Entwicklung einer effizienten forstlichen Betriebsinventur
|
|
- Waltraud Lorenz
- vor 5 Jahren
- Abrufe
Transkript
1 Entwicklung einer effizienten forstlichen Betriebsinventur FOWALA - FERNERKUNDUNG UND WALD - UPDATE GRUNDLAGEN UND WERKZEUGE Leo Bont, Toni Bürgi, Andreas Hill, Dario Pedolin, Liviu Ene, Christian Ginzler, Adrian Lanz, Renato Lemm, Oliver Thees
2 Vorbemerkung Forstliche Planung braucht verlässliche Zahlen und nicht nur Schätzungen => Betriebsinventur Inventuren, auch Stichprobeninventuren, sind teuer; aus dem Holzerlös sind solche Ausgaben nicht mehr zu bestreiten Nebst terrestrischen Daten stehen heute auch immer bessere Fernerkundungsdaten zur Verfügung => Eine Kombination von terrestrischen Daten mit Fernerkundungsdaten verspricht eine kostengünstigere Inventur in Forstbetrieben
3 Inhalt Kombiniertes Verfahren terrestrische Stichproben / Fernerkundung Fälle von Kleingebieten (viele Stichproben, wenige Stichproben, keine Stichproben) Flächige Produkte (Karten) Workflow & Tools Anwendungen (Fribourg / Bremgarten) Empfehlungen an künftige Betriebsinventuren
4 Konzept Fernerkundungsdaten Hilfsvariablen Statistisches Modell Stichproben «Karten» 2 Phasige Inventuren 1 Phasige Inventuren
5 Fernerkundungsdaten & Hilfsvariablen 30m 21m 75 % Percentile 150 m3/ha 400 m3/ha Vorrat [m3/ha] % Percentile [m]
6 Weitere Fernerkundungsdaten Laubholz / Nadelholz Unterscheidung (LFI, C. Ginzler) Laubholz Nadelholz Weitere: - Bestandeskarten - Sentinell 2 - etc.
7 2 Phasige Inventuren Global (z.b. Bremgarten) n1 = n2 = 360 Kleingebiet (wenige Stichproben) n1 = 196 n2 = 7 -> Anwendung globales Modell Modell-Bias korrigiert durch Residuenkorrektur Zwei Phasiges Design Terrestrische Proben & Fernerkundungs Proben (phase 2) Fernerkundungs Proben (phase 1)
8 2 Phasige Inventuren 2- / 3- phasige Schätzer Kleingebietsschätzung Globale Schätzung unverzerrt verzerrt terrestrische Daten für Modellierung genügend ungenügend ungenügend terrestrische Daten für Validierung genügend genügend ungenügend 12 x Anzahl der Parameter Bei 4 Parametern = 48 Stp. 4-6 Ungefähre Anzahl der Stichprobe
9 «Karten» / Synthetische Modelle [Bolton 2014] -> Anwendung globales Modell Keine Residuen-Korrektur des Modell-Bias!
10 Statistisches Modell Y = β x E i Multiple Lineare Regression: 0 + β1xi,1 + β 2 xi,2 + β 3 i,3 i Wichtig: Residuenanalyse System. Fehler bei hohem Vorrat OK für Methoden mit «Residuenkorrektur» Zwingend für synthetische Modelle
11 Workflow & entwickelte Tools Zusatzinfo Raster (z.b. LbH / NdH) Daten terr. Stichprobe LidAR Rohdaten LDP Normalisierte LiDAR Rohdaten LDP Vegetationshöhenmodell (CHM) Bestandeskarte Meta Daten Stichproben Waldmaske / Bestandeskarte PD Polygone verdichtete Stichproben Standardisierung Modul Hilfsvariablen (Prototyp in Python) Polygone flächig (Wall2Wall) Standardisierte Daten Stichproben Ber. Hilfsvariablen LiDAR Ber. Hilfsvariablen CHM & Raster Auswertung Stichproben Hilfsvariablen Modell Bildung Stichproben Auswertung Karten Schätzungen für Bestände Modul Flächige (Wall2Wall) Karten Auswertung (Prototyp in Python) Modell Wall2Wall Modell 2 Phasige Schätzung R- package 2 Phasige Schätzung «forestinventory» (ETHZ) Globale 1-phasige Schätzung Globale 2 Phasige Schätzung Kleingebietsschätzungen Legende (Symbole): Daten Schnittstelle (Input / Output Prozesse (Tools) Sammler Abkürzungen Prozesse LDP: LiDAR Data Processing PD: Polygon Design
12 R-Package «forestinventory» (ETHZ) Zur Berechnung von Schätzungen und deren Genauigkeit Für grossflächige und kleinflächige Auswertungen geeignet Seit August 2016 auf CRAN kostenlos verfügbar (bisher 3993 Downloads) 32 design-basierte Schätzer (32 Inventurszenarien) veröffentlicht von Daniel Mandallaz (ETH) Anhand zahlreicher Studien entwickelt und getestet Mandallaz, D. and Hill, A. and Massey, A. (2016) Massey, A. F. (2015). Massey, A. and Mandallaz, D. and Lanz, A. (2014). Hill, A., Breschan, J., & Mandallaz, D. (2014) Mandallaz, D. (2013). Mandallaz, D., Breschan, J., & Hill, A. (2013). Mandallaz, D. (2013). Mandallaz, D. (2008) Tutorial unter:
13 Anwendung - Globale Schätzung - Reduktion der Stichproben - Karten 2 3 1
14 Globale und Kleingebiets Schätzung Bremgarten Freiburg 1-phasig 2-phasig 1-phasig 2-phasig Schätzung [m3/ha] % Vertrauensintervall [m3/ha] Standardfehler [%] [%] Klein gebiet Domäne Methode Schätzer Schätzung Standardfehler[%] 95% Vertrauensintervall (untere & obere Grenze) 1 global onephase onephase smallarea twophase psynth extended global onephase onephase smallarea twophase psynth extended global onephase onephase smallarea twophase psynth extended
15 Reduktion der Stichproben Vertrauensintervall [m3/ha] 2-Phasig 2-Phasig n = 363 n = 177 (E= 2,72 %) 2-Phasig n = Phasig n = 363 (Error = 3.89 %) 2-Phasig n = 88, 93, 89, 93 E = 4.8, 5.1, 6.6, 5.4 %
16
17
18 Übertragbarkeit der Modellparametrisierungen Modell parametrisiert mit Daten aus Bremgarten und angewendet auf Fribourg -Daten
19 Empfehlungen an künftige Betriebsinventuren Fernerkundungsdaten verwenden Fernerkundungsdaten und terrestrische Informationen möglichst synchron aufnehmen. Bei terrestrischen Stichproben-Aufnahmen sollte mit der Methode der konzentrischen Kreise (LFI Methode) gearbeitet werden (Mandallaz 2008) Die Stichprobennetze für regionale oder grössere Betriebs-Inventuren sollten auf dem LFI- Stichprobennetz aufbauen (Mandallaz 2008) Stichprobenmittelpunkte präzise vermessen.
20 Schlussfolgerung Einbindung von Fernerkundungsdaten erweist sich als effizient Eignet sich für Parameter, welche über Fernerkundungsdaten modelliert werden können (Vorrat, Grundfläche, Stammzahl) Auf terrestrische Stichproben kann nicht verzichtet werden (Trainingsdaten, Merkmale wie z.b. Verjüngung) Fehler immer Angeben (Mittelwert & Vertrauensintervall) Umsetzung als «Modulare» Lösung
21 Unterstützt durch: Kanton Zürich Baudirektion Amt für Landschaft und Natur Service des forêts et de la faune SFF
Schätzung von Waldbestandesinformationen aus großräumigen Rasterstichproben mit nicht-parametrischen Regressionen
Schätzung von Waldbestandesinformationen aus großräumigen Rasterstichproben mit nicht-parametrischen Regressionen 1, Joachim Saborowski 2, Johannes Breidenbach 1 1 Abt. Biometrie und Informatik Forstliche
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Bundeswaldinventur (BWI) Wiederholung: Wofür werden nationale en durchgeführt? (Forstpolitik und strategische Planung. Internationales Berichtswesen) Haupt-Unterschiede zu Bestandes- oder Betriebsinventuren?
Mehrundes w ald i nventur (BWI)
Bundeswaldinventur (BWI) Wiederholung: Wofür werden nationale Waldinventuren durchgeführt? (Forstpolitik und strategische Planung. Internationales Berichtswesen) Haupt-Unterschiede zu Bestandes- oder Betriebsinventuren?
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
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
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
Mehr9 Robuste Methoden. 9.1 Einfluss und Robustheit. i (x i x) 2 = i x iy i. c 1 = x 2 + i (x i x) 2. Einfache Regression: 9.1 Einfluss und Robustheit 205
9.1 Einfluss und Robustheit 205 9 Robuste Methoden 9.1 Einfluss und Robustheit a Sensitivität. Eine Beobachtung hinzufügen. Effekt? Einfache Regression: β = i(x i x)y i i (x i x) 2 = i x iy i β = β+ x,
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrLandschaftspflegematerial im Land Niedersachsen: Potentiale für die energetische Nutzung
Landschaftspflegematerial im Land : Potentiale für die energetische Nutzung Forum 5: Potentiale aus der Landschaftspflege Anna-Maria Engel Co-Autoren: Tim Exner, Lutz Fehrmann, Jens Wegener Einleitung
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrErsetzt die Fernerkundung die terrestrische Forsteinrichtung Wünsche und Wirklichkeit
Ersetzt die Fernerkundung die terrestrische Forsteinrichtung Wünsche und Wirklichkeit Christoph Bauerhansl, Christian Aufreiter und Klemens Schadauer Institut für Waldinventur Forschungstag Öbf Purkersdorf
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
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
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
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
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
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
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
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
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:
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrSo lösen Sie das multivariate lineare Regressionsproblem von Christian Herta
Multivariate Lineare Regression Christian Herta Oktober, 2013 1 von 34 Christian Herta Multivariate Lineare Regression Lernziele Multivariate Lineare Regression Konzepte des Maschinellen Lernens: Kostenfunktion
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrAnalyse von Querschnittsdaten. Statistische Inferenz
Analyse von Querschnittsdaten Statistische Inferenz Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrEINSATZ VON FERNERKUNDUNGSDATEN BEI DEN ÖBf
EINSATZ VON FERNERKUNDUNGSDATEN BEI DEN ÖBf ÖBf FORSCHUNGSTAG 16. MÄRZ 2016 PURKERSDORF NORBERT PUTZGRUBER VERWENDETE FERNERKUNDUNGSDATEN Orthofoto: Echtfarben und Infrarot über Web-Map-Service des LFRZ
MehrFernerkundungs-Anwendungen beim Stand Montafon
Fernerkundungs-Anwendungen beim Stand Montafon Stand Montafon Bernhard Maier Stand Montafon - 6780 Schruns, Montafonerstr. 21 bernhard.maier@stand-montafon.at Organisation Stand Montafon (Gemeindeverband)
MehrPhänologiemonitoring in Thüringen
Phänologiemonitoring in Thüringen Dr. Christian Hüttich, Jonas Eberle, Frank Reinhardt 2015 Jena-Optronik GmbH Warum Phänologiemonitoring? Phänologie: periodisch wiederkehrende Wachstums- und Entwicklungserscheinungen
MehrGeostatistik und Anwendungen im Precision Farming
Geostatistik und Anwendungen im Precision Farming Irina Kuzyakova Institut für Pflanzenbau und Grünland Precision Farming Managementstrategie, die die räumlichen Informationstechnologien benutzt, um Entscheidungen
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrWaldhöhenstrukturkarte - Informationen aus der Fernerkundung für die Forstpraxis. Dr. Petra Adler, Dr. Gerald Kändler Abt. Biometrie und Informatik
Waldhöhenstrukturkarte - Informationen aus der Fernerkundung für die Forstpraxis Dr. Petra Adler, Dr. Gerald Kändler Abt. Biometrie und Informatik Gliederung Kurzer Rückblick: Luftbild im Forstwesen Waldhöhenstrukturkarte:
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrEinsatzmöglichkeiten von Fernerkundungssensoren für forstliche Fragestellungen
Einsatzmöglichkeiten von Fernerkundungssensoren für forstliche Fragestellungen Universität für Bodenkultur Wien Department für Raum, Landschaft und Infrastruktur Institut für Vermessung, Fernerkundung
MehrCopernicus Weltraumdaten auf kommunaler Ebene? Eine Standortbestimmung. Dr. Stefan Ostrau, Kreis Lippe
Copernicus Weltraumdaten auf kommunaler Ebene? Eine Standortbestimmung Dr. Stefan Ostrau, Kreis Lippe 1 Agenda 1. Ausgangssituation der Kommunen http://landsat.usgs.gov/index.php 2. Bisherige Genauigkeitsbetrachtungen
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
MehrMethodik klinischer Studien
M. Schumacher G. Schulgen Methodik klinischer Studien Methodische Grundlagen der Planung, Durchführung und Auswertung Zweite, überarbeitete und erweiterte Auflage Sprin ger Inhaltsverzeichnis EINLEITUNG
MehrStatistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
MehrOne tool to rule them all - R als statistisches Sackmesser
Kanton Zürich Direktion der Justiz und des Innern One tool to rule them all - R als statistisches Sackmesser Dr. Peter Moser R - ein multifunktionales Statistikwerkzeug Im STAT seit 2000 verwendet, anfangs
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrBSc: Waldmesslehre Waldinventur I
Plot design: Arten von Probeflächen = fixed area plots (mit einer fest definierten Fläche). Geschachtelte Probeflächen = nested plots (mit mehreren fest definierten Unterflächen). Probeflächen mit mehreren
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrBSc: Waldmesslehre Waldinventur I
Beziehungen zwischen den wichtigsten Einzelbaum-Variablen Einige wichtige Variablen sind nicht direkt meßbar (oder nur sehr aufwendig). Man versucht, sich Beziehungen zu einfacher meßbaren Variablen zunutze
MehrEinsatz von Copernicus-Daten in der bayerischen Forstverwaltung Status Quo und Ausblick
Einsatz von Copernicus-Daten in der bayerischen Forstverwaltung Status Quo und Ausblick Holger Holland- Moritz Bayerische Landesanstalt für Wald und Forstwirtschaft Hans-Carl-von-Carlowitz-Platz 1 84534
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrPVK Statistik Tag Carlos Mora
PVK Statistik Tag 2 11.1.2012 Block 4 Block 3 Übersicht 11.1.2012 09:00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 1h inkl. Pause 7. Lineare Regression 12:00 Übung 3 Mittag 13:00
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrExecutive Summary. Bachelorarbeit Universität Zürich 2012
I Executive Summary Die Verhaltensökonomie entdeckte in den letzten Jahren vermehrt verzerrte Verhaltensweisen, die dazu beitragen, dass sich Menschen auf Finanzmärkten teilweise irrational verhalten.
MehrMissing Data. Missing Data. VL Forschungsmethoden. VL Forschungsmethoden. Missing Data: Typen Strategien Fazit
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht 1 2 Vor- und Nachteile : Ansatz Implementation 3 VL Forschungsmethoden Missing
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrMissing Data. VL Forschungsmethoden
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht Missing Data: Typen Vor- und Nachteile : Ansatz Implementation VL Forschungsmethoden
MehrZensus Projekt zur methodischen Grundlagenforschung
Zensus 2011 - Projekt zur methodischen Grundlagenforschung Ralf Münnich, Siegfried Gabler, Matthias Ganninger, Nicole Thees Universität Trier, Fachbereich IV, VWL Wirtschafts- und Sozialstatistik und GESIS-ZUMA,
MehrBiometrisches Tutorial III
Biometrisches Tutorial III Montag 16-18 Uhr Sitzung 3 07.05.2018 Dr. Christoph Borzikowsky Biometrisches Tutorial III 1. Anforderungen an Daten und Datenstrukturen 2. Einführung in SPSS (Grundlagen) 3.
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
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
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
MehrNotgepäck Genauigkeit
Notgepäck Genauigkeit Beat Hulliger Dienst Statistische Methoden, Bundesamt für Statistik 20.4.2006 1 Was ist Genauigkeit genau? Um zu beschreiben, was Genauigkeit in der Statistik ist, müssen wir untersuchen,
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrErgebnisse der ersten landesweiten Waldinventur in Brandenburg
Ergebnisse der ersten landesweiten Waldinventur in Brandenburg 30. Juni 2015 Ergebnisse der ersten landesweiten Waldinventur in Brandenburg 1 Brandenburger Waldinventur (LWI) - wichtige Ergänzung zur Bundeswaldinventur
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
MehrWorkshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen
Workshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen Schätzung von Holzvorräten und Baumartenanteilen mittels Wahrscheinlichkeitsmodellen Haruth
MehrDie Fleissarbeit dem PC: Umfragen auf Knopfdruck auswerten
Die Fleissarbeit dem PC: Umfragen auf Knopfdruck auswerten Druckreife statistische Auswertungen von Umfragen in Rekordzeit Jonas Bieri Basel-Stadt jonas.bieri@bs.ch Agenda 1. Das Problem Bestehende Umfrageauswertungs-Tools:
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
Mehr3D Vegetationskartierung: flugzeuggestütztes Laserscanning für ein operationelles Waldstrukturmonitoring
3D Vegetationskartierung: flugzeuggestütztes Laserscanning für ein operationelles Waldstrukturmonitoring R. Leiterer, F. Morsdorf, M.E. Schaepman, W. Mücke, N. Pfeifer, M. Hollaus Remote Sensing Laboratories
MehrWie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen. Axel Werwatz Technische Universität Berlin
Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen Axel Werwatz Technische Universität Berlin Einleitung Löhne sind unsere wichtigste Einkommensquelle. Geringer
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrDatenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum
GMF-Tagung Zukunft der Lehre in Statistik und Stochastik Zürich, 21. Oktober 2017 Datenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum Andreas Ruckstuhl Dozent für Statistische
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
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
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
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrZukunftswald. Umsetzung in den Bayerischen Staatsforsten. Florian Vogel Klimakongress 14. Juli 2016, Würzburg
Zukunftswald Umsetzung in den Bayerischen Staatsforsten Florian Vogel Klimakongress 14. Juli 2016, Würzburg Vivian/Wiebke, Lothar, Kyrill, Niklas. Hochwasser, Feuer Eugen Lehle/www.wikipedia.org BaySF
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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,
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
Mehr