Vorlesung: Multivariate Statistik für Psychologen
|
|
- Marie Linden
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 9. Vorlesung: Agenda 2. Univariate Varianzanalyse iv. Varianzanalyse als Spezialfall der Regression Zusammenhang Regression und Varianzanalyse Exkurs: Dummy-Kodierung Berechnung einer Varianzanalyse mittels Regression Vergleich der Varianzzerlegung bei Regression und Varianzanalyse v. Verallgemeinerungen mehrfaktorielle Varianzanalyse vi. Annahmen und Voraussetzungen der univariaten Varianzanalyse Exkurs: Matrizenrechnung 2
2 Zusammenfassung letzte Sitzung Univariate Varianzanalyse Grundlagen und Ziele der univariaten Varianzanalyse Vergleich varianzanalytischer Verfahren Statistisches Modell der ANOVA Varianzzerlegung und Hypothesentestung Interpretation der Ergebnisse und Folgetests Güte des ANOVA-Modells, Determinationskoeffizient 3 Varianzanalyse als Spezialfall der Regression I Prädiktoren in der Regression vs. Varianzanalyse unterschiedliches Skalenniveau keine Anwendung der Regression für nominale, ordinale Prädiktoren keine lineare Restriktion der Erwartungswerte/Mittelwerte für einzelne Gruppen Anwendung der Dummy-Kodierung künstliche Benennung und Gegenüberstellung bestimmter Gruppen(mittelwerte) Referenzgruppenkodierung Effektkodierung Kontrastkodierung 4
3 Varianzanalyse als Spezialfall der Regression II Dummy-Kodierung (Fortsetzung) minimale Dekomposition der Gruppen/Kategorien Anzahl der Dummy-Variablen = Gruppen-/Kategorienzahl minus Eins Möglichkeit 1: Kodierung mit Referenzgruppe/-kategorie Dummy-Variable 2 Gruppen 3 Gruppen X 1 X 1 X 2 Gruppe Gruppe Gruppe Kodierungsprinzip Referenzgruppe/-kategorie auf allen Variablen gleich Null alle anderen Gruppen je auf einer Variable Eins, auf allen anderen Null 5 Varianzanalyse als Spezialfall der Regression III Möglichkeit 1: Kodierung mit Referenzgruppe/-kategorie (Fortsetzung) Regressionsgleichungen 2 Gruppen Modellgleichung: eingesetzte Gleichungen: 3 Gruppen Modellgleichung: eingesetzte Gleichungen: Yˆi = a + b X Ŷ1 = a Ŷ = a+ b i Y = a + b X + b X ˆi 1 1 i 2 2 i Ŷ = a Ŷ2 = a+ b1 Ŷ3 = a+ b2 Interpretation der Regressionsparameter Intercept a entspricht Gruppenmittelwert der Referenzgruppe/-kategorie Regressionskoeffizienten b k entsprechen Mittelwertsunterschied der Gruppe k zur Referenzgruppe/-kategorie Signifikanztests der Regressionskoeffizienten entsprechen Test auf Signifikanz der Unterschiede der Gruppenmittelwert 1 6
4 Varianzanalyse als Spezialfall der Regression IV Dummy-Kodierung (Fortsetzung) Möglichkeit 2: Effektkodierung Dummy-Variable Gruppe 1 Gruppe 2 Gruppe 3 2 Gruppen X Gruppen X 1 X Kodierungsprinzip erste Gruppe/Kategorie auf allen Variablen gleich -1 alle anderen Gruppen je auf einer Variable Eins, auf allen anderen Null 7 Varianzanalyse als Spezialfall der Regression V Möglichkeit 2: Effektkodierung (Fortsetzung) Regressionsgleichungen 2 Gruppen Modellgleichung: eingesetzte Gleichungen: 3 Gruppen Modellgleichung: eingesetzte Gleichungen: Yˆi = a + b X Ŷ1 = a b1 Ŷ = a+ b i Y = a + b X + b X ˆi 1 1 i 2 2 i Ŷ = a b b Ŷ2 = a+ b1 Ŷ3 = a+ b2 Interpretation der Regressionsparameter Intercept a entspricht Gesamtmittelwert aller Gruppen Regressionskoeffizienten b k entsprechen Mittelwertsunterschieden der Gruppen zum Gesamtmittelwert (für Gruppe 1 Summe aller Koeffizienten) Signifikanztests der Regressionskoeffizienten entsprechen Test auf Signifikanz der Unterschiede der Gruppenmittelwert 8
5 Varianzanalyse als Spezialfall der Regression VI Dummy-Kodierung (Fortsetzung) Möglichkeit 3: Kontrastkodierung Test spezifischer Hypothesen möglich Beispiel 1: Gleichheit der Gruppen 2 und 3 Beispiel 2: Gleichheit der Gruppe 1 mit Mittelwert der Gruppen 2 und 3 Dummy-Variable Gruppe 1 Gruppe 2 Gruppe 3 Beispiel 1 X Beispiel 2 X Kodierungsprinzip abhängig von Hypothese nur Test orthogonaler Kontraste möglich (d.h. nicht redundante Hypothesen) 9 Varianzanalyse als Spezialfall der Regression VII Möglichkeit 3: Kontrastkodierung (Fortsetzung) Regressionsgleichungen Beispiel 1 Modellgleichung: Y = a + b X + b X eingesetzte Gleichungen: Ŷ1 = a Ŷ2 = a b1 Ŷ = a+ b Beispiel 2 Modellgleichung: eingesetzte Gleichungen: Interpretation der Regressionsparameter ˆi 1 1 i 2 2 i 3 1 Y = a + b X + b X Y ˆ 1 = a 2 b1 Ŷ2 = a+ b1 Ŷ = a+ b ˆi 1 1 i 2 2 i 3 1 Bedeutung des Intercept und der Regressionskoeffizienten b k abhängig von Kodierung Signifikanztests der Regressionskoeffizienten entsprechen Test auf Gültigkeit der Hypothesen (z.b. Verhältnisse der Mittelwerte) 10
6 Varianzanalyse als Spezialfall der Regression VIII Berechnung einer Varianzanalyse mittels Regression Durchführbarkeit Varianzanalyse ist als Regression berechenbar (Spezialfall) Restriktion der Linearität der Erwartungswerte für Personen mit unterschiedlicher Ausprägung auf Prädiktor(en) muss aufgehoben werden Anwendung der Dummy-Kodierung Berechnung der Dummy-Variablen für einzelne Prädiktoren (in SPSS: Transformieren > Umkodieren in neue Variable) Kontrastkodierung (Test von orthogonalen Kontrasten) auch in einfaktorieller Varianzanalyse verfügbar (in SPSS: Analysieren > Mittelwertsvergleich > einfaktorielle Varianzanalyse > Kontraste) Ergebnisse Interpretation der Regressionskoeffizienten abhängig von Dummy-Kodierung Äquivalenz der Tests Mittelwertsvergleich ANOVA = Mittelwertsvergleich Regression (Gesamttest) zusätzlich in Regression gezielte Gruppenvergleiche möglich 11 Varianzanalyse als Spezialfall der Regression IX Vergleich der Varianzzerlegung und des Hypothesentests Varianzzerlegung gleich bei ANOVA und Regression mit Referenzgruppen- oder Effektkodierung systematische/erklärte Varianz: Zwischengruppenvarianz (ANOVA) gleich Varianz der Regression Abweichung der vorhergesagten Werte von Gesamtmittelwert Kodierung in Regression keine Restriktion der Erwartungswerte (=ANOVA) Fehler-/nicht erklärte Varianz: Innergruppenvarianz (ANOVA) gleich Fehlervarianz in Regression Abweichung der beobachteten Werte von vorhergesagten Werten (Gruppenmittelwerte) Freiheitsgrade gleich bei ANOVA und Regression mit Referenzgruppen- oder Effektkodierung Freiheitsgrade des Effekts Regression: Anzahl der Prädiktoren (= Anzahl der Gruppen -1) ANOVA: Anzahl der Gruppen
7 Verallgemeinerungen mehrfaktorielle Varianzanalyse I Grundprinzip siehe multiple Regression Effekte bei der mehrfaktoriellen Varianzanalyse Haupteffekte der Faktoren Mittelwertsunterschiede zwischen verschiedenen Gruppen dieses Faktors, gemittelt über die Faktorstufen der anderen Faktoren Interaktionseffekte der Faktoren Einfluss eines Faktors verschiedenen für verschiedene Faktorstufen eines anderen Faktors automatisch berücksichtigt in ANOVA (nicht in Regression) Beispiel Unterschiede bei der Punktzahl der Statistikklausur in Abhängigkeit vom Geschlecht (Faktor 1, zweistufig) und Teilnahme an den Lehrveranstaltungen (Faktor 2, zweistufig) 13 Verallgemeinerungen mehrfaktorielle Varianzanalyse II Veranschaulichung der Effekte am Beispiel Fall 1: nur Haupteffekt Geschlecht (kein Effekt VB, kein Effekt Interaktion) Faktor 2 Vorlesungsbesuch ja nein Faktor 1 Geschlecht weiblich männlich Mittelwert Mittelwert aller Vorlesungsbesucher über alle Stufen des Faktors 2 Mittelwert Mittelwert aller Frauen über alle Faktorstufen des Faktors 2 Gesamtmittelwert 14
8 Verallgemeinerungen mehrfaktorielle Varianzanalyse III Veranschaulichung der Effekte am Beispiel Fall 2: nur Interaktionseffekt (keine direkten Effekte Geschlecht, VB) Geschlecht weiblich männlich Mittelwert Vorlesungsbesuch ja nein Mittelwert Fall 3: Haupteffekt VB und Interaktionseffekt (kein Effekt Geschlecht) Geschlecht weiblich männlich Mittelwert Vorlesungsbesuch ja nein Mittelwert 15 Annahmen und Voraussetzungen der univariaten Varianzanalyse I Grundprinzip: siehe einfache und multiple Regression zentrale Annahmen und Voraussetzungen Annahmen über Fehlerterme/Residuen Normalverteilung der Residuen innerhalb jeder (Kombination) der Faktorstufen Folgen der Nicht-Normalverteilung: potentiell unbekannte Verteilung der Prüfgröße Gleichheit der Varianz der Residuen in jeder (Kombination) der Faktorstufen Folgen der Heteroskedastizität: potentielle Fehlinterpretation der (nicht-)vorhandenen Effekte Unabhängige Fehlerkomponenten Unabhängigkeit der Beobachtungen/Personen innerhalb einer Gruppe Unabhängigkeit der Teilstichproben/Gruppen Annahmen über das Stichprobenmodell Folgen der Verletzung: keine Verallgemeinerung der Effekte auf Populationsebene; Verlust an Teststärke 16
9 Annahmen und Voraussetzungen der univariaten Varianzanalyse II Test der zentralen Annahmen und Voraussetzungen Normalverteilung der Residuen Kolmogorov-Smirnov-Test für jede Faktorstufe/Gruppe mehrfaktoriell: K-S-Test für jede Kombination der Faktorstufen/Gruppen Varianzhomogenität (Homoskedastizität) Levene-Test auf Gleichheit der Varianzen in jeder (Kombination von) Faktorstufen in SPSS: im ANOVA-Menü Optionen > Homogenitätstest Unabhängige Fehlerkomponenten kontrolliert über das Erhebungsdesign Annahmen über das Stichprobenmodell kontrolliert über das Erhebungsdesign 17 Annahmen und Voraussetzungen der univariaten Varianzanalyse III Robustheit bei Verletzungen der Annahmen und Voraussetzungen Beurteilung der Robustheit Frage, unter welchen Bedingungen Voraussetzungsverletzungen zu welchen Verzerrungen führen (ermittelbar über Datensimulationen) Nicht-Normalverteilung der Residuen Schiefverteilung mit vernachlässigbarem Einfluss auf Verteilung der Prüfgröße schmalgipflige Verteilungen (positive Kurtosis): eher konservative Testung (Verlust an Teststärke) breitgipflige Verteilungen (negative Kurtosis): eher progressive Testung (Alpha- Fehler größer als 5%) Varianzheterogenität gleiche Stichprobengröße in Gruppen vernachlässigbarer Einfluss erhebliche Verzerrungen bei kleinen Stichproben und ungleicher Gruppengröße keine Unabhängigkeit der Beobachtungen innerhalb der Gruppen Unterschätzung der Innergruppenvarianz zu progressive Testung 18
10 Annahmen und Voraussetzungen der univariaten Varianzanalyse IV Fixierte vs. stochastische Faktoren Frage nach Verallgemeinerung der Effekte der Faktoren fixierte Faktoren "vollständige" Faktoren keine Verallgemeinerung der Effekte der Faktorstufen auf andere Faktorstufen (nur auf die Population innerhalb der Faktorstufen) Beispiel Vergleich der Abiturnoten der Schüler von 10 verschiedenen Schulen Verallgemeinerung der Ergebnisse auf die Population innerhalb dieser 10 Schulen stochastische Faktoren Faktorstufen als (zufällige) Stichprobe aus einer größeren Population von Faktorstufen Verallgemeinerung der Ergebnisse auf Population aller Faktorstufen Berücksichtigung des Stichprobenfehlers Beispiel (siehe oben) Verallgemeinerung der Ergebnisse der 10 Schulen auf mehr Schulen 19 Univariate Varianzanalyse FRAGEN? 20
11 Exkurs: Matrizenrechnung Definition und Typ einer Matrix Definition einer Matrix Matrix A ist geordnete Menge von Komponenten a ij mit i = 1,,n und j= 1,,m, die in n Zeilen und m Spalten angeordnet sind Indizierung: zuerst Zeile, dann Spalte Beispiel einer Matrix (2 x 3)-Matrix, d.h. n=2 Zeilen und m=3 Spalten a a a A = a21 a22 a A = ( a ij ) 23 Typ einer Matrix definiert durch Anzahl der Zeilen und Spalten: (n x m)-matrix Datenmatrizen beschreiben Daten mehrerer Personen auf mehreren Variablen n Zeilen = n Personen; m Spalten = m Variablen 21 Exkurs: Matrizenrechnung Spezielle Matrizen I Vektoren Matrix mit nur einer Zeile oder Matrix mit nur einer Spalte Zeilenvektor: Variablen in einer Zeile ( a11 a12 a13) Spaltenvektor: Variablen in einer Spalte Einsen Vektor Vektor, dessen Elemente alle gleich Eins Beispiel: Einsen-Zeilenvektor Einsen-Spaltenvektor a a a ( 1 1 1)
12 Exkurs: Matrizenrechnung Spezielle Matrizen II Quadratische Matrizen Matrix mit gleicher Anzahl Zeilen und Spalten: Typ (n x n) Beispiel: quadratische (3 x 3)-Matrix Hauptdiagonale der quadratischen Matrix A = Elemente der Diagonale von links oben nach rechts unten ( a11, a22, a33) Symmetrische Matrizen quadratische Matrix, bei der alle Elemente Beispiel: symmetrische (3 x 3)-Matrix a ij = a ji A = Exkurs: Matrizenrechnung Spezielle Matrizen III Diagonalmatrizen quadratische Matrix, bei der alle Elemente außerhalb der Hauptdiagonalen gleich Null Beispiel: (4 x 4)-Diagonalmatrix Skalarmatrizen Diagonalmatrix, bei der alle Diagonalelemente gleich sind Beispiel: (4 x 4)-Skalarmatrix A = A =
13 Exkurs: Matrizenrechnung Spezielle Matrizen IV Einheitsmatrizen Skalarmatrix mit allen Elementen der Hauptdiagonale gleich Eins Beispiel: (4 x 4)-Einheitsmatrix A = Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen I Grundrechenoperationen Addition, Subtraktion, Multiplikation und Division von Matrizen Anwendung spezieller Rechenregeln, die verschieden von Zahlenoperationen Transposition einer Matrix Berechnung der transponierte Matrix A aus Ursprungsmatrix A, indem Zeilen als Spalten und Spalten als Zeilen geschrieben werden aus (n x m)-matrix wird (m x n)-matrix Beispiel: Transponieren einer (2 x 3)-Matrix in eine (3 x 2)-Matrix A = A =
14 Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen II Addition/Subtraktion vom Matrizen Berechnung über Addition/Subtraktion der Elemente der Matrizen nur anwendbar auf Matrizen desselben Typs (n x m) Rechenregel: Beispiel Addition: A± B= ( a ) ± ( b ) = ( a + b ) ij ij ij ij = = Beispiel Subtraktion: = = Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen III Multiplikation/Division einer Matrize mit einem Skalar Skalar als (1 x 1)-Matrix Berechnung des Produkts als Multiplikation aller Elemente einer (n x m)-matrix mit dem Skalar: c A= c ( a ) = ( c a ) ij ij Beispiel Multiplikation: = = Berechnung des Quotienten einer Matrix mit einem Skalar als Produkt dieser Matrix mit dem Reziprok des Skalars: A/ c= A= ( aij) = aij c c c Beispiel Division: /3 8/3 3 / = 3 = /3 28
15 Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen IV Multiplikation zweier Matrizen Bedingung: Spaltenanzahl der Matrix A(n x m) entspricht der Zeilenanzahl der Matrix B(m x p) Ergebnis: Matrix vom Typ (n x p) Berechnung: jedes Element der i-ten Zeile der Matrix A wird mit jedem Element der j-ten Spalte der Matrix B multipliziert und aufaddiert Beispiel: A = B = AB = = Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen V Rechenregeln für die Addition es gelten Assoziativ- und Kommutativgesetz ( A+ B) + C = A+ ( B+ C) A+ B= B+ A für die Multiplikation mit einem Skalar es gelten Assoziativ- und Kommutativgesetz ( ) ( ) c c A = c c A c A= A c für die Multiplikation zweier Matrizen es gilt das Assoziativgesetz, aber nicht das Kommutativgesetz A B C= A BC ( ) ( ) A B B A 30
16 Exkurs: Matrizenrechnung Rechenoperationen mit Matrizen VI Rechenregeln (Fortsetzung) für die Multiplikation zweier Matrizen (Fortsetzung) es gilt das Distributivgesetz ( A+ B) C= A C+ B C ( ) C A+ B = C A+ C B für die Transposition A+ B = A + B ( ) ( A B) = BA 31 Ausblick Multivariate Varianzanalyse (MANOVA) Grundidee und Ziele der MANOVA Uni- vs. multivariate Varianzanalyse Statistisches Modell Datensituation Fragestellung der MANOVA Effekte einzelner abhängiger Variablen vs. Effekte der Linearkombinationen Varianzzerlegung Multivariate Prüfgrößen und Hypothesentestung 32
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 8. Vorlesung: 08.05.003 was man/frau schon immer wissen wollte I Interpolation und Extrapolation Schlussfolgerung auf erwarteten Wert einer Person aufgrund
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung:.5.3 Agenda 4. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Statistisches Modell, Hypothesentestung
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: 1.0.2003 Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrIV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 6. Vorlesung: 28.04.2003 Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, 01.05.03, 12 14 Uhr, IfP SR 9 neuer Termin:
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
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrFH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB 5./7. November 2008 Prof. Dr. H.-R. Metz. Matrizen 1. a m1 a m2 a m3 a mn
FH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB./7. November 2008 Prof. Dr. H.-R. Metz (Matrix) Matrizen 1 Ein System von Zahlen a ik, die rechteckig in m Zeilen und n Spalten angeordnet
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 11. Vorlesung: 18.0.200 Agenda. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Uni- vs. multivariate Varianzanalyse
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 36 Kovarianzanalyse 37 Modelle mit Messwiederholungen 1 / 85 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele
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:
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 5. Vorlesung: 4.04.003 Agenda. Multiple Regression i. Grundlagen Grundidee, Ziele der multiplen Regression Beispiele ii. iii. Statistisches Modell Modell
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 2. Vorlesung: 10.04.2003 Agenda 1. Organisatorisches 2. Datenbehandlung i. Unverfälschte Daten ii. Unverfälschte Korrelationen iii. Missing Data iv. Ausreißer
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
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
MehrInferenzstatistik verstehen
Markus Janczyk Roland Pfister Inferenzstatistik verstehen Von A wie Signifikanztest bis Z wie Konfidenzintervall ^ Springer Spektrum vii 1 Einführung und deskriptive Statistik 1 1.1 Wichtige mathematische
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrSkript zur Vorlesung Statistik 2
Weder die Autorin noch der Fachschaftsrat Psychologie übernimmt Irgendwelche Verantwortung für dieses Skript. Das Skript soll nicht die Lektüre der Prüfungsliteratur ersetzen. Verbesserungen und Korrekturen
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
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]
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
MehrGrundlagen der linearen Algebra
WINTERSEMESTER 006/07 SEITE Grundlagen der linearen Algebra. Grundbegriffe. Vektoren Aus der Vektorrechung ist bekannt, daß ein Vektor im zweidimensionalen Raum R bei gegebenem Koordinatensystem durch
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 71 Reelle Matrizen Prof Dr Erich Walter Farkas Mathematik I+II, 71 Reelle Matrizen 1 / 31 1 2 3 4 Prof Dr Erich
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
MehrMathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 32 8 Lineare Algebra: 1 Reelle Matrizen Grundbegriffe Definition
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
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrFormale Matrizenrechnung
LINEARE ALGEBRA Formale Matrizenrechnung Grundlagen: Formales Rechnen mit Matrizen Datei Nr. 6 Stand 3. September 5 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK 6 Matrizenrechnung: Grundlagen
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 5 Lineare Algebra
MehrLineare Algebra. Beni Keller SJ 16/17
Lineare Algebra Beni Keller SJ 16/17 Matritzen Einführendes Beispiel Ein Betrieb braucht zur Herstellung von 5 Zwischenprodukten 4 verschiedene Rohstoffe und zwar in folgenden Mengen: Z 1 Z 2 Z Z 4 Z 5
Mehr7 Matrizen über R und C
$Id: matrix.tex,v.9 08// :3:7 hk Exp $ 7 Matrizen über R und C In 6 hatten wir Matrizen nur als eine kompakte Schreibweise für lineare Gleichungssysteme eingeführt. In diesem Kapitel wollen wir die Matrizen
Mehr7 Matrizen über R und C
Mathematik für Physiker I, WS 06/07 Montag 9 $Id: matrixtex,v 7 06//9 :58: hk Exp $ 7 Matrizen über R und C 7 Addition und Multiplikation von Matrizen In der letzten Sitzung haben wir begonnen uns mit
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrBeispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
MehrInteraktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
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
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrMatrizen Definition: Typ einer Matrix
Matrizen Definition: Eine Matrix ist ein rechteckiges Zahlenschema. Die Matrix (Mehrzahl: Matrizen) besteht aus waagerecht verlaufenden Zeilen und senkrecht verlaufenden Spalten. Verdeutlichung am Beispiel:
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrHypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrTutorium: Diskrete Mathematik. Matrizen
Tutorium: Diskrete Mathematik Matrizen Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de Definition I Eine Matrix ist eine rechteckige Anordnung (Tabelle) von Elementen, mit denen man in bestimmter
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrEinführung in die Matrixalgebra
Einführung in die Matrixalgebra Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Bachelor S. Garbade (SRH Heidelberg) Matrixalgebra Bachelor
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrInhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
Mehr6.2 Die Varianzanalyse und das lineare Modell
6.2 Die Varianzanalyse und das lineare Modell Man ann die Varianzanalyse auch in einem linearen Modell darstellen. Im univariaten einfatoriellen Fall lautet die Gleichung des linearen Modells in Komponentenschreibweise:
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
Mehr9.1 ADDIEREN UND SUBTRAHIEREN VON MATRIZEN MULTIPLIKATION EINER MATRIX MIT EINEM SKALAR
Matrizen 9. ADDIEREN UND SUBTRAHIEREN VON MATRIZEN MULTIPLIKATION EINER MATRIX MIT EINEM SKALAR 9.. Definition der Matrizenaddition, der Matrizensubtraktion und der Multiplikation einer Matrix mit einem
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse 2 Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Kovarianzanalyse 5 Multivariate Varianzanalyse 6 Zweifaktorielle Varianzanalyse
MehrVektoren und Matrizen
Vektoren und Matrizen Die multivariate Statistik behandelt statistische Eigenschaften und Zusammenhänge mehrerer Variablen, im Gegensatz zu univariaten Statistik, die in der Regel nur eine Variable untersucht.
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
Mehr6 Lineare Algebra. 6.1 Einführung
6 Lineare Algebra 6.1 Einführung Die lineare Algebra ist für die Wirtschaftswissenschaften von zentraler Bedeutung. Einerseits liefert sie die theoretischen und praktischen Grundlagen für das Lösen linearer
Mehr2 Matrizenrechnung und Lineare Gleichungssysteme
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der
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
MehrMittelwertsvergleich bei mehr als 2 Stichproben. Marcus Hudec
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Argumentationstechniken PLUS Direkter Beweis einer Implikation A B (analog
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrChr.Nelius: Lineare Algebra (SS 2008) 1. 4: Matrizenrechnung. c ik := a ik + b ik. A := ( a ik ). A B := A + ( B). ist A =
Chr.Nelius: Lineare Algebra SS 28 4: Matrizenrechnung 4. DEF: a Die Summe A + B zweier m n Matrizen A a ik und B b ik ist definiert als m n Matrix C c ik, wobei c ik : a ik + b ik für alle i, 2,..., m
Mehr(A T ) T = A. Eigenschaft:
Elementare Matrizenrechnung m n-matrix von Zahlen A m n a 1,1 a 1,n a m,1 a m,n rechteckige Tabelle m n Dimension der Matrix Sprechweise: m Kreuz n wobei m Anzahl Zeilen, n Anzahl Spalten a i,j Element
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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
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
MehrKapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrMittelwertsvergleich 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
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
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
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
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
Mehr