Zweidimensionale Regression. Zweidimensionale Regression. Regressionsebene. Güte des Regressionsmodells. Vertrauensintervalle für die Koeffizienten
|
|
- Uwe Hermann Hofmeister
- vor 5 Jahren
- Abrufe
Transkript
1 TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS / Regressiosebee Zweidimesioales Regressiosmodell Empirische Regressiosebee Schätzug der Regressioskoeffiziete Güte des Regressiosmodells Multiples Bestimmtheitsmaß Multipler Korrelatioskoeffiziet Streuug der Residue Vertrauesitervalle für die Koeffiziete Prüfug des Regressiosmodells Test der Regressioskoeffiziete Test des Bestimmtheitsmaßes Residueaalyse Kolliearität (Multikolliearität)
2 Preis - Motorleistug - Hubraum Zweidimesioales Regressiosmodell Leistug Hubraum Preis Hersteller Modell [kw] 3 [cm ] [DM] Audi A Audi A Audi A Audi A BMW 36i BMW 38i BMW 3i BMW 33i BMW 38i Meßwerte Tripel (x,x y ) i i i Lieares Modell y i $ %$ %$ %e i $, $, $ ubekate Parameter e i ormalverteilt mit E(e i) = ud Var(e i) = F, ukorreliert DM Regressiosebee i der Grudgesamtheit E(y)$ %$ %$ x Erwartugswerte E ) liege auf eier Ebee 5 9 kw Parameterschätzug Ubekate wahre Parameter werde durch empirische Parameter geschätzt cm^3 ˆ$ b, ˆ$ b ud ˆ$ b Schätzug der Erwartugswerte ŷ(x)b %b %b x ŷ Schätzwert für E(y)
3 Bestimmug der empirische Regressiosebee Bestimmug der empirische Regressioskoeffiziete y SQ(b,b,b ) j &ŷ i ) j &b &b ) 6 Miimum MSQ Mb & j &b &b ) y i y^ i x e^ i MSQ Mb & j MSQ Mb & j &b &b ) &b &b ) Gleichugssystem b y &b x ŷ(x)b %b %b x empirische Regressiosebee b SQ x %b SP x x SP yx b SP x x %b SQ x SP yx y i b %b %b %ê i ê i Schätzwert für ubekates e i Optimierugsbedigug SQ j ê i j &ŷ i ) 6 Miimum Gaußsches Prizip der kleiste Quadrate Lösug des Gleichugssystems eifacher i Matrixschreibweise Partielle (Multiple) Regressioskoeffiziete b b b Achseabschitt Steigug i x -Richtug Steigug i x -Richtug
4 Preis - Motorleistug - Hubraum Regressiosebee MTB > Regress DM kw. Regressio Aalysis The regressio equatio is DM = kw Costat kw S = 8 R-Sq = 97. R-Sq(adj) = 96.6% SQ Total SQ y SQ Regressio %SQ Rest SQ Regressio Multiples Bestimmtheitsmaß j (ŷ i &y) j (y%b ( & )%b ( &x )&y) b SQ x %b b SP x x %b SQ x b SP yx %b SP yx SQ Rest SQ Total &SQ Regressio SQ y SQ yx &b SQ yx MTB > Regress DM cm^3. Regressio Aalysis The regressio equatio is DM = cm^3 Costat cm^ Bestimmtheitsmaß B erklärte Variatio Gesamtvariatio SQ Regressio b SP yx %b SP yx r yŷ SQ Total SQ y Multipler Korrelatioskoeffiziet S = 543 R-Sq = 88.% R-Sq(adj) = 86.5% MTB > Regress DM kw cm^3. r yŷ SP yŷ SQŷSQ y SP yŷ SQ Regressio SQ y b SP yx %b SP yx SQ y Regressio Aalysis The regressio equatio is DM = kw +.88 cm^3 r yŷ b SP yx %b SP yx B SQ y Costat kw cm^ Streuug der Residue S = 373 R-Sq = 97.% R-Sq(adj) = 96.% s R MQ Rest SQ Rest SQ Rest, FG Rest &3 s R MQ Rest SQ Rest &3
5 Preis - Motorleistug - Hubraum Vertrauesitervall für die Regressioskoeffiziete MTB > Regress DM kw cm^3. Regressio Aalysis b k &t bk #$ k #b k %t bk &" b k ±t bk &" The regressio equatio is DM = kw +.88 cm^3 Costat kw cm^ S = 373 R-Sq = 97.% R-Sq(adj) = 96.% Aalysis of Variace Preis - Motorleistug - Hubraum 95%-Vertrauesitervalle für die Koeffiziete b ±t b.95 Source DF SS MS F P Regressio Error Total Source DF Seq SS kw cm^3 665 Uusual Observatios Obs kw DM Fit StDev Fit Residual StResid R R deotes a observatio with a large stadardized residual b ±t b.95 b ±t b ± #$ # ± #$ &6.454#$ #8.8.95
6 Test der Regressioskoeffiziete Ertrag - Stickstoffdügug - Aussaatmege Testgröße: t b k &b ( k s bk MTB > Prit Ertrag N-Dueg Saat. Data Display H : $ $ ( Partialtests $ $ ( $ $ ( H : Ablehug vo H, we: $ k >$ ( k $ k <$ ( k t >t &3;&" t <&t &3;&" x ist i der Gleichug x ist i der Gleichug Row Ertrag N-Dueg Saat $ k $ ( k Testgröße: t >t &3;&"/ Test des Bestimmtheitsmaßes F MQ Regressio MQ Rest SQ Regressio / SQ Rest /(&3) (&3)B (&B) Ertrag [dt/ha] 6 5 Aussaatmege [Körer/m²] H : H : B bzw. $ $ B> bzw. $ w $ Ablehug vo H, we: Stickstoffdügug [kg/ha] F >F,&3;&"
7 Ertrag - Stickstoffdügug - Aussaatmege Regressio Ertrag - Stickstoffdügug - Aussaatmege Residueaalyse MTB > Regress Ertrag N-Dueg Saat; SUBC> Fits Fits; SUBC> SResiduals StRes; SUBC> DW; SUBC> Brief 3. Regressio Aalysis The regressio equatio is Ertrag = N-Dueg +.69 Saat Costat N-Dueg Saat S =.83 R-Sq = 93.% R-Sq(adj) = 9.9% Aalysis of Variace Source DF SS MS F P Regressio Error Total Source DF Seq SS N-Dueg 7.6 Saat 48.3 N-Dueg Ertrag Fit StDev Fit Residual St Resid Durbi-Watso statistic =.96 Grafische Residueaalyse Residual Frequecy - - Normal Plot of Residuals Normal Score Histogram of Residuals Residual Residueplots Residual Residual I Chart of Residuals Observatio Number Residuals vs. Fits Fit Durbi-Watso-Test auf Autokorrelatio der Residue 3.SL=3.367 X= SL=-3.36 " = 5% k = k = k = 3 dwu dwo dwu dwo dwu dwo = 9, k = : dw u =.63, dw o =.7 dw =.96 dw o =.7 <.96 <.3 = 4! dw o, also keie Autokorrelatio
8 Ertrag - Stickstoffdügug - Aussaatmege Residueaalyse Shapiro-Wilk-Test auf Normalverteilug der Residue Shapiro-Wilk-Test Kolliearität (Multikolliearität) MTB > Prit y x_ x_. Data Display Row y x_ x_ Probability Average:.777 StDev:.857 N: StRes Rus-Test auf Zufälligkeit der Residue W-test for Normality R:.9767 P-Value (approx): > y MTB > Rus StRes. Rus Test 38 x_ StRes K =.8 44 The observed umber of rus = 4 The expected umber of rus = Observatios above K 4 below * N Small -- The approximatio may be ivalid The test is sigificat at.964 Caot reject at alpha = x_ 44
9 Kolliearität (Multikolliearität) MTB > Regress y x_ x_. Regressio Aalysis The regressio equatio is y = x_ x_ Costat x_ x_ S =. R-Sq = 9.% R-Sq(adj) = 88.4% Aalysis of Variace Source DF SS MS F P Regressio Error Total Source DF Seq SS x_ 347 x_ 49 MTB > Correlatio y x_ x_; SUBC> NoPValues. Correlatios (Pearso) y x_ x_.948 x_
Residuenanalyse. Residuenanalyse. Grafische Residuenanalyse. Test auf Normalverteilung der Residuen. Test auf Autokorrelation der Residuen
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS 99/ Grafische Histogramm Wahrscheilichkeitsplot
MehrResiduenanalyse. Stickstoffdüngung - Ertrag. ! Shapiro-Wilk-Test auf Normalverteilung. ! Durbin-Watson-Test auf Autokorrelation
Residueaalyse! Shapiro-Wilk-Test auf Normalverteilug! Durbi-Watso-Test auf Autokorrelatio! Rus-Test auf Zufälligkeit Stickstoffdügug - Ertrag MTB > Prit 'N'-'St.Res.'. Data Display Row N Ertrag Fits Res.
MehrMultiple Regression. Multiple Regression. Multiple Regression in Matrizenschreibweise. Vertrauensintervalle. Prüfung des Regressionsmodells
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische ud Ökoometrische Methode I WS 99/ i Matrizeschreibweise Multiples Regressiosmodell
MehrMultiple Regression Mais-NP Zweidimensionale lineare Regression Data Display Dreidimensionale lineare Regression Multiple Regression
Multiple Regression! Zweidimensionale lineare Regression Modell Bestimmung der Regressionsebene Multiples Bestimmtheitsmaß Test des Bestimmtheitsmaßes Vertrauensintervalle für die Koeffizienten Test des
MehrEindimensionale Regression. Eindimensionale Regression. Regressionsgerade. Güte des Regressionsmodells. Vertrauensintervalle
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Bometrsche ud Ökoometrsche Methode I WS 00/0 Regressosgerade Edmesoaleegressosmodell Emprsche
MehrSchrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS /1 Verfahren und Kriterien Partielle Korrelationskoeffizienten
MehrBiometrische und Ökonometrische Methoden I! Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 98/99 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 9 1. a) MTB > name c1 'DM'
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
MehrBiometrische und Ökonometrische Methoden I Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".
MehrBiometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
MehrRegression mit Dummyvariablen. Regression mit Dummyvariablen. Variablentypen. Regressionsmodelle. Bezug auf einzelne Variablen.
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS 00/01 Variablentypen Qualitative und e Variablen
MehrBiometrische und Ökonometrische Methoden I Lösungen 7
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 7 1. MTB > Retrieve 'H:\STUDENT\MINITAB\FAMILIE.MTW'.
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
Mehrs xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
MehrBiometrische und Ökonometrische Methoden I! Lösungen 8
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 8 MTB > Retrieve 'H:\STUDENT\MINITAB\GAEU.MTW'.
MehrRepräsentativität und Unabhängigkeit
Repräsetativität ud Uabhägigkeit Ziel: Bestmögliche Erassug der Eigeschate der Grudgesamtheit Problem: Beurteilug der Repräsetativität ist ur durch umassede Iormatio über die Grudgesamtheit möglich Asatz:
MehrBiometrische und Ökonometrische Methoden I! Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 4 1. a) MTB > name c1 'H2O'
MehrBiometrische und Ökonometrische Methoden I Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 4. a) MTB > name c 'H2O' c2 'N'
MehrBiometrische und Ökonometrische Methoden I! Lösungen 3
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 3 1. MTB > Retrieve 'H:\STUDENT\MINITAB\TREES.MTW'.
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
MehrRegression mit Dummyvariablen
Regression mit Dummyvariablen! Variablentypen Qualitative und e Variablen Dummyvariablen Binäre Dummycodierung! Regressionsmodelle Getrennte Regression Gemeinsame Regression Gemischte Regression! Bezug
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 9 1 Ihalt der heutige Übug Statistik ud Wahrscheilichkeitsrechug Iformatioe zur Testatprüfug Besprechug der der Hausübug
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
Mehr1. Einleitung. Uni- und bivariate Datenanalyse. Auswertung eines Merkmals. Verbundene Auswertung zweier Merkmale
. Eileitug Ui- ud ivariate Dateaalyse Uivariate Dateaalyse uswertug eies Merkmals Beispiele: Uivariate Häufigkeitsverteiluge, arithmetisches Mittel, Variaz ud Stadardaweichug Bivariate Dateaalyse Verudee
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
MehrSo lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
MehrX X Schätzen von Vertrauensintervallen Schwankungsintervall
.. Schätze vo Vertrauesitervalle..1. Schwakugsitervall Beispiel: X = Betrag vo Geldüberweisuge, ormalverteilt, µ = 5000, = 1000 Zufallsstichprobe mit = 100, Schätzer für µ: X X Gesucht: Itervall, i dem
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
Mehr6.2 Prüfen von Restriktionen - Granger-Kausalität
6.2 Prüfe vo Restriktioe - Grager-Kausalität 6.28 Aufteile des Variablevektors y t i zwei Teilvektore y 1t (N 1 1) ud y 2t (N 2 1). Sid Koeffiziete φ i de Gleichuge vo y 1t für die Abhägigkeit vo alle
Mehr10. Grundlagen der linearen Regressionsanalyse 10.1 Formulierung linearer Regressionsmodelle
10. Grudlage der lieare Regressiosaalyse 10.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
Mehr8. Regressionsanalyse
8. Regressiosaalyse Beschreibug der Abhägigkeit zweier Merkmale Gegebe eie Stichprobe (X ; Y ) : : : (X ; Y ) zur Grudgesamtheit (X; Y ), = corr(x; Y ) Korrelatioskoe ziet, R empirischer Korrelatioskoe
MehrNichtlineare Regression. Nichtlineare Regression. Linearisierbare Funktionen. Nicht linearisierbare Funktionen. Methode der kleinsten Quadrate
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Bioetrische und Öonoetrische Methoden I WS 99/ Linearisierbare Funtionen Polynoe Exponentialfuntionen
MehrBiometrische und Ökonometrische Methoden II Lösungen 2
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 2 1. a) Zunächst wird die Tafel
MehrMathematische und statistische Methoden I
Mathematische ud statistische Methode I Sprechstude jederzeit ach Vereibarug ud ach der Vorlesug Wallstr. 3, 6. Stoc, Raum 06-06 Dr. Malte Persie persie@ui-maiz.de lordsofthebortz.de twitter.com/methodelehre
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meihardt 6. Stoc, Wallstr. 3 (Raum 06-206) Sprechstude jederzeit ach Vereibarug ud ach der Vorlesug. Mathematische ud statistische Methode I Dr. Malte Persie persie@ui-maiz.de http://psymet03.sowi.ui-maiz.de/
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
Mehr2. OLS-Schätzung linearer Regressionsmodelle
2. OLS-Schätzug liearer Regressiosmodelle 2.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
Mehr14 Regression, lineare Korrelation und Hypothesen-Testverfahren
14 Regressio, lieare Korrelatio ud Hypothese-Testverfahre 141 Regressiosverfahre I der Meßtechik kommt es häufig vor, daß eie Schar vo aufgeommee Meßpukte durch eie geeigete aalytische Fuktio i Form eier
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrChapter 1 : þÿ b w i n b a n k s y s t e m c h a p t e r
Chapter 1 : þÿ b w i n b a n k s y s t e m c h a p t e r þÿ a u f f u s s b a l l - s p o r t w e t t e n - n e t e r f a h r e n s i e a l l e s ü b e r d e n w e t t a n b i e t e r b w i n. v o r. 3
Mehr2 Induktive Statistik
Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug 2.2.1 Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer
MehrEvaluation & Forschungsstrategien
Evaluatio & Forschugsstrategie WS2/2 Prof. Dr. G. Meihardt Johaes Guteberg Uiversität Maiz Prizipie des statistische Schliesses Samplig - Modellvorstellug Populatio Samplig Stichprobe Kewerte x Theoretische
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
Mehr4. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
4. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Eine sächsische Molkerei füllt Milch in Tetrapacks ab. Es wird vermutet, dass die Füllmenge normalverteilt ist mit einem Erwartungswert
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrElektrische Messtechnik
Spriger-Lehrbuch Elektrische Messtechik Aaloge, digitale ud computergestützte Verfahre vo Reihard Lerch 5., eu bearb. Aufl. Elektrische Messtechik Lerch schell ud portofrei erhältlich bei beck-shop.de
MehrV. Tests bez. zweier Verteilungsfunktionen
7 V. Tests bez. zweier Verteilugsfuktioe Seie X ud Y zwei uabhägige oralverteilte Zufallsvariable, für die zwei kokrete Stichprobe x, x,..., x bzw. y, y,..., y it de Ufäge bzw vorliege. a) X ud Y seie
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrDIPLOMARBEIT. Lineare Regression & Hauptkomponentenanalyse. Verfasser: Hofegger Manuel. Angestrebter akademischer Grad:
DIPLOMARBEIT Lieare Regressio & Hauptkompoeteaalyse Verfasser: Hofegger Mauel Agestrebter akademischer Grad: Magister der Naturwisseschafte Wie, im April 2015 Studiekezahl laut Studieblatt: A 190 456 406
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte Modul 0 Regressiosgerade ud Korrelatio Has Walser: Modul 0, Regressiosgerade ud Korrelatio ii Ihalt Die Regressiosgerade.... Problemstellug.... Berechug der
MehrFormelsammlung. Deskriptive Statistik und Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Formelsammlug Deskriptive Statistik ud Elemetare Wahrscheilichkeitsrechug Prof. Dr. Ralf Rude Statistik ud Ökoometrie, Uiversität Siege Prof. Dr. Ralf Rude - Uiversität Siege I Statistische Grudbegriffe
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
MehrAnwendung für Mittelwerte
Awedug für Mittelwerte Grudgesamtheit Stichprobeziehug Zufalls- Stichprobe... "wahre", ubekate Mittelwert der Grudgesamtheit icht zufällig?... beobachtete Mittelwert zufällig Statistik für SoziologIe 1
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
MehrChapter 1 : þÿ b o n u s k o d b e t a t h o m e c h a p t e r
Chapter 1 : þÿ b o n u s k o d b e t a t h o m e c h a p t e r þÿ A t h o m e j o b s f o r n u r s e p r a c t i t i o n e r s d i r t y w a y s, H o m e h e a l t h c a r e j o b s i n M l m. b e r e
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrChapter 1 : þÿ A n w e n d u n g b e t a t h o m e i p h o n e c h a p t e r
Chapter 1 : þÿ A n w e n d u n g b e t a t h o m e i p h o n e c h a p t e r þÿ D i e S p o n s o r e n B e t - a t - h o m e u n d M i c r o s o f t b e d a u e r n d i e & n b s p ;. w a s s t a t i
MehrLineare Regression. Roland Heynkes. 18. April 2006, Aachen
Lieare Regressio Rolad Heykes 18. April 2006, Aache Es kommt i der Natur relativ oft vor, daß zwei Größe statistisch mit eiader verbude sid. We sich diese Verbudeheit mathematisch durch eie Fuktio beschreibe
MehrChapter 1 : þÿ b e t a t h o m e m a t c c h a p t e r
Chapter 1 : þÿ b e t a t h o m e m a t c c h a p t e r þÿ H o m e h a s b e e n a r o u n d s i n c e 2 0 0 9 a n d i s l i c e n s e d b y & m o r e. R e a d F u l l R e v i e w. 1 2 A p r 2 0 1 6 I n
Mehr9. Übungsblatt Aufgaben mit Lösungen
9. Übugsblatt Aufgabe mit Lösuge Aufgabe 1: Gegebe sei die folgede Differetialgleichug 15u(x) + 3xu (x) + x u (x) = 8x 3, x > 0. (a) Gebe Sie ei reelles Fudametalsystem der zugehörige homogee Differetialgleichug
MehrFormelsammlung zur Statistik
Darstellug uivariater Date Formelsammlug zur Statistik Urliste x i : x 1,... x, aufsteiged geordete Urliste x (i) Die k (verschiedee) Auspräguge: a 1
MehrChapter 1 : þÿ b e t a t h o m e w a r t e t a u f B e s t ä t i g u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e w a r t e t a u f B e s t ä t i g u n g c h a p t e r þÿ w e n n E n t s c h e i d u n g e n d e r M e i s t e r s c h a f t, w i c h t i g e P l a t z i e r u n g e n
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statistik II PD Dr C Heuma Formelsammlug Statistik II Iduktive Statistik Regel der Kombiatorik ohe Wiederholug mit Wiederholug! Permutatioe! 1! s! ( ) ( ) + m 1 ohe Reihefolge
MehrM a t t h i a s K e t t n e r, U n i v e r s i t ä t W i t t e n / H e r d e c k e. 1. W a s b e d e u t e t K u l t u r r e f l e x i o n?
M a t t h i a s K e t t n e r, U n i v e r s i t ä t W i t t e n / H e r d e c k e K u l t u r r e f l e x i o n u n d d i e G r a m m a t i k k u l t u r e l l e r K o n f l i k t e 1. W a s b e d e u
MehrS a m s t a g, 2 1. J a n u a r
S a m s t a g, 2 1. J a n u a r 2 0 1 7 D e r e r s t e T a g d e s n e u e n D o n J a, d a v e r w e i s e i c h d o c h g e r n a u f : R e a l G a m e o f T h r o n e s : H a b e m u s D o n a l d
Mehr(a) Richtig, die Varianz ist eine Summe quadratischer Größen.
Aufgabe 1 (10 Pukte) Welche der folgede Aussage sid richtig? (a) Richtig, die Variaz ist eie Summe quadratischer Größe. (b) Falsch, die Abweichug ordialer Merkmale vom Media ist icht defiiert - also auch
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrNichtparametrische Statistik. Verteilungsfreie Tests. Nichtparametrische Statistik. Verteilungsfreie Tests. Parametrische und Nichtparametrische Tests
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Nchtparametrsche Statstk Vertelungsfree Tests Bometrsche und Ökonometrsche Methoden II SS
MehrZweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse
Ziel Überprüfug der Gleichheit der Erwartugswerte eies Merals i Utergruppe, die vo zwei Fatore erzeugt werde Fator A i a Stufe Fator B i b Stufe Ist jede Stufe vo Fator A it jeder vo Fator B obiiert, spricht
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
MehrChapter 1 : þÿ b e t m o b i l e g r a t i s - w e t t e c h a p t e r
Chapter 1 : þÿ b e t 3 6 5 m o b i l e g r a t i s - w e t t e c h a p t e r þÿ j e t z t 1 0 0 E u r o B o n u s b e i B e t 3 6 5 a b h o l e n. M i t ü b e r 1. 7 0 0 N e b e n S p o r t w e t t e n.
MehrChapter 1 : þÿ b e t a t h o m e E n g l i s c h V e r s i o n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e E n g l i s c h V e r s i o n c h a p t e r þÿ L i v e - W e t t e n k ö n n e n b e i B e t - a t - h o m e j e d e r z e i t a u c h m i t K o m b i w e t t e n. D i
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
Mehr6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
MehrChapter 1 : þÿ b e t a t h o m e 4 / 1 c h a p t e r
Chapter 1 : þÿ b e t a t h o m e 4 / 1 c h a p t e r þÿ N o r t h D a l l a s i s a l s o h o m e t o B e l t L i n e R o a d a f o o d i e & # 3 9 ; s d r e a m c o i n e d a s & n b s p ;. - h o m e.
MehrFRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
MehrChapter 1 : þÿ b e t a t h o m e i n n e n c h a p t e r
Chapter 1 : þÿ b e t a t h o m e i n n e n c h a p t e r þÿ u n t e n. D e r B e t - a t - H o m e B o n u s i s t s c h l e c h t e r, d e n n e s g i b t n u r e i n e & n b s p ;. o d e r d e s & n
MehrChapter 1 : þÿ b w i n m o b i l D e v e l o p m e n t c h a p t e r
Chapter 1 : þÿ b w i n m o b i l D e v e l o p m e n t c h a p t e r þÿ k a n n s t d u a u f d e r b w i n a p p a u c h e i n e n 1 2 - s t e l l i g e n p r o m o c o d e e i n l ö s e n,.. b w i n
MehrBei 95%iger Konfidenz wäre der Mittelwert der GG zwischen 1421,17DM und 1778,83DM zu erwarten.
Aufgabe 36 (S. 346: Schätzverfahre für Mittelwert ud Stadardabweichug a Puktschätzuge für µ aufgrud der Werte der kleie Stichprobe aus Aufgabe 3 Bei eier Puktschätzug wird für de zu schätzede Parameter
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
MehrEinführung in die induktive Statistik. Inferenzstatistik. Konfidenzintervalle. Friedrich Leisch
Spiel Körpergröße Zahl: Azahl weiblich Eiführug i die iduktive Statistik Friedrich Leisch Istitut für Statistik Ludwig-Maximilias-Uiversität Müche Tafelgruppe 8.5 8.6 8.7 8.8 8.9 9.0 9.1 4 5 3 2 1 0 1
MehrKontingenztabellen. Chi-Quadrat-Test. Korrelationsanalyse zwischen kategorischen Merkmalen. 1. Unabhängigkeitstest
Kotigeztabelle. Chi-Quadrat-Test KAD 1.11. 1. Uabhägigkeitstest. Apassugstest. Homogeitätstest Beispiel 1 ohe Frau 8 75 1 Ma 48 49 97 76 14? Korrelatiosaalyse zwische kategorische Merkmale Häufigkeitstabelle
MehrChapter 1 : þÿ b e t a t h o m e s a u b e t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e s a u b e t 3 6 5 c h a p t e r þÿ f ü r j e d e n E i n w o h n e r, d i e K o n t r o l l e ü b e r S t e u e r e i n n a h m e n u n d S p i e l e r s c h u t z h a
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrChapter 1 : þÿ b e t a t h o m e L i v e - F u ß b a l l - S t r e a m i n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e L i v e - F u ß b a l l - S t r e a m i n g c h a p t e r þÿ P r o g r a m m - M a r k e t i n g / C o n t r o l l i n g b e t - a t - h o m e. c o m E n t e r t a i n
MehrChapter 1 : þÿ b e t a t h o m e L i g a E u r o p a c h a p t e r
Chapter 1 : þÿ b e t a t h o m e L i g a E u r o p a c h a p t e r þÿ W e t t s c h e i n z u s a m m e n z u f a s s e n. S p o r t w e t t e n e i n f a c h e r k l ä r t & m i d d o t ; W a s s i n
Mehr