Multivariate Zeitreihenanalyse mit EViews 4.1

Größe: px
Ab Seite anzeigen:

Download "Multivariate Zeitreihenanalyse mit EViews 4.1"

Transkript

1 Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive Beschreibung 1.1 Transformation von Zeitreihen Mit Procs/Generate by equation können Sie eine Zeitreihe transformieren, indem Sie bei Enter equation die Transformation der Zeitreihe eintippen. Bei instationären Zeitreihen erhalten Sie mit rseries=dlog(series) die Zeitreihe der logarithmischen Zuwächse. series ist dabei der Name der ursprünglichen Zeitreihe. Die Standardscores der Reihe können Sie mit folgendem Befehl ermitteln: ^ Zusammenfassen mehrerer Zeitreihen Mehrere Zeitreihen können in EVIEWS zu einer Gruppe zusammengefasst werden, indem sie unter gleichzeitigem Drücken der Str-Taste einmal mit der Maus angeklickt werden. Doppeltes Anklicken des markierten Feldes führt zur Auswahl verschiedener Optionen. Mit Open group erhalten Sie ein Group-Window. Über View/Descriptive Stats/Individual samples erhalten Sie eine Tabelle mit Mittelwert, Standardabweichung (Std.Dev.) und höheren Momenten, sowie einen Test auf Normalverteilung (letzter sollte allerdings nur in Kombination mit den Histogramm interpretiert werden). Mit Open Multiple Series erhalten Sie für jede Zeitreihe ein eigenes Fenster. Über View/Histogramm, View/Correlogramm und View/Unit Roots können Sie sich ein Bild der individuellen Zeitreihen verschaffen. 1.3 Empirische Korrelationen Die simultane Korrelation erhält man mit View/Correlations/Pairwise Samples. Innerhalb einer Gruppe erhält man die Kreuzkorrelation nur zwischen den ersten zwei Zeitreihen. Mit View/Crosscorrelation erhält man sowohl vorwärts(leads) als auch rückwärts (lag) gerichtete Kreuzkorrelation. Lead und lag für i=0 ist die simultane Korrelation. Hat man mehr als zwei Zeitreihen, so müsste man eine oder mehrere neue Gruppen eröffnen, die nur jeweils nur Zeitreihen enthalten. Eine übersichtliche Darstellung der Kreuzkorrelation mehrerer Zeitreihen erhält man, indem man ein VAR-Modell mit Ordnung 0 schätzt (siehe unten) und dann den button View/Residual Tests/Correlogram mit der Option Graph wählt. 1

2 2 Schätzen eines VAR(p)-Modells 2.1 Das VAR-Window Ein VAR-Modell definiert man am einfachsten, indem alle Zeitreihen, wie im vorigen Abschnitt beschrieben, zu einer Gruppe zusammengefasst werden. Doppeltes Anklicken des markierten Feldes und Wahl der Option Open VAR eröffnet ein VAR-Window. Bei VAR specification bleiben Sie bei der defaultmäßigen Option unrestricted VAR. In der Box Endogenous erscheinen die Zeitreihen, die Sie in der Gruppe ausgewählt haben. Man kann hier bei Bedarf noch weitere Zeitreihen hinzufügen. Als einzige exogene Variable tritt die Konstante auf, die weggeschaltet werden kann (entfernen Sie das OK bei include intercept). Ausserdem ist es möglich, andere Zeitreihen als exogene Variablen aufzunehmen. Diese erscheinen nur als Prädiktoren, nicht aber als endogene Variablen. Schließlich müssen Sie die Ordnung des Modells in der Box Lag intervals wählen, nämlich 1 p für ein VAR(p)-Modell, wenn p>0. Ein VAR(0), d.h. ein Modell, das nur die Konstante enthält, schätzt man, indem man 0 0 eingibt. Mit OK wird eine Schätzung des Modells durchgeführt. Mit dem button Name können Sie das VAR-Window abspeichern. Stellt sich nach Interpretation der Ergebnisse heraus, dass Sie die Modellordnung verändern wollen, so führt der button Estimate wieder zu jener Box zurück, wo das VAR-Modell definiert wird. 2.2 Ablesen der Schätzergebnisse Der Standardoutput nach der Schätzung, der jederzeit mit dem button Stats angezeigt wird, gliedert die Schätzergebnisse folgendermaßen auf: 1. Die Schätzergebnisse der individuellen OLS-Regressionen in Tabellenform. Jede Spalte dieser Tabelle entspricht einer Regressionsgleichung (Zeile) im VAR-Modell (im Tabellenkopf scheint die entsprechende Zeitreihe auf). Jede Zeile im EVIEWS- Output entspricht einer Prädiktorvariablen. Der Name der Prädiktorvariablen ist links ausgewiesen, in Klammer ist der lag angegeben. Die Konstante erscheint am Ende der Tabelle. Der Tabelleneintrag ist die OLS-Schätzung des entsprechenden Parameters, sowie darunter in Klammer die Standardabweichung und in der 3. Zeile in Klammer der t-wert. Beim Ablesen der Elemente der Matrizen Φ 1,...,Φ p ist folgendes zu beachten. Die Koeffizienten in der j-ten Zeile dieser Matrizen werden aus der j-ten Regressionsgleichung bestimmt, diese Gleichung entspricht der j-ten Spalte im EVIEWS-Output. Die Koeffizienten der Matrix Φ k entsprechen vergangenen Werten zum lag k. Diej-te Zeile der Matrix Φ k wird daher im EVIEWS-Output aus der j-ten Spalte abgelesen, und enthält alle jene Koeffizienten in dieser Spalte, die zum lag k gehören, dh. die Bezeichnung (-k) tragen. Mit View/Representations wird das geschätzte Modell in Form von Gleichungen angeschrieben. 2. Es folgen weitere Ergebnisse der individuellen OLS-Regressionen, wie z.b. Bestimmtheitsmaß (R-squared), Fehlerquadratsumme SSR (Sum sq resids), die Standardabweichung Σ jj des Fehlerterms der j.ten Regression (S.E. equation), AIC und Schwarz Criterium(SC). 3. Mit View/Residuals/Covariance Matrix erhält man die aus den OLS-Residuen 2

3 geschätzte Kovarianzmatrix Σ des Fehlerprozesses, die mit View/ Residuals/ Correlation Matrix in (simultane) Korrelationen umgerechnet wird. 2.3 Beurteilen der Stationarität Zur Beurteilung der Staionarität werden die Eigenwerte der Matrix F in der VAR(1)- Darstellung des VAR(p)-Modells herangezogen. Diese Eigenwerte, die auch komplex sein können, müssen alle betragsmäßig kleiner als 1 sein. Mit der Option View/Lag structure/ar Root Table und View/Lag structure/ar Root Graph können die Eigenwerte tabellarisch bzw. graphisch dargestellt werden. Die Zahl der Eigenwerte beträgt mp für ein VAR(p)-Modell mit m Zeitreihen, mehrfache Eigenwerte sind möglich. 2.4 Residuenanalyse Mit dem Button Resids erhält man ein Bild der Residuen der einzelnen individuellen Regressionen. Bei View/ Residuals Test stehen verschiedene Test zur Überprüfung der Residuen zur Verfügung. Die Option View/ Residuals Tests/Correlograms erzeugt empirische Autokorrelogramme und Kreuzkorrelogramme, die je nach Wahl, graphisch oder tabellarisch dargestellt werden können. Mit den Optionen View/Residuals Tests/Pormanteau Autocorrelation Tests und View/Residuals Tests/Normality Tests können die Residuen auf Unkorreliertheit und Normalität gestestet werden. 3 Modellvergleich, Wahl der Modellordung Der Output der VAR-Schätzung enthält eine Bewertung des gesamten Modells am Ende der Tabelle, insbesondere ein aggregiertes AIC und Schwarz Criterium. Diese beiden Kriterien entsprechen minimierten Fehlerquadratsummen mit Straftermen, die von der Zahl der Parameter abhängen. Es wird jenes Modell gewählt, das das kleinste Kriterium besitzt. Besonders bequem ist die Option View/Lag structure/lag length Criteria. Hier werden, ausgehend von einem VAR-Modell mit beliebiger Ordnung, alle Modellordnungen von 1 bis zu jenem lag ermittelt, der hier eingegeben wird, mit verschiedenen Methoden verglichen (auch AIC und SC). 4 Granger Causalitätstest Mit der Option View/ Lag structure/ Pairwise Granger Causality Tests,kanngestestet werden, ob eine bestimmte Zeitreihe eine andere im Sinne von Granger beeinflusst. Dieser Test wird im VAR-Modell zeilenweise für jede Zeitreihe durchgeführt, und zwar paarweise mit allen anderen Zeitreihen. Es erscheint für jede Zeitreihe eine Tabelle, wo für jede andere Zeitreihe im Modell die Nullhypothese,,Keine Beinflussung durch die angegebene Zeitreihe getestet wird, mit einer Prüfgröße, die asymptotisch χ p verteilt ist, und zugehörigen p-werten. 3

4 5 Vorhersage mit VAR(p)-Modellen 5.1 Vorhersage von stationären Zeitreihen Zur Vorhersage muss ausgehend von einem VAR-Window mit dem Button Procs/Make Model ein Modell definiert werden. EVIEWS eröffnet automatisch ein Model-Window, mit dem Vorhersagen erstellt und ausgewertet werden. Eine Vorhersage initiert man mit dem button Solve. Man kann zwischen deterministischer Vorhersage (nur Punktvorhersage) und stochastischer Vorhersage (Simulation künftiger Werte) wählen. Wählt man eine stochastische Vorhersage, so kann in der gegenüberliegenden Box angegeben werden, ob Standardfehler der Vorhersage (Std Dev) und/oder Vorhersageintervalle (Bounds) ermittelt werden sollen. Wichtig ist die Eingabe der Vorhersagezeitraumes links unten (Solution Sample), d.h. Beginn und Ende der Vorhersage, z.b. bei monatlichen Beobachtungen bis Dezember 2003, geben sie den Bereich 2004:1 bis 2005:12 ein, wenn Sie eine Vorhersage bis Dezember 2005 erstellen wollen. Eine Fehlermeldung deutet darauf hin, dass Sie im workfile den Datenrahmen erweiteren müssen. Das geschieht direkt beim Workfile-Window, indem Sie die Option Proc Change Workfile Range wählen, und das Ende des Datenrahmen dem Vorhersagehorizont anpassen. Mit OK wird die Vorhersage berechnet und in neu generierten Reihen im Workfile abgespeichert. Defaultmäßig wird an die Namen der beobachteten Zeitreihen der Buchstabe 0 angehängt, wenn Sie eine deterministische Vorhersage erstellen. Bei stochastischen Vorhersagen wird der Buchstabe 0m für den Mittelwert, 0s für die Standardabweichung, und 0l und 0m für die untere bzw. die obere Grenze einer Intervallvorhersage angehängt. 5.2 Auswerten der Vorhersage 1. Graphische Darstellung: Mit der Option Proc/Make Graph wird die Vorhersage graphisch dargestellt. In der Box solution series kann im pull-down Menü festgelegt werden, welche Größen von Interesse sind, z.b. Mittelwert plus/minus 2 Standardabweichungen oder Mittelwert plus Intervallvorhersagen. Rechts unten wird der interessierende Zeitausschnitt durch Beginn und Ende in der Box Sample for graph angegeben. Die defaultmäßige Wahl von EVIEWS, mit Beginn und Ende der Beobachtungen, ist in jedem Fall bei Vorhersagen uninteressant. Da man im allgemeinen die Vorhersagen mit den Beobachtungen vergleichen will, wird man den Beginn dieses Bereiches so wählen, das er eine ausreichend lange Beobachtungreihe umfasst, während das Ende sinnvollerweise mit dem Ende des Vorhesagezeitraums übereinstimmen wird. 2. Tabellarische Darstellung: Mit der Option Proc/Make Group/Table wird eine Gruppe mit den vorhergesagten Zeitreihen gebildet. In der Box solution series kann im pull-down Menü festgelegt werden, welche Größen von Interesse sind, z.b. Mittelwert plus/minus 2 Standardabweichungen oder Mittelwert plus Intervallvorhersagen oder alle Ergebnisse einer stochastischen Vorhersage. Mit OK wird eine tabellerische Darstellung der Gruppe in einem eigenem Group-Window erstellt, wobei der defaultmäßige Zeitausschnitt von EVIEWS mit Beginn und Ende der Beobachtungen wiederum bei Vorhersagen uninteressant ist. Im Group-Window kann mit dem 4

5 button Sample der interessierende Zeitausschnitt wie bei der graphischen Darstellung angepasst werden. 5.3 Vorhersage von instationären Zeitreihen Instationäre Zeitreihen kann man vorhersagen, indem man die (logarithmischen) Zuwächse mit einem VAR-Modell modelliert. Man kann die Zuwächse explizit berechnen und als eigene Reihe abspeichern. Die Vorhersage liefert dann Werte für die Zuwächse, aber keine Vorhersage für die ursprüngliche Zeitreihe. Gibt man bei der Definition des VAR-Modells die Zuwächse als Funktion der ursprünglichen Zeitreihe ein, kann man Vorhersagen sowohl für die Zuwächse als auch die ursprüngliche Zeitreihe erstellen. Dazu braucht man ein leeres VAR-Window, das man im äußersten Eviews-Window durch Drücken des buttonquick/estimate VAR eröffnet. Im Fenster endogeneous variable werden die logarithmischen Zuwächse der einzelnen Zeitreihen als Funktion dlog(series1) dlog(series2).. angegeben. Dann werden zum Schätzen des Modells tatsächlich die Zuwächse verwendet. Die Vorhersage wird wie oben mit Make model und solve gestartet. Bei der graphischen bzw. tabellarischen Darstellung, die wie oben mit Proc/Make Graph bzw. Proc/Make Group/Table eingeleitet wird, gibt es dann die option transform, bei der man mit level die ursprüngliche, nicht-stationäre Zeitreihe vorhersagen kann. 6 Kontegration und Fehlerkorrekturmodelle für bivariate Zeitreihen 6.1 Kontegrationstest In EVIEWS kann der Test auf Cointegration nach Johansen durchgeführt werden. Der Test wird entweder ausgehend von einem Group- oder einem VAR-Window über View/Cointegration Test aufgerufen. Sie müssen spezifizieren, ob ihre Zeitreihen keinen Drift haben (VAR assumes no deterministic trend)oderschon(var assumes linear trend in data, default). Weiters müssen Sie sich entscheiden, ob die Kointegrationsbeziehungen einen Intercept haben (Intercept (no trend) in CE, default)odernicht(no intercept or trend in CE). Wenn Sie sich für die Standardeinstellungen (default) entscheiden, brauchen Sie nichts zu verändern. Zum Abschluss wählen Sie die Lag-Länge im VAR-Modell für die Differenzen. Mit OK wird der Test durchgeführt. Der Testoutput enthält in der linken Spalte die der Größe nach sortierten Eigenwerte. Die weiteren Größen in der i.ten Zeile entsprechen dem Testen der Nullhypothese maximal i-1 Cointegrationsbeziehungen (die Hypothesen sind in der Spalte ganz rechts formuliert). In der zweiten Spalte steht die Testgröße, in der dritten und vierten Spalte die kritischen Werte zum 5% bzw. 1%-Niveau. EVIEWS bietet Hilfe bei der Durchführung des Tests an. Ist die Hypothese in der Spalte ganz rechts mit 2 Sternchen versehen, so kann sie mit geringen Risiko einer Fehlentscheidung (kleiner als 1%) verworfen werden, hat sie 1 Sternchen, so kann Sie mit einem Risiko zwischen 1% und 5% verworfen werden. Kein Sternchen bedeutet nicht-verwerfen. Zusammenfassend gilt: 5

6 Besitzt keine der Hypothesen ein Sternchen, so kann die Hypothese Die Zeitreihen sind nicht-stationär und nicht kointegriert nicht verworfen werden. Die Zuwächse der Reihe sollten mit einem VAR-Modell beschrieben werden. Besitzen alle Hypothesen ein oder zwei Sternchen, so müssen alle getesten Hypothesen verworfen werden, und es fällt die Entscheidung zu Gunsten der Hypothese Die Zeitreihen sind stationär aus. Wenn die erste Hypothese verworfen wird, hingegen die zweite nicht (Sternchen nur bei der zweiten Hypothese), so sind die Zeitreihen kointegriert. 6.2 Schätzen eines Fehlerkorrekturmodells bei kointegrierten Zeitreihen Zunächst werden die Zeitreihen unter gleichzeitigem Drücken der Str-Taste einmal mit der Maus angeklickt und zu einer Gruppe zusammengefasst. Doppeltes Anklicken des markierten Feldes und Wahl der Option Open VAR eröffnet ein VAR-Window. Bei VAR specification wählen Sie die Option Vector Error Correction. In der Box Endogenous erscheinen die Zeitreihen, die Sie in der Gruppe ausgewählt haben. Zum Abschluss wählen Sie die Lag-Länge im VAR-Modell für die Differenzen. Bei einem einfachen Fehlerkorrekturmodell wird hier der Bereich 0 0 eingegeben. Mit OK wird die Schätzung durchgeführt. Im Output erscheint zunächst die geschätzte Kointegrationsbeziehung in der Form Y 1,t β 2 Y 2,t c = ε t, d.h. die erste Variable wird automatisch auf die linke Seite der Kointegrationsbeziehung gebracht. Ein Umordnen der Variablen ist in der Box Endogenous möglich. Es folgen die Schätzergebnisse für das Fehlerkorrekturmodell. Jede Spalte entspricht einer Zeile des Modells für die Differenzen. Der erste Parameter (CointEq1 ) gibt den Koeffizienten an, mit dem die Gaps der Kointegrationsbeziehung zum Zeitpunkt t-1 multipliziert wird. Bei Kointegrierten Zeitreihen sollte mindestens einer dieser Parameter signifikant von 0 verschieden sein (t-wert in der 3. Zeile in Klammer). Dann folgen wie bei einem VAR-Modell die Parameter der Differenzen sowie Kenngrößen der einzelnen Modellgleichungen. Ganz am Ende findet man aggregiertes AIC und BIC zum Modellvergleich. Residuendiagnose und Vorhersage läuft wie bei dem VAR-Modell. 6

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell: Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

3. Einführung in die Zeitreihenanalyse

3. Einführung in die Zeitreihenanalyse 3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Kurs 9.3: Forschungsmethoden II

Kurs 9.3: Forschungsmethoden II MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop

Mehr

Regression mit Gretl Eine erste Einführung 1

Regression mit Gretl Eine erste Einführung 1 Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Stochastische Prozesse und Zeitreihenmodelle

Stochastische Prozesse und Zeitreihenmodelle Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Datenanalyse mit SPSS spezifische Analysen

Datenanalyse mit SPSS spezifische Analysen Datenanalyse mit SPSS spezifische Analysen Arnd Florack Tel.: 0251 / 83-34788 E-Mail: florack@psy.uni-muenster.de Raum 2.015 Sprechstunde: Dienstags 15-16 Uhr 25. Mai 2001 2 Auswertung von Häufigkeitsdaten

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Kapitel 3: Interpretationen

Kapitel 3: Interpretationen Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...

Mehr

3 Zusammenhangsmaße Zusammenhangshypothesen

3 Zusammenhangsmaße Zusammenhangshypothesen 3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Zeitreihen. Statistik II

Zeitreihen. Statistik II Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen

Mehr

EINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000

EINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000 INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2 MODUL 13 EINFACHE LINEARE REGRESSION Erziehungswissenschaft/Haider

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Abschlussklausur (60 Minuten), 15. Juli 2014

Abschlussklausur (60 Minuten), 15. Juli 2014 Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit

Mehr

Methoden Quantitative Datenanalyse

Methoden Quantitative Datenanalyse Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung

Mehr

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten Kapitel 3 Erste Schritte der Datenanalyse 3.1 Einlesen und Überprüfen der Daten Nachdem die Daten erfasst worden sind, etwa mit Hilfe eines Fragebogens, ist die nächste Frage, wie ich sie in den Rechner

Mehr

adjusted R 2 korrigiertes Bestimmtheitsmaß, korrigiertes R 2 Bias, Verzerrung coefficient of determination Bestimmtheitsmaß, R 2

adjusted R 2 korrigiertes Bestimmtheitsmaß, korrigiertes R 2 Bias, Verzerrung coefficient of determination Bestimmtheitsmaß, R 2 acceptance region Annahmebereich adjusted R 2 korrigiertes Bestimmtheitsmaß, korrigiertes R 2 alternative hypothesis Alternativhypothese asymptotic distribution asymptotische Verteilung asymptotic normal

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Dorothea E. Dette-Hagenmeyer Was sind dyadische Daten? Dyadische Daten sind Daten von zwei oder mehreren Personen, die etwas miteinander

Mehr

Einführung in die Zeitreihenanalyse mit EViews

Einführung in die Zeitreihenanalyse mit EViews 1. Einführung 1 Reinhold Kosfeld und Matthias Türck Einführung in die Zeitreihenanalyse mit EViews 1. Einführung Das Programm "Eviews" ist ein Computerprogramm der Firma "Quantitative Micro Software" für

Mehr

Versuchsauswertung mit Polynom-Regression in Excel

Versuchsauswertung mit Polynom-Regression in Excel Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

Kapitel 23 Lineare Regression

Kapitel 23 Lineare Regression Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Origin Tutorial. 1. Einleitung : 2.Importieren von Dateien in Origin :

Origin Tutorial. 1. Einleitung : 2.Importieren von Dateien in Origin : Origin Tutorial 1. Einleitung : Dieses Tutorial soll Einsteigern das Importieren und Plotten von Daten in Origin erklären. Außerdem werden Möglichkeiten zur Durchführung linearer Anpassungen, polynomieller

Mehr

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

Das Studiengangsinformationssystem (SGIS)

Das Studiengangsinformationssystem (SGIS) Das Studiengangsinformationssystem (SGIS) Manual für Typo3-Redakteure Version 1.a Mai 2015 Kontakt: Referat 1.4 - Allgemeine Studienberatung und Career Service Christian Birringer, christian.birringer@uni-rostock.de

Mehr

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,

Mehr

Browser Grid Funktionalitäten

Browser Grid Funktionalitäten Browser Grid Funktionalitäten Die Browser Grid Funktionalitäten können durch rechts Klick auf dem Grid eines Browsers aufgerufen werden. Fig. 1 Die erste Option Gruppe (bis zur ersten linie in Fig.1) enthält

Mehr

Log-lineare Analyse I

Log-lineare Analyse I 1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

Einführung in SPSS. 1. Die Datei Seegräser

Einführung in SPSS. 1. Die Datei Seegräser Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

Mediatioranalyse & Moderatoranalyse How to do

Mediatioranalyse & Moderatoranalyse How to do Mediatioranalyse & Moderatoranalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Mediatoranalyse bzw. eine Moderatoranalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem

Mehr

Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab

Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für

Mehr

Excel Pivot-Tabellen 2010 effektiv

Excel Pivot-Tabellen 2010 effektiv 7.2 Berechnete Felder Falls in der Datenquelle die Zahlen nicht in der Form vorliegen wie Sie diese benötigen, können Sie die gewünschten Ergebnisse mit Formeln berechnen. Dazu erzeugen Sie ein berechnetes

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Favoriten speichern und verwalten im Internetexplorer 7.x

Favoriten speichern und verwalten im Internetexplorer 7.x Favoriten speichern und verwalten im Internetexplorer 7.x Klaus-Dieter Käser Andreas-Hofer-Str. 53 79111 Freiburg Fon: +49-761-292 43 48 Fax: +49-761-292 43 46 www.computerschule-freiburg.de kurse@computerschule-freiburg.de

Mehr

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen

Mehr

SPSS-Skriptum. 1. Vorbereitungen für die Arbeit mit SPSS (im Seminar)

SPSS-Skriptum. 1. Vorbereitungen für die Arbeit mit SPSS (im Seminar) Die folgenden Erklärungen und Abbildungen sollen den Umgang mit SPSS im Rahmen des POK erleichtern. Diese beschreiben nicht alle Möglichkeiten, die SPSS bietet, sondern nur die Verfahren, die im Seminar

Mehr

Multivariate Verfahren

Multivariate Verfahren Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Biostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH

Biostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH Biostatistische Studienplanung II Dr. Matthias Kohl SIRS-Lab GmbH Inhalt Lineare Modelle: Definition und Beispiele KQ- und robuste Schätzer Diagnostik Ausblick: Mixed-Effects Definition des linearen Modells

Mehr

3.2 Bivariate Verteilungen

3.2 Bivariate Verteilungen 3.2 Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt i, i = 1,..., n, werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare/Kombinationen von

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

SPSS-Beispiel zu Kapitel 6: Methoden der Reliabilitätsbestimmung 1

SPSS-Beispiel zu Kapitel 6: Methoden der Reliabilitätsbestimmung 1 SPSS-Beispiel zu Kapitel 6: Methoden der Reliabilitätsbestimmung 1 Karin Schermelleh-Engel & Christina S. Werner Inhaltsverzeichnis 1 Empirischer Datensatz... 1 2 Interne Konsistenz... 2 3 Split-Half-Reliabilität...

Mehr

T-TEST BEI EINER STICHPROBE:

T-TEST BEI EINER STICHPROBE: Kapitel 19 T-Test Mit Hilfe der T-TEST-Prozeduren werden Aussagen über Mittelwerte getroffen. Dabei wird versucht, aus den Beobachtungen einer Stichprobe Rückschlüsse auf die Grundgesamtheit zu ziehen.

Mehr

DATA BECKERs Praxishandbuch zu SUSE Linux 10

DATA BECKERs Praxishandbuch zu SUSE Linux 10 DATA BECKERs Praxishandbuch zu SUSE Linux 10 Daniel Koch DATA BECKER Hardware vor dem Kauf prüfen 4. So läuft jede Hardware Längst wird Linux von vielen Hardwareherstellern unterstützt. Ganz reibungslos

Mehr

1 ÖFFNEN UND SPEICHERN VON DATEIEN... 2

1 ÖFFNEN UND SPEICHERN VON DATEIEN... 2 1 ÖFFNEN UND SPEICHERN VON DATEIEN... 2 2 SEITENANSICHT, ZOOM, FORMATIERUNGSZEICHEN... 2 2.1 SEITENANSICHT... 2 2.2 ZOOM... 2 2.3 FORMATIERUNGSZEICHEN... 3 3 MARKIEREN... 3 3.1 MARKIEREN VON ZEICHEN...

Mehr

Abhängigkeit zweier Merkmale

Abhängigkeit zweier Merkmale Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

1. Makrozulassung in Excel - Version 2010 -

1. Makrozulassung in Excel - Version 2010 - Damit die Excel-Maske richtig funktioniert, achten Sie bitte unbedingt auf die Reihenfolge der folgenden Schritte! 1. Makrozulassung in Excel - Version 2010 - Da die Excel-Maske Makros enthält, sollten

Mehr

Evaluation der Normalverteilungsannahme

Evaluation der Normalverteilungsannahme Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden

Mehr

Einfache Hypothesentests für multiple Regressionen

Einfache Hypothesentests für multiple Regressionen Kapitel 6 Einfache Hypothesentests für multiple Regressionen Economists have inherited from the physical sciences the myth that scientific inference is objective, and free of personal prejudice. This is

Mehr

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen?

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen? Beispielaufgaben LÖSUNG (1) Grenzen Sie eine einfache lineare Regression von einem Random Intercept Modell mit nur einem Level1-Prädiktor ab! a. Worin unterscheiden sich die Voraussetzungen? - MLM braucht

Mehr

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise A-Plan 12.0 Zeiterfassung 2.0 Ausgabe 1.1 Copyright Copyright 1996-2014 braintool software gmbh Kein Teil dieses Handbuches darf ohne ausdrückliche Genehmigung von braintool software gmbh auf mechanischem

Mehr

RÖK Typo3 Dokumentation

RÖK Typo3 Dokumentation 2012 RÖK Typo3 Dokumentation Redakteur Sparten Eine Hilfe für den Einstieg in Typo3. Innpuls Werbeagentur GmbH 01.01.2012 2 RÖK Typo3 Dokumentation Inhalt 1) Was ist Typo3... 3 2) Typo3 aufrufen und Anmelden...

Mehr

Klausur STATISTIK 2 für Diplom VWL

Klausur STATISTIK 2 für Diplom VWL Klausur STATISTIK 2 für Diplom VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens

Mehr

3 Variablen. 3.1 Allgemeines. 3.2 Definition und Verwendung von Variablen

3 Variablen. 3.1 Allgemeines. 3.2 Definition und Verwendung von Variablen 3 Variablen 3.1 Allgemeines Variablen werden in Prozeduren, Mustern und Parameter-Dokumenten definiert und verwendet und bei der Jobgenerierung durch die Werte, die ihnen zugewiesen werden, ersetzt. Variablen

Mehr

Inhaltsverzeichnis. Seite

Inhaltsverzeichnis. Seite UEmail und GMX Inhaltsverzeichnis I. Email/ Allgemeines 1 II. Emailprogramm GMX 1 1. Zugangsdaten bei GMX 1 2. Anmelden bei GMX/ Zugang zu Ihrem Email-Postfach 1 3. Lesen neuer Emails 4 4. Neue Email schreiben

Mehr

TempusCapio Erste Schritte

TempusCapio Erste Schritte TempusCapio Erste Schritte 1. Anlegen eines Friedhofs Klicken Sie unter dem Reiter Friedhöfe auf Bearbeiten um die Daten Ihres Friedhofes anzupassen. Einen weiteren zusätzlichen Friedhof können Sie bei

Mehr

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

Pascal-Compiler für den Attiny

Pascal-Compiler für den Attiny Das Attiny-Projekt MikroPascal 1 Pascal-Compiler für den Attiny Manch einer möchte vielleicht unsere Attiny-Platine nicht mit BASCOM programmieren. Verschiedene Alternativen bieten sich an. Ein besonders

Mehr

Bedienungsanleitung für den SecureCourier

Bedienungsanleitung für den SecureCourier Bedienungsanleitung für den SecureCourier Wo kann ich den SecureCourier nach der Installation auf meinem Computer finden? Den SecureCourier finden Sie dort, wo Sie mit Dateien umgehen und arbeiten. Bei

Mehr

A) Durchsuchen von Datenbanken im Internet durch Endnote

A) Durchsuchen von Datenbanken im Internet durch Endnote EINLEITUNG/ANWEISUNGEN ZU DIESEM TEXT Wir werden die obere Liste (File/ Edit usw.) benutzen, obwohl die meisten Funktionen auch möglich mit rechtem Mausklick, mit Kombinationen der Tastatur oder mit den

Mehr

Fragen und Antworten zu Kapitel 18

Fragen und Antworten zu Kapitel 18 Fragen und Antworten zu Kapitel 18 (1) Nennen Sie verschiedene Zielsetzungen, die man mit der Anwendung der multiplen Regressionsanalyse verfolgt. Die multiple Regressionsanalyse dient der Kontrolle von

Mehr

CAS-Ansicht Computer Algebra System & Cas spezifische Befehle

CAS-Ansicht Computer Algebra System & Cas spezifische Befehle CAS-Ansicht Computer Algebra System & Cas spezifische Befehle GeoGebra Workshop Handout 10 1 1. Einführung in die GeoGebra CAS-Ansicht Die CAS-Ansicht ermöglicht die Verwendung eines CAS (Computer Algebra

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Microsoft Excel Schnellkurs Physik Übungen für Mediziner. Maurizio Musso, Günter Moser, Kristjan Plätzer

Microsoft Excel Schnellkurs Physik Übungen für Mediziner. Maurizio Musso, Günter Moser, Kristjan Plätzer Microsoft Excel Schnellkurs Physik Übungen für Mediziner Maurizio Musso, Günter Moser, Kristjan Plätzer Vorwort Die folgenden Folien enthalten eine Kurzanleitung zu Microsoft Excel. Zur Erstellung wurde

Mehr