Mittelwertsvergleich bei mehr als 2 Stichproben. Marcus Hudec
|
|
- Achim Keller
- vor 5 Jahren
- Abrufe
Transkript
1 Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor und man möchte testen, ob sie sich die Gruppen in Bezug auf den Mittelwert signifikant unterscheiden, ist es nicht adäquat einfach wiederholt mehrere paarweise Vergleiche durchzuführen. Als Standardmethode wird bei Annahme der Normalverteilung und konstanter Varianz in den Gruppen die einfache Varianzanalyse verwendet. Statistik für SoziologInnen 1
2 Einfache Varianzanalyse Methode geht auf Sir Ronald Fisher zurück Ein Faktor (qualitative Variable) teilt eine Grundgesamtheit in k-gruppen ein, wobei k>2 sei (ONEWAY ~ einfache Varianzanalyse, d.h. nur ein Faktor wird berücksichtigt, Ein-Weg- Varianzanalyse) Allgemeiner: ANOVA Analysis of Variance (hier können auch mehrere Faktoren analysiert werden) Statistik für SoziologInnen 2
3 Beispiel Fog-Index: Lesbarkeit von Texten 0,4*(durchschnittl. Anzahl Wörter pro Satz+Prozentsatz der Wörter mit mehr als 3 Silben) Newsweek 10,21 9,66 7,67 5,12 4,88 3,12 Scientific American 15,75 11,55 11,16 9,92 9,23 8,2 Sports Illustrated 9,17 8,44 6,1 5,78 5,58 5,36 Aus jedem Journal der 3 Journale wurden 6 zufällige Artikel ausgewählt und jeweils der Fog-Index ausgewertet. Statistik für SoziologInnen 3
4 Fragestellung: Sind die beobachteten Mittelwerts-Differenzen zufällige Schwankungen oder Ausdruck eines systematischen Effekts? Bevor wir eine inferenzstatistische Analyse durchführen, ist eine deskriptive Darstellung der empirischen Daten sinnvoll Mittelwert Varianz Standardabw. Newsweek 6,78 8,12 2,85 Scientific American 10,97 7,00 2,65 Sports Illustrated 6,74 2,68 1,64 Gesamtmittel 8,16 Statistik für SoziologInnen 4
5 Deskriptiver Vergleich mit Boxplots FogIndex Newsweek Scientific AmericanSports Illustr. Statistik für SoziologInnen 5
6 Alternative Visualisierung FogIndex Newsweek Scientific American Sports Illus Statistik für SoziologInnen 6
7 Notation Beobachtungen y ij Index i bezeichnet die Zugehörigkeit zur Gruppe und nimmt Werte von 1 bis k an Index j bezeichnet die Wiederholung in der Gruppe und nimmt Werte von 1 bis n an Wir treffen für die Notation folgende vereinfachende Annahme: die Anzahl der Beobachtungen in jeder der k Gruppen sei konstant n Die Methode der einfachen Varianzanalyse kann aber auch bei einer ungleichen Anzahl von Beobachtungen angewendet werden Statistik für SoziologInnen 7
8 Statistisches Modell der einfachen Varianzanalyse Faktor A mit Ausprägungen a 1,, a k y = µ + α + ε i = 1,, k j = 1,, n α = 0 ij i ij i i Gesamtmittel Effekt der Gruppe ε ij 2 ~ N(0, σ ) Im Beispiel: A Zeitung a1 Newsweek a2 Scient. Amer a3 Sports Illustrated Die Modellgleichung unterstellt, dass sich ein Messwert y ij konzeptionell wie folgt zusammensetzt: Gesamtmittelwert plus spezifischer Effekt der Gruppe - i plus zufällige Streuung der Beobachtung j in Gruppe i Statistik für SoziologInnen 8
9 Fehler-Modell Bezüglich des Fehlers nehmen wir an, dass die Beobachtungen innerhalb einer Gruppe jeweils mit der gleichen Varianz um den gruppenspezifischen Mittelwert entsprechend einer Normalverteilung streuen E( y ) = µ + α i = 1, K, k j = 1, K, n α = 0 ij i i i ε ij 2 ~ N(0, σ ) Modellannahme: Varianzhomogenität Statistik für SoziologInnen 9
10 Interessierende Hypothese Wir sind interessiert zu testen: H 0 : α 1 =... = α k = 0 Statistik für SoziologInnen 10 gegen H 1 : α i 0 für zumindest ein i {1, 2,..., k}. Das entspricht der Nullhypothese, dass alle Erwartungswerte gleich sind: H 0 : μ 1 = μ 2 =... = μ k H A : es gibt ein Paar μ i μ j, für das gilt: μ i μ j Falls H 0 abgelehnt wird, ist der Einfluss des Faktors zum gewählten Niveau statistisch abgesichert. Alternativ können wir auch sagen, dass zumindest eine Gruppe einen signifikant unterschiedlichen Erwartungswert aufweist.
11 Notation für k Gruppen mit je n Beobachtungen y 11 y 12 y 1n y i1 y i2 y in y k1 y k2 y kn y y i... Mittelwert in Gruppe i = 1 n n j= 1 1 nk y k ij n = i= 1 j= 1 y ij Gesamtmittelwert über alle k Gruppen Für Notation vereinfachende Annahme: konstante Anzahl von n Beobachtungen in jeder der k Gruppen Statistik für SoziologInnen 11
12 Konzept der Varianzanalyse Zur Analyse des Unterschiedes in Bezug auf den Mittelwert zwischen den k Gruppen wird die gesamte in der Datenmatrix enthaltene Streuung in zwei Komponenten zerlegt: Variabilität zwischen den Gruppen Variabilität innerhalb der Gruppen Der beobachtete Unterschied der Mittelwerte in den einzelnen Faktorstufen ist umso bedeutsamer, je geringer der Anteil der Variabilität in den Gruppen und je größer daher der Anteil der Variabilität zwischen den Gruppen ist Statistik für SoziologInnen 12
13 Visualisierung der Varianzzerlegung im Beispiel SS-Within bzw. SS-Residuals 8 Total Treatment 8 6 Sc.Americ. Newsweek Gesamtmittel 4 Sp. Sp. Illustrated Illustr. 2 0 Newsweek Sc. Amer Statistik für SoziologInnen 13
14 Rechenschema der Varianzzerlegung Spezialfall: Jede Ausprägung des Faktors wird genau n-mal wiederholt. Insgesamt gibt es dann N=n*k Beobachtungen Source of Variation SS degrees of freedom Sum of Squares Treatment SSA k-1 n k ( y 2 y ) i= 1 i... Mean Squares MSA=SSA/(k-1) Error SSE k(n-1) 2 ( yij yi. ) MSE=SSE/k(n-1) Total SST kn-1 2 ( y y ) ij ij ij.. SSTreatment ~ SSBetween ~ SSExplained SSError ~ SSWithin Im Beispiel: n=6, k=3, N=18 Statistik für SoziologInnen 14
15 Teststatistik Falls die Modellvoraussetzungen erfüllt sind, weist die Teststatistik F-Test = MSA/MSE (Mean Square Explained divididiert durch Mean Square Residual) unter der Nullhypothese eine F k 1, nk k Verteilung auf siehe dazu auch die Spalte df (degrees of freedom) in der ANOVA-Tabelle H 0 wird genau dann zu einem Niveau α abgelehnt, falls die F- Teststatistik größer als das entsprechende 1- α Quantil der F-Verteilung (der kritische Tabellenwert) mit k-1 und k(n-1) Freiheitsgraden ist. Statistik für SoziologInnen 15
16 F-Test Der F-Test ergibt sich also aus dem Quotienten der Variabilität zwischen den Gruppen dividiert durch die Variabilität innerhalb der Gruppen Je größer die Teststatistik ist, desto stärker ist der Unterschied der Mittelwerte ausgeprägt. Die Beurteilung der Signifikanz erfolgt mit der F- Verteilung, wobei die Freiheitsgrade genau den Freiheitsgraden der Streuungsursachen entsprechen. Statistik für SoziologInnen 16
17 Detaillierte Berechnung (siehe XLS) Newsweek 10,21 9,66 7,67 5,12 4,88 3,12 Scientific American 15,75 11,55 11,16 9,92 9,23 8,2 Sports Illustrated 9,17 8,44 6,1 5,78 5,58 5,36 Mittelwert Varianz Standardabw. Newsweek 6,78 8,12 2,85 Gesamtmittel 8,16 Scientific American 10,97 7,00 2,65 Sports Illustrated 6,74 2,68 1,64 SS TREATMENT 70,93 SS TOTAL 4,20 2,25 0,24 9,25 10,77 25,41 57,59 11,48 8,99 3,09 1,14 0,00 1,02 0,08 4,25 5,67 6,66 7,85 159,94 SS Residuals 11,79 8,31 0,80 2,74 3,60 13,37 22,86 0,34 0,04 1,10 3,02 7,66 5,91 2,90 0,41 0,92 1,34 1,90 89,01 Statistik für SoziologInnen 17
18 Ergebnis Df Sum of Squares Mean Squares F-value p-value SS TREATMENT 2 70,93 35,46 5,98 0,01234 SS Residuals 15 89,01 5,93 SS TOTAL ,94 9,41 Der F-Test testet die Hypothese, ob es überhaupt Unterschiede zwischen den Mittelwerten der Gruppen gibt. Die Teststatistik ist definiert durch den Quotienten MS TREATMENT /MS Residuals und folgt unter H 0 einer F-Verteilung mit k-1 und N-k [da N= n x k ist alternativ n x k - k oder k x (n-1)] Freiheitsgraden. Große Werte des F-Tests signalisieren, dass die Variabilität zwischen den Gruppen im Verhältnis zur Variabilität in den Gruppen bedeutsam ist kleiner p-value signifikante Differenzen. Statistik für SoziologInnen 18
19 Multiple Paarvergleiche Der F-Test testet die Hypothese, ob es überhaupt Unterschiede zwischen den Gruppen gibt. Angenommen der F-Test liefert ein signifikantes Resultat, so bedeutet dies, dass nicht alle Gruppenmittelwerte gleich sind. Es stellt sich nun die Frage: Welche der Gruppenmittelwerte unterscheiden sich wirklich (statistisch nachweisbar) voneinander? Keine adäquate Strategie ist es, hier einfach alle paarweisen Vergleiche zu rechnen, da es zu einer Kumulierung des α-fehlers kommt. Statistik für SoziologInnen 19
20 Multiple Paarvergleiche Bei k-gruppen gibt es k 2 k-gruppen Paarvergleiche paarweise Vergleiche. Da sich die einzelnen Fehlerwahrscheinlichkeiten der vielen Paarvergleiche kumulieren, ist der Fehler 1.Art insgesamt wesentlich größer als die für jeden einzelnen Paarvergleich gewählte Irrtumswahrscheinlichkeit. Statistik für SoziologInnen 20
21 Multiple Vergleiche Das Problem multipler Vergleiche (multiple comparisons) tritt beim Hypothesentesten ganz allgmein immer dann auf, wenn durch das wiederholte Anwenden von Hypothesentests im Rahmen einer empirischen Untersuchung der Fehler 1.Art vergrößert wird. Ziel muss es sein, den studienweiten Fehler für die gesamte Untersuchung zu kontrollieren (experimentelle Fehlerrate, experimentwise oder familywise error rate). Statistik für SoziologInnen 21
22 Multiple Vergleiche Führen wir im Rahmen einer Erhebung m unabhängige Vergleiche durch, und nehmen wir an, dass jede einzelne Nullhypothese zutrifft, so erhöht sich der Fehler 1.Art für die gesamte Untersuchung wie folgt: α gewählte Irrtumswahrscheinlichkeit pro Einzeltest α* Irrtumswahrscheinlichkeit der gesamten Untersuchung α = 0,05 α * = 1 (1 α) m m α* 1 0,05 2 0,10 3 0,14 4 0,19 5 0, , , ,92 Statistik für SoziologInnen 22
23 Bonferoni Korrektur Für den Fall, dass wir m nicht unabhängige Vergleiche durchführen, können wir aufgrund der Boole-schen Ungleichung folgende Aussage treffen α * m α Wir können diese Aussage dazu verwenden, um mit einem einfachen Trick sicherzustellen, dass die gesamte Fehlerrate unterhalb eines gewünschten Niveaus α * liegt. Wir wenden für jeden der m Einzeltests ein Niveau von α * /m testen. Die Fehlerrate für die einzelnen Tests wird also so gewählt, dass man die gewünschte experimentelle Fehlerrate durch die Gesamtzahl der durchzuführenden Tests dividiert. Diese konservative Vorgehensweise ist unter dem Namen Bonferroni-Korrektur bekannt. Statistik für SoziologInnen 23
24 Bonferoni Korrektur Will man also bei k Gruppen nachtesten, welche paarweisen Unterschiede signifikant sind, muss man das Signifikanzniveau also wie folgt adjustieren ( multiple comparisons problem ) Die einfachste (konservative) Methode: Bonferoni-Korrektur α α*/ k = 2 Ermittlung von Alpha für Einzeltest Dementsprechend wird jeder einzelne Paarvergleich zum Niveau 2α /(k²-k) getestet werden, um insgesamt ein Niveau von α * aufrechtzuhalten. Bei k=3 bedeutet dies, dass um die experimentelle Fehlerrate von 5% zu erhalten, alle 3 Paarvergleiche H o : µ 1 =µ 2, H o : µ 1 =µ 3 und H o : µ 2 =µ 3 zu einem Niveau von 1,6667% getestet werden müssen. (Entspricht Multiplikation des p-values mit 3) Statistik für SoziologInnen 24
25 Umsetzung mit SPSS ONEWAY FogIndex BY Zeitschrift /STATISTICS DESCRIPTIVES HOMOGENEITY /PLOT MEANS /MISSING ANALYSIS /POSTHOC=BONFERRONI ALPHA(0.05). Statistik für SoziologInnen 25
26 SPSS - Output Statistik für SoziologInnen 26
27 Prüfung der Modellannahmen - Bartlett Test Der Bartlett-Test püft, ob k Stichproben aus k Grundgesamtheiten mit gleichen Varianzen stammen. Der Bartlett Test setzt eine Normalverteilung in den k Gruppen voraus und reagiert sensitiv auf die Verletzung dieser Voraussetzung. (Verallgemeinerung des F-Tests) Die Teststatistik ist unter H 0 approximativ Chi²-verteilt mit k-1 Freiheitsgraden Statistik für SoziologInnen 27
28 Levene Test Der Levene-Test ist ein Signifikanztest, der es erlaubt auf die Gleichheit der Varianzen (Homoskedastizität) von zwei oder mehr Grundgesamtheiten (Gruppen) zu prüften. Die Nullhypothese ist, dass alle Gruppenvarianzen gleich sind. Die Alternativhypothese ist, dass mindestens ein Gruppenpaar ungleiche Varianzen besitzt (Heteroskedastizität). Der Levene-Test ist eine robuste Alternative zum Bartlett-Test, der Normalverteilung voraussetzt. Statistik für SoziologInnen 28
29 Levene Test H : σ = σ =... = σ k : σi σ j für mindestens ein Gruppenpaar i,j mit H i j Z = Y Y i = 1,..., k ij ij i L= k k n ( Z Z)² i= 1 n i= 1 j= 1 i ( Z Z)² ij ( k 1) ( N k) ~ F k 1; N k n n 1 1 Z = Z = Y Y i ij ij i n j= 1 n j= 1 Die Teststatistik ist formal identisch zur Teststatistik der einfachen Varianzanalyse für die Gleichheit von k-gruppenmittelwerten. Allerdings repräsentiert ein Gruppenmittelwert Z i eine robuste Schätzung der Gruppenvariabilität. Statistik für SoziologInnen 29
30 Achtung bei der Interpretation von nicht signifikanten Ergebnissen! Kein Beweis für Gleichheit der Varianzen (Power des Tests!) Lediglich Indikation, dass aus den empirischen Daten eine Verletzung der Annahme homogener Varianzen nicht gegeben erscheint. Statistik für SoziologInnen 30
31 Unterschiedliche Gruppengrößen In vielen praktischen Anwendungsfällen kann man nicht verhindern, dass die Anzahl der Beobachtungen in den verschiedenen Gruppen unterschiedlich sind Für diese Situation gibt es eine modifizierte Version der einfachen ANOVA. Streuungsurschae Summe der Abweichungsquadrate Freiheitsgrade Mittlere Quadratsumme Teststatistik Faktor SSA k 1 MSA=SSA/(k-1) f=msa/mse Fehler SSE N-k MSE=SSE/(N-k) Total SST=SSA+SSE N-1 N=Gesamtanzahl der Beobachtungen Statistik für SoziologInnen 31 N k = n i= 1 i
32 Unterschiedliche Gruppengrößen Bezeichnung y für den Gesamtmittelwert (anstelle von y.. im Falle gleicher Gruppengrößen), da y nun ein gewichtetes Mittel der ist. y i. = 1 n i n i j= 1 k 1 y = ni y N i= 1 Die F-Statistik MSA/MSE ist unter H 0 F-verteilt mit k 1 und N k Freiheitsgraden. Bemerkung: Bei 2 Gruppen ist dieser Test äquivalent zum zweiseitigen Zweistichproben t-test unter Annahme, dass die Varianzen in beiden Gruppen gleich sind. Statistik für SoziologInnen 32 y ij i. k i= 1 i= 1 j= 1 i. y i. SSA = n ( y y) k i n SSE = ( y y ) i ij i. 2 2
33 Modell-Annahmen Normalverteilung: F-Test ist robust, sofern Abweichung von Normalverteilung nicht zu stark! Annahme gleicher Varianzen in den Gruppen (Homoskedastizität): Wichtige Annahme! Wenn Gruppen verschiedene Varianzen haben, ist der Fehler erster Art nicht mehr garantiert. Mögliche Auswege: Verwenden der Welch-Korrektur auch beim F-Test zum Vergleich von k-gruppen Varianzstabilisierende Transformationen (zb. Arbeiten mit logarithmierten Werten) Statistik für SoziologInnen 33
34 Variante ohne Annahme gleicher Varianzen ONEWAY FogIndex BY Zeitschrift /STATISTICS DESCRIPTIVES WELCH /MISSING ANALYSIS. Statistik für SoziologInnen 34
35 Nichtparametrische Alternative Häufig gibt es Situationen, bei denen man der Modellvoraussetzung der Normalverteilung für den t-test (bzw. der einfachen Varianzanalyse) zum Vergleich der Mittelwerte von 2 (bzw. k>2) unabhängigen Stichproben nicht trauen kann. In diesem Fall eignet sich der U-Test nach Mann und Whitney (auch Wilcoxon Test für 2- unabhängige Stichproben genannt) als echte Alternative. Statistik für SoziologInnen 35
36 Mann Whitney U-Test Der U-Test ist für den Fall nicht-normaler Merkmals-Verteilungen geeignet, um auf die Gleichheit der Mittelwerte zu testen. Als einzige Voraussetzung gilt die Bedingung, dass die Form der Verteilungen in den beiden zu vergleichenden Gruppen gleich und stetig sein müssen. Statistik für SoziologInnen 36
37 Modell: t-test mit homogenen Varianzen Statistik für SoziologInnen 37
38 Modell: t-test mit verschiedenen Varianzen Statistik für SoziologInnen 38
39 Mann Whitney U-Test (Wilcoxon Test) Statistik für SoziologInnen 39
40 Mann Whitney U-Test (Wilcoxon Test) Der U-Test prüft also folgende Nullhypothese: Die Wahrscheinlichkeit einer Beobachtung aus den beiden Grundgesamtheiten ist für jede der beiden Grundgesamtheiten gleich (d.h. die Verteilungen sind gleich): H 0 : F 1 (x) = F 2 (x) versus H 1 : F 1 (x) = F 2 (x+a) Beachte Form der Verteilung bleibt erhalten ist aber auf der x-achse verschoben Das bedeutet auch hier wird Varianzhomogenität angenommen! Statistik für SoziologInnen 40
41 Grundidee: Mann Whitney U-Test Das Prinzip des U-Tests basiert auf folgender Überlegung: Sortiert man die Messwerte der beiden Stichproben in einer gemeinsamen Liste in aufsteigender Reihenfolge, so werden die Rangsummen für jede der beiden Stichproben sich nur dann stark unterscheiden, wenn sich die beiden Verteilungen unterscheiden (also die eine Gruppe systematisch kleinere Werte aufweist als die andere). Zur Berechnung der Prüfgröße U werden die Stichproben also gemeinsam sortiert und jeweils festgehalten, welcher Messwert zu welcher Stichprobe gehört. Statistik für SoziologInnen 41
42 Beispiel: Nutzung von 2 gruppen unserer Daten RANG Newsweek 10,21 Newsweek 3,12 1 Newsweek 9,66 Newsweek 4,88 2 Newsweek 7,67 Newsweek 5,12 3 Newsweek 5,12 Newsweek 7,67 4 Newsweek 4,88 Scientific American 8,2 5 Newsweek 3,12 Scientific American 9,23 6 Scientific American 15,75 Newsweek 9,66 7 Scientific American 11,55 Scientific American 9,92 8 Scientific American 11,16 Newsweek 10,21 9 Scientific American 9,92 Scientific American 11,16 10 Scientific American 9,23 Scientific American 11,55 11 Scientific American 8,2 Scientific American 15,75 12 Offensichtlich ist keine gute Durchmischung gegeben, die Rangsumme für Scientific American ist deutlich größer als jene von Newsweek R1 26 4,33 U1 31 R2 52 8,67 U U 5 Statistik für SoziologInnen 42
43 Mann Whitney U-Test Grundgedanke: Wie verteilen sich die Ränge in einer gemeinsamen Stichprobe? Ermittle die Rangsumme für jede Stichprobe und teste, ob diese extreme Werte annimmt. Ordne alle Beobachtungen und zähle die Ränge der ersten Gruppe (R 1 ~Rangsumme der Gruppe 1) sowie der zweiten Gruppe (R 2 ~ Rangsumme der Gruppe 1). Bestimme die Teststatistik U nach der Formel links unten Für deren Verteilung gibt es bei kleinen Stichproben eigene Tabellen; bei großen Stichproben Normalverteilung falls n 8; n 8 n1 ( n1+ 1) U1= nn 1 2+ R1 2 n ( n + 1) U = nn + R 2 U = min( U, U ) z = 1 2 n1 n2 U 2 n1 n2 ( n1+ n2 + 1) 12 Statistik für SoziologInnen 43
44 Beispiel: RANG Newsweek 10,21 Newsweek 3,12 1 Newsweek 9,66 Newsweek 4,88 2 Newsweek 7,67 Newsweek 5,12 3 Newsweek 5,12 Newsweek 7,67 4 Newsweek 4,88 Scientific American 8,2 5 Newsweek 3,12 Scientific American 9,23 6 Scientific American 15,75 Newsweek 9,66 7 Scientific American 11,55 Scientific American 9,92 8 Scientific American 11,16 Newsweek 10,21 9 Scientific American 9,92 Scientific American 11,16 10 Scientific American 9,23 Scientific American 11,55 11 Scientific American 8,2 Scientific American 15,75 12 R1 26 4,33 U1 31 R2 52 8,67 U U 5 Statistik für SoziologInnen 44
45 Interpretation: Mann Whitney U-Test Die Nullhypothese H 0 wird verworfen, wenn der berechnete U-Wert kleiner oder gleich dem kritischen Wert U krit (n 1, n 2, a). Das Verwerfen der Nullhypothese bedeutet, dass die Verteilungen nicht gleich sind. SPSS wirft ohnehin direkt den p-value aus. Lehnt man die Annahme der H 0 (gleiche Verteilung) ab, folgt daraus, dass die Mittelwerte ungleich sein müssen. Statistik für SoziologInnen 45
46 Verallgemeinerung des Mann Whitney-Test auf k-gruppen Nichtparametrische einfache Varianzanalyse nach Kruskal Wallis Statistik für SoziologInnen 46
47 Paarweise Vergleiche bei Kruskal Wallis Statistik für SoziologInnen 47
Mittelwertsvergleich bei mehr als 2 Stichproben
Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrStatistik II für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrVergleich von Parametern zweier Stichproben
Vergleich von Parametern zweier Stichproben Vergleich von Mittelwerten bei gebundenen Stichproben Vergleich von Mittelwerten bei unabhängigen Stichproben Vergleich von Varianzen bei unabhängigen Stichproben
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse Dirk Metzler & Martin Hutzenthaler 15. Juni 2010 Inhaltsverzeichnis 1 Die einfaktorielle Varianzanalyse und der F -Test
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrLiegen 2 Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen
Mittelwertsvergleich bei gebundenen Stichproben Liegen Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen Obj.1 Obj.... Obj.n
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler 20. Mai 2010 Inhaltsverzeichnis
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrVergleich von k unabhängigen Gruppen (einfaktorielle, einfache Varianzanalyse)
Vergleich von k unabhängigen Gruppen (einfaktorielle, einfache ) A: Faktor (Gruppenvariable) mit k Stufen (Faktorstufen) Modell Y ij = µ + α i + ǫ ij, i = 1...k, j = 1...n i µ: Gesamterwartungswert α i
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Martin Hutzenthaler & Dirk Metzler http://www.zi.biologie.uni-muenchen.de/evol/statgen.html
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm./HST) FS 2014
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm./HST) FS 2014 Wdh: t-test für eine Stichprobe 1. Modell: X i ist eine kontinuierliche MessgrÄosse; X 1 ; : : : ; X n iid N (¹; ¾ 2 X ); ¾ X wird
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrHypothesentests. Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht.
Hypothese Behauptung eines Sachverhalts, dessen Überprüfung noch aussteht. Wissenschaftliche Vorgehensweise beim Hypothesentest Forscher formuliert eine Alternativhypothese H 1 (die neue Erkenntnis, die
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrAnalyse 2: Hypothesentests
Analyse 2: Hypothesentests Ashkan Taassob Andreas Reisch Inhalt Motivation Statistischer Hintergrund Hypothese Nullhypothesen Alternativhypothesen Fehler beim Hypothesentesten Signifikanz-LEVEL und P-value
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir analysieren den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrSTATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrStatistik II für Betriebswirte Vorlesung 5
Statistik II für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 5 Version:
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
MehrAlternative Darstellung des 2-Stichprobentests für Anteile
Alternative Darstellung des -Stichprobentests für Anteile DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrWelche(s) Paar(e) ist(sind) denn nun signifikant verschieden?
Welche(s) Paar(e) ist(sind) denn nun signifikant verschieden? Der F-Test der Varianzanalyse erlaubt lediglich eine Existenzaussage über ein Paar (i,j) mit µ i µ j zum einem Niveau α. In der Praxis interessiert
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrBiostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test
1/22 Biostatistik, WS 2013/2014 Wilcoxons Rangsummen-Test Matthias Birkner http://www.mathematik.uni-mainz.de/~birkner/biostatistik1314/ 20.12.2013 Motivation 4/22 Bei (ungefähr) glockenförmigen und symmetrisch
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 5. Juni 2013 Christodoulides / Waldherr Einführung in Quantitative Methoden- 11. VO 1/48 Anpassungstests allgemein Gegeben:
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
Mehr