Panelregression (und Mehrebenenanwendungen)
|
|
- Calvin Junge
- vor 8 Jahren
- Abrufe
Transkript
1 Panelregression (und Mehrebenenanwendungen) Henning Lohmann Universität zu Köln Lehrstuhl für Empirische Sozial- und Wirtschaftsforschung 2007, Universität Duisburg-Essen, 11. Oktober 2007
2 Überblick 1. Einführung - Datenstruktur, Vorteile/Probleme, mögliche Vorgehensweisen 2. Analyse von Paneldaten - OLS-Regression mit robusten Standardfehlern, random effects Modelle, fixed effects Modelle 3. Ausblick 4. Einführung in die Übungsaufgaben
3 1. Einführung
4 Paneldaten / Mehrebenendaten? Paneldaten weisen wie Mehrebenendaten eine hierarchische Datenstruktur auf z.b. mehrere Beobachtungen einer Person z.b. mehrere Personen eines Landes daher werden (teilweise) dieselben Analyseverfahren verwendet hier soll es aber allein um die Analyse von Paneldaten gehen
5 Paneldaten: hierarchische Datenstruktur Person 1 Person 2 Person i b 1 b 2 b 3 b 4 b 5 b t b 1 b 2 b 3 b 4 b 5 b t b 1 b 2 b 3 b 4 b 5 b t i*t Beobachtungen
6 Paneldaten / Mehrebenendaten Paneldaten Mehrebenendaten 1. Ebene z.b. Personen z.b. Länder 2. Ebene i Personen mit Beobachtungen an t Zeitpunkten (N=i*t) i.d.r. i>t j Länder mit Beobachtungen von i Personen (N=j*i) i.d.r. j<i
7 Datenmatrix (long-format) Personen persnr jahr geschlecht eink maennlich maennlich maennlich maennlich maennlich weiblich weiblich weiblich weiblich maennlich maennlich maennlich maennlich maennlich 3328 konstant variabel Beobachtungen
8 Vorteile/Probleme von Paneldaten bessere Möglichkeiten zur Kausalanalyse Analyse von Veränderungen auf individueller Ebene möglich Analyse von Zugängen und Abgängen auf Aggregatebene Kontrolle unbeobachteter Heterogenität aber: Beobachtungen einer Person voneinander abhängig erfordert Verwendung geeigneter Analyseverfahren weitere Probleme: Panelmortalität, fehlende Daten, Lerneffekte, Wandel der Erhebungsinstrumente, Wandel der Grundgesamtheit
9 Mögliche Vorgehensweisen herkömmliche Regressionsmodelle mit robusten Standardfehlern random effects models (unterschiedliche Bezeichunungen mit unterschiedlicher Schwerpunktsetzung: mixed models, variance components models, hierarchical linear model, multilevel model) fixed effects models
10 2. Analyse von Paneldaten
11 Modellierung y it =β 0 + β 1 x 1it +β 2 x 2it +...+β k x kit +v it mit: v it =a i + u it [a i : konstanter personenspezifischer Fehlerterm, wegen a i ergibt sich corr(v it, v is ) 0 Autokorrelation] aber: Unter der Annahme, dass corr(a i,x it )=0 sind OLS-Schätzer unverzerrt.
12 a) OLS-Regression mit robusten Standardfehlern
13 Beispiel 1: Körpergröße Männer/Frauen Befragung von 100 an 3 Zeitpunkten abhängige Variable: Körpergröße (zeitlich invariant) unabhängige Variable: Geschlecht (zeitlich invariant) zunächst werden nur Daten der ersten Welle betrachtet Frage: Welchen Einfluss hat Geschlecht auf Körpergröße?
14 Beispiel 1: Mittelwerte use groesse.dta, clear sum groesse1 if frau==1 sum groesse1 if frau==0 Variable Obs Mean Std. Dev. Min Max groesse sum groesse1 if frau==0 Variable Obs Mean Std. Dev. Min Max groesse
15 Beispiel 1: OLS-Regression/Querschnitt reg groesse1 frau Source SS df MS Number of obs = F( 1, 98) = 1.74 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = groesse1 Coef. Std. Err. t P> t [95% Conf. Interval] frau _cons
16 Beispiel 1: Umwandlung in Paneldaten use groesse.dta, clear gen groesse2=groesse1 gen groesse3=groesse2 corr groesse1 groesse2 groesse3 groesse1 groesse2 groesse groesse groesse groesse
17 Beispiel 1: Umwandlung in Paneldaten reshape long groesse, i(persnr) j(welle) (note: j = 1 2 3) Data wide -> long Number of obs > 300 Number of variables 5 -> 4 j variable (3 values) -> welle xij variables: groesse1 groesse2 groesse3 -> groesse
18 Beispiel 1: OLS-Regression/Panel reg groesse frau Source SS df MS Number of obs = F( 1, 298) = 5.30 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = groesse Coef. Std. Err. t P> t [95% Conf. Interval] frau _cons Die OLS-Regression auf Basis gepoolter Panelwellen ergibt ein signifikantes Ergebnis. Vergrößerung der Fallzahl, aber keine Erhöhung der Varianz, da nur zeitlich invariante Merkmale. Massive Unterschätzung des Standardfehlers!
19 Robuste Standardfehler auch bekannt als Huber-White Standardfehler (Huber 1967, White 1980) berücksichtigen bei der Berechnung Abhängigkeit von Beobachtungen innerhalb von Personen Koeffizienten bleiben unverändert, d.h. keine Korrektur für mögliche Verzerrung
20 Beispiel 1:OLS-Regression (robust)/panel reg groesse frau, cluster(persnr) Linear regression Number of obs = 300 F( 1, 99) = 1.76 Prob > F = R-squared = Root MSE = (Std. Err. adjusted for 100 clusters in persnr) Robust groesse Coef. Std. Err. t P> t [95% Conf. Interval] frau _cons
21 Beispiel 1:Vergleich Ergebnisse ols ols3 ols3_r b/se b/se b/se frau -4,500-4,500 * -4,500 3,407 1,954 3,395 _cons 178,340 *** 178,340 *** 178,340 *** 2,409 1,382 2,467 N *) <0,05, **) <0,01, ***) <0,001
22 Beispiel 2: Gewinn bei Glücksspielen Befragung von 100 Personen, die regelmäßig an Glücksspielen teilnehmen, an 3 Zeitpunkten abhängige Variable: Höhe des Gewinns unabhängige Variable: Art des Glücksspiels (Roulette vs. andere) Frage: Welchen Einfluss hat Art des Spiels auf Höhe des Gewinns?
23 Beispiel 2: OLS-Regression/Querschnitt use spieler.dta, clear reg gewinn1 roulette1 Source SS df MS Number of obs = F( 1, 98) = 0.72 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gewinn1 Coef. Std. Err. t P> t [95% Conf. Interval] roulette _cons
24 Beispiel 2: Korrelationen corr gewinn1 gewinn2 gewinn3 (obs=100) gewinn1 gewinn2 gewinn gewinn gewinn gewinn
25 Beispiel 2: Umwandlung in long-format reshape long roulette gewinn, i(persnr) j(welle) (note: j = 1 2 3) Data wide -> long Number of obs > 300 Number of variables 7 -> 4 j variable (3 values) -> welle xij variables: roulette1 roulette2 roulette3 -> roulette gewinn1 gewinn2 gewinn3 -> gewinn
26 Beispiel 2: OLS-Regression/Panel reg gewinn roulette Source SS df MS Number of obs = F( 1, 298) = 1.88 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gewinn Coef. Std. Err. t P> t [95% Conf. Interval] roulette _cons
27 Beispiel 2:OLS-Regression (robust)/panel. reg gewinn roulette, cluster(persnr) Linear regression Number of obs = 300 F( 1, 99) = 2.25 Prob > F = R-squared = Root MSE = (Std. Err. adjusted for 100 clusters in persnr) Robust gewinn Coef. Std. Err. t P> t [95% Conf. Interval] roulette _cons
28 Beispiel 2:Vergleich Ergebnisse ols ols3 ols3_r b/se b/se b/se roulette -32,652-31,992-31,992 38,594 23,324 21,345 _cons 92,673 *** 90,729 *** 90,729 *** 26,739 16,819 17,833 N *) <0,05, **) <0,01, ***) <0,001
29 b) random effects models
30 Random effects model Ansatzpunkt: Autokorrelation ist bekannt und schätzbar Mit diesem Vorwissen kann man OLS Schätzung verallgemeinern (generalised least squares, GLS) durch geeignete Transformation der Daten lässt sich (bekannte) Autokorrelation eliminieren (vgl. Wooldridge 2003: 469ff) Transformation erzeugt quasi-demeaned data Es gilt aber weiterhin: Schätzer nur unverzerrt wenn corr(a i,x it )=0
31 Beispiel Datenstruktur 1 persnr welle eink keine Varianz zwischen Personen
32 Beispiel Datenstruktur 2 persnr welle eink keine Varianz über die Zeit
33 Beispiel Datenstruktur 3 persnr welle eink realistischere Datenstruktur
34 Random effects model Im random effects model ist die Unterscheidung zwischen Varianz zwischen Personen und über die Zeit zentral (daher auch Varianzkomponentenmodell genannt). Bestimmung des Anteils der Varianz auf Personenebene: Schätzung eines leeren Modells rho: Verhältnis der Varianz von a i gegenüber der Gesamtvarianz (a i +u it ) wird als Anteil der Varianz auf Personenebene interpretiert
35 Beispiel 3: Höhe Stundenlöhne Befragung von 545 Personen in den USA an 8 Zeitpunkten ( ) abhängige Variable: Stundenlohn unabhängige Variablen: Bildung (in Jahren), Berufserfahrung, Familienstand, ethnische Zugehörigkeit Frage: Welche Faktoren determinieren die Lohnhöhe?
36 Beispiel 3:random effects model (M0) use wage, clear xtreg wage, i(nr) Random-effects GLS regression Number of obs = 4360 Group variable (i): nr Number of groups = 545 R-sq: within = Obs per group: min = 8 between = avg = 8.0 overall = max = 8 Random effects u_i ~ Gaussian Wald chi2(0) = 0.00 corr(u_i, X) = 0 (assumed) Prob > chi2 = wage Coef. Std. Err. z P> z [95% Conf. Interval] _cons sigma_u sigma_e rho (fraction of variance due to u_i)
37 Anmerkung Stata-Notation Die Notation in Stata weicht von der bisher verwendeten Notation ab. Die Zuordnung ist wie folgt: a i σ a σ u u_i sigma_u sigma_e
38 Beispiel 3:random effects model. xtreg wage educ exper married black, i(nr) Random-effects GLS regression Number of obs = 4360 Group variable (i): nr Number of groups = 545 R-sq: within = Obs per group: min = 8 between = avg = 8.0 overall = max = 8 Random effects u_i ~ Gaussian Wald chi2(4) = corr(u_i, X) = 0 (assumed) Prob > chi2 = wage Coef. Std. Err. z P> z [95% Conf. Interval] educ exper married black _cons sigma_u sigma_e rho (fraction of variance due to u_i)
39 Beispiel 3: OLS-Regression (robust) reg wage educ exper married black, cluster(nr) Linear regression Number of obs = 4360 F( 4, 544) = Prob > F = R-squared = Number of clusters (nr) = 545 Root MSE = Robust wage Coef. Std. Err. t P> t [95% Conf. Interval] educ exper married black _cons
40 c) fixed effects models
41 fixed effects model Ziel: Elimination der personenspezifischen Konstante a i Annahme, dass a i nicht mit x i korreliert ist, unproblematisch d.h. Schätzer auch bei Verletzung dieser Annahme unverzerrt (im Gegensatz zu OLS- Regression und random effects Modell)
42 Berechnung personenspezifischer Mittelwerte (2 Wellen) Modell y it =β 0 + β 1 x 1it +β 2 x 2i +u it + a i t=1 y i1 =β 0 + β 1 x 1i1 +β 2 x 2i +u i1 +a i t=2 y i2 =β 0 + β 1 x 1i2 +β 2 x 2i +u i2 +a i Mittel y i =β 0 + β 1 x 1i +β 2 x 2i +u i + a i x 1it : zeitlich variabel, x 2i : zeitlich invariant
43 Elimination von a i durch Bildung von Differenzen zum Mittelwert Mittel y i =β 0 + β 1 x 1i +β 2 x 2i +u i + a i t=1 y i1 =β 0 + β 1 x 1i1 +β 2 x 2i +u i1 +a i t=2 y i2 =β 0 + β 1 x 1i2 +β 2 x 2i +u i2 +a i t 1 -t y i1 -y i = β 1 (x 1i1 -x 1i ) +(u i1 -u i ) t 2 -t y i2 -y i = β 1 (x 1i2 -x 1i ) +(u i2 -u i ) y it = β 1 (x 1it ) +u it
44 Beispiel 3: fixed effects model. xtreg wage educ exper married black, i(nr) fe Fixed-effects (within) regression Number of obs = 4360 Group variable (i): nr Number of groups = 545 R-sq: within = Obs per group: min = 8 between = avg = 8.0 overall = max = 8 F(2,3813) = corr(u_i, Xb) = Prob > F = wage Coef. Std. Err. t P> t [95% Conf. Interval] educ (dropped) exper married black (dropped) _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(544, 3813) = Prob > F =
45 Beispiel 3:Vergleich Ergebnisse ols_r re fe b/se b/se b/se educ *** *** (dropped) exper *** *** *** married *** *** ** black * * (dropped) _cons -3,383 *** -4,107 *** 3,541 *** N *) <0,05, **) <0,01, ***) <0,001
46 Abschließender Überblick OLS-Regression: Schätzer unverzerrt wenn a i nicht korreliert mit x ij, aber Standardfehler wegen Korrelation zwischen v it und v is (i ungleich s) zu niedrig OLS-Regression mit robusten Standardfehlern: Schätzer unverzerrt wenn a i nicht korreliert mit x ij, Standardfehler korrigiert (Schätzer aber im Vergleich zu RE ineffizient)
47 Abschließender Überblick Random effects model: Schätzer unverzerrt und effizient wenn a i nicht korreliert mit x ij, bessere Berücksichtigung der Datenstruktur als bei OLS-Regression Fixed effects model: Schätzer unverzerrt auch wenn a i korreliert mit x ij, betrachtet aber nur Variation innerhalb von Personen, zeitlich invariante Variablen können nicht berücksichtigt werden
48 Stata Befehle use use..., clear gen(erate) sum(marize) corr(elate) reshape long..., i(persnr) j(welle) tsset / xtset reg(ress) reg(ress)..., cluster(persnr) xtreg..., i(persnr) Öffnen eines Datensatzes... mit Löschung des Speichers Bildung neuer Variablen Mittelwerte Korrelationen Umwandlung in long-format Zuweisung IDs (Person, Welle) OLS-Regression... mit robusten Standardfehlern random effects model
49 Literatur Wooldridge, Jeffrey M. (2003): Introductory Econometrics. A Modern Approach, Mason: Thompson (insbesondere Kapitel 14) Snijders, Tom A. B./ Bosker, Roel J. (1999): Multilevel analysis. An introduction to basic and advanced multilevel modeling, London u.a.: Sage (insbesondere Kapitel 2 und 3)
50 3. Ausblick
51 Kategoriale abhängige Variablen z.b.: dichotom: Logit-Modell: xtlogit Probit-Modell: xtprobit Zählvariable: Poisson-Modell: xtpoisson Negatives Binomialmodell: xtnbreg
52 Berücksichtigung des Faktors Zeit komplexere Modellierung von Autokorrelation Berücksichtigung von lag-variablen Berücksichtigung von Periodeneffekten, z.b. Jahresdummies
53 Weitere Zufallskomponenten Zufallseffekte der Steigungskoeffizienten (random slopes) Berücksichtigung weiterer Ebenen (z.b. Beobachtungen von Personen in unterschiedlichen Ländern)
54 Modellvergleich Hybrid-Modell : Kombination von random effects und fixed effects Modell Test auf Unterschiede zwischen Modellen (Hausman-Test, Test einzelner Koeffizienten im Hybrid-Modell )
55 4. Übung
56 Beispiele in Aufgaben erfahrung.dta (für Beispiel aufbereiteter SOEP- Datensatz): Einfluss von Berufserfahrung auf Stundenlohn (bei jährigen) wage.dta (Beispiel 3): Einfluss von Gewerkschaftsmitgliedschaft auf Stundenlohn (USA) kp2004.dta (Klein/Pötschke 2004): Replikation von Analysen eines in der KZfSS veröffentlichten Artikels auf Basis von SOEP-Daten, Fragestellung: Verändern sich postmaterialistische Wertvorstellungen im Lebensverlauf? weitere Beispiele aus Vorlesung können auch gerechnet werden (groesse.dta, spieler.dta)
57 Inhalte in Aufgaben Aufgabe 1: Wiederholung der Stata-Syntax Umwandlung der Daten in long-format, alle Aufgaben: Schätzung der hier behandelten Modelle Interpretation der Ergebnisse
Einfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrStatistische Methoden der Lebensverlaufsforschung. Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften
Statistische Methoden der Lebensverlaufsforschung Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften Lebensverlauf Deutschland, ca 1870 Johannes Giesecke Statistische
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrAbschlussklausur zur Vorlesung Empirical Banking and Finance
Prof Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirical Banking and Finance Sommersemester 2010, 26072010, 15:00 17:00 Uhr Hinweise zur Klausur Die Klausur
Mehr2. Statische lineare Panelmodelle
2. Statische lineare Panelmodelle 2.1 Fixed effects Schätzung Eine gegenüber der first-differenced OLS-Schätzung oft vorteilhaftere Vorgehensweise zur Beseitigung der fixen Effekte α i in linearen fixed
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrEinführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
Mehr5 Zusammenhangsmaße, Korrelation und Regression
5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrSpezifikationsprobleme Omitted Variable Bias
Spezifikationsprobleme Omitted Variable Bias Spezifikationsprobleme In der Grundgesamtheit gilt der wahre (aber unbekannte) Zusammenhang y = 0 + 1x 1 + : : : kx k dieser Zusammenhang soll anhand einer
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrLINGO: Eine kleine Einführung
LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach
MehrEine Bürokratiekostenfolgenabschätzung zum zweiten Gesetz für moderne Dienstleistungen am Arbeitsmarkt im Hinblick auf die Einführung einer Gleitzone
Eine Bürokratiekostenfolgenabschätzung zum zweiten Gesetz für moderne Dienstleistungen am Arbeitsmarkt im Hinblick auf die Einführung einer Gleitzone Das IWP Institut für Wirtschafts- und Politikforschung
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens 1 Organisatorisches Freitag, 05. Mai 2006: keine Vorlesung! aber Praktikum von 08.00 11.30 Uhr (Gruppen E, F, G, H; Vortestat für Prototyp)
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrDie Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen
Die Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen Beitrag für den RatSWD-Nachwuchsworkshop: Längsschnittanalysen auf der Basis amtlicher Sozial- und Wirtschaftsdaten, Berlin, 25.-26.
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrAnalyse von Querschnittsdaten. Einführung
Analyse von Querschnittsdaten Einführung Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung 5. Übung Gliederung 1. Einordnung
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrDie Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder
1 2 3 Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder die Forschungsziele. Ein erstes Unterscheidungsmerkmal
Mehr3. Dynamische lineare Panelmodelle
3. Dynamische lineare Panelmodelle 3.1 Ansatz und Problemstellung Die wesentliche Annahme bei fixed effects und random effects Schätzungen in linearen Panelmodellen ist, dass die erklärenden Variablen
MehrÜbungen zur Veranstaltung Statistik 2 mit SPSS
Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrHauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften
Hauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften Fehlende Daten in der Multivariaten Statistik SS 2011 Allgemeines Das Seminar richtet sich in erster Linie an Studierende
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrText-Zahlen-Formatieren
Text-Zahlen-Formatieren Beobachtung: Bei der Formatierung einer Zahl in eine Textzahl und umgekehrt zeigt Excel ein merkwürdiges Verhalten, welches nachfolgend skizziert werden soll: Wir öffnen eine neue
MehrComputerlinguistische Textanalyse
Computerlinguistische Textanalyse 10. Sitzung 06.01.2014 Einführung in die Textklassifikation Franz Matthies Lehrstuhl für Computerlinguistik Institut für Germanistische Sprachwissenschaft Friedrich-Schiller
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrDie Klein-Gordon Gleichung
Kapitel 5 Die Klein-Gordon Gleichung 5.1 Einleitung Die Gleichung für die Rutherford-Streuung ist ein sehr nützlicher Ansatz, um die Streuung von geladenen Teilchen zu studieren. Viele Aspekte sind aber
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehr2. Negative Dualzahlen darstellen
2.1 Subtraktion von Dualzahlen 2.1.1 Direkte Subtraktion (Tafelrechnung) siehe ARCOR T0IF Nachteil dieser Methode: Diese Form der Subtraktion kann nur sehr schwer von einer Elektronik (CPU) durchgeführt
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrHinweise zum BA-Beifach-Studium in Philosophie
Hinweise zum BA-Beifach-Studium in Philosophie Es werden insgesamt drei Philosophie-Basismodule angeboten, von denen mindestens zwei ausgewählt werden. Im Rahmen eines Bachelorstudiengangs an der Philosophischen
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
Mehr