Unser Angebot

Wir beraten Sie bei der Planung, Durchführung und Auswertung von statistischen Datenanalysen.

Unser Angebot beschränkt sich weder auf bestimmte statistische Verfahren noch auf ein bestimmtes Anwendungsgebiet. Die untenstehende Aufzählung gibt einen Überblick über statistische Methoden sowie über Anwendungsgebiete, in denen wir Erfahrung besitzen.

  • Regressionsmodelle und Verallgemeinerungen
    Mit Regressionsmodellen wird die Wirkung eines oder mehrerer Faktoren auf eine Zielgrösse untersucht. Die Regressionsanalyse gehört zu den am häufigsten verwendeten statistischen Verfahren. Das klassische Regressionsmodell wurde in den letzten Jahrzehnten in verschiedene Richtungen weiterentwickelt. Beispiele hierzu sind: Verallgemeinerte lineare Modelle (Generalized Linear Models, GLM) sowie als wichtige Spezialfälle logistische Regression (logistic Regression) und log-lineare Modelle (log-linear Models); Gemischte Modelle (Mixed Effect Models); verallgemeinerte additive Modelle (Generalized Additive Models, GAM).


  • Versuchsplanung und Varianzanalyse (ANOVA)
    Die Methoden der statistischen Versuchsplanung und parallel dazu die Varianzanalyse als Auswertungsmethode wurden ursprünglich für Anwendungen in der experimentellen Landwirtschaft entwickelt. Sie kommen allgemein in der Produkteentwicklung und bei der Optimierung von Prozessen zur Anwendung.


  • Analyse von Zeitreihen
    Mit der Zeitreihenanalyse wird die zeitlichen Entwicklung wiederholt gemessener Grössen untersucht. Zeitreihenmodelle werden typischerweise in der ökonometrie verwendet. Weitere häufige Anwendungsgebiete sind etwa Meteorologie und Hydrologie. Zu den etablierten Zeitreihenmodellen zählen ARMA-, ARIMA- und GARCH-Modelle.


  • Multivariate Statistik
    In der multivariaten Statistik werden mehrere numerische Variablen simultan betrachtet. Ziel ist dabei etwa die Erkennung von typischen Mustern im mehrdimensionalen Raum, oder die Identifizierung oder Trennung von Gruppen. Häufig angewandte Verfahren sind Diskriminanz-, Hauptkomponenten-, Faktoren- und Clusteranalyse.


  • Stichprobenverfahren
    Statistische Stichprobenverfahren befassen sich mit der Hochrechnung von Stichprobendaten auf die Population, welcher die Stichprobe entnommen wurde. Ebenso wichtig wie die Auswertungsmethodik ist dabei das Vorgehen bei der Stichprobenziehung. Ein typischer Anwendungsbereich sind Befragungen.


  • Simulationen und rechenintensive Verfahren
    Manche Probleme sind mathematisch so komplex, dass sie analytisch nicht oder nur sehr schwer zu lösen sind. In diesen Fällen bieten sich als alternative Methoden an, bei denen mathematische Herleitungen durch Simulationen oder wiederholte Berechnungen unter jeweils leicht veränderten Bedingungen ersetzt werden. Zu den etablierten Verfahren gehören Bootstrap, Jackknife oder Kreuzvalidierung (Cross-Validation).


  • Klinische Studien
    Bei klinischen Studien kommt dem Studiendesign eine sehr zentrale Rolle zu. Zudem unterliegen solche Studien strengen regulatorischen Anforderungen. Entsprechend ist die Planung, Durchführung und Auswertung der Studie konsequent auf das jeweilige Studiendesign auszurichten. Stichworte hierzu sind etwa Kohorten- und Fall-Kontroll-Studie, Cross-over Studie oder Überlebensanalyse.


  • Qualitätssicherung
    Auch in der betrieblichen Qualitätssicherung haben sich statistische Verfahren als nützlich erwiesen. Als Beispiel sei etwa die Festlegung sinnvoller kritischer Werte bei der routinemässigen stichprobenweisen überprüfung eines Produktionsprozesses erwähnt.


  • Massgeschneiderte statistische Verfahren
    Nicht für jede statistische Fragestellung existiert ein adäquates "pfannenfertiges" Verfahren. Als Statistiker mit vertiefter mathematischer Ausbildung entwickeln wir massgeschneiderte Anwendungen. Ein Beispiel dafür sind Optimierungsprobleme, bei denen gegebenenfalls gewisse Nebenbedingungen zu berücksichtigen sind.