Ökonometrische Analyse in der Bachelorarbeit: Stata, R oder EViews?

Welche Software passt zu Ihrer VWL-Abschlussarbeit? Ein praxisnaher Vergleich von Stata, R und EViews – mit Empfehlungen nach Fragestellung, Lehrstuhlpräferenz und Komplexität der Analyse. Zusammengestellt von Autoren mit Erfahrung in angewandter Mikroökonometrie, Paneldatenanalyse und Kausalinferenz.

Stata vs. R vs. EViews
Lehrstuhlpräferenzen
Code-Beispiele
Data-Cleaning-Tipps

Ökonometrische Abschlussarbeiten scheitern selten an der Regression – sie scheitern an der Vorbereitung: Data Cleaning nicht dokumentiert, Modellwahl ohne theoretische Begründung, keine robusten Standardfehler, Ergebnisse als Screenshot statt als exportierte Tabelle. Als Ghostwriting-Agentur mit volkswirtschaftlichem Autorenstamm liefern wir Do-Files und R-Skripte, die von der Datenbeschaffung über das Data Cleaning bis zur Regressionsdiagnostik jeden Schritt kommentiert dokumentieren. Unsere Akademiker arbeiten mit Stata, R und EViews in eigenen Forschungsprojekten – mit SOEP, EU-SILC, Eurostat und FRED – und wissen, welche Software für welchen Lehrstuhltyp die richtige Wahl ist.

Inhalt

Kurzantwort: Welche Software soll ich nehmen?

Stata ist der Standard an den meisten VWL-Lehrstühlen im DACH-Raum – intuitiv, gut dokumentiert und in der Prüfung akzeptiert. R ist die bessere Wahl, wenn Sie mit großen Datensätzen, Machine-Learning-Methoden oder fortgeschrittener Visualisierung arbeiten – und wenn Ihr Lehrstuhl R akzeptiert. EViews ist die Nischenlösung für reine Zeitreihenökonometrie. Entscheidend ist: Wählen Sie das Tool, das Ihr Betreuer kennt und unterstützt – nicht das objektiv „beste“.

1. Überblick: Drei Tools, drei Philosophien

Ökonometrische Analysen bilden das Rückgrat vieler volkswirtschaftlicher Abschlussarbeiten. Ob Sie Paneldaten schätzen, Zeitreihen modellieren oder kausale Effekte identifizieren – ohne statistische Software geht nichts. Aber welches Tool ist das richtige? Die drei gängigsten Optionen für VWL-Studierende unterscheiden sich fundamental in Philosophie, Kosten und Einsatzgebiet.

LEHRSTÜHLE #1

Stata

Kommerzielle Software, speziell für Ökonometrie und Sozialwissenschaften entwickelt. Gilt als Industriestandard an VWL-Lehrstühlen. Befehle sind kurz, die Dokumentation exzellent, die Lernkurve flach.

  • Kosten: ca. 125 € (Studierendenlizenz/Jahr) – an vielen Unis kostenlos über Campuslizenz
  • Stärke: Paneldaten, Mikroökonometrie, IV-Schätzung, Reproduzierbarkeit via Do-Files
OPEN SOURCE

R (+ RStudio)

Kostenlose Open-Source-Sprache mit riesigem Paket-Ökosystem. Flexibler als Stata, aber steilere Lernkurve. Zunehmend an quantitativen Lehrstühlen verbreitet.

  • Kosten: 0 € – vollständig kostenlos
  • Stärke: Visualisierung (ggplot2), Machine Learning, Web Scraping, Reproduzierbarkeit via R Markdown
ZEITREIHEN-SPEZIALIST

EViews

GUI-basierte Software, spezialisiert auf Zeitreihenanalyse und makroökonometrische Modelle. Besonders an Lehrstühlen für Makroökonomik und Finanzwirtschaft anzutreffen.

  • Kosten: ca. 40 € (Studierendenlizenz/6 Monate)
  • Stärke: VAR-Modelle, GARCH, Kointegration, Impulse-Response-Funktionen

Stata für Paneldaten und Mikroökonometrie, R für Machine Learning und ggplot2-Visualisierung, EViews für VAR-Modelle und GARCH – unsere Autoren beherrschen alle drei Programme und wählen das Tool, das für Ihre Forschungsfrage und Ihren Lehrstuhl die richtige Wahl ist. Die Software-Entscheidung treffen wir nicht nach technischer Präferenz, sondern nach Lehrstuhlakzeptanz – denn ein sauber dokumentiertes Do-File in Stata ist mehr wert als ein chaotisches R-Skript.

2. Detailvergleich: Stata vs. R vs. EViews

Die folgende Tabelle vergleicht die drei Programme anhand der Kriterien, die für eine Bachelorarbeit oder Masterarbeit in der Wirtschaftswissenschaft tatsächlich relevant sind.

KriteriumStataREViews
LernkurveFlach – Befehle sind intuitiv, Syntax konsistentSteil – erfordert Programmierverständnis; Tidyverse erleichtert den EinstiegSehr flach – vieles per Klick; Skriptsprache optional
PaneldatenExzellent – xtreg, xtabond2, xtlogit nativSehr gut – plm, fixest, lfe; teilweise Konfiguration nötigEingeschränkt – möglich, aber nicht das Kerngebiet
ZeitreihenGut – VAR, ARIMA, VECM vorhandenSehr gut – forecast, vars, tseries, rugarchHervorragend – GUI-optimiert für ARIMA, VAR, GARCH, Kointegration
Kausalinferenz (IV, RDD, DiD)Hervorragend – ivreg2, rdrobust, did nativ oder als PaketHervorragend – AER, rdrobust, did, fixest; aktive ForschungscommunityEingeschränkt – IV möglich, RDD/DiD nur über Umwege
VisualisierungFunktional – graph-Befehle solide, aber nicht flexibelExzellent – ggplot2 ist der Goldstandard für wissenschaftliche GrafikenFunktional – Standarddiagramme per Klick, wenig Anpassung
Data CleaningGut – merge, reshape, egen; alles in einem DatensatzSehr gut – dplyr, tidyr, data.table; flexibler bei komplexen TransformationenEingeschränkt – für größere Bereinigungen unhandlich
ReproduzierbarkeitGut – Do-Files + Log-FilesHervorragend – R Markdown, Quarto; Code + Text + Output in einem DokumentMäßig – Skripte möglich, aber GUI-Aktionen nicht automatisch dokumentiert
Große Datensätze (>1 Mio. Zeilen)Gut – bis Version 18 effizientSehr gut – data.table, arrow; out-of-memory möglichEingeschränkt – nicht für Big Data konzipiert
Lehrstuhl-Akzeptanz (DACH)Sehr hoch – Quasi-StandardSteigend – vor allem an quantitativ orientierten LehrstühlenNische – vor allem Makro und Finanzwirtschaft

Paneldaten mit xtreg oder fixest, Zeitreihen mit VAR und GARCH, Kausalinferenz mit ivreg2 oder rdrobust, Visualisierung mit ggplot2 – unsere Ghostwriter setzen in Ihrer Arbeit genau die Verfahren ein, die für Ihre Forschungsfrage und Ihren Datensatz methodisch korrekt sind, und dokumentieren jeden Schritt in einem kommentierten Do-File oder R-Skript, das Ihr Betreuer nachvollziehen und reproduzieren kann.

Stata vs. R – die ehrliche Einschätzung

R ist objektiv mächtiger und flexibler – aber das ist in einer Bachelorarbeit selten der entscheidende Faktor. Entscheidend ist: Kann Ihr Betreuer Ihren Code lesen und Ihre Ergebnisse nachvollziehen? Wenn Ihr Lehrstuhl Stata nutzt, ist Stata die richtige Wahl – selbst wenn R technisch überlegen wäre.

3. Was bevorzugen die Lehrstühle?

Die Softwarewahl an deutschsprachigen VWL-Fakultäten folgt einem klaren Muster – mit regionalen und thematischen Unterschieden.

Lehrstuhl-TypBevorzugte SoftwareBegründung
Mikroökonometrie / Arbeitsmarkt / BildungStata (dominierend)Paneldaten-Befehle, Standardinstrument in der angewandten Mikroökonomik weltweit
Makroökonometrie / GeldpolitikEViews oder StataEViews für VAR/SVAR-Modelle; Stata für alles andere
FinanzökonometrieEViews, R oder MatlabGARCH-Modelle, Hochfrequenzdaten; R zunehmend beliebt durch rugarch
Quantitative Methoden / Data ScienceR (zunehmend Python)Machine Learning, Big Data, Reproduzierbarkeit, Programmierausbildung
EntwicklungsökonomikStata (dominierend)RCTs, Difference-in-Differences; Weltbank und IZA arbeiten mit Stata
Wirtschaftsgeschichte / CliometrieStata oder RHistorische Paneldaten; R für Visualisierung historischer Trends

Mikroökonometrie mit Stata, Makroökonometrie mit EViews, Finanzökonometrie mit rugarch in R, Entwicklungsökonomik mit Stata und Weltbank-Datensätzen – unsere Autoren kennen die Softwarepräferenzen der verschiedenen Lehrstuhltypen im DACH-Raum und liefern Do-Files oder R-Skripte, die der Betreuer lesen, nachvollziehen und bei Bedarf modifizieren kann. Die richtige Software ist nicht die technisch beste – es ist die, die Ihr Betreuer kennt und unterstützt.

Immer zuerst den Betreuer fragen

Bevor Sie eine Software wählen, fragen Sie Ihren Betreuer: „Welche Software verwenden Sie am Lehrstuhl? Gibt es Vorgaben für die Methodik?“ Viele Lehrstühle haben nicht nur eine Präferenz, sondern auch Do-File-Vorlagen, Datensätze und Tutorien, die Ihnen den Einstieg erheblich erleichtern.

4. Wann ist R besser als Stata?

R ist nicht generell „besser“ als Stata – aber es gibt konkrete Szenarien, in denen R die klar überlegene Wahl ist. Hier sind die fünf wichtigsten.

Szenario 1: Fortgeschrittene Visualisierung

Wenn Ihre Arbeit von Grafiken lebt – etwa bei räumlichen Daten, Zeitreihenplots mit mehreren Achsen oder publikationsreifen Abbildungen – ist ggplot2 in R dem graph-Befehl in Stata weit überlegen. Sie können jedes Detail steuern: Farben, Beschriftungen, Facetten, Annotationen. Das Ergebnis sieht aus wie aus einem Fachjournal.

Szenario 2: Sehr große oder unstrukturierte Datensätze

Wenn Ihr Datensatz mehr als eine Million Zeilen hat oder aus mehreren heterogenen Quellen zusammengeführt werden muss (z. B. Web-Scraping + amtliche Statistik + Umfragedaten), bietet R mit data.table, arrow und dem Tidyverse-Ökosystem mehr Flexibilität als Stata.

Szenario 3: Machine Learning als Ergänzung

Wenn Sie neben klassischer Ökonometrie auch Prognosemodelle (Random Forest, LASSO, Elastic Net) einsetzen wollen – etwa zur Variablenselektion oder als Robustheitscheck – ist R das richtige Tool. Stata kann das seit Version 16 mit lasso, aber das R-Ökosystem (caret, tidymodels, glmnet) ist deutlich reifer.

Szenario 4: Reproduzierbare Forschungsberichte

R Markdown und Quarto ermöglichen es, Code, Ergebnisse und Text in einem Dokument zu vereinen – ideal für Abschlussarbeiten, weil Tabellen und Grafiken bei jeder Code-Änderung automatisch aktualisiert werden. In Stata müssen Sie Tabellen manuell in Word übertragen oder mit esttab exportieren.

Szenario 5: Budget = null

R ist kostenlos. Wenn Ihre Universität keine Stata-Campuslizenz hat und Sie die Studierendenlizenz nicht kaufen möchten, ist R die einzige professionelle Alternative. EViews ist zwar günstiger als Stata, aber ebenfalls nicht kostenlos.

Fortgeschrittene Visualisierung mit ggplot2, große Datensätze mit data.table, Machine Learning mit tidymodels, reproduzierbare Berichte mit R Markdown, Budget null – fünf Szenarien, in denen R die klar überlegene Wahl ist. Unsere Akademiker entscheiden für Ihre Arbeit, ob eines dieser Szenarien zutrifft – und wenn ja, liefern wir das R-Skript mit den korrekten Paketen, Versionsnummern und Kommentaren. Wenn keines zutrifft und Ihr Lehrstuhl Stata nutzt, liefern wir ein sauberes Do-File.

Die Wahl der Software sollte sich nach der Forschungsfrage richten, nicht nach persönlicher Vorliebe. Ein sauber dokumentiertes Do-File in Stata ist mehr wert als ein chaotisches R-Skript – und umgekehrt. — Praxisempfehlung für empirische Abschlussarbeiten

5. Typischer ökonometrischer Workflow

Unabhängig von der Software folgt jede ökonometrische Analyse in einer quantitativen Abschlussarbeit einem ähnlichen Ablauf. Die größten Zeitfresser sind dabei fast immer die ersten drei Schritte – nicht die Regression selbst.

Datenbeschaffung

Mikrodaten (SOEP, EU-SILC, ALLBUS), Makrodaten (FRED, Eurostat, Destatis), eigene Umfragen oder Experimente. Datenzugang klären, ggf. Nutzungsvertrag.

Data Cleaning

Fehlende Werte, Ausreißer, Kodierungsfehler, Variablentypen. Hier gehen 40–60 % der Arbeitszeit hin. Dokumentieren Sie jeden Bereinigungsschritt.

Deskriptive Statistik

Summary Statistics, Korrelationstabellen, erste Visualisierungen. Ergebnis: Table 1 Ihrer Arbeit mit Mittelwerten, Standardabweichungen und N.

Modellspezifikation

Forschungsfrage → ökonometrisches Modell. OLS, Fixed Effects, IV, Logit? Theoretische Begründung im Methodenteil.

Schätzung & Diagnostik

Regression durchführen, robuste Standardfehler, Tests: Heteroskedastie (Breusch-Pagan), Multikollinearität (VIF), Endogenität (Hausman, Sargan).

Robustheitschecks & Export

Alternative Spezifikationen, Subsample-Analysen, Placebo-Tests. Tabellen exportieren (esttab/stargazer) und in die Arbeit einbetten.

Datenbeschaffung, Data Cleaning, deskriptive Statistik, Modellspezifikation, Schätzung mit Diagnostik, Robustheitschecks und Tabellenexport – sechs Schritte, von denen die ersten drei zusammen 40–60 % der Arbeitszeit verschlingen. Unsere Ghostwriter übernehmen jeden dieser Schritte – oder nur den Teil, bei dem Sie Unterstützung brauchen – und liefern ein kommentiertes Skript, das von der Rohdatei bis zum fertigen Ergebnisteil reproduzierbar ist.

6. Code-Vergleich: OLS-Regression mit robusten Standardfehlern

Der folgende Vergleich zeigt, wie Sie eine einfache OLS-Regression mit robusten Standardfehlern in allen drei Programmen umsetzen – das Standardszenario in jeder VWL-Bachelorarbeit.

STATA
* Daten laden und bereinigen
use "datensatz.dta", clear
drop if einkommen == . | bildungsjahre == .

* OLS mit robusten Standardfehlern
reg ln_einkommen bildungsjahre erfahrung erfahrung_sq i.region, robust

* Ergebnisse exportieren
esttab using "tabelle1.tex", se r2 star(* 0.10 ** 0.05 *** 0.01)
R
# Pakete laden
library(tidyverse); library(lmtest); library(sandwich); library(stargazer)

# Daten laden und bereinigen
df <- read_csv("datensatz.csv") |>
  filter(!is.na(einkommen), !is.na(bildungsjahre))

# OLS mit robusten Standardfehlern
modell <- lm(ln_einkommen ~ bildungsjahre + erfahrung + I(erfahrung^2) + factor(region), data = df)
coeftest(modell, vcov = vcovHC(modell, type = "HC1"))

# Ergebnisse exportieren
stargazer(modell, type = "latex", se = list(sqrt(diag(vcovHC(modell, "HC1")))))
EVIEWS
' Gleichung schätzen (GUI oder Befehl)
equation eq1.ls(cov=white) ln_einkommen c bildungsjahre erfahrung erfahrung_sq

' Hinweis: Regionsdummies manuell als 0/1-Variablen anlegen
' Export: Tabelle → Rechtsklick → Copy as formatted

Was fällt auf?

Stata ist am kürzesten: Drei Zeilen für Laden, Schätzen, Exportieren. R braucht mehr Code, bietet aber mehr Kontrolle über die robusten Standardfehler (HC0–HC4). EViews ist am einfachsten per GUI zu bedienen, aber am schwersten skriptbasiert zu reproduzieren. Für den typischen Bedarf einer Bachelorarbeit ist Statas Kompaktheit ein echter Vorteil.

7. Die 6 häufigsten Fehler bei der ökonometrischen Analyse

#FehlerWarum problematischLösung
1Software nach Vorliebe statt nach Lehrstuhl gewähltBetreuer kann Code nicht nachvollziehen, Feedback wird oberflächlichImmer zuerst Lehrstuhlpräferenz abfragen
2Data Cleaning nicht dokumentiertErgebnisse nicht reproduzierbar; Prüfer kann Bereinigungsschritte nicht nachvollziehenJeden Schritt im Do-File / R-Skript kommentieren; Rohdaten separat aufbewahren
3Keine robusten StandardfehlerBei Heteroskedastie sind konventionelle Standardfehler verzerrt → falsche SignifikanzniveausIn Stata: , robust oder , cluster(). In R: vcovHC(). Immer begründen.
4Ergebnisse per Screenshot statt als exportierte TabelleUnprofessionell, schlecht lesbar, nicht editierbaresttab (Stata), stargazer/modelsummary (R), Copy as formatted (EViews)
5Modellwahl ohne theoretische Begründung„Ich habe OLS genommen, weil es am einfachsten war“ – reicht nichtIm Methodenteil begründen, warum OLS/FE/IV/Logit zum DGP passt
6Zu viele Kontrollvariablen ohne Begründung„Kitchen-Sink-Regression“ führt zu Multikollinearität und ÜberspezifikationKontrollvariablen theoretisch begründen; schrittweisen Modellaufbau zeigen

Software nach Vorliebe statt Lehrstuhl, Data Cleaning nicht dokumentiert, keine robusten Standardfehler, Screenshots statt Tabellen, Modellwahl ohne Theorie, Kitchen-Sink-Regression – sechs Fehler, die zusammen den Großteil aller Punktabzüge in ökonometrischen Abschlussarbeiten ausmachen. Unsere Autoren kennen jeden dieser Stolpersteine und liefern Arbeiten, in denen die Software zum Lehrstuhl passt, jeder Bereinigungsschritt kommentiert ist, robuste Standardfehler begründet werden und Tabellen sauber mit esttab oder stargazer exportiert sind.

8. Checkliste: Software-Entscheidung & ökonometrischer Workflow

Vor, während und nach der Analyse

  • Lehrstuhlpräferenz geklärt – welche Software wird unterstützt/erwartet?
  • Campuslizenz geprüft – Stata/EViews kostenlos über die Uni verfügbar?
  • Datenzugang gesichert – Nutzungsvertrag (z. B. SOEP, EU-SILC) rechtzeitig beantragt?
  • Data Cleaning vollständig dokumentiert – jeder Bereinigungsschritt im Skript kommentiert?
  • Deskriptive Statistik erstellt – Summary Table mit N, Mittelwert, SD, Min, Max?
  • Modellwahl theoretisch begründet – warum OLS, FE, IV oder Logit?
  • Robuste Standardfehler verwendet und begründet?
  • Diagnostik durchgeführt – Heteroskedastie, Multikollinearität, Endogenität geprüft?
  • Robustheitschecks dokumentiert – alternative Spezifikationen, Subsamples?
  • Tabellen sauber exportiert – esttab, stargazer oder modelsummary, nicht als Screenshot?
  • Code reproduzierbar – Do-File / R-Skript von Null an lauffähig, mit Kommentaren?
  • Code dem Anhang beigelegt oder digital eingereicht?

9. Häufig gestellte Fragen

Kann ich Python statt R oder Stata verwenden?

Grundsätzlich ja – Python (mit statsmodels, linearmodels, scikit-learn) ist für ökonometrische Analysen geeignet. Allerdings ist Python an VWL-Lehrstühlen im DACH-Raum noch weniger verbreitet als R. Das ökonometrische Paket-Ökosystem in Python ist jünger und weniger ausgereift als in R oder Stata. Wenn Ihr Lehrstuhl Python akzeptiert und Sie bereits Erfahrung haben, spricht nichts dagegen. Andernfalls bleiben Sie bei Stata oder R.

Wie beschreibe ich die Software im Methodenteil?

Ein Satz reicht: „Sämtliche Schätzungen wurden mit Stata 18 (StataCorp, 2023) durchgeführt. Die Do-Files zur Reproduktion der Ergebnisse befinden sich im Anhang.“ Bei R ergänzen Sie die zentralen Pakete: „Die Analyse wurde in R 4.3.2 (R Core Team, 2023) unter Verwendung der Pakete fixest, sandwich und ggplot2 durchgeführt.“ Vergessen Sie nicht, die Versionsnummer anzugeben.

Muss ich meinen Code in den Anhang der Arbeit aufnehmen?

Das hängt vom Lehrstuhl ab, aber es wird zunehmend erwartet – insbesondere bei empirischen Arbeiten. Mindestens das Hauptskript (Do-File oder R-Skript) mit den Regressionen sollte im Anhang oder als digitale Beilage enthalten sein. Das Data-Cleaning-Skript ist ebenfalls wertvoll. Tipp: Kommentieren Sie Ihren Code ausführlich – der Prüfer wird es Ihnen danken.

Wie finde ich heraus, ob meine Uni eine Campuslizenz für Stata hat?

Prüfen Sie die Website Ihres Rechenzentrums oder IT-Service-Centers unter „Software“ oder „Campuslizenzen“. Alternativ fragen Sie direkt bei Ihrem Lehrstuhl oder in der Fachschaft. Viele Universitäten bieten Stata über Citrix- oder VDI-Umgebungen an, sodass Sie es auch von zuhause nutzen können, ohne es selbst zu installieren.

Reicht SPSS für eine VWL-Bachelorarbeit?

SPSS ist in der Psychologie und Soziologie verbreitet, aber für ökonometrische Analysen nicht empfehlenswert. SPSS fehlen zentrale ökonometrische Verfahren wie IV-Schätzung, Paneldatenmodelle (Fixed/Random Effects) und robuste Standardfehler auf dem Niveau von Stata oder R. Wenn Ihr Lehrstuhl SPSS akzeptiert und Ihre Analyse sich auf OLS und Logit beschränkt, ist es möglich – aber Sie verzuögern Ihre akademische Entwicklung, weil kein VWL-Lehrstuhl langfristig auf SPSS setzt.

Wer kann mir beim Data Cleaning und bei Regressionsanalysen helfen?

Wenn Sie bei der Datenaufbereitung, Modellspezifikation oder Interpretation Ihrer Ergebnisse Unterstützung brauchen, können unsere Ghostwriter aus der VWL und Statistik-Experten helfen – von der Beratung zur richtigen Software über Data Cleaning bis hin zu fertigen Do-Files und R-Skripten. Auch bei der statistischen Auswertung komplexer Datensätze stehen Ihnen promovierte Fachkräfte zur Seite.

Kann ich Stata und R in derselben Arbeit kombinieren?

Technisch ja – manche Forschende nutzen R für Data Cleaning und Visualisierung, und Stata für die eigentlichen Regressionen. In einer Bachelorarbeit ist das jedoch unüblich und erhöht die Komplexität unnötig. Bleiben Sie bei einem Tool, um Reproduzierbarkeit und Konsistenz zu gewährleisten. Ausnahme: Wenn Sie eine Analyse in beiden Tools replizieren, kann das als Robustheitscheck dienen.

Weiterführende Ratgeber

Ghostwriter VWL Ghostwriter Wirtschaftswissenschaften Ghostwriter BWL Statistik-Beratung (R, SPSS, Stata) Ghostwriter Statistik Ghostwriter Hausarbeit Ghostwriter Seminararbeit Ghostwriter Bachelorarbeit Ghostwriter Masterarbeit Ghostwriter Diplomarbeit Ghostwriter Doktorarbeit Ghostwriter Qualitative Auswertung

Unterstützung bei Ihrer ökonometrischen Analyse?

Von der Software-Entscheidung über das Data Cleaning bis zum fertigen Ergebnisteil mit esttab oder stargazer – unsere Akademiker liefern ökonometrische Analysen, die methodisch korrekt, reproduzierbar dokumentiert und auf den Standard Ihres Lehrstuhls abgestimmt sind. Seit 2012 haben wir über 12.000 Projekte abgeschlossen, darunter hunderte empirische Arbeiten in VWL, BWL und Wirtschaftsinformatik mit Stata, R und EViews. Unsere Ghostwriter und Statistik-Experten unterstützen Sie bei Data Cleaning, Regressionsanalysen, Do-Files und R-Skripten – von der Datenbeschaffung bis zum fertigen Ergebnisteil.

Jetzt unverbindlich anfragen
crossmenu