Hierarchische lineare Modelle: Mehrebenenmodelle
|
|
- Kasimir Falk
- vor 5 Jahren
- Abrufe
Transkript
1 Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 1
2 Inhaltsübersicht 1 Problemlage 2 Beispieldatensatz 3 Auswertungsalternativen Auswertung der Einzeldaten Auswertung gemittelter Daten Auswertung mittels HLM Mehrebenen-Modell 4 Fazit und Ausblick Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 2
3 1 Problemlage Voraussetzung der meisten statistischen Verfahren: Unabhängigkeit der Probanden Statistische Verfahren sind i. d. R. nicht robust gegen Verletzungen der Unabhängigkeitsvoraussetzung Grundannahme der Unabhängigkeit ist in typischen Anwendungssituationen verletzt, zum Beispiel... Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 3
4 1 Problemlage Beispiel 1: Beschäftigte in Abteilungen Level 2: Abteilungen Bauabteilung Mechanik Außendienst Level 1: Beschäftigte Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 4
5 1 Problemlage Beispiel 2: Schüler in Klassen Level 2: Klassen (jeweils 5. Klasse) Klasse A (n=18) Klasse B (n=30) Klasse C (n=25) Level 1: Schüler Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 5
6 1 Problemlage Beispiel 3: Längsschnittdaten Level 2: Proband Level 2-Prädiktoren z.b. Alter, Intelligenz Level 1: Messzeitpunkt Level 1-Prädiktor z.b. Aufgabenkomplexität Kriterium z.b. Lösungsqualität Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 6
7 1 Problemlage hierarchische Datenstrukturen Daten auf mehreren hierarchisch geordneten Ebenen Einheiten innerhalb aller Ebenen klar definiert und beobachtbar Jede Einheit einer niedrigeren Ebene ist eindeutig einer Einheit der übergeordneten Ebene zuzuordnen Gruppen der unterschiedlichen Level können unterschiedlich groß sein Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 7
8 1 Problemlage hierarchische Datenstrukturen Kriterium wird auf der untersten Ebene (Level 1) gemessen (d.h. i.d.r. bei jedem einzelnen Probanden) Prädiktoren werden auf allen Ebenen / in allen Levels erhoben Problem: Beobachtungen innerhalb einzelner Gruppen der übergeordneten Levels sind eventuell nicht unabhängig voneinander, ähneln sich stärker als zwischen den Gruppen (gemeinsame Bedingungen, Gruppeneffekte,...) Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 8
9 2 Denkbare Lösungsansätze Auswertung gemittelter Daten Problem: Informationsverluste, Teststärkeverluste Auswertung der Einzeldaten Problem: verletzte Voraussetzung Mehrebenen-Modellierung Problemangepasstes Vorgehen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 9
10 2.1 Auswertung gemittelter Daten Auswertung gemittelter Daten ohne explizite Berücksichtigung der hierarchischen Datenstruktur ungünstig wegen Reduzierung der Stichprobengröße auf die Anzahl der Tätigkeiten (Anzahl der Level 2- Einheiten)... undifferenzierter Einbeziehung unterschiedlicher (in Größe, Varianz usw.) Tätigkeiten (Level 2-Einheiten) Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 10
11 2.2 Auswertung der Einzeldaten Auswertung der Einzeldaten ohne explizite Berücksichtigung der hierarchischen Datenstruktur ungünstig wegen Verletzung der Voraussetzung der Unabhängigkeit... künstlicher Vervielfältigung der Level 2- Prädiktoren, indem jedem Probanden (Level 1) der jeweilige Wert der Tätigkeit (Level 2) zugewiesen wird (besonders problematisch bei ungleich großen Level 2-Einheiten) Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 11
12 2.2 Auswertung der Einzeldaten Beispiel zur Illustration möglicher Auswirkungen bei Verletzung der Unabhängigkeitsvoraussetzung. Untersuchung des Zusammenhanges von UV: Verantwortung und AV: Arbeitszufriedenheit an Daten aus 3 Firmen Beispiel aus Eid, Gollwitzer & Schmitt (2010). Statistik und Forschungsmethoden, Kapitel 19. Weinheim: Beltz Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 12
13 2.2 Auswertung der Einzeldaten Ökologischer Fehlschluss: Fälschliche Interpretation eines Zusammenhanges bzw. eines Effekts, der auf der Ebene von Gruppen (Level-2-Einheiten) gefunden wurde, auf der Ebene von Individuen! Vgl. Eid, Gollwitzer & Schmitt (2010). Statistik und Forschungsmethoden, Kapitel 19. Weinheim: Beltz Ergebnis bei Annahme der Unabhängigkeit: negativer Zusammenhang! Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 13
14 2.2 Auswertung der Einzeldaten Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 14
15 2.3 ICC und Fehlerkomponenten Beurteilung des Ausmaßes der Nicht-Unabhängigkeit durch systematische Level-2-Unterschiede: Intraklassen-Korrelation (intraclass correlation ICC): 2 2 Level 2 Level gesamt Level 2 Level 1 Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 15
16 2.3 ICC und Fehlerkomponenten s Heuristische Illustration des ICC am Mini-Beispiel (keine korrekte Schätzung!): s 2 Y y 8.2 y 6.2 y 2.2 Firma A 2 Firma A s Firma B 2 Firma B 1.76 FirmaC 2 FirmaC Y Y innerhalb Firmen s 0.56 s s 7.18 s s Level 2 Level gesamt Level 2 Level 1 s 2 Y 2 innerhalb Firmen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 16
17 2.3 ICC und Fehlerkomponenten Weitergehende (heuristische) Fehlerkomponentenalalyse: Berechnung von 3 firmenspezifische Regressionsgleichungen (Y: Arbeitszufriedenheit; X: Verantwortung): Firma A: y ma = x ma + r ma (m=1,,5) Firma B: y mb = x mb + r mb (m=1,,5) Firma C: y mc = x mc + r mc (m=1,,5) Level-1-Residuen: r ma,r mb, r mc (m=1,,5) mit r y y mi mi mi Varianz der Level-1-Residuen: Level-1-Varianz s 2 r Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 17
18 2.3 ICC und Fehlerkomponenten Weitergehende (heuristische) Fehlerkomponentenanalyse: Variabilität der Regressionskonstanten b 0 auf Ebene 2 b 0A = 7.24, b 0B = -0.05, b 0C = 1.04 b Variabilität der Regressionskoeffizienten b 1 auf Ebene 2 b 1A = 0.37, b 1B = 1.25, b 1C = 0.15 b Level-2-Residuen: u 0A, u 0B, u 0C mit Level-2-Residuen: u 1A, u 1B, u 1C mit u b b u b b 0i 0i 0 1i 1i 1 Varianz der Level-2-Residuen : Level-2-Varianz s 2 u 0 Varianz der Level-2-Residuen : Level-2-Varianz s 2 u 1 Kovarianz der Level-2-Residuen: Level-2-Kovarianz s u0 u 1 Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 18
19 2.4 2-Ebenen-Beispieldatensatz Level 1: 100 Beschäftigte Kriterium: Leistung Prädiktor: Motivation Level 2: 10 unterschiedliche Tätigkeiten Prädiktor: Profil der Tätigkeit (Freiheitsgrade) Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 19
20 2.4 2-Ebenen-Beispieldatensatz Level 1-Daten: Level 2-Daten: Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 20
21 2.4 2-Ebenen-Beispieldatensatz Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 21
22 2.4 2-Ebenen-Beispieldatensatz Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 22
23 2.5. Mehrebenenmodell Anforderungen an ein Mehrebenenmodell im Beispiel: Modellierung der individuellen Leistungswerte in Abhängigkeit von der individuellen Motivation (Regressionskoeffizienten tätigkeitsabhängig). Modellierung der unterschiedlichen Regressionskonstanten unter den Level- 2-Stufen (Tätigkeiten) durch die unterschiedlichen Tätigkeitsprofile (Level 2- Prädiktor). Modellierung der unterschiedlichen Regressionsanstiege (d.h. der unterschiedlichen Abhängigkeiten von Motivation und Leistung) unter den Level-2-Stufen (Tätigkeiten) durch die unterschiedlichen Tätigkeitsprofile (Level 2-Prädiktor). Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 23
24 2.5. Mehrebenenmodell Level 2: Tätigkeits-Profil Fehlerkomponenten Level 2 Level 1: Motivation Leistung Fehler Level 1 Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 24
25 2.5. Mehrebenenmodell Level 1-Regressionsgleichung y ij = b 0j + b 1j x ij + r ij (i=1,...,n j, j=1,...,p)) bzw. Leistung ij = b 0j + b 1j Motivation ij + r ij y ij : Kriteriumswert des i-ten Pb unter j-ter L. 2-Stufe b 0j : Regressionskonstante unter j-ter Level 2-Stufe b 1j : Regressionskoeffizient unter j-ter Level 2-Stufe x ij : Prädiktorwert des i-ten Pb unter j-ter Level 2-Stufe r ij : Fehlerterm des i-ten Pb unter j-ter Level 2-Stufe p: Anzahl der Level 2-Stufen n j : Anzahl der Pb unter j-ter Level 2-Stufe Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 25
26 2.5. Mehrebenenmodell Level 2-Regressionsgleichung Level 1-Gleichung (1 Level 1-Prädiktor): y ij = b 0j + b 1j x ij + r ij bzw. Leistung ij = b 0j + b 1j Motivation ij + r ij Level 2-Gleichungen (1 Level 2-Prädiktor): b 0j = g 00 + g 01 z j + u 0j bzw. b 0j = g 00 + g 01 Profil j + u 0j b 1j = g 10 + g 11 z j + u 1j bzw. b 1j = g 10 + g 11 Profil j + u 1j z j : Level 2-Prädiktor unter j-ter Stufe b 0j, b 1j : gruppenspezifische Level 1-Regr.-koeff. g 00, g 01, g 10, g 11 : Level 2-Regressionskoeffizienten u 0j : gruppenspezifische Fehlerkomponente von b 0j u 1J : gruppenspezifische Fehlerkomponente von b 1j Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 26
27 2.5. Mehrebenenmodell z j : Profil u 1j : Fehler Level 2 u 0j : Fehler Level 2 g 01 g 11 x ij : Motivation b 1j r ij : Fehler Level 1 1: Konstante b 0j y ij : Leistung Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 27
28 2.5. Mehrebenenmodell Ergebnisse im Beispiel Level 1-Gleichung: Leistung ij = b 0j + b 1j Motivation ij + r ij Level 2-Gleichungen: b 0j = Profil j + u 0j b 1j = Profil j + u 1j Varianz(u 0 ) nicht signifikant Varianz(u 1 ) nicht signifikant Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 28
29 Literatur und Software Ausgewählte Literatur: Petrenz, M. (2016): Möglichkeiten der Umsetzung von Hierarchischen Linearen Modellen in SPSS im Kontext der Blickbewegungsforschung. Masterarbeit, TU Dresden, Studiengang Psychologie: HPSTS Raudenbush, S.W. & Bryk, A.S. (2002). Hierarchical Linear Models. Applications and Data Analysis Methods (Second Edition). Thousand Oakes: Sage. Heck, R.H. & Scott, T.L. (2009). An Introduction to Multilevel Modeling Techniques. New York: Routledge. Eid, M., Gollwitzer, M. & Schmitt, M. (2010). Statistik und Forschungsmethoden, Kapitel 19. Weinheim: Beltz. Hox, J.J. (2010). Multilevel Analysis: Techniques and Applications. Taylor & Francis. Luke, Douglas,A. (2004). Multilevel Modeling. Thousand Oakes: Sage. Software: HLM, SPSS, Mplus, Stata, R u.a. Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr. 29
Prüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrLiteratur: Rudolf & Müller, S Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung SEM Folie Nr. 1
1 Korrelation und Kausalität 2 Grundsätzliches 3 Pfaddiagramme und lineare Strukturgleichungen 4 Struktur- und Messmodell 5 Modellspezifikation 6 Parameterschätzungen 7 Beurteilung der Schätzergebnisse
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
MehrHierarchisch Lineare Modelle. Johannes Hartig & Myriam Bechtoldt
Hierarchisch Lineare Modelle Inhalt Definition hierarchischer Datenstrukturen Grundlagen hierarchischer Regression, random und fixed effects Aufbau verschiedener hierarchischer Regressionsmodelle Zentrierung
MehrAnalyse von Querschnittsdaten. Spezifikation der Regressionsfunktion
Analse von Querschnittsdaten Spezifikation der Regressionsfunktion Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 9..5 6..5..5 9..5 6..5..5..5
MehrAfter Work Statistics
After Work Statistics Ulrike Grittner Annette Aigner Institute of Biometry and Clinical Epidemiology ulrike.grittner@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
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
MehrLineare Diskriminanzanalyse Ein sehr kurzer Einblick
Ein sehr kurzer Einblick 1 Beispiele 2 Grundgedanken der DA 3 Diskriminanzkriterium 4 Schätzung der Diskriminanzfunktion 5 Teststatistiken 6 Klassifizierung 7 Schätzung der Klassifikationsfehler Literatur:
MehrZeitungslektüre im sozialen Kontext
Florian Hottner, Jena Zeitungslektüre im sozialen Kontext Eine Mehrebenenanalyse des Einflusses von individuellen Determinanten auf das Lesen von regionalen Zeitungen in Abhängigkeit vom sozialen Umfeld
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrInterdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09
Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrDie Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: Messen Heute: Hypothesen Warum Hypothesen? Menschliches Erleben und Verhalten? Alltag vs. Wissenschaft Alltagsvermutung Wissenschaftliche
MehrKorrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
Mehr4 Longitudinaldaten und Repeated Measurements
4 Longitudinaldaten und Repeated Measurements Wir betrachten nun Versuche mit mehreren Individuen, an denen wiederholt Messungen durchgeführt werden. Wenn diese wiederholten Messungen über die Zeit hinweg
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
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
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 6. Vorlesung: 28.04.2003 Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, 01.05.03, 12 14 Uhr, IfP SR 9 neuer Termin:
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMultilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen
Multilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen Referat von Anna Zimmermann und Maria Engel Seminar Multilevel Models for Longitudinal Data (U. Altmann) 21.01.2010
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
MehrForschungsmethoden VORLESUNG SS 2017
Forschungsmethoden VORLESUNG SS 2017 SOPHIE LUKES Überblick Letzte Woche: Messen Heute: Hypothesen Warum Hypothesen? Menschliches Erleben und Verhalten? Alltag vs. Wissenschaft Alltagsvermutung Wissenschaftliche
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrUNIVERSITÄTSPROFESSOR DR. PHIL. HABIL. TOBIAS C. STUBBE LEHRVERANSTALTUNGEN VORLESUNGEN AN DER GEORG-AUGUST-UNIVERSITÄT GÖTTINGEN
UNIVERSITÄTSPROFESSOR DR. PHIL. HABIL. TOBIAS C. STUBBE LEHRVERANSTALTUNGEN VORLESUNGEN AN DER GEORG-AUGUST-UNIVERSITÄT GÖTTINGEN 1. WiSe 2017/18: Das deutsche Schulsystem Geschichte und 2. WiSe 2017/18:
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrAnwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben
Anhang 1: Lösungen der Aufgaben 15 +1). Korrelationskoeffizienten unterschiedlicher Stichproben oder verschiedener Variablen können so miteinander verglichen werden, was mit der Kovarianz nicht möglich
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
MehrMEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
MehrForschungsmethoden VORLESUNG WS 2016/17
Forschungsmethoden VORLESUNG WS 2016/17 FLORIAN KOBYLKA, SOPHIE LUKES Organisatorisches Termine Raum 231 1 28.10.16 10:15 Sophie Lukes / Florian Einführung Kobylka 2 04.11.16 10:10 Florian Kobylka Psychologie
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
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrAnalysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 6: Übung zur logistischen Regression
n politikwissenschaftlicher Datensätze mit Stata Sitzung 6: Übung zur logistischen Regression 1 Vorbereitung Laden Sie den Datensatz z:\logitdemo Der Datensatz enthält 2000 Fälle, von denen 69 die Republikaner
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 26.11.2002 All Mathematics would suggest A steady straight line as the best, But left and right alternately Is consonant with History.
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Rückblick Letztes Mal: Erhebungstechniken I Heute: Erhebungstechniken II Rückblick Lehrevaluation Einteilung von Erhebungsmethoden Selbstberichtsverfahren
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
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrEmpirische Forschung. Übung zur Vorlesung Kognitive Modellierung. Kognitive Modellierung Dorothea Knopp Angewandte Informatik/ Kognitve Systeme
Empirische Forschung Übung zur Vorlesung Kognitive Modellierung S. 1 Überblick: Forschungsprozess Theoriebil dung Auswertung Interpretation Operationalisierung Erhebung S. 2 Versuchsplanung Festlegung
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Rückblick Letztes Mal: Gütekriterien Heute: Erhebungstechniken I Rückblick Validität Nebengütekriterien Heute: Erhebungstechniken Wie kommt man zu
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
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
MehrSTATISTISCHE METHODEN
STATISTISCHE METHODEN FÜR NATURWISSENSCHAFTER, MEDIZINER UND INGENIEURE VON ARTHUR LINDER Dr. phil., Dr. med. h. c. Professor für mathematische Statistik an der Universität Genf und an der Eidgenössischen
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
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
MehrEin Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen
Ein Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen Alexander Siemer Abteilung Medizinische Statistik Universität Göttingen 47. Biometrisches Kolloquium
MehrEinfaktorielle Varianzanalyse
Professur Psychologie digitaler Lernmedien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Einfaktorielle Varianzanalyse Überblick Einführung Alphafehler-Kumulierung Grundprinzip
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
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
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
MehrForschungsmethoden VORLESUNG SS 2018
Forschungsmethoden VORLESUNG SS 2018 SOPHIE LUKES Rückblick Letztes Mal: Gütekriterien Heute: Erhebungstechniken I Rückblick Validität Nebengütekriterien Heute: Erhebungstechniken Wie kommt man zu einer
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
MehrKOMPLEXE STICHPROBEN MERKMALE KONSEQUENZEN KORREKTE ANALYSE
KOMPLEXE STICHPROBEN MERKMALE KONSEQUENZEN KORREKTE ANALYSE Johann Bacher Linz, 2016 ÜBERSICHT 1. Merkmale und Beispiele aus der Sozialforschung 2. Designeffekt und effektive Stichprobengröße 3. Konsequenzen
MehrPrüfungsliteratur: Rudolf & Müller S , 342
1 Korrelations- und Regressionsanalyse 1.1 Grundlagen und allgemeiner Überblick 1.2 Einfache lineare Regression 1.2.1 Modell 1.2.2 Methode der kleinsten Quadrate 1.2.3 Voraussetzungen 1.2.4 Varianzzerlegung
MehrEinführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels
Einführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels Workshop-Woche»Das Nationale Bildungspanel und Regionaldaten«Alexandra Wicht & Alexandra Nonnenmacher
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
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrMessmodelle in der Lehrevaluation
Messmodelle in der Lehrevaluation Einfluss der hierarchischen Struktur auf den Modellfit für Instrumente der Lehrevaluation Erik Sengewald & Anja Vetterlein Zwischenbilanz Universitätsprojekt Lehrevaluation
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrAnwendung von Multi-Level Moderation in Worst Performance Analysen
Anwendung von Multi-Level Moderation in Worst Performance Analysen Präsentation auf der FGME 2015 - Jena Gidon T. Frischkorn, Anna-Lena Schubert, Andreas B. Neubauer & Dirk Hagemann 16. September 2015
MehrDer R Commander in der Lehre
Der R Commander in der Lehre Ein Erfahrungsbericht Marc Höglinger WIG Winterthurer Institut für Gesundheitsökonomie marc.hoeglinger@zhaw.ch 27. Juni 2018 Statistik in der Lehre: FH, Konsekutiv-Master,
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
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
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Statistik & Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Dr. Malte Persike persike@uni-mainz.de
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
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrAllgemeines Lineares Modell Seminarüberblick
Allgemeines Lineares Modell Seminarüberblick zu meiner Person maik.beege@phil.tu-chemnitz.de Rawema-Haus, Straße der Nationen 12, Raum 209 0371 / 531 31758 Sprechstunde nach Vereinbarung (oder einfach
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. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 9. Vorlesung: 12.05.2003 Agenda 2. Univariate Varianzanalyse iv. Varianzanalyse als Spezialfall der Regression Zusammenhang Regression und Varianzanalyse
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
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
MehrDr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung LogRA. Folie Nr. 1
2.1 Beispiele 2.2 Odds Ratio 2.3 Modell der logistischen Regression 2.3.1 Modellgleichung 2.3.2 Voraussetzungen 2.4 Schätzungen, Tests und Modellgüte 2.4.1 Schätzung der logistischen Regressionskoeffizienten
MehrReferat von: Jan Bier, Constanze Neumann, Anika Matthes
Referat von: Jan Bier, Constanze Neumann, Anika Matthes 14.01.2010 Gliederung 1) Einführung in das Thema 2) Vorstellen der Multilevel Models for Change 3) Beispiel: Kinderfreundschaften 1. Einführung Längsschnittstudien/Longitudinal
MehrVorlesung 9: Kumulierte (gepoolte) Querschnittsdaten
Vorlesung 9: Kumulierte (gepoolte) Querschnittsdaten 1. Kumulierte Querschnittsdaten: Was ist das? 2. Anwendungsmöglichkeiten im Überblick 3. Fallstudie 1: Determinanten von Erwerbseinkommen 1978-85 4.
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
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
MehrGliederung. 1. Einführung. Heute schon Musik gehört?
Regressionsanalyse Technische Universität Chemnitz Seminar: Forschungsmethodik und Evalua
MehrMehr-Ebenen-Modelle. Übersicht. VL Forschungsmethoden. VPC/Intra-Class-Correlation. 1 Einführung Strukturierte Daten Einfache Lösungen
VL Forschungsmethoden Übersicht 1 Strukturierte Daten Einfache Lösungen 2 Random & Fixed Typen von Modellen 3 4 (Quelle: Kawachi/Subramanian 2007) VL Forschungsmethoden (MLA 1/27) Strukturierte Daten Einfache
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
Mehr» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: - Stichprobenziehung und Stichprobeneffekte Heute: -Gütekriterien I Rückblick Population und Stichprobe verschiedene Arten
MehrZur Erinnerung: Annahmen
Zur Erinnerung: Annahmen Vorlesung 6: Heteroskedastizität. Beispiele mit heteroskedastischen Fehlertermen. Auswirkungen von Heteroskedastizität auf OLS-Schätzungen. Wie erkennt man das Vorliegen von Heteroskedastizität?
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrABCD Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten
Konfidenzintervalle und Tests für ordinale Daten in Multi-Centre-Studien bei vorliegenden Baselinewerten Alexander Siemer Boehringer Ingelheim Pharma KG Statistische Methoden in der Diagnostik Berlin,.-..00
Mehr