Bestimmen Sie die Absatzmenge eines Unternehmens, die sich bei Werbeausgaben in Höhe von ergeben wird. Werbeausgaben ( 1000)
|
|
- Jan Boer
- vor 5 Jahren
- Abrufe
Transkript
1 Übungsaufgabe Bestimmen Sie die Absatzmenge eines Unternehmens, die sich bei Werbeausgaben in Höhe von ergeben wird. Werbeausgaben ( 1000) Absatz ( 1000) Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 1
2 Klassische Regressionsanalyse Modellzusammenfassung Standardfe Modell R R-Quadrat Korrigiertes R-Quadrat hler des Schätzers 1,915(a),836,809 82,76768 a Einflußvariablen : (Konstante), Werbeausgaben (in 1000 Euro) Koeffizienten(a) Nicht standardisierte Koeffizienten Standardisiert e Koeffizienten Standardfe Modell B hler Beta T Signifikanz 1 (Konstante) 352,071 68,976 5,104,002 Werbeausgaben (in 1000 Euro) 2,824,510,915 5,538,001 a Abhängige Variable: Absatz (in 1000 Euro) Absatz = 352, ,824 * Werbeausgaben Absatz = 352,071+2,824 * 85 (Tausend) = 592,111 (Tausend) Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 2
3 Streudiagramm (Absatz; Werbeausgaben) Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 3
4 Lineare Anpassung Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 4
5 Quadratische Anpassung Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 5
6 p Bereits mit dem bloßem Auge kann man erkennen, dass eine quadratische Funktion genauer ist. D.h. die Abweichungen zwischen der Kurve und den gemessenen Werten geringer sind. Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 6
7 Hilfe zur Modellauswahl in SPSS: Menü Kurvenanpassung Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 7
8 Hilfe zur Modellauswahl in SPSS: Dialog Kurvenanpassung Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 8
9 Modellauswahl Modellzusammenfassung und Parameterschätzer Modellzusammenfassung Parameterschätzer Gleichung R-Quadrat F Freiheitsgr ade 1 Freiheitsgr ade 2 Sig. Konstante b1 b2 b3 Linear,836 30, , ,071 2,824 Quadratisch, , ,000 12,057 10,126 -,030 Kubisch, , ,000 22,606 9,781 -,027-8,64E-006 Potenzfunktion,928 77, ,000 64,048,503 S-förmig, , ,000 6,986-43,220 p Welcher Funktionsverlauf beschreibt den Zusammenhang am besten? p Guter Anfang: Vergleich von r 2 verschiedener Funktionsverläufe. [Modell mit dem höchsten r 2 -Wert erklärt die meiste Varianz in der abhängigen Variable] p Bei polynomialen Modellen mit gleichen r 2 ist das einfachste also mit wenigsten Variablen zu bevorzugen [zwecks Interpretierbarkeit] Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 9
10 Modellierung eines quadratischen Modells p Absatz = β 0 + β 1 * Werbeausgaben + β 2 * (Werbeausgaben) 2 p Um dieses Modell zu berechnen, muss zunächst eine neue Variable quadrierte Werbeausgaben eingeführt werden Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 10
11 Erstellen einer neuen Variable: SPSS-Dialogs Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 11
12 Ergebnisse der Berechnung vom quadratischen Modell Modellzusammenfassung Standardfe Modell R R-Quadrat Korrigiertes R-Quadrat hler des Schätzers 1,994(a),988,983 24,95107 a Einflußvariablen : (Konstante), Hilfsvariable: quadrierte Werbeausgaben, Werbeausgaben (in 1000 Euro) Koeffizienten(a) Nicht standardisierte Koeffizienten Standardisiert e Koeffizienten Standardfe Modell B hler Beta T Signifikanz 1 (Konstante) 12,057 48,238,250,813 Werbeausgaben (in 1000 Euro) 10,126,947 3,279 10,689,000 Hilfsvariable: quadrierte Werbeausgaben -,030,004-2,397-7,812,001 a Abhängige Variable: Absatz (in 1000 Euro) Absatz = 12, ,126 * Werbeausgaben 0,03 * (Werbeausgaben) 2 Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 12
13 Modellvergleich Klassisches Modell Modellzusammenfassung Quadratischer Zusammenhang Modellzusammenfassung Standardfe Modell R R-Quadrat Korrigiertes R-Quadrat hler des Schätzers 1,915(a),836,809 82,76768 a Einflußvariablen : (Konstante), Werbeausgaben (in 1000 Euro) Standardfe Modell R R-Quadrat Korrigiertes R-Quadrat hler des Schätzers 1,994(a),988,983 24,95107 a Einflußvariablen : (Konstante), Hilfsvariable: quadrierte Werbeausgaben, Werbeausgaben (in 1000 Euro) Absatz = 352, ,824 * Werbeausgaben Absatz = 12, ,126 * Werbeausgaben - 0,03 * (Werbeausgaben) 2 r 2 < r 2 r 2 KORR < r 2 KORR Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 13
14 Besser ist nicht immer gut p Ungefähr ab dem Punkt Werbeausgaben = 175 wird fallender Absatz prognostiziert. p Evtl. wiederspricht das der Logik p Trotz hohem r 2 ist dieses Modell evtl. nicht nutzbar (zumindest für einen bestimmten Bereich). Seine generelle Gültigkeit ist zu bezweifeln. [In Konstellationen, bei denen mit Reaktanz nicht zu rechnen ist] Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 14
15 S-förmig oder exponentiell? p S-förmig y = e β 0 + β 1 1 x oder ln( y) = β β 1 x p Exponent 1 y = β x 0 β x oder ln( y) = ln( β ) + β1 ln( 0 x ) Modellzusammenfassung und Parameterschätzer Modellzusammenfassung Parameterschätzer Gleichung R-Quadrat F Freiheitsgr ade 1 Freiheitsgr ade 2 Sig. Konstante b1 Potenzfunktion,928 77, ,000 64,048,503 S-förmig, , ,000 6,986-43,220 Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 15
16 Modellzusammenfassung und Parameterschätzer Modellzusammenfassung Parameterschätzer Gleichung R-Quadrat F Freiheitsgr ade 1 Freiheitsgr ade 2 Sig. Konstante b1 Potenzfunktion,928 77, ,000 64,048,503 S-förmig, , ,000 6,986-43,220 Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 16
17 Modellzusammenfassung a Einflußvariablen : (Konstante), 1/Werbeausgaben Standardfe Modell R R-Quadrat Korrigiertes R- Quadrat hler des Schätzers 1,987(a),974,969,05448 a Abhängige Variable: ln(absatz) Koeffizienten(a) Nicht standardisierte Koeffizienten Standardisiert e Koeffizienten Standardfehle Modell B r Beta T Signifikanz 1 (Konstante) 6,986, ,105,000 1/Werbeausgaben -43,220 2,901 -,987-14,901,000 y = e β 0 + β 1 1 x Absatz = e 1 6,986 43,22 Werbeausgaben Absatz = exp (6,986-43,22/Werbeausgaben) Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 17
18 Modellvergleich S-förmiges Modell Modellzusammenfassung a Einflußvariablen : (Konstante), 1/Werbeausgaben Standardfe Modell R R-Quadrat Korrigiertes R- Quadrat hler des Schätzers 1,987(a),974,969,05448 Quadratischer Zusammenhang Modellzusammenfassung Standardfe Modell R R-Quadrat Korrigiertes R-Quadrat hler des Schätzers 1,994(a),988,983 24,95107 a Einflußvariablen : (Konstante), Hilfsvariable: quadrierte Werbeausgaben, Werbeausgaben (in 1000 Euro) Absatz = exp(6,986-43,22 / Werbeausgaben) Absatz = 12, ,126 * Werbeausgaben - 0,03 * (Werbeausgaben) 2 r 2 < r 2 r 2 KORR < r 2 KORR Jun.-Prof. Dr. Paul Marx Universität Siegen Regressionsanalyse Folie 18
Test von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 17.12.2002 Life is the art of drawing sufficient conclusions from insufficient premises. Samuel Butler Dr. Wolfgang Langer Institut für
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrSPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1
SPSS-Ausgabe : Univariate Varianzanalyse [DatenSet] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav Tests der Zwischensubjekteffekte Abhängige Variable: Einkommen Quelle Korrigiertes Modell Konstanter
MehrMethoden empirischer Sozial- und Wirtschaftsforschung
Dr. sc. Siassi HTW Berlin Januar 2017 Klausur Methoden empirischer Sozial- und Wirtschaftsforschung Aufgabe 1 40 Punkte Fallzusammenfassung Fälle Gültig Fehlend Gesamt N Prozent N Prozent N Prozent $Verkehrsmittel
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
MehrHypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrKreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:
Kreuzvalidierung. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS: SPSS erzeugt eine neue Variable Filter_$. Die herausgefilterten Fälle werden im Datenfenster angezeigt
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrHeinz Holling & Günther Gediga. Statistik - Deskriptive Verfahren
Heinz Holling & Günther Gediga Statistik - Deskriptive Verfahren Übungen Version 15.12.2010 Inhaltsverzeichnis 1 Übung 1; Kap. 4 3 2 Übung 2; Kap. 5 4 3 Übung 3; Kap. 6 5 4 Übung 4; Kap. 7 6 5 Übung 5;
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
MehrGliederung. 1. Einführung. Heute schon Musik gehört?
Regressionsanalyse Technische Universität Chemnitz Seminar: Forschungsmethodik und Evalua
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
MehrGeschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3
Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrStatistik I für Studierende der Wirtschaftswissenschaften Übungsblatt 12 Prof. Dr. Christian Heumann WS 2015/16
Statistik I für Studierende der Wirtschaftswissenschaften Übungsblatt 2 Prof. Dr. Christian Heumann WS 205/6 Aufgabe : Der Datensatz Theater (verfügbar auf der Homepage) beinhaltet Informationen über eine
MehrStandardab 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
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
Mehr1 Übungsaufgaben zur Regressionsanalyse
1 Übungsaufgaben zur Regressionsanalyse 1 1 Übungsaufgaben zur Regressionsanalyse 1.1 Übungsaufgaben zu Seite 1 und 2 1. Wie lautet die Regressionsfunktion? 2. Welche Absatzmenge ist im Durchschnitt bei
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 10.15-11-45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
MehrEinführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012
Einführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012 Es können von den Antwortmöglichkeiten alle, mehrere, eine oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort
MehrEinfache lineare Regressionsanalyse
Dr. Matthias Rudolf Modul M3: Multivariate Statistik Aufgaben und Lösungshinweise zum Computerseminar ERA: Einfache lineare Regressionsanalyse Dr. Matthias Rudolf: Modul BA-M3 Multivariate Statistik Seite
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrProjekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?
AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 9A a.
LÖSUNG 9A a. Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Das Regressionsmodell soll nur für Büropersonal angewendet werden Management- und Bewachungspersonal (MIND =0) soll nicht einbezogen
MehrStatistik II Übung 3: Hypothesentests
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
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. . Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
Mehrder Datenauswertung (Übung)
Fortgeschrittene Verfahren der Datenauswertung (Übung) 4.Veranstaltung, 23.01.2015 Multidimensionale Skalierung Dipl.-Kffr. Vanessa Pfegfeidel Prof. Dr. Dirk Temme Lehrstuhl für Methoden der empirischen
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrWir gehen in dieser Vorlesung mit folgenden Zahlbereichen um: zweier ganzer Zahlen p und q schreiben kann.
1 Grundlagen 1.1 Das Rechnen mit Zahlen Wir gehen in dieser Vorlesung mit folgenden Zahlbereichen um: N: natürliche Zahlen 1, 2, 3, 4, 5,... Z: ganze Zahlen..., 3, 2, 1, 0, 1, 2, 3,... Q: rationale Zahlen:
MehrEine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie zunächst eine Stichprobe dieser beiden Merkmale
Wirtschaftswissenschaftliches Zentrum 4 Universität Basel Statistik Dr. Thomas Zehrt Regression Motivation Eine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden.
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrKlausur Statistik I Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrMarketing. Übungsaufgaben Kapitel 6. Konditionenpolitik
Fachhochschule Schmalkalden, M.Sc. Annette Liebermann Übungsaufgaben Kapitel 6 Konditionenpolitik 6.2 Preistheorie Aufgabe 2 Preiselastizität der Nachfrage: Erläutern Sie, was unter der Preiselastizität
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
MehrMarketing III - Angewandte Marktforschung (SS 2016)
TECHNISCHE UNIVERSITÄT ILMENAU Fakultät für Wirtschaftswissenschaften und Medien Fachgebiet Marketing Univ.-Prof. Dr. rer. pol. habil. Anja Geigenmüller Marketing III - Angewandte Marktforschung (SS 2016)
MehrEiniges zu den Potenzfunktionen. Exponentialfunktionen
Einiges zu den Potenzfunktionen Es sind zunächst zwei Arten der Potenzfunktionen zu unterscheiden. Erstens die eigentlichen Potenzfunktionen, bei denen die Variable x als Basis von Potenzen vorkommt. Diese
MehrDiese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Wa
103 Diese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Was bedeutet das für die Ableitungen? Was ist eine
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
Mehr1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis
1. Inhaltsverzeichnis 1. Inhaltsverzeichnis... 1 2. Abbildungsverzeichnis... 1 3. Einleitung... 2 4. Beschreibung der Datenquelle...2 5. Allgemeine Auswertungen...3 6. Detaillierte Auswertungen... 7 Zusammenhang
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
Mehr5 Grundlagen der Differentialrechnung
VWA-Mathematik WS 2003/04 1 5 Grundlagen der Differentialrechnung 5.1 Abbildungen Unter einer Abbildung f, f:d W, y= f( ) von einer Menge D (Definitionsbereich) in eine Menge W (Wertemenge) versteht man
MehrBivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation
Bivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation PEΣO 12. November 2001 Von der Tabellenanalyse zur Regression Die bivariate Verteilung zweier metrischer Variablen kann konzeptionell
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
MehrMathematik für Wirtschaftswissenschaftler
Mathematik für Wirtschaftswissenschaftler Yves Schneider Universität Luzern Frühjahr 2016 Repetition Kapitel 1 bis 3 2 / 54 Repetition Kapitel 1 bis 3 Ausgewählte Themen Kapitel 1 Ausgewählte Themen Kapitel
MehrSteigert computerunterstütztes Lernen das Interesse an Physik? Hildegard Urban-Woldron
Steigert computerunterstütztes Lernen das Interesse an Physik? Hildegard Urban-Woldron Übersicht Ausgangssituation Fragestellung und Hypothesen Theoretisches Modell Ergebnisse aus Vorerhebungen Instrumente
MehrMarketing. Übungsaufgaben Kapitel 6. Konditionenpolitik
Fachhochschule Schmalkalden, M.Sc. Annette Liebermann Übungsaufgaben Kapitel 6 Konditionenpolitik 6.2 Preistheorie Aufgabe 2 Anwendungsaufgabe Preiselastizität der Nachfrage : Eine AG will ein neues Produkt
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
Mehre-funktionen Aufgaben
e-funktionen Aufgaben Die Fichte ist in Nordeuropa und den Gebirgen Mitteleuropas beheimatet. Durch Aufforsten wurde sie jedoch auch im übrigen Europa weit verbreitet. Fichten können je nach Standort Höhen
MehrWirtschaftsmathematik: Mathematische Grundlagen
Wirtschaftsmathematik: Mathematische Grundlagen 1. Zahlen 2. Potenzen und Wurzeln 3. Rechenregeln und Vereinfachungen 4. Ungleichungen 5. Intervalle 6. Beträge 7. Lösen von Gleichungen 8. Logarithmen 9.
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Christian Ganser Methoden 2 Regressionsanalyse II: Lineare multiple Regression Inhalt 1. Anwendungsbereich 2. Vorgehensweise bei multipler linearer Regression 3. Beispiel 4. Modellannahmen
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
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
MehrKorrelation, Regression und Signifikanz
Professur Forschungsmethodik und Evaluation in der Psychologie Übung Methodenlehre I, und Daten einlesen in SPSS Datei Textdaten lesen... https://d3njjcbhbojbot.cloudfront.net/api/utilities/v1/imageproxy/https://d15cw65ipcts
Mehrnumerische Berechnungen von Wurzeln
numerische Berechnungen von Wurzeln. a) Berechne x = 7 mit dem Newtonverfahren und dem Startwert x = 4. Mache die Probe nach jedem Iterationsschritt. b) h sei eine kleine Zahl, d.h. h. Wir suchen einen
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
Mehr3.3 Absenkungsverlauf
3.3 Absenkungsverlauf 3.3.1 Aufgabe 3.3.1.1 Verzögerungsfunktion Der Absenkungsverlauf des Grundwassers auf Grund einer Entnahme aus einem Brunnen (z.b. durch einen so genannten Pumpversuch) kann in erster
MehrEVA. Anhang. I2- Intelligente Infrastruktur 125 / 189
Anhang Anhang : Regelblätter der RVS 5.42... 26 Anhang 2: Regelblätter des Wiener Baustellen Leit- und Sicherheitssystems... 33 Anhang 3: Abbildungen aus der Schweizer Norm SN 640 885c... 36 Anhang 4:
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrSTATISTIK 2 Teil 1 Regressionsanalyse Von: Anne Schmidt. Anordnung von Zahlen in Zeilen und Spalten (Tabelle)
Kapitel 2 Deskriptive lineare Regression 2.1. Einführung Definition Regressionsanalyse Unterschied zu Varianzanalyse Matrix/ Matrizen Indices Vektor Decken Zusammenhänge zwischen Beobachtungsreihen auf,
MehrÜbungsaufgabe z. Th. lineare Funktionen und Parabeln
Übungsaufgabe z. Th. lineare Funktionen und Parabeln Gegeben sind die Parabeln: h(x) = 8 x + 3 x - 1 9 und k(x) = - 8 x - 1 1 8 x + 11 a) Bestimmen Sie die Koordinaten der Schnittpunkte A und C der Graphen
MehrMaterialband. Marktforschung
Materialband Marktforschung Multivariate statistische Verfahren 5. Sem. Prof. Dr. Rößler Themenbereiche 1 Regressionsanalyse 2 Varianzanalyse 3 Diskriminanzanalyse 4 Faktorenanalyse 5 Clusteranalyse Regressionsanalyse
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. . Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrFH Gießen-Friedberg, Sommersemester 2010 Skript 9 Diskrete Mathematik (Informatik) 30. April 2010 Prof. Dr. Hans-Rudolf Metz.
FH Gießen-Friedberg, Sommersemester 010 Skript 9 Diskrete Mathematik (Informatik) 30. April 010 Prof. Dr. Hans-Rudolf Metz Funktionen Einige elementare Funktionen und ihre Eigenschaften Eine Funktion f
Mehr(1 Punkt) i) Bestimmen Sie formal den marginalen Effekt der Häufigkeit des Alkoholkonsums für männliche
Aufgabe 1 [14 Punkte] Sie möchten untersuchen, wovon die Abwesenheit der Studierenden in den Vorlesungen an einer Universität abhängt. Sie verfügen über einen Datensatz zu 282 Studierenden mit folgenden
MehrAusführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. . Studiengang.
Lehrstuhl für Statistik und empirische irtschaftsforschung ach: Prüfer: Bachelorprüfung Praxis der empirischen irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrKapitel 24 Kurvenanpassung
Kapitel Kurvenanpassung Die Prozedur KURVENANPASSUNG schätzt die Parameter einer Regressionsgleichung mit einer abhängigen (zu erklärenden) Variablen y und einer unabhängigen (erklärenden) Variablen x.
MehrSyntax: Motivation. Syntax
S. Heim/C. Heumann SPSS Kurs, SS 2007, 57 Syntax: Motivation Syntaxgebrauch ermöglicht Analysen zu replizieren und reproduzieren kommunizieren und diskutieren dokumentieren zwecks Transparenz und Verständlichkeit
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. . Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrAbiturvorbereitung Wachstum S. 1 von 11. Wachstum
Abiturvorbereitung Wachstum S. 1 von 11 Themen: Exponentielles Wachstum Exponentielle Abnahme Beschränktes Wachstum Logistisches Wachstum Modellieren bei gegebenen Daten Übungsaufgaben Wachstum Exponentielles
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Korrelation, Regression und diagnostische Tests
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Korrelation, Regression und diagnostische Tests Mit Datensatz Daten_SPSS_Kurs_I.sav Berechnung der Blutdruckreduktion vom Studienbeginn zum
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Mehr3 Diskriminationsanalyse 3.1 Diskriminationsanalyse mit zwei Gruppen
Lineare Diskrimination mit zwei Gruppen 6.5.3 - - 3 Diskriminationsanalyse 3. Diskriminationsanalyse mit zwei Gruppen Schreibweise: p unabhängige Merkmale: X, X,..., X p (metrisch; auch ordinal möglich,
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Einführung in die quadratischen Gleichungen
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Einführung in die quadratischen Gleichungen Das komplette Material finden Sie hier: School-Scout.de SCHOOL-SCOUT Quadratische Gleichungen
Mehr