Uplift Modelling mitsas

Größe: px
Ab Seite anzeigen:

Download "Uplift Modelling mitsas"

Transkript

1 Praktische Anwendung des Uplift Modelling mitsas Hintergründe, Voraussetzungen, Tipps& Tricks Udo Böhm

2 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung im analytischen CRM? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

3 Uplift-Modellierung : Ein weiterer Schritt in der Evolution des Analytischen CRM SAS SAS SAS SAS SAS EM, STAT, OR? MO, OR PASSIV Gesamtheitliche Kontakt Optimierung Analytischer Mehrwert KPIs Statische Reports BEOBACHTEN OLAP Adhoc Abfragen Drill downs Data Mining Prognose Modellierung Uplift Modellierung PROGNOSTIZEREN AKTIV Was ist passiert? Quelle: Business Insight 2/2012 Pitney Bowes Software Warum ist es passiert? Analytischer Reifegrad Was wird passieren? 2 Wie können wir beeinflussen, was passiert? Wie setzen wir unsere Ressourcen optimal ein?

4 Was ist das Problem? Eine wahre Geschichte, so geschehen in 2004: CRM-Analystin freut sich: Sie hat gerade ein Super-Modell zur Vorhersage von Kündigern von Mobilfunkverträgen erstellt. Marketeerfreut sich: er kann mit dem Modell endlich das Zielsegment der High-Risk-Kunden erkennen. Marketeerüberlegt sich Goodie zum Halten der High_Risk-Kunden CRM-Analystin selektiert die High-Risk-Kunden, die daraufhin das Mailing bekommen. Nach drei Monaten sind alle konfus und enttäuscht: Die Kündigungsquote ist gestiegen! Was ist passiert? 3

5 Prognose Modellierung : Regeln ableiten aus Beobachtung der Vergangenheit Kunden-Basis Beobachten Kundenverhalten Prognose-Modelle für zukünftiges Verhalten 1 Kauf Kündigung + Kunden-Daten Anwendung der Modelle auf ANDERE Kunden, für die wir Verhalten prognostizieren wollen? 4

6 Folie 5 1 Udo Boehm;

7 Beispiel für Prognose-Regel und deren Anwendung Beobachtet: >> Geschäftskunden kündigen eher als Privat-Kunden << Prognose: >>Geschäftskunden werden auch in der Zukunft eher kündigen <<? 40% 30% Kündigungswahrsscheinlichkeit Anwendung der Regel Geschäftskunden Privatkunden 5

8 Hilft Prognose Modell für Kündigung bei Entscheidung, wo Gegenmaßnahme anzuwenden ist? Gegenmaßnahme gegen Kündigung: Wo einsetzen? 40% 30% Kündigungswahrsscheinlichkeit Normaler Marketing-Ansatz: Gegenmaßnahmen zur Kündigung bei hoher Kündigungswahrscheinlichkeit optimal? Geschäftskunden Privatkunden 6

9 Nur Uplift-Regel hilft Maßnahme optimal einzusetzen A ) Prognose-Regel: >> Geschäftskunden kündigen eher als Privat-Kunden << B) Uplift-Regel >> hat Kündigungssenkenden Einfluss auf Privatkunden<< 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Anwendung Geschäftskunden Privatkunden Optimaler-Ansatz: Gegenmaßnahmen zur Kündigung bei Kunden mit positiver Beeinflussung NICHT mit höchster Kündigungswahrscheinlichkeit 7

10 Auch bei komplexeren Prognose-Modellen: Wer soll Maßnahme bekommen? P( )? Kündigungswahrsscheinlichkeit optimal? Jede Zuordnung Maßnahme zu Kunden basiert auf Hypothesen und Wunschdenken Kündigungs Prognose -Score Normaler Marketing-Ansatz: Gegenmaßnahmen zur Kündigung bei hoher Kündigungswahrscheinlichkeit 8

11 Effekt der Maßnahme muss vorhergesagt werden, um Entscheidung zu treffen Kündigungswahrsscheinlichkeit Wenn der Effekt vorhergesagt werden kann, kann auch eine Entscheidung optimiert werden Uplift-Modellierung = Modelle zur Prognose des Effekts einer Maßnahme Kündigungs Prognose -Score 9

12 . Uplift Modelling notwendig für Entscheidung Prognostizierter Effekt auf Kündigungswahrscheinlichkeit erhöhend neutral Uplift-Score senkend Kündigungs-Prognose-Score Geschätzte Kündigungswahrscheinlichkeit 10

13 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? 6. Appendix: FAQ, Links und Quellen Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing

14 Das Prinzip Uplift Modellierung Modellierung Wir haben gelernt: Verfahren zur Prognose des Effekts einer Maßnahme Begriff seit 1999 (Artikel von Redcliffeund Surry) Viele alternative Begriffe im Einsatz im analytical CRM und in der Medizin seit 2005 im Einsatz bei O 2 /Telefónica slide 12

15 Schritt 1 zur Erstellung: das kontrollierte Experiment Kunden-Basis Zufalls- Stichprobe Testgruppe: Welt mit Beobachten Kundenverhalten Theoretische* Segmente Einfluss Sleeping Dogs Lost Causes Sure Things Persuadables Kontrollgruppe: Welt ohne *nicht beobachtbar! 13

16 Schritt 2: Vergleich der Kunden mit dem selben Verhalten aber verschiedenen Behandlungen Testgruppe: Welt mit Uplift-Modellierung: Prognose-Modellierung: Kontrollgruppe: Welt ohne 14

17 Heuristische Herleitungeines eines Uplift-Modells mit Hilfe unseres Beispiels Wahrscheinlichkeit (Kündigung) = 40% 41% 30% 27% 30% +10% (falls Kunde Geschäftskunde) Kündigungswahrsscheinlichkeit -3% (falls Maßnahme ) +4% (falls Kunde Geschäftskunde und Maßnahme ) Prognose-Modell Uplift-Modell= Interaktions-Teil Geschäftskunden Privatkunden 15

18 Uplift-Modelle sind Modelle mit Interaktion... Beispiel: Lineares Logit-Modell Y: binäre Response(0/1), P(Y=1): Wahrscheinlichkeit, dass Kündigung X 1..X n :UnabhängigeVariablen, X=(X 1..X n ) M: Indikator ob Maßnahme (1=Maßnahme, 0=keine Maßnahme) Y=1 Y=0 M=1 M=0 Logit( P(Y=1)) = a 0 + a 1 X a n X n + b 0 M + b 1 X 1 M+.. + b n X n M + ε Konstante Haupt - Effekte X Haupt- Effekt M Interaktions- Effekte X M Prognose-Modell Uplift-Modell= Interaktionsteil des Modells... alsonichts Neues für Analysten, die mitsas arbeiten! slide 16

19 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

20 Gute Prediktorenfür Prognose sind nicht unbedingt gute Prediktorenfür Uplift Guter Prediktor für Prognose und guter Prediktor für Uplift Guter Prediktor für Prognose schlechter Prediktor für Uplift 45% 44% =-1% 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Kündigungswahrsscheinlichkeit 25% 24% =-1% Geschäftskunden Privatkunden Frau Herr PROBLEM: normale Variablen-Selektion bevorzugt Haupteffekte 18

21 Trick für Variablen-Auswahl für Uplift-Modellierung Testgruppe: Welt mit Uplift-Modellierung: Prognose-Modellierung: Y=1 0 Y=1 Y=0 1 Y=0 Y=0 Y=1 TRICK: Umcodieren der Zielgröße mod(y+m,2) Kontrollgruppe: Welt ohne 19

22 Anwendungdes des Tricks: Umcodierenund Variablen- Auswahl in SAS Data Step Umcodierung Proc Logistic zur Variablen-Auswahl mit umcodierter Zielgröße Output: Beste Prediktoren für Uplift 20

23 Ergebnis der Vorselektion Guter Prediktor für Prognose und guter Prediktor für Uplift Guter Prediktor für Prognose schlechter Prediktor für Uplift 45% 44% =-1% 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Kündigungswahrsscheinlichkeit 25% 24% =-1% Geschäftskunden Privatkunden Frau Mann 21

24 Verwendung Vorselektion in SAS EM Vorschlag: Extension-Node für Vorselektion der Prediktoren Neben Vorselektion: Insight, Profilierung Testdatensatz: SAMPSIO.DMRETAIL 22

25 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

26 Erstellung eines Uplift-Modells mit SAS 1. Erstellung mit SAS-STAT / SAS-BASE 2. ErstellungmitSAS-EM a.... mit Hilfe traditionellen Knoten b.... mit Hilfe Incremental Response Knoten 24

27 1. Erstellung mit SAS-STAT STAT / SAS-BASE BASE (z.b z.b. Proc Logistic) Proc Logistic mit ursprünglicher Zielgröße Interaktionsterme X-Merkmale aus vorangegangenen Variablen-Auswahl Output: Prognose-Modell Uplift-Modell= Interaktionsteil 25

28 2. Erstellung mit SAS-EM a.... mit traditionellen Knoten Preselection: Notwendig Uplift-Modell = Interaktionsteil b...mit Knoten Incremental Response Preselection: Optional Uplift-Modell 26

29 SAS-EM: Wichtige Einstellungsoptionen für Incremental Response Knoten Combined-Model= Yes Modell mit Interaktion Combined-Model=No Zwei Modelle (M=0/1) und Differenz der Modelle Implizite Interaktion Selection: Net Information Value (im Prinzip ähnlich zur Vorselektion oben) 27

30 Beispiel für Ergebnis einer Uplift-Analyse mit SAS 32% 28% 24% Kündigungswahrsscheinlichkeit P ( Kündigung, Score) 20% P ( Kündigung Score) 16% Uplift-Modell / Score slide 28

31 FAZIT: Uplift-Modellierung wird durch SAS auch abgedeckt! SAS SAS SAS SAS EM, STAT, OR EM, STAT, OR SAS MO, OR PASSIV Gesamtheitliche Kontakt Optimierung Analytischer Mehrwert KPIs Statische Reports BEOBACHTEN OLAP Adhoc Abfragen Drill downs Data Mining Prognose Modellierung Uplift Modellierung AKTIV PROGNOSTIZIEREN Was ist passiert? Quelle: Business Insight 2/2012 Pitney Bowes Software Warum ist es passiert? Analytischer Reifegrad Was wird passieren? 29 Wie können wir beeinflussen, was passiert? Wie setzen wir unsere Ressourcen optimal ein?

32 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell?? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? 6. Appendix: FAQ, Links und Quellen Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing

33 AnwendungUplift 1: Optimale Kontaktoptimierung mit SAS-MO m mögliche Kontakte nkunden Client Camp A Camp B Camp C Lineare Nebenbedingungen für Kontakte/ Kunden maximal ein Kontakt pro Kunde mindestens drei Kunden pro Kampagne Ziel Ziel: Maximierungdes Gesamt-Ergebnis NOTWENDIG: Matrix enthält montäre Bewertungder Prognose-Werte des Uplifts: z.b. Angenommen, ich kontaktiere Kunde 4 mit AngebotB: Der wahrscheinliche Mehrwert ist

34 Anwendung Uplift 2: A/B- Testing Beispiel: Obama/Biden-Campaign 2008 Standard zur Optimierung von Klick-Raten A/B Testing ist Upft-Modelling mit normalerweise mehr als zwei Ausgängen 32

35 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ Fragen?, Links und Quellen

36 Danke! 34 Telefónica Servicios Audiovisuales S.A. / Telefónica España S.A. Título de la ponencia / Otros datos de interés /

37 APPENDIX 1. FAQs 2. Quellverzeichnis und Links 35

38 FAQ 1: Warum brauche ich eine Kontrollgruppe? Analog: Warum brauchen wir Kontrollgruppen in klinischen Tests? Wenn es einfache Alternativen zu klinischen Tests gäbe, wäre da nicht schon jemand draufgekommen? Beispiel: Zusammenhang Rauchen und Lungenkrebs Jahrzehnte bis Nachweis erbracht und von allen akzeptiert Exakte Größe des Einflusses bis heute nicht ausgewiesen Keine klinischen Studien bei Menschen aus ethischen Gründen Haupteffekte (Alter, sozioökonomischer Status...) stärker als Interaktions-Effekt Rauchen 36

39 FAQ 2: Was mache ich bei stetiger Zielgröße? z.b. Umcodieren und Arbeiten mit Gewicht Beispiel: Skala Zufriedenheit U.U. Umformulierung der Zielgröße Brauche ich wirklich eine komplexe? Beispiel: Uplift auf Umsatz Umsatz hat höhere Variabilität Umsatz = Durchschnittl.. Umsatz x Wahrscheinlichkeit Kauf BEACHTE: Interaktionsmodelle funktionieren mit jeder Art von General Linear Modell! z.b. ProcDMREG / Proc GLM 37

40 FAQ 4: Ich habe keine Zeit/Ressourcen für ein zusätzlichesmodell. Was tun? Motto des pragmatischen Analysten: Hauptsache es trennt Erfahrung: Mehr Glück bei cross/up up-selling sellingals bei retention-uplift Response-Rate Kündigungs -Rate Response-Rate mit Maßnahme Response-Rate ohne Maßnahme Kündigungsrate ohne Maßnahme Kündigungs-Rate mit Maßnahme niedrig Prognose-Score hoch low Churn-Predictive-Score ( Churn-Uplift-Score) high 38

41 FAQ 4: Ich bekomme aus meinen Daten kein Uplift- Modell. Was läuft schief? Mögliche Gründe: Kontrollgruppe zu klein (Ideal-Fall: Splitt 50:50) MERKE: Kontrollgruppe ist Investition zur Wissensgenerierung Keine Prediktorenfür Uplift TIP: Gespräch mit dem Experten aus Marketing Bei welchen Kunden denkst Du werden wir den besten Effekt haben? Ableitung von Prediktoren Konfrontation mit der Wahrheit: Die Maßnahme wirkt wahrscheinlich gar nicht oder hat nur negativen Effekt. 39

42 Links und Quellen Allgemein: Incremental Response Analysis in SAS with the EM: : Incremental Response Modeling Using SAS Enterprise

43

Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt.

Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt. Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt. Gewinnen Sie entscheidungsrelevantes Wissen mit Data Mining Warum sich Data Mining für kleine und mittelständische Unternehmen

Mehr

Lineare Regression 1 Seminar für Statistik

Lineare Regression 1 Seminar für Statistik Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken

Mehr

Seminar zur Energiewirtschaft:

Seminar zur Energiewirtschaft: Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable

Mehr

Win-Win für Ihre Ziele! Kundenzentrierung als Erfolgsfaktor für die Umsatzsteigerung. Wien,

Win-Win für Ihre Ziele! Kundenzentrierung als Erfolgsfaktor für die Umsatzsteigerung. Wien, Wien, Entwicklung des Marketings Unternehmen im Lead Push - Marketing Social Consumer im Lead Pull - Marketing orientierung Wettbewerbsorientierung marketing Umfeld- Dialog marketing Netzwerk- 1980er 1990er

Mehr

Welchen Einfluss hat der Frost auf den Feinstaub in Graz?

Welchen Einfluss hat der Frost auf den Feinstaub in Graz? 1 Welchen Einfluss hat der Frost auf den Feinstaub in Graz? Ernst Stadlober Brigitte Pfeiler Luzia Burger-Ringer Institut für Statistik www.statistics.tugraz.at Technische Universität Graz 3 Was ist Feinstaub?

Mehr

THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ

THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE TORSTEN SCHOLZ WEBINAR@LUNCHTIME THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant

Mehr

Informationsverarbeitung auf Bitebene

Informationsverarbeitung auf Bitebene Informationsverarbeitung auf Bitebene Dr. Christian Herta 5. November 2005 Einführung in die Informatik - Informationsverarbeitung auf Bitebene Dr. Christian Herta Grundlagen der Informationverarbeitung

Mehr

Welche Feinstaubbelastung haben wir morgen in Graz?

Welche Feinstaubbelastung haben wir morgen in Graz? 1 Welche Feinstaubbelastung haben wir morgen in Graz? Ernst Stadlober Brigitte Pfeiler Institut für Statistik www.statistics.tugraz.at Technische Universität Graz Was ist Feinstaub? Sehr kleine Staubteilchen

Mehr

Strategische Zielgruppenansprache in Facebook am Beispiel von study-in.de

Strategische Zielgruppenansprache in Facebook am Beispiel von study-in.de Strategische Zielgruppenansprache in Facebook am Beispiel von study-in.de Tagung der Leiterinnen und Leiter der Akademischen Auslandsämter und der Auslandsbeauftragten der deutschen Hochschulen 14. November

Mehr

Der gläserne Mensch. Der gläserne Mensch Nutzen oder Gefahr. Kunden erkennen Kunden gewinnen

Der gläserne Mensch. Der gläserne Mensch Nutzen oder Gefahr. Kunden erkennen Kunden gewinnen Der gläserne Mensch Kunden erkennen Kunden gewinnen 1 Beruflicher Werdegang und Kontakt Alexander Roth Diplom-Wirtschaftsmathematiker Leiter Database Marketing, Neckermann Versand AG Leiter Database Management,

Mehr

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:

Mehr

Übung zur Logistischen Regression Juni 2012

Übung zur Logistischen Regression Juni 2012 Lehrveranstaltung Empirische Forschung und Politikberatung Sommersemester 2012 Übung zur Logistischen Regression - - - - - 29.Juni 2012 Anja Hall, Bundesinstitut für Berufsbildung, AB 2.2: Qualifikation,

Mehr

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift

Mehr

Tutorial: Anpassungstest

Tutorial: Anpassungstest Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom

Mehr

KAP 1. Normalform Definition Ein Spiel G in Normalform (auch: Strategieform) besteht aus den folgenden 3 Elementen:

KAP 1. Normalform Definition Ein Spiel G in Normalform (auch: Strategieform) besteht aus den folgenden 3 Elementen: 1 KAP 1. Normalform Definition Ein Spiel G in Normalform (auch: Strategieform) besteht aus den folgenden 3 Elementen: 1. Einer Menge von Spielern i I = {1,..., i,...n} 2. Einem Strategienraum S i für jeden

Mehr

Univ.-Prof. Dr. Margit Haas

Univ.-Prof. Dr. Margit Haas Univ.-Prof. Dr. Margit Haas Gliederung 1. Methodologie und begründete Auswahl des Leitfadens QUAGOL zur Datenanalyse in der Studie Pflegende in Entscheidungsprozessen zur PEG-Sonde bei Demenz. Eine Analyse

Mehr

Der Barthel-Index zur Messung von Alltagskompetenzen bei Demenz

Der Barthel-Index zur Messung von Alltagskompetenzen bei Demenz Der Barthel-Index zur Messung von Alltagskompetenzen bei Demenz Univ.-Prof. Dr. Albert Brühl Lehrstuhl für Statistik und standardisierte Verfahren Philosophisch-Theologische Hochschule Vallendar Folie

Mehr

Gleichungen. Gleichungsumformungen

Gleichungen. Gleichungsumformungen Gleichungen Gleichungen und Terme sehen zwar sehr ähnlich aus, haben aber doch fundamentale Unterschiede. Ein Term steht für einen Wert 1, eine Gleichung für eine Aussage. Eine Gleichung vergleicht zwei

Mehr

PROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)

PROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der

Mehr

Joe Kennedy Stichpunk ADHS und Studien, es gab diese MTA-Studie. Was bedeutet MTA und um was ging es bei dieser Studie?

Joe Kennedy Stichpunk ADHS und Studien, es gab diese MTA-Studie. Was bedeutet MTA und um was ging es bei dieser Studie? 3. PDF zur Hördatei Dr. Ryffel zum Thema: Medikamentöse Behandlung Teil 2: ADHS und Studien Stichpunk ADHS und Studien, es gab diese MTA-Studie. Was bedeutet MTA und um was ging es bei dieser Studie? Also

Mehr

PROC NPAR1WAY. zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale)

PROC NPAR1WAY. zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale) PROC NPAR1WAY zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale) Allgemeine Form: PROC NPAR1WAY DATA=name Optionen ; VAR variablenliste ; CLASS

Mehr

Step-Down Prozeduren

Step-Down Prozeduren Step-Down Prozeduren zur Kontrolle der Family-Wise Error Rate WS 2010/2011 Jakob Gierl HU Berlin 07.02.2011 1 / 19 Modell Schrittweise Step-Down Modell mathematische Stichprobe X 1,..., X n iid im R J

Mehr

Developing SQL Data Models MOC 20768

Developing SQL Data Models MOC 20768 Developing SQL Data Models MOC 20768 In diesem Kurs lernen Sie das Implementieren von multidimensionale Datenbanken mithilfe der SQL Server Analysis Services (SSAS) und durch das Erstellen von tabellarische

Mehr

Altruistic Punishment und Anonymität im Ultimatum Spiel

Altruistic Punishment und Anonymität im Ultimatum Spiel Altruistic Punishment und Anonymität im Ultimatum Spiel Axel Franzen/Sonja Pointner Institut für Soziologie Universität Bern VIU, 21. November 2013 Inhalt I. Anonymität und Fairness II. III. IV. Anonymität

Mehr

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II

Eine Einführung in R: Hochdimensionale Daten: n << p Teil II Eine Einführung in R: Hochdimensionale Daten: n

Mehr

Übung Kausalanalyse. Das kontrafaktische Kausalmodell. Kausalanalyse. Das Ziel der erklärenden Sozialwissenschaften

Übung Kausalanalyse. Das kontrafaktische Kausalmodell. Kausalanalyse. Das Ziel der erklärenden Sozialwissenschaften Übung Kausalanalyse Das kontrafaktische Kausalmodell Prof. Dr. Josef Brüderl WS 22/3 Kausalanalyse Das Ziel der erklärenden Sozialwissenschaften Die kausale Erklärung von Ereignissen und sozialen Strukturen

Mehr

Zugriff aus Oracle via Proc SQL: Performanceprobleme

Zugriff aus Oracle via Proc SQL: Performanceprobleme News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren ETL & Base SAS Zugriff aus Oracle via Proc SQL: Performanceprobleme 27 October, 2005-15:57 FrankRueckert

Mehr

THEMA: BERECHTIGUNGEN LEICHT GEMACHT ROLLEN FÜR MEHR ÜBERBLICK"

THEMA: BERECHTIGUNGEN LEICHT GEMACHT ROLLEN FÜR MEHR ÜBERBLICK WEBINAR@LUNCHTIME THEMA: BERECHTIGUNGEN LEICHT GEMACHT ROLLEN FÜR MEHR ÜBERBLICK" SAS MANAGEMENT CONSOLE: USER MANAGER Der User Manager in der SAS Management Console dient zur Administration von Usern,

Mehr

Software-Test: Funktionstest

Software-Test: Funktionstest 0/23 Software-Test: Funktionstest Andreas Zeller Lehrstuhl Softwaretechnik Universität des Saarlandes, Saarbrücken Funktionale Testverfahren 1/23 Funktionale Testverfahren testen gegen die Spezifikation

Mehr

Trust in Cloud Quo Vadis Zertifizierung. Wolfgang Schmidt, Folker Scholz. Folker Scholz. Cloud-Ecosystem Cloud-EcoSystem

Trust in Cloud Quo Vadis Zertifizierung. Wolfgang Schmidt, Folker Scholz. Folker Scholz. Cloud-Ecosystem Cloud-EcoSystem Quo Vadis Zertifizierung Wolfgang Schmidt, Folker Scholz Folker Scholz 2015 2015 Cloud-EcoSystem Cloud-Ecosystem Cloud-Studie ISACA/PwC 2015 Komplexität Cloud Beschaffung DATEN- UND INFORMATIONSSICHERHEIT

Mehr

TuneUp Installations- und Benutzerhandbuch

TuneUp Installations- und Benutzerhandbuch TuneUp Installations- und Benutzerhandbuch INSTALLATIONS- UND BENUTZERHANDBUCH Produktaktivierung Stellen Sie sicher, dass Sie mit dem Internet verbunden sind. Befolgen Sie anschließend die folgenden Schritte,

Mehr

Qun Wang (Autor) Coupled Hydro-Mechanical Analysis of the Geological Barrier Integrity Associated with CO2 Storage

Qun Wang (Autor) Coupled Hydro-Mechanical Analysis of the Geological Barrier Integrity Associated with CO2 Storage Qun Wang (Autor) Coupled Hydro-Mechanical Analysis of the Geological Barrier Integrity Associated with CO2 Storage https://cuvillier.de/de/shop/publications/7328 Copyright: Cuvillier Verlag, Inhaberin

Mehr

orgamax Webstamp Anleitung

orgamax Webstamp Anleitung orgamax Webstamp Anleitung In Zusammenarbeit mit Version 1.2 (28.03.2013) Inhalt Was ist Webstamp?... 3 Webstamp Regeln... 3 Allgemeine Voraussetzungen.... 3 Einrichten vom Webstamp in orgamax im Demomodus...

Mehr

Studiendesign. Seminar Pflegewissenschaft Prof. Dr. U. Toellner-Bauer

Studiendesign. Seminar Pflegewissenschaft Prof. Dr. U. Toellner-Bauer Studiendesign Seminar Pflegewissenschaft Prof. Dr. U. Toellner-Bauer Studiendesign Prospektive und retrospektive Studien Fall-Kontroll-Studie Koohrtenstudie Interventionsstudie Diagnosestudie Meta-Analyse

Mehr

Hypothesentests mit SPSS

Hypothesentests mit SPSS Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht

Mehr

Der χ 2 -Test (Chiquadrat-Test)

Der χ 2 -Test (Chiquadrat-Test) Der χ 2 -Test (Chiquadrat-Test) Der Grundgedanke Mit den χ 2 -Methoden kann überprüft werden, ob sich die empirischen (im Experiment beobachteten) Häufigkeiten einer nominalen Variable systematisch von

Mehr

Bivariate Zusammenhänge

Bivariate Zusammenhänge Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver

Mehr

Inhalt: Die vorliegenden Folienvorlagen enthalten folgende Elemente:

Inhalt: Die vorliegenden Folienvorlagen enthalten folgende Elemente: Inhalt: Punkte im Koordinatensstem Funktionen und ihre Schaubilder Punktprobe und Koordinaten berechnen Proportionale Funktionen 5 Steigung und Steigungsdreieck 6 Die Funktion = m + b 7 Funktionsgleichungen

Mehr

Kapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin

Kapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung

Mehr

Resolutionsalgorithmus

Resolutionsalgorithmus 112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:

Mehr

Einführung in die Boolesche Algebra

Einführung in die Boolesche Algebra Einführung in die Boolesche Algebra Einführung in Boole' sche Algebra 1 Binäre Größe Eine Größe (eine Variable), die genau 2 Werte annehmen kann mathematisch: falsche Aussage wahre Aussage technisch: ausgeschaltet

Mehr

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische

Mehr

Windows 10 Enterprise E3 für Hoster Jakob Beck, Executive Account Manager

Windows 10 Enterprise E3 für Hoster Jakob Beck, Executive Account Manager Windows 10 Enterprise E3 für Hoster Jakob Beck, Executive Account Manager Agenda 1. Die Firma Insight 2. Ihr Insight Hosting Team 3. Unser Portfolio 4. Microsoft CSP 5. Windows 10 E3 6. Lizenzierungsszenario

Mehr

13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)

13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung) 1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,

Mehr

Was sind Zusammenhangsmaße?

Was sind Zusammenhangsmaße? Was sind Zusammenhangsmaße? Zusammenhangsmaße beschreiben einen Zusammenhang zwischen zwei Variablen Beispiele für Zusammenhänge: Arbeiter wählen häufiger die SPD als andere Gruppen Hochgebildete vertreten

Mehr

THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ

THEMA: STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN TORSTEN SCHOLZ WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen

Mehr

Luck and Entrepreneurial Success

Luck and Entrepreneurial Success Luck and Entrepreneurial Success Diego Liechti Universität Bern, PPCmetrics AG Claudio Loderer Universität Bern Urs Peyer INSEAD Wie wichtig ist Glück für den Erfolg? 4. November, 15th Annual Interdisciplinary

Mehr

Das OLAPLINE Anwendertreffen 2014

Das OLAPLINE Anwendertreffen 2014 Das OLAPLINE Anwendertreffen 2014 In diesem Jahr gehen wir mit dem OLAPLINE Anwendertreffen in die sechste Runde - mit Anwendern, Kunden und Partnern - und präsentieren interessante Projekte, unsere zukunftsträchtigsten

Mehr

Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung

Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir

Mehr

Ziel der linearen Regression

Ziel der linearen Regression Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine

Mehr

Diagnose und Prognose: Kurzfassung 4

Diagnose und Prognose: Kurzfassung 4 Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode

Mehr

Hannah Wester Juan Jose Gonzalez

Hannah Wester Juan Jose Gonzalez Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron

Mehr

Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen. Axel Werwatz Technische Universität Berlin

Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen. Axel Werwatz Technische Universität Berlin Wie hängen Löhne von Bildung ab? - Eine Einführung in die statistische Analyse von Zusammenhängen Axel Werwatz Technische Universität Berlin Einleitung Löhne sind unsere wichtigste Einkommensquelle. Geringer

Mehr

Der Fremde-Situations-Test (FST)... bei Erwachsenen?

Der Fremde-Situations-Test (FST)... bei Erwachsenen? Bindungsdynamik zu einem : suntersuchung in virtuellen Welten Felix Schönbrodt! Ludwig-Maximilians-Universität München Jens B. Asendorpf! Humboldt-Universität zu Berlin Vortrag auf der Fachgruppentagung

Mehr

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte

Mehr

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik

Mehr

Biometrische und Ökonometrische Methoden I Lösungen 9

Biometrische und Ökonometrische Methoden I Lösungen 9 TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".

Mehr

Physik betreiben und Physik lernen

Physik betreiben und Physik lernen . Physik betreiben und Physik lernen Zwei Seiten derselben Medaille? Karsten Rincke Didaktik der Physik 14. Februar 2012 Thesen 1. Der Erwerbszusammenhang ist grundsätzlich anders charakterisiert als der

Mehr

Phillips Kurve. Einführung in die Makroökonomie. 10. Mai 2012 SS Einführung in die Makroökonomie (SS 2012) Phillips Kurve 10.

Phillips Kurve. Einführung in die Makroökonomie. 10. Mai 2012 SS Einführung in die Makroökonomie (SS 2012) Phillips Kurve 10. Phillips Kurve Einführung in die Makroökonomie SS 2012 10. Mai 2012 Einführung in die Makroökonomie (SS 2012) Phillips Kurve 10. Mai 2012 1 / 23 Hintergrund 1958 stellte A. W. Phillips die Inflationsrate

Mehr

Version Referenzhandbuch. DiscretePhoton H.264 encoder. DiscretePhoton.

Version Referenzhandbuch. DiscretePhoton H.264 encoder. DiscretePhoton. Version 1.1.5 Referenzhandbuch DiscretePhoton H.264 encoder DiscretePhoton www.discretephoton.com Referenzhandbuch Über DiscretePhoton H.264-Encoder DiscretePhoton H.264 encoder Window version ist geliefert

Mehr

Promotionsstudiengang Gesundheits- und Pflegewissenschaften Partizipation als Ziel von Pflege und Therapie Methodenkolloquium

Promotionsstudiengang Gesundheits- und Pflegewissenschaften Partizipation als Ziel von Pflege und Therapie Methodenkolloquium Promotionsstudiengang Gesundheits- und Pflegewissenschaften Partizipation als Ziel von Pflege und Therapie Methodenkolloquium Power und Fallzahlberechnung Ist Fallzahlberechnung Zauberei? Aus: Schulz KF,

Mehr

Informationen zur KLAUSUR am

Informationen zur KLAUSUR am Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,

Mehr

Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben

Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)

Mehr

Ziele erreichen. Ihr Live-Album. So Lord, won t you buy me a Mercedes Benz? Janis Joplin.

Ziele erreichen. Ihr Live-Album. So Lord, won t you buy me a Mercedes Benz? Janis Joplin. Ziele erreichen. Ihr Live-Album. So Lord, won t you buy me a Mercedes Benz? Janis Joplin. Dieses Buch ist noch sehr leer. Denn es ist eine Art Live-Album. IHR Live-Album. Deswegen ist hier genug Platz

Mehr

Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem

Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.

Mehr

Lineare Regression II

Lineare Regression II Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen

Mehr

GRUNDPRINZIPIEN statistischen Testens

GRUNDPRINZIPIEN statistischen Testens Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?

Mehr

Konfirmatorische Faktorenanalyse

Konfirmatorische Faktorenanalyse Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren

Mehr

Swisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen , Michele Savino & Milos Radovic

Swisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen , Michele Savino & Milos Radovic Swisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen 03.11.2016, Michele Savino & Milos Radovic Die Digitale Reise in vier Etappen Physische Assets & Prozesswissen Digitale Assets & Datenveredelung

Mehr

Kopfrechnen (Dezember 2010)

Kopfrechnen (Dezember 2010) Kopfrechnen (Dezember 2010) Folgend sind einige Tipps und Tricks für ein sicheres, schnelles Kopfrechnen zusammengestellt. Neben den aufgeführten Tricks existieren aber noch viele weitere Methoden. Sollte

Mehr

Prof. Dr. Christian Rietz

Prof. Dr. Christian Rietz Prof. Dr. Christian Rietz 2 Screenlife 2015 TV als Motor von Web Traffic und Word of Mouth Die Fragen: Wie wirkt TV auf Search und Web-Traffic Word of Mouth die implizite Wahrnehmung 3 4 30 Marken im Fokus

Mehr

IBE. Ulrich Mansmann 1,2 Jian Li 2,3

IBE. Ulrich Mansmann 1,2 Jian Li 2,3 IBE Computerbasierte individuelle Vorhersage des Ansprechens unter zielgerichteter Therapie bei Krebspatienten: Bioinformatische Grundlage und klinische Validierung Ulrich Mansmann 1,2 Jian Li 2,3 ulrich.mansmann@lmu.de

Mehr

Zeilen in SAS-Datensatz einfügen

Zeilen in SAS-Datensatz einfügen News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren ETL & Base SAS Zeilen in SAS-Datensatz einfügen 27 June, 2011-16:27 Gordon123 Hallo liebe Forengemeinde,

Mehr

Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten

Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:

Mehr

Business Plan. Mi, Hörsaal, H307

Business Plan. Mi, Hörsaal, H307 Business Plan Mi, 7.9.2016 Hörsaal, H307 Inhalte > Canvas-Businessmodell die Grundlage für den Businessplan > Was ist wichtig für einen Businessplan? > Inhalt Struktur des Businessplans > Beispiele von

Mehr

THEMA: BITTE EINSTEIGEN IHR START IN DIE SAS WELT" BERNADETTE FABITS

THEMA: BITTE EINSTEIGEN IHR START IN DIE SAS WELT BERNADETTE FABITS WEBINAR@LUNCHTIME THEMA: BITTE EINSTEIGEN IHR START IN DIE SAS WELT" BERNADETTE FABITS EBINAR@LUNCHTIME HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education

Mehr

Marktpotenzial Schuhe Europa Onlinemesse:

Marktpotenzial Schuhe Europa Onlinemesse: Marktanalyse Schuhhandel Deutschland: 1. Laut Marktforschern von marketmedia24 liegt der prognostizierte Gesamtmarkt bei 8,69 Milliarden Euro. 2. Es gibt einen kompletten Zuwachs in allen Schuhsegmenten

Mehr

Aufgaben zu Kapitel 8

Aufgaben zu Kapitel 8 Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.

Mehr

Der Kundenblog Ein innovatives Instrument

Der Kundenblog Ein innovatives Instrument Der Kundenblog Ein innovatives Instrument der Marktforschung UXHH Roundtable, 03.05.2010 eresult GmbH Results for Your E-Business (www.eresult.de) Agenda Was erwartet Euch? Der Kundenblog was ist das überhaupt?

Mehr

Formulierung und Transformation von Hypothesen Prüfung am Beispiel des Artikels von Bailer, Takats, & Westermeier, 2001)

Formulierung und Transformation von Hypothesen Prüfung am Beispiel des Artikels von Bailer, Takats, & Westermeier, 2001) Formulierung und Transformation von Hypothesen Prüfung am Beispiel des Artikels von Bailer, Takats, & Westermeier, 2001) Die Forschungshypothesen sind auf S. 270 formuliert. Bailer et al. sprechen nicht

Mehr

Extensible Visualization

Extensible Visualization Extensible Visualization Oliver Linder Client Technical Professional 2013 IBM Corporation Agenda Vergleich von Visualierungsansätzen IBM Rapidly Adaptive Visualization Engine Ablauf Quelle (Analyticszone.com)

Mehr

Produktionsdaten mit Unternehmensdaten vernetzen

Produktionsdaten mit Unternehmensdaten vernetzen Produktionsdaten mit Unternehmensdaten vernetzen Von Big Data zu Smart Data 17. November 2016 Peter Strohm Marc Tesch Jedox vereinfacht Planung, Reporting & Analyse BI & CPM Software in der Cloud & On-premises

Mehr

Forschungsmethoden: Definition

Forschungsmethoden: Definition Forschungsmethoden: Definition Unter Forschungsmethoden versteht man die generelle Vorgehensweise beim Aufstellen der Fragestellung, bei der Planung, der Durchführung und der Auswertung einer Untersuchung.

Mehr

Dr. Christian Stock Institut für Medizinische Biometrie und Informatik (IMBI) Universitätsklinikum Heidelberg

Dr. Christian Stock Institut für Medizinische Biometrie und Informatik (IMBI) Universitätsklinikum Heidelberg Was wäre wenn in allen Krankenhäusern die gleichen Behandlungsentscheidungen getroffen würden wie in spezialisierten Zentren? Eine Untersuchung zum Potential der Thrombolysetherapie bei Hirninfarkt Dr.

Mehr

Einführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25

Einführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25 Inhaltsverzeichnis Einführung 17 Über dieses Buch 17 Törichte Annahmen über den Leser 19 Wie dieses Buch aufgebaut ist 19 Teil I: Kopfüber eintauchen indie Statistik 19 Teil II: Von Wahrscheinlichkeiten,

Mehr

Lösung 4.1 Stuck-at-Fehler

Lösung 4.1 Stuck-at-Fehler Lösung 4. Stuck-at-Fehler Zuerst stellen wir die Wertetabelle für die gegebene Schaltung auf: Tabelle für c s-a-: a b c d e f g h i ( c d) ( e f) ( g h) Tabelle für f s-a-: a b c d e f g h i ( c d) ( e

Mehr

Forschungsmethoden in der Sozialen Arbeit

Forschungsmethoden in der Sozialen Arbeit Forschungsmethoden in der Sozialen Arbeit Fachhochschule für Sozialarbeit und Sozialpädagogik Alice- Salomon Hochschule für Soziale arbeit, Gesundheit, Erziehung und Bildung University of Applied Sciences

Mehr

Don t make me think. Usability und warum sie jeden betrifft

Don t make me think. Usability und warum sie jeden betrifft Don t make me think Usability und warum sie jeden betrifft Von Robin Dick, Mainz der 29. Juli 2017 Übersicht 1. Einstieg/Motivation 2. Usability im Web 3. Do it yourself Usability Tests 4. Praxisbeispiel

Mehr

Statistics, Data Analysis, and Simulation SS 2015

Statistics, Data Analysis, and Simulation SS 2015 Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler

Mehr

Best of Display Advertising Ergebnisse kampagnenbegleitender Werbewirkungsstudien 2008 bis 2015

Best of Display Advertising Ergebnisse kampagnenbegleitender Werbewirkungsstudien 2008 bis 2015 Best of Display Advertising 2015 Ergebnisse kampagnenbegleitender Werbewirkungsstudien 2008 bis 2015 Inhalt der Studie 1 Einleitung und Studiendesign 2 Studienergebnisse Display Kampagnen 2.1 2.2 2.3 2.4

Mehr

Warum ist die Erwerbsneigung ostdeutscher Frauen höher als die westdeutscher Frauen?

Warum ist die Erwerbsneigung ostdeutscher Frauen höher als die westdeutscher Frauen? Warum ist die Erwerbsneigung ostdeutscher Frauen höher als die westdeutscher Frauen? Beate Grundig ifo Institut für Wirtschaftsforschung, Niederlassung Dresden 5. Nutzerkonferenz Forschung mit dem Mikrozensus

Mehr

Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten

Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Einfacher Gleitender Durchschnitt der Nil-Daten: Wir haben Daten über

Mehr

Regulatory Social Policy

Regulatory Social Policy Berner Studien zur Politikwissenschaft 18 Regulatory Social Policy The Politics of Job Security Regulations von Patrick Emmenegger 1. Auflage Regulatory Social Policy Emmenegger schnell und portofrei erhältlich

Mehr

Das Lösen linearer Gleichungssysteme

Das Lösen linearer Gleichungssysteme Das Lösen linearer Gleichungssysteme Lineare Gleichungen Die Gleichung a 1 x 1 + a 2 x 2 +... + a n x n = b ist eine lineare Gleichung in den n Variablen x 1, x 2,..., x n. Die Zahlen a 1, a 2,..., a n

Mehr

Der Taschenrechner CAS: TI Inspire (Texas Instruments)

Der Taschenrechner CAS: TI Inspire (Texas Instruments) Der Taschenrechner (Texas Instruments) Übersicht: 1. Katalog (wichtige Funktionen un wie man sie aufruft) 2. Funktionen efinieren (einspeichern mit un ohne Parameter) 3. Nullstellen 4. Gleichungen lösen

Mehr

Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.

Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:

Mehr

Diskrimierung von übergewichtigen Bewerbern im Einstellungsgespräch

Diskrimierung von übergewichtigen Bewerbern im Einstellungsgespräch Diskrimierung von übergewichtigen Bewerbern im Einstellungsgespräch Das strukturierte Interview als Hoffnungsträger? Kutcher & Bragger (2004) 26. April 2012 2 Gliederung 1) Der Faktor der Attraktivität

Mehr

Gesprächsthema: Bauen mit einem Technikbaukasten. Die Erkennensleistung ist für verschiedene

Gesprächsthema: Bauen mit einem Technikbaukasten. Die Erkennensleistung ist für verschiedene Fragestellungen: Können Vp s aus Transkripten von Zweiergesprächen das Geschlecht der daran Teilnehmenden erkennen? Machen sie dabei systematische Fehler? Gesprächsthema: Bauen mit einem Technikbaukasten

Mehr