Präzisere Analyse komplexer Beziehungen

Größe: px
Ab Seite anzeigen:

Download "Präzisere Analyse komplexer Beziehungen"

Transkript

1 PASW Advanced Statistics 18 Spezifikationen Präzisere Analyse komplexer Beziehungen Führen Sie präzisere Analysen durch und ziehen Sie zuverlässigere Schlussfolgerungen mithilfe von Statistiken, die auf die inhärenten Merkmale der Daten zugeschnitten sind, die komplexe Beziehungen beschreiben. PASW Advanced Statistics* bietet ein leistungsstarkes Set anspruchsvoller univariater und multivariater Analysetechniken für Probleme in der realen Welt, z. B.: Medizinische Forschung Analyse der Überlebensquoten der Patienten Fertigung Bewerten der Fertigungsprozesse Pharmazeutische Forschung Melden von Testergebnissen an die zuständigen Behörden Marktforschung Bestimmen von Ebenen des Produktinteresses Zugriff auf ein breites Spektrum an leistungsstarken Modellen Neben den Prozeduren mit allgemeinen linearen Modellen (GLM) und gemischten Modellen bietet PASW Advanced Statistics nun die Prozeduren mit verallgemeinerten linearen Modellen (GENLIN) und verallgemeinerten Schätzungsgleichungen. GENLIN enthält gängige Statistikmodelle wie lineare Regression für normal verteilte Antworten, logistische Modelle für binäre Daten und loglineare Modelle für Häufigkeitsdaten. Diese Prozedur bietet durch seine allgemeine Modellformulierung auch viele nützliche Statistikmodelle, wie z. B. ordinale Regression, Tweedie-Regression, Poisson-Regression, Gamma- Regression und negative binomiale Regression. GENLIN und GEE bieten einen gemeinsamen Rahmen für die folgenden Ergebnisse: Numerisch: Lineare Regression, Varianzanalyse, Kovarianzanalyse, Analyse mit Messwiederholungen und Gamma-Regression Häufigkeitsdaten: Loglineare Modelle, logistische Regression, Probit-Regression, Poisson-Regression und negative binomiale Regression Ordinale Daten: Ordinale Regression Ereignis-/Versuchsdaten: Logistische Regression Forderungsdaten: Inverse normale Regression Kombination von diskreten und stetigen Ergebnissen: Tweedie-Regression Korrelierte Antworten innerhalb der Subjekte: GEE oder korrelierte Antwortmodelle Jedes Modul der PASW Statistics-Produktfamilie kann nun getrennt oder zusammen mit anderen Modulen installiert und ausgeführt werden. PASW Statistics Base wird nicht länger vorausgesetzt, da jedem Modul Funktionen wie der Zugriff auf und die Verwaltung von Daten sowie die Diagrammerstellung hinzugefügt wurden. Dadurch erhalten Sie mehr Flexibilität bei der Installation und Verwendung dieser vielseitigen Software. PASW Statistics Base ist noch immer verfügbar und stellt weiterhin die Grundlage vieler Bereitstellungen dar, da dieses Modul statistische Tests und Verfahren umfasst, die für viele Analysen wesentlich sind. * PASW Advanced Statistics und PASW Statistics Base, früher SPSS Advanced Statistics und SPSS Statistics Base, sind Bestandteil des Predictive Analytics Software-Portfolios von SSPS Inc.

2 Präzisere Vorhersagemodelle beim Arbeiten mit verschachtelten Daten Die Prozedur Gemischte lineare Modelle wurde auf Modelle erweitert, die in der GIM-Prozedur benutzt werden, Sie können also Daten analysieren, die Korrelationen und nicht-konstante Variabilität aufweisen. Durch diese Prozedur lassen sich nicht nur Mittelwerte, sondern auch Varianzen und Kovarianzen in Ihren Daten modellieren. Die Flexibilität der Prozedur ermöglicht Ihnen, ein breites Spektrum an Modellen zu formulieren, inklusive ANOVA- Modelle mit festen Effekten, Designs mit vollständigen Zufallsblöcken, Split-Plot-Designs, Modelle mit zufälligen Effekten, Modelle mit Zufallskoeffizienten, mehrstufige Analysen, unkonditionale lineare Wachstumsmodelle, lineare Wachstumsmodelle mit Kovariaten auf Personenebene, Analysen mit Messwiederholungen und Analysen mit Messwiederholungen und zeitabhängigen Kovariaten. Arbeiten Sie mit Designs mit Messwiederholungen, einschließlich unvollständig wiederholten Messungen, in denen die Anzahl der Beobachtungen über die Subjekte variiert. Erstellung von flexiblen Modellen Mithilfe der GLM-Prozedur können Sie die Beziehung zwischen einer abhängigen Variablen und einem Set unabhängiger Variablen beschreiben. Modelle umfassen lineare Regression, ANOVA, ANCOVA, MANOVA und MANCOVA. GLM bietet auch Funktionen für wiederholte Messungen, gemischte Modelle, Post-hoc-Tests sowie Post-hoc-Tests für wiederholte Messungen, vier Arten von Quadratsummen, paarweise Vergleiche von erwarteten Randmitteln sowie die ausgefeilte Behandlung von fehlenden Zellen und die Option, Matrizen und Effektdateien zu speichern. Anwenden von anspruchsvolleren Modellen Verwenden Sie PASW Advanced Statistics, wenn Ihre Daten nicht den Voraussetzungen entsprechen, die für einfachere Techniken erforderlich sind. PASW Advanced Statistics bietet loglineare und hierarchisch loglineare Analysen zur Modellierung von mehrdimensionalen Tabellen mit Häufigkeitsdaten. Die allgemeine loglineare Analyseprozedur hilft Ihnen, die Häufigkeitszahlen von Beobachtungen zu analysieren, die in einer Kreuztabelle oder einer Kontingenztabelle jeder Kategorie der Kreuzklassifikation zugeordnet sind. Sie können bis zu 10 Faktoren auswählen, um die Zellen einer Tabelle zu definieren. Informationen zum Modell und Statistiken der Anpassungsgüte werden automatisch angezeigt. Zeigen Sie eine Vielzahl von Statistiken und Diagrammen an oder speichern Sie Residuen und vorhergesagte Werte in der Arbeitsdatei. Analyse von Ereignisverlauf und Laufzeitdaten Sie können Lebensdauer- oder Laufzeitdaten prüfen, um Endereignisse wie Organausfall, Tod oder Überleben zu verstehen. PASW Advanced Statistics umfasst Kaplan- Meier- und Cox-Regression, Überlebensprozeduren auf dem neuesten Stand der Technik. Verwenden Sie Kaplan- Meier-Schätzungen, um die Zeitdauer eines Ereignisses zu messen. Verwenden Sie die Cox-Regression zur Ausführung einer proportionalen Hazard-Regression mit Reaktionszeit oder Zeitverhalten als abhängige Variable. Diese Prozeduren bieten gemeinsam mit Sterbetafelanalysen ein flexibles und umfassendes Set an Techniken für die Arbeit mit Ihren Überlebensdaten. Wertzuwachs durch Zusammenarbeit Um Ergebnisse effizient gemeinsam zu nutzen und wiederzuverwenden, sie gemäß interner und externer Compliance-Anforderungen zu schützen, und die Ergebnisse zu veröffentlichen, sodass mehr Unternehmensanwender die Ergebnisse anzeigen und mit ihnen interagieren können, sollten Sie in Erwägung ziehen, Ihre PASW Statistics-Software mit PASW Collaboration and Deployment Services (früher SPSS Predictive Enterprise Services ) zu erweitern. Weitere Informationen über diese wertvollen Funktionen erhalten Sie, wenn Sie unter

3 Funktionen GENLIN and GEE GENLIN-Prozeduren bieten einen einheitlichen Rahmen, der klassische lineare Modelle mit normal verteilten abhängigen variablen, logistischen und Probit-Modellen für binäre Daten enthält sowie loglineare Modelle für Häufigkeitsdaten und zahlreiche weitere Nicht-Standard-Regressionsmodelle. GEE- Prozeduren passen das verallgemeinerte lineare Modell an korrelierte Längendaten und geclusterte Daten an. Insbesondere modellieren GEE-Prozeduren Korrelationen in Subjekten. Anwender können durch einen gemeinsamen Rahmen die folgenden Ergebnisse erzielen: Stetige Ergebnisse: Lineare Regression, Varianzanalyse, Kovarianzanalyse, Analysen mit Messwiederholungen und Gamma-Regression Ordinale Daten: Ordinale Regression Häufigkeitsdaten: Loglineare Modelle, logistische Regression, Probit- Regression, Poisson- Regression und negative binomiale Regression Ereignis-/Versuchsdaten: Logistische Regression Forderungsdaten: Inverse normale Regression Kombination von diskreten und stetigen Ergebnissen: Tweedie- Regression Korrelierte Antworten innerhalb der Subjekte: GEE oder korrelierte Antwortmodelle Der Unterbefehl MODEL dient der Angabe von Modelleffekten, einer Offset- oder Skalengewichtsvariablen (sofern eine davon existiert), der Wahrscheinlichkeitsverteilung und der Verknüpfungsfunktion Bietet eine Option zum Ein- oder Ausschließen des konstanten Terms Gibt eine Offset-Variable an oder korrigiert den Offset an einer Zahl Gibt eine Variable an, die Omega- Gewichtungswerte für den Skalenparameter enthält Ermöglicht, dass Benuztzer aus den folgenden Wahrscheinlichkeitsverteilungen wählen: Binomial, Gamma, inverse normal, negativ binomial, normal, multinomial ordinal, Tweedie und Poisson Bietet die folgenden Verknüpfungsfunktionen: Log-Log komplementär, Identität, Log, Log- Komplement, Logit, negative binomial, Log-log negative, Odds-Potenz, Probit, Logit (kumulativ) und Potenz Der Unterbefehl CRITERIA steuert statistische Kriterien für GENLIN und gibt die numerische Toleranz für die Prüfung auf Singularität an. Er bietet Optionen für folgende Angaben: Typ der Analyse für jeden Modell-Effekt: Typ I, Typ III oder beide Wert zum Start der Iteration für die Prüfung auf vollständige und quasi-vollständige Trennung Konfidenzintervallebene für Koeffizientenschätzungen und geschätzte Randmittel Kovarianzmatrix einer Parameterschätzung: Modellbasierter Schätzer oder robuster Schätzer Hesse-Konvergenzkriterium Anfangswerte für Parameterschätzungen Log-Likelihood-Konvergenzkriterium Form der Log-Likelihood-Funktion Maximale Anzahl der Iterationen für Parameterschätzung und Log-Likelihood Maximale Anzahl der Schritte in der Schritt-Halbierungsmethode Modellparameter-Schätzmethode: Fisher-Bewertungsmethode oder Newton- Raphson-Methode Parameterkonvergenzkriterium Methode zum Anpassen des Skalenparameters: Maximum Likelihood, Abweichung, Pearson-Chi-Quadrat auf eine Zahl festgelegt Verwendeter Toleranzwert für Text auf Singularität Der Unterbefehl REPEATED gibt die Struktur der Arbeitskorrelationsmatrix an, mit deren Hilfe GEE Korrelationen in Subjekten modelliert, und steuert Statistikkriterien im nicht auf Likelihood basierenden, iterativen Anpassungsalgorithmus. Er bietet Optionen für folgende Angaben: Innersubjekt oder Zeiteffekt Korrelationsmatrixstruktur: Unabhängige Arbeitskorrelationsmatrix, AR(1)- Arbeits- korrelationsmatrix, austauschbare Arbeits- korrelationsmatrix, feste Arbeitskorrelations- matrix, m-abhängige Arbeitskorrelations- matrix und unstrukturierte Arbeits- korrelationsmatrix Ob der Schätzer der Arbeitskorrelationsdurch die Anzahl der nichtredundanten Parameter angepasst werden soll Ob der robuste oder der modell-basierte- Schätzer oder die Parameterschätzungskovarianzmatrix für verallgemeinerte Schätzungsgleichungen verwendet werden soll Hesse-Konvergenzkriterium für die verallgemeinerten Schätzungsgleichungen Maximalzahl der Iterationen Konvergenzkriterium für relative oder absolute Parameter Anzahl der Iterationen zwischen Aktualisierungen der Arbeitskorrelationsmatrix Anzeige der geschätzten Randmittel der abhängigen Variablen für alle Ebenenkombinationen eines Sets von Faktoren Der Unterbefehl EMMEANS zeigt die geschätzten Randmittel der abhängigen Variablen für alle Ebenenkombinationen eines Sets von Faktoren an. Er bietet Optionen für folgende Angaben: Zellen, für welche die geschätzten Randmittel angezeigt werden Kovariatenwerte, die zur Berechnung der geschätzten Randmittel verwendet werden sollen Ob geschätzte Randmittel auf der Basis der Originalskala der abhängigen Variablen oder auf der Transformation der Link-Funktion berechnet werden Faktor oder Faktor-Set mit Kreuzfaktoren, die Ebenen oder Ebenenkombinationen, die mithilfe des Kontrasttpys (über das Schlüsselwort CONTRAST) verglichen werden Kontrasttyp für die Ebenen des Faktors oder Ebenenkombinationen der Kreuzfaktoren (mithilfe des Schlüsselworts COMPARE). Die folgenden Kontrasttypen sind verfügbar: Paarweise, Abweichung, Differenz, Helmert, polynomial, wiederholt und einfach. Die Anpassungsmethode für die Signifikanzebene in Kontrasttests: Geringste signifikante Differenz, Bonferroni, sequenzielle Bonferroni, Sidak und sequenzielle Sidak

4 Der Unterbefehl MISSING gibt an, wie fehlende Werte behandelt werden Der Unterbefehl PRINT bietet Optionen zur Anzeige von folgenden Elementen: Korrelationsmatrix für Parameterschätzungen, Kovarianzmatrix für Parameterschätzungen, Zusammenfassung der Fallverarbeitung, deskriptive Statistiken, Anpassungsgüte, allgemeine schätzbare Funktion, Iterationsprotokoll, Lagrange-Multiplikator- Test, Set von Kontrastkoeffizienten- (L-)Matrizen, Modellinformationen, Parameterschätzungen und entsprechende Statistiken, Modellzusammenfassungsstatistik und Arbeitskorrelationsmatrix Der Unterbefehl SAVE bietet Optionen zum Speichern folgender Elemente in der Arbeitsdatendatei: Vorhergesagter Wert für die lineare Einflussvariable, Geschätzter Standardfehler des vorhergesagten Werts der linearen Einflussvariablen, Vorhergesagter Wert des Mittelwerts der Antwort, Konfidenzintervall für den Mittelwert der Antwort, Hebelwert, Roh-Residuum, Pearson-Residuum, Abweichungsresiduum, standardisiertes Pearson-Residuum, standardisiertes Abweichungsresiduum, Likelihood- Residuum und Cook-Distanz Der Unterbefehl OUTFILE bietet Optionen zum Speichern folgenden Elemente in einer externen Datei: Parameterkorrelationsmatrix und andere Statistiken in einem PASW Statistics- Datenset, Parameterkovarianzmatrix und andere Statistiken in einem PASW Statistics- Datenset und Parameterschätzungen sowie Parameterkovarianzmatrix in einer XML- Datei GENLIN: HCONVERGE nach Konvergenz prüfen, selbst wenn es nicht angegeben ist MIXED Erweitert das allgemeine lineare Modell, das in der GIM-Prozedur benutzt wird, damit die Daten Korrelationen und nicht-konstante Variabilität aufweisen Anpassung der folgenden Modelltypen: ANOVA-Modell mit festen Effekten, Design mit vollständigen Zufallsblöcken, Split-Plot-Design, Modell mit zufälligen Effekten, Modell mit Zufallskoeffizienten, mehrstufige Analyse, unkonditionales lineares Wachstumsmodell, lineares Wachstumsmodell mit Kovariate auf Personenebene, Analyse mit Messwiederholungen und Analyse mit Messwiederholungen und zeitabhängiger Kovariate. Möglichkeit, Häufigkeits- oder Regressionsgewichtungen anzuwenden Sechs Kovarianzstrukturen stehen zur Auswahl: autoregressive Kovarianzstruktur der ersten Ordnung, zusammengesetzt asymmetrisch, Huynh-Feldt, Identität, unstrukturierte und Varianzkomponenten 11 nicht-räumliche Kovarianztypen stehen zur Auswahl: Ante-Dependenz 1. Ordnung, heterogen, autoregressive Kovarianzstruktur der ersten Ordnung, ARMA (1,1), Heterogen zusammengesetzt symmetrisch, zusammengesetzt symmetrisch mit parametrisierter Korrelation, diagonal, Faktor-analytisch 1. Ordnung, Toeplitz, Toeplitz heterogen und unstrukturierte Korrelationen Wahl von CRITERIA zur Steuerung des für die Schätzung verwendeten iterativen Algorithmus und zur Angabe der numerischen Toleranz für die Prüfung auf Singularität: Ebene des Konfidenzintervalls, Konvergenzkriterium der Log-Likelihood- Funktion, maximale Anzahl der Iterationen, Konvergenzkriterium der Parameterschätzungen (absolut und relativ), Maximalzahl für die Schritt- Halbierung erlaubt, Zuweisen von Bewertungsalgorithmen und Wert als Toleranz beim Prüfen der Singularität verwendet Angabe der festen Effekte im gemischten Modell: Kein konstanter Term, Typ I Quadratsumme und Typ III Quadratsumme Angabe der Zufallseffekte: Identifizieren von Subjekten und Kovarianzstruktur (erste Ordnung autoregressiv, zusammengesetzt symmetrisch, Huynh-Feldt, Identität und unstrukturierte Varianzkomponenten) Abhängig vom angegebenen Kovarianztyp können in einem RANDOM-Unterbefehl angegebene Zufallseffekte korreliert werden. Eine von zwei Schätzmethoden verwenden: Maximum Likelihood und eingeschränkte Maximum Likelihood Auswahl aus einer Vielzahl an Druckoptionen: Asymptotische Korrelationsmatrix der Parameterschätzer mit festen Effekten, asymptotische Kovarianzmatrix der Parameterschätzer mit festen Effekten, Zusammenfassung der Fallverarbeitung, deskriptive Statistik, geschätzte Kovarianzmatrix der Zufallseffekte, Iterationsprotokoll, schätzbare Funktionen, geschätzte Residuen- Kovarianzmatrix, Lösung für Parameter mit festen Effekten und Zufallseffekten sowie Tests auf Kovarianzparameter Unterbefehl REPEATED zur Angabe der Residuen-Kovarianzmatrix im Modell mit gemischten Effekten: Identifizieren von Subjekten und Kovarianzstruktur (erste Ordnung autoregressiv, zusammengesetzt symmetrisch, Huynh-Feldt, Identität, unstrukturierte und Varianzkomponenten) Speichern von fest vorhergesagten Werten, vorhergesagten Werten und Residuen Unterbefehl TEST zum Anpassen von Hyptothesentests durch direkte Angabe von Nullhypothesen als lineare Parameterkombinationen Angabe des Divisors für Koeffizienten von Zufallseffekten Speichern des Standardfehlers der Vorhersage Mittelwert-Unterbefehl für feste Effekte zur Anzeige des geschätzten Randmittels der abhängigen Variablen in den Zellen und deren Standardfehler für die angegebenen Faktoren GLM Zur Beschreibung der Beziehung zwischen einer abhängigen Variablen und einem Set unabhängiger Variablen Univariate und multivariate Tests der fehlenden Anpassungsgüte wählbar Regressionsmodell ANOVA-Modelle mit festen Effekten, ANOVA, ANCOVA, MANOVA und MANCOVA Zufalls- oder gemischte ANOVA und ANCOVA Wiederholte Messungen: Univariat oder multivariat Doppelt multivariates Design Vier Typen von Quadratsummen Methode mit vollständiger Parametrisierung zur Schätzung von Parametern im Modell

5 Allgemeine lineare Hypothesentests für Parameter im Modell Schreiben einer Kovarianzoder Korrelationsmatrix der Parameterschätzungen im Modell in eine Matrixdatendatei Diagramme: Streubreite vs. mittleres Niveau, Residuen und Profil GLM-Dialogfelder für wiederholte Messungen bieten die Option Ohne Kontrast, die keine Wirkung auf die Ausgabe hat. Post-Hoc-Tests für beobachtete Zellmittelwerte: Student-Newman- Keuls, ehrlich signifikante Differenz nach Tukey, Tukey-B, Duncans Mehrfachvergleichsprozedur auf der Grundlage des studentisierten Spannweitentests, Scheffé-T-Test für Mehrfachvergleiche, Dunnetts einseitiger T-Test (vergleicht, ob der Mittelwert auf einer Ebene kleiner als derjenige der Referenzkategorie ist), Dunnetts zweiseitiger T-Test (vergleicht, ob der Mittelwert auf einer Ebene größer als derjenige der Referenzkategorie ist), Bonferroni- T-Test, T-Test auf geringste signifikante Differenz, Sidak-T-Test, Hochbergs GT2, paarweiser Vergleichstest nach Gabriel auf der Grundlage des studentisierten Maximalmodul-Tests, Mehrfaches Rückschrittverfahren nach Ryan-Einot- Gabriel-Welsh, basierend auf einem F-Test, Mehrfaches Rückschrittverfahren nach Ryan-Einot-Gabriel-Welsh auf der Grundlage des studentisierten Spannweitentests, Tamhane-T2, Dunnett-T3, Paarweiser Vergleichstest nach Games und Howell auf der Grundlage des studentisierten Spannweitentests, Dunnett-C und Waller- Duncan-T-Test Vom Benutzer angegebener Fehlerterm in Post-Hoc-Analyse Geschätzte Populationrandmittel für vorhergesagte Zellmittelwerte Speichern von Variablen in der aktiven Datei: Nichtstandardisierte vorhergesagte Werte, gewichtete nichtstandardisierte vorhergesagte Werte, nicht standardisierte Residuen, gewichtete nicht standardisierte Residuen, gelöschte Residuen, standardisierte Residuen, studentisierte Residuen, Standardfehler des vorhergesagten Werts, Cook-Distanz und nicht zentrierte Hebelwerte Bruchwerte in den Unterbefehlen LMATRIX, MMATRIX und KMATRIX Paarweise Vergleiche von erwarteten Randmitteln Linearer Hypothesentest eines Effekts vs. lineare Kombination von Effekten Option zum Speichern von Designmatrizen Kontraste: Abweichungen, einfach, Differenz, Helmert, polynomial, wiederholt und speziell Drucken: Descriptive Statistik, Tests auf Homogenität der Varianzen, Parameterschätzungen, partielles Eta2, Tabelle mit allgemeinen schätzbaren Funktionen, Tests der fehlenden Anpassungsgüte, beobachtete Schärfe für jeden Test und ein Set an Kontrastkoeffizienten-(L-)Matrizen VARCOMP Varianzkomponentenschätzung Schätzmethoden: ANOVA MINQUE, Maximum Likelihood (ML) und eingeschränkte Maximum Likelihood (REML) Typ I und Typ III Quadradsummen für die ANOVA-Methode Optionen für Methoden mit nullwertiger oder gleich verteilter Gewichtung Optionen für ML- und REML- Berechnungsmethoden: Fisher- Bewertungsmethode oder Newton-Raphson- Methode Speichern von Varianzkomponentenschätzungen und Kovarianzmatrizen Angabe von Kriterien: Iterationen, Konvergenz und Epsilon-Wert als Toleranz bei der Singularitätsprüfung Drucken: Erwartete Mittel der Quadratmittel, Iterationsprotokoll und Quadratsummen SURVIVAL Analyse von Sterbetafeln Sterbetafeln für einzelne Gruppen Intervallvariablenlängen Diagramme: Kumulative Überlebensverteilung auf Log- oder linearer Skala, Hazard-Funktion und Dichtefunktion Vergleiche von Untergruppen Diagramme der Eins-minus- Überlebensfunktion Statusvariablen zur Anzeige, ob für die Beobachtung das endgültige Ereignis eintrat Drucken der Sterbetafeln Vergleiche der Untergruppen berechnen: Exakt, näherungsweise, bedingt, paarweise und im Vergleich Option zum Schreiben von Sterbetafel- Datensätzen und Label-Datensatzdateien LOGLINEAR Allgemeine Modelle für mehrdimensionale Kontingenztabellen (nur Syntax) ML-Schätzung Modelle: Gesättigte, hierarchische oder nichthierarchische Partitionen oder Logit mit einzelnem Freiheitsgrad Beobachtete und erwartete Häufigkeiten Roh-Residuen und standardisierte Residuen Parameterschätzungen Angabe von Zellengewicht und Struktur- Nullen Diagramme von angepassten Residuen vs. beobachteten/erwarteten Häufigkeiten Normalverteilungs- und trendbereinigte Wahrscheinlichkeitsdiagramme von angepassten Residuen Likelihood-Quotienten und Pearson Chi- Quadrate Kontraste: Abweichung, Differenz, Helmert, einfach, wiederholt, polynomial und speziell HILOGLINEAR Hierarchische loglineare Modelle für mehrdimensionale Kontingenztabellen Methoden für gleichzeitige Eingabe und Rückwärtseliminierung Drucken: Häufigkeiten und Residuen Parameterschätzungen und partielle Assoziationen für gesättigte Modelle Angabe von Kriterien: Konvergenz, maximale Iterationen, Wahrscheinlichkeit von Chi-Quadrat für Modell und maximale Schritte Angegebene Zellengewichte und höchste Ordnung von Termen Diagramme von standardisierten Residuen vs. beobachteten und erwarteten Häufigkeiten Normalverteilungsdiagramme von standardisierten Residuen Pivot-Tabellenausgabe

6 GENLOG Passt loglineare und Logit-Modelle zur Zählung von Daten mithilfe einer verallgemeinerten linearen Modellmethode an Modellanpassung mithilfe von ML-Schätzung unter Poisson-loglinear- Modell und multinomialen loglinearen Modellen Beta-Exponentialfunktion GLM-Methode zur Behandlung von chaotischen Daten Angabe der Zellenstruktur Angabe von Modelldesigns durch GLM- Modellsyntax Verwenden von Struktur-Nullen Drucken von Chi-Quadrat-Anpassungsgüte- Statistiken Funktion für verallgemeinertes Quotenverhältnis zum Testen, ob die spezifischen verallgemeinerten Quotenverhältnisse gleich null sind, und zum Drucken von Konfidenzintervallen Zellenstatistiken umfassen erwartete Zellenhäufigkeiten, Residuen, standardisierte, angepasste und Abweichungsresiduen Möglichkeit zum Einschließen von verallgemeinerten Residuen Diagnosediagramme inklusive hochauflösenden Streudiagrammen und Normalverteilungsdiagrammen von Residuen-Statistiken Drucken von Parameterschätzungen zusammen mit Korrelationen und Kovarianzen der Schätzungen KAPLAN-MEIER Schätzt die Zeitdauer bis zu einem Ereignis mithilfe der Kaplan-Meier-Schätzmethoden Definieren von Faktoren und Schichten Diagramme: Kumulierte Hazard- Funktionen, kumuliertes und Log- Überleben Anzeige von zensierten Fällen Speichern von Variablen in einer Datei: Kumulierte Anzahl von Ereignissen, Hazard, Standardfehler und Überlebensfunktion Statistikanzeige: Kumulierte Ereignisse und Überleben, Mittelwert und Median der Überlebenszeit mit Standardfehlern, Anzahl mit Risiko, angeforderte Perzentile und Standardfehler Tests auf Gleichheit der Überlebensverteilungen: Breslow, Tarone und Log-Rang Angeben einer Trendkomponente für Faktorebenen mit Metrik Einschließen von Diagrammen der Einsminus-Überlebensfunktion Statusvariablen zur Anzeige, ob für die Beobachtung das endgültige Ereignis eintrat Angabe von Schichten (Untergruppen) in Faktorkategorien Vergleich der Überlebensverteilungen für verschiedene Ebenen des Faktors: Alle Faktorebenen in einem einzigen Test vergleichen, jedes Faktorpaar vergleichen, die Teststatistik über alle Schichten zusammenfassen und die Faktorebenen für jede Schicht vergleichen COX REGRESSION Proportionale Hazards mit zeitabhängigen Kovariaten Kontraste: Abweichungen, einfach, Differenz, Helmert, polynomial, wiederholt, speziell und Indikator Definieren von Schichten zur Schätzung separater Grundlinienfunktionen Methoden: Rückwärts- und vorwärtsgerichtete schrittweise und direkte Eingabe Diagramme: Kumulative Überlebensverteilung, Hazard- und Logminus-Log-Diagramme für jede Schicht Entfernen von Variablen: Ändern in Likelihood-Quotient, bedingt und Wald Speichern von Variablen in Dateien: Basis-Überlebens- und Hazard-Funktionen sowie deren Standardfehler, kumulative Hazard-Funktion, DfBeta, Log-minus-Log der Überlebensfunktion, Residuen und Überlebensfunktion Einschließen von Diagrammen der Einsminus-Überlebensfunktion Statusvariablen zur Anzeige, ob für die Beobachtung das endgültige Ereignis eintrat Angeben von ordinalen und nominalen Einflussgrößen Drucken: Vollständige Regressionsausgabe einschließlich aller Modellstatistiken für Variablen in der Gleichung und Variablen, die nicht in der Gleichung enthalten sind, zusammenfassende Informationen, Korrelations-/Kovarianzmatrix der Parameterschätzungen für die Variablen im Modell, Basistabelle und Konfidenzintervalle für den Wert aus der Beta-Exponentialfunktion Kriterien: Ändern in Parameterschätzungen zum Beenden der Iteration; maximale Anzahl an Iterationen; Prozentsatz der Änderung in Log-Likelihood-Quotient zur Beendigung der Iteration; Statistik der Wahrscheinlichkeitsbewertung für Variableneingabe; Wahrscheinlichkeit von Wald, Likelihood-Quotient (LR) oder bedingte LR-Statistik zum Entfernen einer Variablen Angeben des Musters von Kovariatenwerten, die für angeforderte Diagramme und Koeffiziententabellen verwendet werden sollen Schreiben in externe PASW Statistics- Datendateien: Koeffizienten im endgültigen Modell und Sterbetafel Systemvoraussetzungen Die Systemvoraussetzungen hängen von der Plattform ab. Weitere Informationen finden Sie unter Mehr dazu erfahren Sie unter Niederlassungsstandorte von SPSS Inc. und Telefonnummern finden Sie auf SPSS ist eine eingetragene Marke, die anderen genannten Produkte von SPSS sind Marken der SPSS Inc. Alle anderen Namen sind Marken ihrer jeweiligen Eigentümer SPSS Inc. Alle Rechte vorbehalten. SAS18SPC-0709-DE

IBM SPSS Advanced Statistics

IBM SPSS Advanced Statistics IBM Software IBM SPSS Statistics 19 IBM SPSS Advanced Statistics Genauere Analyse von komplexen Beziehungen Geschäftsvorteile Gehen Sie über Basisanalysen hinaus Erstellen flexibler Modelle mit einer Vielzahl

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

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

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

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

i PASW Regression 18

i PASW Regression 18 i PASW Regression 18 Weitere Informationen zu SPSS Inc.-Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.com oder wenden Sie sich an SPSS Inc. 233 South Wacker Drive,

Mehr

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

IBM SPSS Regression 22

IBM SPSS Regression 22 IBM SPSS Regression 22 Hinweis Vor Verwendung dieser Informationen und des darin beschriebenen Produkts sollten die Informationen unter Bemerkungen auf Seite 33 gelesen werden. Produktinformation Diese

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

SPSS Regression Models 16.0

SPSS Regression Models 16.0 i SPSS Regression Models 16.0 Weitere Informationen zu SPSS -Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.com oder wenden Sie sich an SPSS Inc. 233 South Wacker Drive,

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

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

IBM SPSS Regression 20

IBM SPSS Regression 20 IBM SPSS Regression 20 Hinweis: Lesen Sie zunächst die allgemeinen Informationen unter Hinweise auf S. 47, bevor Sie dieses Informationsmaterial sowie das zugehörige Produkt verwenden. Diese Ausgabe bezieht

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

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

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

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

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

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG

Christian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau

Mehr

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

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

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

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

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

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

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell

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

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

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

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

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher

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

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

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

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

Multivariate Analyse: Einführung in das COX-Modell

Multivariate Analyse: Einführung in das COX-Modell Auswertung Multivariate Analyse: Einführung in das COX-Modell Deskriptive Statistik Häufigkeiten, Univariate Statistiken, Explorative Datenanalyse, Kreuztabellen) Induktive Statistik, Vergleich von Mittelwerten

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

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

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

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

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

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

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

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

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

Generalisierte lineare Modelle und GEE-Modelle in SPSS Statistics

Generalisierte lineare Modelle und GEE-Modelle in SPSS Statistics Universität Trier Zentrum für Informations-, Medienund Kommunikationstechnologie (ZIMK) Trier, den 237215 Bernhard Baltes-Götz Generalisierte lineare Modelle und GEE-Modelle in SPSS Statistics Inhaltsverzeichnis

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

Einfaches Identifizieren der richtigen Kunden

Einfaches Identifizieren der richtigen Kunden PASW Direct Marketing 18 Spezifikationen Einfaches Identifizieren der richtigen Kunden Sie versuchen, Ihre Marketingkampagne so profitabel wie möglich zu gestalten die Auswertung der in Ihren Kundendaten

Mehr

Log-lineare Analyse I

Log-lineare Analyse I 1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln

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

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

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

Grundzüge der Ereignisdatenanalyse

Grundzüge der Ereignisdatenanalyse Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Wiederholung Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle

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

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

IBM SPSS Missing Values 20

IBM SPSS Missing Values 20 IBM SPSS Missing Values 20 Hinweis: Lesen Sie zunächst die allgemeinen Informationen unter Hinweise auf S. 95, bevor Sie dieses Informationsmaterial sowie das zugehörige Produkt verwenden. Diese Ausgabe

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

Grundlagen Statistik Angewandte Statistik 3. Semester

Grundlagen Statistik Angewandte Statistik 3. Semester Angewandte Statistik 3. Semester Zur Person Constantin von Craushaar Consultant / Partner Innstat e.u. (www.innstat.com) info@innstat.com Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS

Mehr

Survival Analysis (Modul: Lebensdaueranalyse)

Survival Analysis (Modul: Lebensdaueranalyse) Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung

Mehr

fh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik

fh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik fh management, communication & it Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen

Mehr

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse

Übersicht. VL Forschungsmethoden. Ereignisdatenanalyse VL Forschungsmethoden Ereignisdatenanalyse 1 2 3 4 5 Übersicht VL Forschungsmethoden Event Data (1/45) Harold Macmillan, PM 1957-1963 The greatest challenge in politics: events, my dear boy, events Was

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

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 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

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Universität Ulm Seminararbeit zum Thema Data Mining und Statistik: Gemeinsamkeiten und Unterschiede vorgelegt von: Daniel Meschenmoser betreut von: Dr. Tomas Hrycej Dr. Matthias Grabert Ulm, im Februar

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

2.Tutorium Generalisierte Regression

2.Tutorium Generalisierte Regression 2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte

Mehr

Logistische Regression - - - - - 24. Juni 2011

Logistische Regression - - - - - 24. Juni 2011 Lehrveranstaltung Empirische Forschung und Politikberatung Sommersemester 2011 Logistische Regression - - - - - 24. Juni 2011 Anja Hall, Bundesinstitut für Berufsbildung, AB 2.2: Qualifikation, berufliche

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

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

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

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression

Generalisierte lineare Modelle. Statistik 3 im Nebenfach. Binäre Regressionsmodelle. 4.1 Binäre Regression Generalisierte lineare Modelle Statistik 3 im Nebenfach Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München WS 2010/2011 basierend auf Fahrmeir, Kneib & Lang (2007) 4 Generalisierte

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

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

Semiparametrisches Kredit Scoring

Semiparametrisches Kredit Scoring Semiparametrisches Kredit Scoring Marlene Müller Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM) Kaiserslautern Bernd Rönz, Wolfgang Härdle Center for Applied Statistics and Economics

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

Berechnung der Messunsicherheit mit QMSys GUM Software am Beispiel der Kalibrierung von Kolbenhubpipetten

Berechnung der Messunsicherheit mit QMSys GUM Software am Beispiel der Kalibrierung von Kolbenhubpipetten GUM Enterprise / Professional / Standard / Excel Add-In GUMX Berechnung der Messunsicherheit mit QMSys GUM Software am Beispiel der Kalibrierung von Kolbenhubpipetten Einführung in der QMSys GUM Software

Mehr

Inhaltsverzeichnis. a. Standorte...3 1. Minitab... 6. A. Minitab... 6 B. R...14. C. Statistik...16

Inhaltsverzeichnis. a. Standorte...3 1. Minitab... 6. A. Minitab... 6 B. R...14. C. Statistik...16 2 Inhaltsverzeichnis a. Standorte...3 1. Minitab... 6 A. Minitab... 6 i. Statistik für Ingenieure mit Minitab... 6 ii. Statistische Qualitätskontrolle mit Minitab...8 iii. Statistische Versuchsplanung

Mehr

Multivariate Analyseverfahren

Multivariate Analyseverfahren Multivariate Analyseverfahren Logistische Regression Prof. Dr. Stein 14.01.2014 & 20.01.2014 1 / 62 Inhaltsverzeichnis 1 Grundidee 2 3 4 5 2 / 62 Der Erklärungsgegenstand Soziale Forschungsgegenstände

Mehr

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression I

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression I Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression I Programm Ergänzung zu letzter Sitzung: Interpretation nichtlinearer Effekte Anwendungsbereich der logistischen Regression Entwicklung

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

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

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

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

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation

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

Abhängigkeit zweier Merkmale

Abhängigkeit zweier Merkmale Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich

Mehr

Präsentationsreife Tabellen im Handumdrehen

Präsentationsreife Tabellen im Handumdrehen PASW Custom Tables 17.0 Präsentationsreife Tabellen im Handumdrehen Einfache Analyse und Kommunikation der Ergebnisse mit PASW Custom Tables, einem Zusatzmodul für die Produktfamilie PASW Statistics Teilen

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

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

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

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

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

Abschlussklausur (60 Minuten), 15. Juli 2014

Abschlussklausur (60 Minuten), 15. Juli 2014 Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit

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

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen** Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;

Mehr

Komplexe statistische Verfahren Übersicht. Komplexe statistische Verfahren Übersicht Varianzanalyse

Komplexe statistische Verfahren Übersicht. Komplexe statistische Verfahren Übersicht Varianzanalyse Komplexe statistische Verfahren Übersicht Wiederholung statistischer Grundbegriffe Regressionsanalyse Multiple lineare Regression Quasilineare Regression Nicht-lineare Regression Ordinale Regression Logistische

Mehr