Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)

Größe: px
Ab Seite anzeigen:

Download "Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)"

Transkript

1 Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische e Lösung von Grundaufgaben mit SPSS (ab V..0) Text: akmv_v.doc Daten: akmv??.sav Lehrbuch: W. Timischl, Biostatistik. Wien - New York: Springer 000 Problem.: Abhängigkeitsanalysen - mehrfach lineare Regression Die folgenden Daten sind einer Studie entnommen, in der u.a. das cholesterin Y (in mg/dl), das Gewicht X (in kg) und das Alter X (in a) bestimmt wurden. Es sollen (mit den von Probanden stammenden Daten) im Rahmen eines zweifach-linearen s folgende Fragen untersucht werden: i) Hängt Y global von X und X ab? (globale Abhängigkeitsprüfung, α = 5%). Wenn ja, wie lautet das Regressionsmodell? ii) Ist eine Reduktion auf ein lineares mit nur einem Regressor möglich? (partielle Abhängigkeitsprüfung, α = 5%) Daten: akmv.sav i) Daten, einfache Statistiken Analysieren - Berichte - Fälle zusammenfassen Insgesamt Zusammenfassung von Fällen a N Mittelwert Standardabweichung Varianz a. Begrenzt auf die ersten 00 Fälle. chol./ Gewicht/kg Alter/a mg p.dl ,00 4,5 0,00 7,008,49 70,4 89,7 0, ,09 i) Schätzung der parameter, globale Abhängigkeitsprüfung Analysieren - Regression - linear... zusammenfassung b Korrigiertes Standardfehler R R-Quadrat R-Quadrat des Schätzers,888 a,789,74 5,76 a. Einflußvariablen : (Konstante), Alter/a, Gewicht/kg b. Abhängige Variable: chol./mg p.dl

2 Regression Residuen ANOVA b Quadratsumme df Quadrate F Signifikanz 409,04 59,507 6,85,00 a 50, , ,000 a. Einflußvariablen : (Konstante), Alter/a, Gewicht/kg b. Abhängige Variable: chol./mg p.dl (Konstante) Gewicht/kg Alter/a Nicht standardisierte Koeffizienten a. Abhängige Variable: chol./mg p.dl Koeffizienten a Standardisierte Koeffizienten 95%-Konfidenzintervall für B Standard Signifi Untergren Obergren B fehler Beta T kanz ze ze 7,94 4,874,67,9-5,855 7,644,686,870,407,99,084 -,8,65,445,95,559,660,06,55 6,74 Regressionsfunktion: Y(erwartet) = 7,94 +,686 X +,445 X Anpassungsgüte: Es empfiehlt sich, die adäquatheit an Hand eines mit den erwarteten und beobachteten Y-Werten gezeichneten Streudiagramms zu überprüfen. Ein Kennwert für die Anpassungsgüte ist das multiple Bestimmtheitsmaß (=Quadrat der Produktmomentkorrelation zwischen den erwarteten und beobachteten Y-Werten; im Beispiel ist R =78,9%).,0,0 Standard. geschätzter Wert (Y) 0,0 -,0 -,0 R-Qu. = chol./mg p.dl (Y)

3 ii) partielle Abhängigeitsprüfung: Ist X (Gewicht) redundant? (reduziertes : einfache lineare Regression von Y auf X) Statistik - Regression - linear... zusammenfassung Korrigiertes Standardfehler R R-Quadrat R-Quadrat des Schätzers,87 a,70,67 40,96 a. Einflußvariablen : (Konstante), Alter/a Regression Residuen ANOVA b Quadrats umme df Quadrate F Signifikanz 8,846 8,846,49,00 a 68,54 0 6, ,000 a. Einflußvariablen : (Konstante), Alter/a b. Abhängige Variable: chol./mg p.dl Partieller F-Test: TGs(X X) = [SQRes(X) - SQRes(X,X)]/MQRes(X,X) = (68,54 50,986)/78,998 =,759; Testgröße ist F-verteilt mit dem Zählerfreiheitsgrad und dem Nennerfreiheitsgrad 9 P(TG >,759) = 8,45% α =5% Verkleinerung von SQRes ist nicht signifikant! (dass X redundant ist, sieht man auch aus der Tabelle "Koeffizienten" unter i) ii) partielle Abhängigkeitsprüfung: Ist X redundant? nein! (siehe Tabelle "Koeffizienten" unter i) Problem.: Abhängigkeitsanalysen - polynomiale Regression Mit Hilfe angegebenen Daten soll die Photosynthese Y (in mmol CO pro m und s) einer Pflanze als Funktion der Temperatur X (in oc) bei konstant gehaltener (hoher) Lichintensität dargestellt werden. Man prüfe die Abhängigkeit der Variablen Y von X im Rahmen eines quadratischen s (α = 5%). Für welche Temperatur ist der Y maximal? Daten: akmv.sav i) Grafische Untersuchung des typs (Art der Regressionsfunktion) Grafiken - Streudiagramm Photosynth Temp. (C) Streudiagramm quadratische Regressionsfunktion: Y(erwartet) = b0 + b*x + b*x mit X = X, X = X*X ii) Daten, einfache Statistiken

4 4 Zusammenfassung von Fällen a Temp. (C) Photosynth. X 5 7, , , , , , , , Insgesamt N Mittelwert,50,65 57,50 Standardabweichung 5,976,606 70,5 Varianz 5,74 6, ,74 a. Begrenzt auf die ersten 00 Fälle. iii) Schätzung der parameter, Abhängigkeitsprüfungen (global, partiell) Analysieren - Regression - linear... zusammenfassung Korrigiertes Standardfehler R R-Quadrat R-Quadrat des Schätzers,906 a,80,748,48 a. Einflußvariablen : (Konstante), X, Temp. (C) Regression Residuen ANOVA b Quadrat summe df Quadrate F Signifikanz 9,40 9,70,40,04 a 8,644 5,79 48,064 7 a. Einflußvariablen : (Konstante), X, Temp. (C) b. Abhängige Variable: Photosynth. Globaler F-Test: Signifikanz < α =5% Y hängt (im Rahmen des s) signifikant von X (und X*X) ab. (Konstante) Temp. (C) X Nicht standard. Koeffizienten a. Abhängige Variable: Photosynth. Koeffizienten a Standard. Koeffizienten 95%-Konfidenzint. für B B SE Beta T Signifikanz UG OG -,875 9,040 -,40,060-45,,64 4,00,84 9,46 4,769,005,849 6,7 -,088,09-9,055-4,7,005 -,6 -,040 Partieller F-Test: Wegen Sign. < α ist weder X (TEMP) noch X=X*X im redundant.

5 5,5,0,5 Standard. geschätzter Wert (Y) 0,0 -,5 -,0 -,5 R-Qu. = Photosynth. Regressionsmodell: Y(erwartet) = -, ,00 X 0,088 X*X Optimale Temperatur: dy/dx = 4,00 - x 0,088 X = 0 X(opt.) =,8 Problem.: Vergleich von Regressionsgeraden In einem Placebo-kontrollierten Parallelversuch wurde eine Größe vor Gabe des Präparates (Variable X) und danach (Variable X) gemessen. Die Präparatwirkung Y wird durch die Differenz X - X ausgedrückt. Jeweils zehn Versuchspersonen erhielten das Testpräparat, andere zehn das Kontrollpräparat (Placebo). i) Man zeige auf der Grundlage von linearen Regressionsmodellen, dass in jeder Präparatgruppe die Wirkung Y vom Anfangswert X abhängt (Prüfung auf Abhängigkeit). ii) Man zeige, dass sich die Anstiege der Regressionsgeraden nicht signifikant unterscheiden (Prüfung auf Abweichung von der Parallelität). iii) Man zeige, dass die Regressionsgeraden nicht zusammenfallen (Prüfung auf Koinzidenz). Als Testniveau sei für jede Einzelprüfung 5% angenommen; Daten: siehe "Daten, einfache Statistiken". i) Daten, einfache Statistiken Analysieren - Berichte - Fälle zusammenfassen... Tabelle: siehe nächste Seite i) Grafische Überprüfung der adäquatheit (lineares ) Grafiken - Streudiagramm - Einfach Präparat 0-0 Placebo R-Qu. = 0,7805 A Y R-Qu. = 0,6980 X

6 6 Zusammenfassung von Fällen a Präparat A Placebo Insgesamt Insgesamt N Mittelwert Standardfehler des Mittelwertes Standardabweichung Varianz Insgesamt N Mittelwert Standardfehler des Mittelwertes Standardabweichung Varianz N Mittelwert Standardfehler des Mittelwertes X X Y ,80 4,70 4,0 9,99 5,65 9,66,59 7,85 0,56 997,7 8,678 9, ,0 84,0 6,00,49 6,07 9,4 9,5 9,9 9,8 560,767 68, 889, ,45 6,90,55 8, 6,4 6,80 Standardabweichung Varianz a. Begrenzt auf die ersten 00 Fälle. 7,5 7,48 0,9 80,66 754,97 9,74 i) Lineare Regression von Y auf X (getrennt nach Präparatgruppen) Aufteilung der Datei nach Gruppen: Daten Datei aufteilen... Regressionsprozedur: Analysieren - Regression - Linear.. Präparat = A zusammenfassung b R R-Quadrat Korrigiertes R-Quadrat Standardfehler des Schätzers,85 a,698,660 7,8 a. Einflußvariablen : (Konstante), Untersuchungsm..US b. Präparat = A

7 7 ANOVA b,c Quadrat summe df Quadrate F Signifikanz Regression 5865, ,78 8,490,00 a Residuen 57,7 8 7,5 840,900 9 a. Einflußvariablen : (Konstante), Untersuchungsm..US b. c. Präparat = A Koeffizienten a,b (Konstante) Untersuchungsm..US a. b. Präparat = A Nicht standardisierte Koeffizienten Standard. Koeffizienten B SE Beta T Signifikanz -7,44 6,904 -,6,4,808,880,85 4,00,00 Präparat = Placebo zusammenfassung b R R-Quadrat Korrigiertes R-Quadrat Standardfehler des Schätzers,88 a,78,75 4,8 a. Einflußvariablen : (Konstante), Untersuchungsm..US b. Präparat = Placebo Regression Residuen ANOVA b,c Quadrat summe df Quadrate F Signifikanz 650,69 650,69 8,447,00 a 757,7 8 9, ,000 9 a. Einflußvariablen : (Konstante), Untersuchungsm..US b. c. Präparat = Placebo Koeffizienten a,b (Konstante) Untersuchungsm..US a. b. Präparat = Placebo Nicht standardisierte Koeffizienten Standard. Koeffizienten B SE Beta T Signifikanz -47,44 4,5458 -,6,0,667,5,88 5,4,00 Ergebnisse: Regressionsmodell (Präparat A): Y = b X + b0 + Fehler mit b = (sign. <> Null, P =0.00), b0 = -7.44; Regressionsmodell (Placebo): Y = b X + b0 + Fehler mit b = (sign. <> Null, P = 0.00), b0 = ii) Gibt es zwischen den Geradenanstiegen b und b einen signifikanten Unterschied (α=5%)?

8 8 ii) Vergleich von b und b mit dem t-test Voraussetzungen: b (Stichprobenfunktion, Anstieg - Präparat A) ist normalverteilt, Schätzwerte: Mittelwert = 0.808, Standardabweichung = (Freiheitsgrad = n-=8) b (Stichprobenfunktion, Anstieg - Placebo) ist normalverteilt, Schätzwerte: Mittelwert = 0.667, Standardabweichung = 0.5, (Freiheitsgrad = n-=8) Manuelle Durchführung des t-tests: F-Test: Varianzverhältnis (0.880/0.5)^ =.58 <= F(8, 8, 0.975) = 4.4 spricht nicht gegen die Gleichheit der Varianzen. -Stichproben-t-Test (unabhängige Stichproben): mittlere (gepoolte) Varianz = (0.880^ + 0.5^)/ = Testgröße = ( )/0.047^(/)* (64/6)^(/) =.58 <= t(6, 0.975) =.0 Unterschied der Anstiegswerte ist auf dem Testniveau 5% nicht signifikant. ii) Vergleich der Anstiege im Rahmen eines mehrfach-linearen Regressionsmodells mit einer Indikatorvariablen ("dummy variable") Prinzip: Die zwei einfach-linearen Regressionsmodelle werden mit Hilfe der Indikatorvariablen z in ein mehrfach-lineares Regressionsmodell zusammengefasst. Der Hilfsvariablen z wird für alle Beobachtungen der Präparatgruppe A der Wert Null und für alle Beobachtungen der Placebo-Gruppe der Wert eins zugewiesen. Setzt man die abhängige Variabe Y als multiples lineares mit den Regressorvariablen u=x, u=z und u=x*z in der Gestalt (*) Y = b0 + b*u + b*u + b*u + Fehler an, so geht diese gleichung für z=0 (Gruppe A) über in (**) Y = b0 + b*x + Fehler und für z= (Placebo-Gruppe) über in (***) Y = (b0+b) + (b+b)*x + Fehler. Die Anstiege in den einfach-linearen Regressionsmodellen (**) und (***) sind genau dann verschieden, wenn im dreifach-linearen Regressionsmodells (*) der Koeffizient b ungleich Null ist, d.h. die Zielvariable von u abhängt. Die Abhängigkeitsprüfung von u erfolgt mit dem partiellen F-Test. Datenorganisation: Datenmatrix durch z-spalte (=u) und z*x-spalte (=u) ergänzen. Zusammenfassung von Fällen a Präparat X (=u) X Y U (=z) U (=z*x) A A A A A A A A A A Placebo Placebo Placebo Placebo Placebo Placebo Placebo Placebo Placebo Placebo Insgesamt N a. Begrenzt auf die ersten 00 Fälle. Hypothesen:

9 9 H0: Koeffizient von u in (*) ist Null (Nullmodell), H: Koeffizient von u in (*) ist ungleich Null (Alternativmodell). Durchführung des partiellen F-Tests: Schritt : Fehlerquadratsumme SQRes(H)= und Freiheitsgrade FG(H)= 6 aus dem Alternativmodell bestimmen (Statistik - Regression - Linear... ; abhängige Variable = Y, unabhängige Variable = u, u, u). Regression Residuen ANOVA b Quadrat summe df Quadrate F Signifikanz 55,5 448,499 6,458,000 a 495, , ,0 9 a. Einflußvariablen : (Konstante), U, Untersuchungsm..US, U b. Schritt : Fehlerquadratsumme SQRes(H0)= und Freiheitsgrade FG(H0)= 7 aus dem Alternativmodell bestimmen (Statistik - Regression - Linear... ; abhängige Variable = Y, unabhängige Variable = u, u). ANOVA b Quadrat summe df Quadrate F Signifikanz Regression 46,4 657,90 5,70,000 a Residuen 4404, ,09 755,0 9 a. Einflußvariablen : (Konstante), U, Untersuchungsm..US b. Schritt : Testentscheidung Mittlere Reduktion der Fehlerquadratsumme bei Übergang vom Nullmodell zum Alternativmodell = MQRes(H H0) = [SQRes(H0) - SQRes(H)]/[FG(H0)-FG(H)] = ( )/(7-6) = Schätzung der Fehlervarianz aus dem Alternativmodell durch MQRes(H) = mit FG(H) = 6. Testgröße = MQRes(H H0)/MQRes(H) = <= F(,6,0.95) = 4.49 Unterschied zwischen den Anstiegen nicht signifikant. iii) Sind die Regressionsgeraden überhaupt verschieden? (hinsichtlich Anstiege und y-achsenabschnitte) Prüfung im Rahmen des mehrfach-linearen Regressionsmodells (*) mit den Regressorvariablen u (=X), u (=z) und u (=z*x) durch Übergang vom Vollmodell (Alternativmodell) zum Nullmodell (Koeffizienten von u und u sind Null). Hypothesen: H0: Y hängt nicht von u und u ab (Nullmodell), H: Y hängt von u, u und u ab (Alternativmodell). Durchführung des partiellen F-Tests: Schritt : SQRes(H) = , FG(H) = 6, MQRes(H) = Schritt : SQRes(H0) = 99.59, FG(H0) = 8. Regression Residuen ANOVA b Quadrat summe df Quadrate F Signifikanz 858,59 858,59 5,997,00 a 99, , ,950 9 a. Einflußvariablen : (Konstante), Untersuchungsm..US b. Schritt :

10 0 MQRes(H H0) = ( )/(8-6)= Testgröße = MQRes(H H0)/MQE(H) = 9.07 > F(,6,0.95) =.6 Regressionsgeraden fallen nicht zusammen! Problem.4: Abhängigkeitsanalysen - Versuche mit einem Haupt- und einem Blockfaktor Die folgende Datentabelle zeigt die an einer Messstelle der Donau erhaltenen monatlichen Messwerte des phosphors (gesp_) für die Jahre 986 bis 988. Man vergleiche die Jahresmittelwerte und verwende dabei den Monat als Blockfaktor. Das Testniveau ist mit 5% vorgegeben. Monat i) Problemlösung mit der Prozedur Allgemeines lineares : Messwert = Basiswert + Faktor(=Jahres)-Effekt + Block (=Monats)-Effekt + Versuchsfehler Datenorganisation: monat jahr gesp_ i) Globaltest (H0: kein Jahres-Effekt), Power Analysieren - Allgemeines lineares Univariat... Abhängige Variable: -P in mg/l /Wolfsthal) Quelle Korrigiertes Konstanter Term MONAT JAHR Fehler Korrigierte variation Quadratsumme vom Typ III df Tests der Zwischensubjekteffekte 8,5E-0 b 6,50E-0,7,046 9,078,84,697, ,49, ,49,000 5,50E-0 5,00E-0,790,8 9,69,677,6E-0,E-0 4,69,00 9,85,77 6,47E-0,794E-0,840 6,4 5 a. Unter Verwendung von Alpha =,05 berechnet b. R-Quadrat =,569 (korrigiertes R-Quadrat =,5) Quadrate F Sign. Nichtzentralitäts- Parameter Beobachtete Schärfe a Geschätzte Randmittel. mittelwert Abhängige Variable: -P in mg/l /Wolfsthal) 95% Konfidenzintervall Mittelwert Standardfehler Untergrenze Obergrenze,7,009,99,5

11 . MONAT Abhängige Variable: -P in mg/l /Wolfsthal) MONAT % Konfidenzintervall Mittelwert Standardfehler Untergrenze Obergrenze,75,0,,9,,0,70,96,7,0,08,5,04,0,4,67,5,0 9,004E-0,7,4,0 7,87E-0,05,94,0,0,57,9,0,66,9,4,0,50,77,09,0,46,7,7,0,74,00,44,0,80,07. JAHR Abhängige Variable: -P in mg/l /Wolfsthal) JAHR % Konfidenzintervall Mittelwert Standardfehler Untergrenze Obergrenze,55,05,4,87,97,05,65,8,99,05,68, i) Multiple Vergleiche (nach Scheffe und Dunnett) Abhängige Variable: -P in mg/l /Wolfsthal) Mehrfachvergleiche Scheffé Dunnett-T (-seitig) a (I) JAHR (J) JAHR Mittlere Differenz 95% Konfidenzintervall (I-J) SE Sign. Untergr. Obergr. 5,8500E-0*,0,04,870E-0,5 5,597E-0,0,05-7,07E-04,55-5,85000E-0*,0,04 -,5 -,870E-0 -,58E-0,0,99-5,9E-0 5,4046E-0-5,5967E-0,0,05 -,55 7,07E-04,58E-0,0,99-5,4046E-0 5,9E-0-5,85000E-0*,0,04 -,0949-7,54E-0-5,5967E-0*,0,0 -,0690-4,9E-0 Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,05 signifikant. a. In Dunnett-T-Tests wird eine Gruppe als Kontrollgruppe behandelt, mit der alle anderen Gruppen verglichen werden. ii) Rangvarianzanalyse für verbundene Stichproben (Friedman-Test) Analysieren - Nichtparametrische Tests - K verbundene Stichproben... Datenorganisation: monat gesp86 gesp87 gesp usw.

12 Ränge GESP86 GESP87 GESP88 Mittlerer Rang,67,50,8 Statistik für Test a N Chi-Quadrat df Asymptotische Signifikanz a. Friedman-Test 8,667,0 Problem.5: Abhängigkeitsanalysen - Einfaktorielle Versuche mit Messwiederholungen Um die Wirkung einer Behandlung auf eine Zielvariable Y zu untersuchen, wurden 0 Probanden der Behandlung unterzogen und die Zielvariable am Beginn und am Ende der Behandlung (Zeitpunkte bzw. ) sowie nach einem längeren zeitlichen Intervall (Zeitpunkt ) gemessen. Die Messwerte sind in der folgenden Tabelle protokolliert. Es soll auf dem 5%-Niveau geprüft werden, ob sich die Zielvariable im Mittel verändert hat. Pers. Zeitp. Zeitp. Zeitp i) Datenorganisation: wie in der Tabelle. ii) Problemlösung mit GLM - Messwiederholungen: Analysieren - Allgemeines lineares - Messwiederholung... Innersubjektfaktoren Maß: MESSWERT Abhängige ZEIT Variable X_ X_ X_ Deskriptive Statistiken Untersuchungsm..US Untersuchungsm..US Untersuchungsm..US Mittelwert Standardabweichung N 569,90 09,4 0 70,0 5, 0 565,70 65,46 0 ii) Lösung im Rahmen einer multivariaten Varianzanalyse

13 Multivariate Tests c Effekt Wert F Hypothese df Fehler df Sign. NZP Beobachtete Schärfe a ZEIT Pillai-Spur,70 9,465 b,000 8,000,008 8,99,899 Wilks-Lambda,97 9,465 b,000 8,000,008 8,99,899 Hotelling-Spur,66 9,465 b,000 8,000,008 8,99,899 Größte charakteristische Wurzel nach Roy,66 9,465 b,000 8,000,008 8,99,899 a. Unter Verwendung von Alpha =,05 berechnet b. Exakte Statistik c. Design: Intercept Innersubjekt-Design: ZEIT ii) Lösung im Rahmen einer Blockvarianzanalyse mit Korrektur der Fehlerfreiheitsgrade Maß: MESSWERT Mauchly-Test auf Sphärizität b Inner subjekt effekt ZEIT Prüft die Nullhypothese, daß sich die Fehlerkovarianz-Matrix der orthonormalisierten transformierten abhängigen Variablen proportional zur Einheitsmatrix verhält. a. Kann zum Korrigieren der Freiheitsgrade für die gemittelten Signifikanztests verwendet werden. In der Tabelle mit den Tests der Effekte innerhalb der Subjekte werden korrigierte Tests angezeigt. b. Design: Intercept Innersubjekt-Design: ZEIT Maß: MESSWERT Quelle ZEIT Fehler(ZEIT) Epsilon a Unter Approximiertes Greenhouse- Huynh- grenz Mauchly-W Chi-Quadrat df Sign. Geisser Feldt e,670,08,0,75,869,500 Sphärizität angenommen Greenhouse- Geisser Huynh-Feldt Untergrenze Sphärizität angenommen Greenhouse- Geisser Huynh-Feldt Untergrenze Quadratsumme vom Typ III Tests der Innersubjekteffekte df 8, ,400 7,80,005 4,60,885 8,800,50 84,49 7,80,0 0,795,80 8,800,79 704,594 7,80,008,484,847 8,800,000 8,800 7,80,05 7,80, , , ,867,5,8 508,867 5, ,99 508,867 9, ,9 a. Unter Verwendung von Alpha =,05 berechnet Quadrate F Sign. NZP Beob. Schärfe a

14 4 Tests der Innersubjektkontraste Maß: MESSWERT Quelle ZEIT Quadratsumme vom Typ III df Quadrate F Sign. NZP Beob. Schärfe a ZEIT Linear 88,00 88,00,00,9,00,05 Quadratisch 040, ,600 4,70,004 4,70,95 Fehler Linear 7878, ,756 (ZEIT) Quadratisch 74705, ,56 a. Unter Verwendung von Alpha =,05 berechnet Problem.6: Abhängigkeitsanalysen - Einfaktorielle Versuche mit einer Kovariablen In einem Placebo-kontrollierten Parallelversuch wurde eine Größe vor Gabe des Präparates (Variable X) und danach (Variable X') gemessen. Jeweils zehn Versuchspersonen erhielten das Testpräparat, andere zehn das Kontrollpräparat (Placebo). Die Messergebnisse sind in der folgenden Tabelle zusammengestellt. Es ist das Ziel des Versuches, das Testpräparat mit dem Kontrollpräparat hinsichtlich der Wirksamkeit zu vergleichen. Dabei ist die Wirksamkeit durch die Differenz Y=X-X' erfasst und eine allfällige Abhängigkeit vom Anfangswert zu berücksichtigen. Als Testniveau sei α = 5% vereinbart. Behandlungsfaktor (Präparat) Stufe (Test) Stufe (Placebo) X X' X X' Wieder holungen i) Datenorganisation Y-Spalte mit "Transformieren - Berechnen..." erzeugen: Präparat X X' Y(=X-X') ii) Vergleich der Präparateffekte ohne Berücksichtigung des Anfangswertes Analysieren - Allgemeines lineares Univariat... (ohne Anfangswert als Kovariable) Präparat A Placebo Deskriptive Statistiken Mittelwert Standardabweichung N 4,0 0,56 0 6,00 9,8 0,55 0,9 0 Levene-Test auf Gleichheit der Fehlervarianzen a F df df Signifikanz,67 8,687 Prüft die Nullhypothese, daß die Fehlervarianz der abhängigen Variablen über Gruppen hinweg gleich ist. a. Design: Intercept+PRAEP

15 5 Quelle Korrigiertes Intercept PRAEP Fehler Korrigierte variation Quadratsumme vom Typ III Tests der Zwischensubjekteffekte df 40,050 b 40,050,50,78,50,85 5,050 5,050 4,7,000 4,69,997 40,050 40,050,50,78,50,85 640, , , ,950 9 a. Unter Verwendung von Alpha =,05 berechnet b. R-Quadrat =,065 (korrigiertes R-Quadrat =,0) Quadrate F Sign. NZP Beob. Schärfe a Ergebnis: Präparateffekt ns (Power nur 8,5%), höhere Power kann erreicht werden durch größere Stichproben oder Verkleinerung des Versuchsfehlers (Kovarianzanalyse). iii) Kovarianzanalyse - Test auf signifikante Präparateffekte Analysieren - Allgemeines lineares Univariat... (mit Anfangswert als Kovariable) Levene-Test auf Gleichheit der Fehlervarianzen a F df df Signifikanz,47 8,56 Prüft die Nullhypothese, daß die Fehlervarianz der abhängigen Variablen über Gruppen hinweg gleich ist. a. Design: Intercept+PRAEP+X Quelle Korrigiertes Konstanter Term PRAEP X Fehler Korrigierte variation Quadratsumme vom Typ III Tests der Zwischensubjekteffekte df 46,8 b 657,90 5,70,000 50,740,000 9,46 9,46,4,004,4, ,0 4888,0 8,866,000 8,866,98 006, 006, 46,40,000 46,40, , , , ,950 9 a. Unter Verwendung von Alpha =,05 berechnet b. R-Quadrat =,749 (korrigiertes R-Quadrat =,70) Quadrate F Sign. NZP Beob. Schärfe a Parameterschätzer Parameter Konstanter Term [PRAEP=] [PRAEP=] 95% Konfidenzintervall Beob. B SE T Sign. Untergr. Obergr. NZP Schärfe a -5,50,740-4,00,00-80,8-6,6 4,00,977,69 7,68 4,4,000 7,60 49,578 4,4,98 0 b,,,,,,, X,7,06 6,807,000,498,946 6,807,000 a. Unter Verwendung von Alpha =,05 berechnet b. Dieser Parameter wird auf Null gesetzt, weil er redundant ist.

16 6 iv) iv) Kovarianzanalyse - Überprüfung der Voraussetzungen (Linerarität, Parallelität) Grafisch an Hand des Streudiagramms Grafiken - Streudiagramm... (mit eingezeichneten Regressionsgraden) Präparat -0 Placebo Y A X iv) Überprüfung der Parallelität im Rahmen von Allgemeines lineares Univariat... (Prüfung auf signifikante Wechselwirkung Faktor*Kovariable) Levene-Test auf Gleichheit der Fehlervarianzen a F df df Signifikanz,774 8,9 Prüft die Nullhypothese, daß die Fehlervarianz der abhängigen Variablen über Gruppen hinweg gleich ist. a. Design: Intercept+PRAEP+X+PRAEP * X Quelle Korrigiertes Konstanter Term PRAEP X PRAEP * X Fehler Korrigierte variation Quadratsumme vom Typ III Tests der Zwischensubjekteffekte df 55,497 b 448,499 6,458,000 49,75, ,8 008,8,05,004,05,88 4,789 4,789,800,84,800,4 9,586 9,586 44,406,000 44,406,000 09,6 09,6,406,5,406,09 495, , , ,950 9 a. Unter Verwendung von Alpha =,05 berechnet b. R-Quadrat =,755 (korrigiertes R-Quadrat =,709) Quadrate F Sign. NZP Beoh. Schärfe a Ergebnis: Wechselwirkung Faktor*Kovariable ns (vgl. auch Problem.) Problem.7: Abhängigkeitsanalysen - Zweifaktorielle Versuche Im Zusammenhang mit einer Untersuchung des Wasserhaushaltes einer Pflanze wurde unter verschiedenen Nährstoff- und Lichtbedingungen die mittlere Spaltöffnungsfläche (Zielvariable Y) auf bestimmten Blättern gemessen. Die Nährstoffgaben bestanden in einer als Kontrolle verwendeten "Volllösung" sowie zwei weiteren Lösungen mit einem Mangel bzw. Überschuss an Kalium (im Vergleich zur Kontrolle). Die unterschiedlichen Lichtbedingungen simulierten eine "Langtag-Situation" (6 Stunden Helligkeit und 8 Stunden Dunkelheit) und eine "Kurztag-Situation" (8 Stunden Helligkeit und 6 Stunden Dunkelheit). Das in der folgenden Tabelle zusammengestellte Datenmaterial stellt eine Kreuzklassifikation der "durchschnittlichen Spaltöffnungsfläche" nach den betrachteten Faktoren dar. Zu jeder Kombination einer Nährstoff- und Licht-Faktorstufe sind fünf Messwerte des Untersuchungsmerkmals angeschrieben, die von fünf verschiedenen, unter der jeweiligen Bedingung kultivierten Pflanzen stammen. Es soll untersucht werden, ob die Haupteffekte (Licht, Nährstoff) signifikant sind und ob es eine signifikante Faktorwechselwirkung gibt (Testniveau = 5%).

17 7 Faktor A (Nährstoff) Faktor B (Licht) /Kontrolle /K-Mangel /K-Übersch. (Langtag) (Kurztag) i) Datenorganisation nährstoff licht y usw. ii) Test auf signifikante Haupt- und Wechselwirkungseffekte Analysieren - Allgemeines lineares Univariat... Deskriptive Statistiken A_NAEHR B_LICHT Mittelwert Standardabweichung N,8000 0,85 5,8600 8,57 5 7,00 0, ,9400 4, ,4800 9, ,700, ,9000 7, ,400 8,40 5 6,500 7,4 0 8,8800,5575 5,600 0, ,500 0, Levene-Test auf Gleichheit der Fehlervarianzen a F df df Signifikanz,9 5 4,489 Prüft die Nullhypothese, daß die Fehlervarianz der abhängigen Variablen über Gruppen hinweg gleich ist. a. Design: Intercept+A_NAEHR+B_LICHT+A_NAEHR * B_LICHT

18 8 Quelle Korrigiertes Konstanter Term A_NAEHR B_LICHT A_NAEHR * B_LICHT Fehler Korrigierte variation Quadratsumm e vom Typ III Tests der Zwischensubjekteffekte df 04,04 b 5 06,86,0,098 0,600, , 7944, 86,8,000 86,8, ,7 89,6,990,0 7,98,658 80,688 80,688,87,7,87,4 74,894 87,447,896,4,79,86 4, ,576 0, ,8 9 a. Unter Verwendung von Alpha =,05 berechnet b. R-Quadrat =,06 (korrigiertes R-Quadrat =,6) Quadrate F Sign. NZP Beob. Schärfe a Mehrfachvergleiche Scheffé Dunnett-T (-seitig) a (I) A_NAEHR (J) A_NAEHR Mittlere Differenz 95% Konfidenzintervall (I-J) SE Sign. Untergr. Obergr. -0,800 4,48,08 -,9045,445,800 4,48,98-0,745,45 0,800 4,48,08 -,445,9045,900 4,48,058 -,45,745 -,800 4,48,98 -,45 0,745 -,900 4,48,058 -,745,45 0,800* 4,48,050,6E-0 0,7589 -,800 4,48,976 -,889 9,5689 Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,05 signifikant. a. In Dunnett-T-Tests wird eine Gruppe als Kontrollgruppe behandelt, mit der alle anderen Gruppen verglichen werden. 50 Profildiagramm 40 Geschätztes Randmittel 0 0 B_LICHT A_NAEHR Ergebnis: Nährstofffaktor sign.; Lichtfaktor, Faktorwechselwirkung ns.

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter

Mehr

Anhang A: Fragebögen und sonstige Unterlagen

Anhang A: Fragebögen und sonstige Unterlagen Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben

Mehr

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

Varianzananalyse. How to do

Varianzananalyse. How to do Varianzananalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Varianzanalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem Empra-Bericht oder in einer Bachelor- oder

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,

Mehr

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav) Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Kapitel 3: Interpretationen

Kapitel 3: Interpretationen Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...

Mehr

Profil 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

Profil 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

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple 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

Mehr

IBM SPSS Advanced Statistics 19

IBM SPSS Advanced Statistics 19 IBM SPSS Advanced Statistics 19 Note: Before using this information and the product it supports, read the general information under Notices auf S. 173. This document contains proprietary information of

Mehr

IBM SPSS Advanced Statistics 20

IBM SPSS Advanced Statistics 20 IBM SPSS Advanced Statistics 20 Hinweis: Lesen Sie zunächst die allgemeinen Informationen unter Hinweise auf S. 180, bevor Sie dieses Informationsmaterial sowie das zugehörige Produkt verwenden. Diese

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Versuchsbericht. Allgemeinpsychologisches Experimental-Praktikum SS 2003. Tutor: Dipl.-Psych. Alexandra Lenhard

Versuchsbericht. Allgemeinpsychologisches Experimental-Praktikum SS 2003. Tutor: Dipl.-Psych. Alexandra Lenhard Julius-Maximilians-Universität Würzburg Psychologisches Institut III Versuchsbericht Allgemeinpsychologisches Experimental-Praktikum SS 2003 Tutor: Dipl.-Psych. Alexandra Lenhard Thema: Intermanueller

Mehr

3 Zusammenhangsmaße Zusammenhangshypothesen

3 Zusammenhangsmaße Zusammenhangshypothesen 3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. 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...

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das 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

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

Varianzanalyse * (1) Varianzanalyse (2)

Varianzanalyse * (1) Varianzanalyse (2) Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Multivariate Verfahren

Multivariate Verfahren Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf

Mehr

Willkommen zur Vorlesung Statistik

Willkommen 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

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter 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

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

5.2 Optionen Auswahl der Statistiken, die bei der jeweiligen Prozedur zur Verfügung stehen.

5.2 Optionen Auswahl der Statistiken, die bei der jeweiligen Prozedur zur Verfügung stehen. 5 Statistik mit SPSS Die Durchführung statistischer Auswertungen erfolgt bei SPSS in 2 Schritten, der Auswahl der geeigneten Methode, bestehend aus Prozedur Variable Optionen und der Ausführung. 5.1 Variablen

Mehr

Varianzanalyse. Seminar: Multivariate Verfahren Dr. Thomas Schäfer. Datum: 25. Mai 2010

Varianzanalyse. Seminar: Multivariate Verfahren Dr. Thomas Schäfer. Datum: 25. Mai 2010 Varianzanalyse Seminar: Multivariate Verfahren Dozent: Dr. Thomas Schäfer Referenten: Ralf Hopp, Michaela Haase, Tina Giska Datum: 25. Mai 2010 Gliederung I Theorieteil 1. Das Prinzip der Varianzanalyse

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Modul 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. 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

Mehr

Multivariate Statistik mit Mathematica und SPSS

Multivariate Statistik mit Mathematica und SPSS Multivariate Statistik mit Mathematica und SPSS von Dipl.-Math. Marco Schuchmann Dipl.-Math. Werner Sanns Seite 2 Varianzanalyse Die Informationen in diesem Buch entstammen langjähriger Erfahrung in Praxis

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. 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,

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Kapitel 23 Lineare Regression

Kapitel 23 Lineare Regression Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche

Mehr

Webergänzung zu Kapitel 10

Webergänzung 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

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung 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

Mehr

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

Mehr

6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen

6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Bei der Zentrierung handelt es sich um eine lineare

Mehr

Neuerungen in Minitab 16

Neuerungen in Minitab 16 Neuerungen in Minitab 16 minitab@additive-net.de - Telefon: 06172 / 5905-30 Willkommen zu Minitab 16! Die neueste Version der Minitab Statistical Software umfasst mehr als siebzig neue Funktionen und Verbesserungen,

Mehr

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Dorothea E. Dette-Hagenmeyer Was sind dyadische Daten? Dyadische Daten sind Daten von zwei oder mehreren Personen, die etwas miteinander

Mehr

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte

Mehr

Regression mit Gretl Eine erste Einführung 1

Regression mit Gretl Eine erste Einführung 1 Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple 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

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Begleitskript zur Veranstaltung: SPSS für DiplomandInnen

Begleitskript zur Veranstaltung: SPSS für DiplomandInnen Begleitskript zur Veranstaltung: SPSS für DiplomandInnen Dieses Skript wurde von Xenia Aures und Martin Kloss für das Seminar SPSS für DiplomandInnen erstellt und von Nina Krüger überarbeitet und erweitert.

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-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

Mehr

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen

Mehr

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. Lineare Regression Statistisches Modell Realisierung mit der SPSS-Prozedur Regression

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. Lineare Regression Statistisches Modell Realisierung mit der SPSS-Prozedur Regression Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Lineare Regression Statistisches Realisierung mit der SPSS-Prozedur Regression Statistische Zusammenhangsanalyse Lineare Regression Um zu untersuchen,

Mehr

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

Mehr

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung Mess-System-Analyse.1 ANOVA-Methode. Maße für

Mehr

Probeklausur (1) Biostatistische Verfahren

Probeklausur (1) Biostatistische Verfahren Ernst-Abbe-Hochschule Jena FB Grundlagenwissenschaften Probeklausur (1) Biostatistische Verfahren Tag der Prüfung Studiengang Name: Matrikel-Nr.: Bearbeitungszeit 90 min Hilfsmittel Formelsammlung, auch

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Advanced Statistics. Komplexe Beziehungen präziser analysieren. Highlights

Advanced Statistics. Komplexe Beziehungen präziser analysieren. Highlights IBM SPSS Advanced Statistics Komplexe Beziehungen präziser analysieren Highlights Erstellung flexibler Modelle mithilfe einer Vielzahl von Modellerstellungsoptionen Präzisere Vorhersagemodelle durch ein

Mehr

3.2 Bivariate Verteilungen

3.2 Bivariate Verteilungen 3.2 Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt i, i = 1,..., n, werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare/Kombinationen von

Mehr

Eine computergestützte Einführung mit

Eine computergestützte Einführung mit Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

Veranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen

Veranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen Bildungsurlaub-Seminare: Lerninhalte und Programm Seminartitel SPSS für Psychologen/innen (BH15113) Termin Mo, den 18.05.bis Fr, den 22.05.2015 (40 UStd.) Veranstaltungsort Bildungsherberge der Studierendenschaft

Mehr

Einführung in die Kovarianzanalyse (ANCOVA)

Einführung in die Kovarianzanalyse (ANCOVA) Arbeitsunterlage Einführung in die Kovarianzanalyse (ANCOVA) ARGE-Bildungsforschung 2 Einführung in die Kovarianzanalyse (ANCOVA) 1 Die Varianzanalyse ist ein Verfahren, das die Wirkung einer (oder mehrerer)

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen?

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen? Beispielaufgaben LÖSUNG (1) Grenzen Sie eine einfache lineare Regression von einem Random Intercept Modell mit nur einem Level1-Prädiktor ab! a. Worin unterscheiden sich die Voraussetzungen? - MLM braucht

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

Elisabeth Raab-Steiner/Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS/PASW-Auswertung. 2., aktualisierte Auflage. facultas.

Elisabeth Raab-Steiner/Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS/PASW-Auswertung. 2., aktualisierte Auflage. facultas. Elisabeth Raab-Steiner/Michael Benesch Der Fragebogen Von der Forschungsidee zur SPSS/PASW-Auswertung 2., aktualisierte Auflage facultas.wuv Inhaltsverzeichnis 1 Elementare Definitionen 11 1.1 Deskriptive

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

Mehr

Datenanalyse mit SPSS spezifische Analysen

Datenanalyse mit SPSS spezifische Analysen Datenanalyse mit SPSS spezifische Analysen Arnd Florack Tel.: 0251 / 83-34788 E-Mail: florack@psy.uni-muenster.de Raum 2.015 Sprechstunde: Dienstags 15-16 Uhr 25. Mai 2001 2 Auswertung von Häufigkeitsdaten

Mehr

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt?

Übungen zur Vorlesung. Statistik 2. a) Welche Grundannahmen der linearen Regression sind in Modell (1) verletzt? Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Blatt 7 Dipl.-Math. oec. D. Engel Übungen zur Vorlesung Statistik 2 Aufgabe 25 (keine Abgabe) Angenommen die Zielvariable

Mehr

Präzisere Analyse komplexer Beziehungen

Präzisere Analyse komplexer Beziehungen PASW Advanced Statistics 18 Spezifikationen Präzisere Analyse komplexer Beziehungen Führen Sie präzisere Analysen durch und ziehen Sie zuverlässigere Schlussfolgerungen mithilfe von Statistiken, die auf

Mehr

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23 Fragestellungen und Methoden 11 Vorwort 15 Kapitel 1 Einführung 17 1.1 KonzeptiondesBuchs... 18 1.2 AufbaudesBuchs... 19 1.3 Programmversionen von PASW bzw. SPSS..... 20 1.4 WiekanndiesesBuchverwendetwerden?...

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

Varianzanalyse. Einleitung - 1 -

Varianzanalyse. Einleitung - 1 - - 1 - Varianzanalyse Einleitung Die Varianzanalyse ist ein sehr allgemein einsetzbares multivariates Analyseverfahren, mit dessen Hilfe Meßwerte einer abhängigen Variablen Y, die in der Regel von mehreren

Mehr

Erste Schritte mit SPSS - eine Anleitung

Erste Schritte mit SPSS - eine Anleitung Der Internetdienst für Ihre Online-Umfragen Erste Schritte mit SPSS - eine Anleitung -1- Weitere in dieser Reihe bei 2ask erschienene Leitfäden Allgemeiner Leitfaden zur Fragebogenerstellung Sie möchten

Mehr

Master of Science in Pflege

Master of Science in Pflege Master of Science in Pflege Modul: Statistik Einfache und multiple Regressionsanalyse / Logistische Regressionsanalyse November 2012 Prof. Dr. Jürg Schwarz Folie 2 Programm 28. November 2012: Vormittag

Mehr

Fragen und Antworten zu Kapitel 18

Fragen und Antworten zu Kapitel 18 Fragen und Antworten zu Kapitel 18 (1) Nennen Sie verschiedene Zielsetzungen, die man mit der Anwendung der multiplen Regressionsanalyse verfolgt. Die multiple Regressionsanalyse dient der Kontrolle von

Mehr

Statistische Analyse von Ereigniszeiten

Statistische Analyse von Ereigniszeiten Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit

Mehr

Nichtparametrische Datenanalyse

Nichtparametrische Datenanalyse Statistik und ihre Anwendungen Nichtparametrische Datenanalyse Unverbundene Stichproben von Edgar Brunner, Ullrich Munzel 1. Auflage Nichtparametrische Datenanalyse Brunner / Munzel schnell und portofrei

Mehr

SPSS Regression Models 12.0

SPSS Regression Models 12.0 SPSS Regression Models 12.0 Weitere Informationen zu SPSS -Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.com, oder wenden Sie sich an SPSS GmbH Software Rosenheimer

Mehr

Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab

Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für

Mehr

EINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000

EINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000 INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2 MODUL 13 EINFACHE LINEARE REGRESSION Erziehungswissenschaft/Haider

Mehr

KOMPLEXE STATISTISCHE VERFAHREN

KOMPLEXE STATISTISCHE VERFAHREN 1 1. THEORETISCHES: KOMPLEXE STATISTISCHE VERFAHREN Wofür braucht man komplexe statistische Verfahren? um objektivere Antworten auf Fragen (z.b. Schadet Rauen?) geben zu können Im Alltag hier oft Heranziehung

Mehr