus Datensätzen aussagekräftige Diagramme entstehen – von einfachen Streudiagrammen, Balkendiagrammen und Histogrammen bis hin zu ansprechend gestalteten Grafiken für Präsentationen, Berichte und wissenschaftliche Arbeiten. Dabei steht im Mittelpunkt, wie Grafiken nicht nur schön aussehen, sondern statistische Zusammenhänge klar und verständlich sichtbar machen.