Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)

Größe: px
Ab Seite anzeigen:

Download "Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)"

Transkript

1 Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/ Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff

2 1 Einführung /35

3 Einführung: LISREL LISREL: Linear Structural Relationships Allgemeines Modell zur Analyse eines Systems linearer Strukturgleichungen Jöreskog (1973) und Sörbom LISREL besteht aus Software: AMOS (SPSS), Pro Calis (SAS), Pakte LISREL, SEM (R) Strukturgleichungsmodelle kombinieren Ideen der Faktorenanalyse (in den Messmodellen) mit den Methoden der (im Strukturmodell). 3/35

4 Einführung Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten als Erweiterung der multiplen Korrelations- und Regressionsanalyse nur manifeste Variablen (z.b. Items), keine latenten Variablen zu prüfendes Modell wird vom Anwender vorgegeben Modell enthält Beziehungen zwischen manifesten Variablen, deren Pfade ermittelt werden direkter Effekt: zwischen Variablen indirekter Effekt: über vermittelnde Variablen (Mediator) totaler Effekt: Summe aller direkten und indirekten Effekte 4/35

5 Einführung Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Pfade stehen für einen gerichteten Zusammenhang & stellen i.d.r. partielle standardisierte Regressionsgewichte dar Korrelationen bzw. Kovarianzen Boxen stehen für manifeste Variablen 5/35

6 Einschub: lineare Regression Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten einfaches lineares Regressionsmodell Y i = β 0 + x 1 β 1 + ε i i = 1,..., n Annahmen: E(ε i ) = 0 Var(ε i ) = σ 2 {ε i i = 1,..., n} stoch. unabhängig ε i normalverteilt 6/35

7 Einschub: lineare Regression Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten multiples lineares Regressionsmodell Y i = β 0 + x 1i β x pi β p + ε i i = 1,..., n Annahmen: E(ε i ) = 0 E(ε) = 0 Var(ε i ) = σ 2 {ε i i = 1,..., n} stoch. unabhängig Var(ε) = σ 2 I ε i und ε normalverteilt 7/35

8 Pfad- & und Regressionsanalyse Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Unterschiede zwischen Regressions- & : kausalanalytisches Modell, lässt Zusammenhänge zwischen unabhängigen Variablen zu Regressionsanalyse: unabhängige Variablen wirken auf abhängige Variablen Regressionsanalyse als Spezialfall der 8/35

9 Pfad- & und Regressionsanalyse Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Nachteile der Regressionsanalyse oftmals als einziges Ziel hohes Bestimmtheitsmaß R 2 Gefahren: Scheinkorrelationen, Multikollinearität Vorteile der mehr theoretisches Vorverständnis benötigt Komplexitätszunahme Voraussetzungen für kausale Zusammenhänge additive & lineare Beziehungen zwischen beteiligten Variablen Residuen müssen normalverteilt sein 9/35

10 Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Einschub: Scheinkorrelationen & Multikollinearität Scheinkorrelationen: statistisch gemessener Zusammenhang zw. zwei Variablen, welcher nur auftritt, weil die Variablen systematisch von einer dritten Variablen abhängen. Multikollinearität: wechselseitige Abhängigkeit von unabhängigen Variablen in einem statistischen Modell 10/35

11 Berechnung der Pfadkoeffizienten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Pfadkoeffizienten entsprechen ˆβ (partielle Regressionsgewichte) Berechnung der Pfade (direkte Effekte) über Korrelationen, siehe Bsp. r XY =.2 r XY = a a=.2 r XZ =.4 r XZ = b + (a c) b=.323 r YZ =.45 r YZ = c + (a b) c= /35

12 Berechnung der Pfadkoeffizienten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Berechnung der indirekten und totalen Effekte direkter Effekt ind. Effekt MS totaler Effekt MS a de,ms = β 1 =.2 a de,is = β 2 = = =.32 a de,mi = β 3 =.3 β 2 β 3 β 1 + (β 2 β 3 ) 12/35

13 Berechnung der Pfadkoeffizieten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten im bivariaten Fall: Pfadkoeffizienten entsprechen Korrelationskoeffizienten Fehlerzahl i = β 0 + WieOftLesen β 1 + ε i > cor(cbind( Fehlerzahl, Geschlecht, WieOftLesen)) Fehlerzahl Geschlecht WieOftLesen Fehlerzahl WieOftLesen /35

14 Berechnung der Pfadkoeffizieten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten > summary(lm(fz_s~wieoftlesen)) Call: lm(formula = FZ_s ~ WieOftLesen) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 1.453e e e-15 1 WieOftLesen 3.428e e e-06 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 178 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 178 DF, p-value: 2.466e-06 14/35

15 Lineares Strukturgleichungsmodell Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler 15/35

16 Lineares Strukturgleichungsmodell Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler y: beobachtbare abh. Variable x: beobachtbare unabh. Variable η: latente abh. Variable ξ: latente unabh. Variable ε: Fehlerterm der abh. Variable δ: Fehlerterm der unabh. Variable ζ: Fehlerterm im Strukturmodell Λ y : Ladungsmatrix (Regressionsparameter der Reg von y auf η) Λ x : Ladungsmatrix (Regressionsparameter der Reg von x auf ξ) 16/35

17 Messmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Ein Messmodell spezifiziert, welche Items von welchen latenten Variablen beeinflusst werden. Modell Annahmen E(ε) = 0, x = Λ x ξ + ε zentrierte Werte (x i x) bzw. z-standardisierte Werte x i x wodurch der Intercept entfällt; mit S = P (xi x) 2 n 1 S, 17/35

18 Messmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Korrelation zw. x 1 und x 2 auf gemeinsame latente Variable (Faktor) zurückgeführt. Fehlerterme ε i stehen für den nicht durch latente Variable erklärten Varianzanteil. 18/35

19 Strukturmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Ein Strukturmodell spezifiziert die Beziehungen der latenten Variablen untereinander. Modell η = γ ξ + ζ 19/35

20 Lineare Strukturgleichungsmodelle Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Lineare Strukturgleichungsmodelle implizieren eine spezifische Zusammenhangsstruktur zwischen den beobachteten Variablen. Schätzung der Modellparameter soll diese implizite Struktur mit der beobachteten Kovarianzstruktur in Übereinstimmung bringen. 20/35

21 korrelierte Fehler Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler In Strukturgleichungsmodellen ist es möglich, zwischen Residuen von latenten und manifesten Variablen Zusammenhänge zuzulassen. 21/35

22 korrelierte Fehler Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Bsp : Cov(δ 3, δ 5 ) zulassen (x 3 ) und (x 5 ) korrelieren höher ξ 3 als neue latente Variable hinzufügen erklärt inhaltlich Gemeinsames 22/35

23 Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Um ein Modell zu identifizieren, muss gegeben sein: 1 Die Anzahl der Parameter, die in einem Modell geschätzt werden können, hängt von der Menge an empirischen Informationen ab, die für die Analyse zur Verfügung stehen. Wenn alle Parameter geschätzt werden können, ist das Modell identifiziert. Empirische Grundlage der Schätzungen sind die Varianzen und Kovarianzen der beobachtbaren Variablen. t-rule für die Anzahl der Parameter n(n + 1) 2 2 Jede latente Variable und jede Fehlervarianz muss eine Metrik aufweisen. 23/35

24 Unteridentifikation Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell mehr zu schätzende Parameter besitzt als beobachtete Korrelationen/Kovarianzen, dann ist es unteridentifiziert. es gibt viele mögliche Lösungen für die Parameterschätzung keine eindeutige Schätzung möglich (df < 0) Bsp. a + b = 6 wobei a und b zu schätzen sind, 6 ist die beobachtete Variable. Nicht eindeutig lösbar, denn z.b = 6 und = 6 etc. Weitere beobachtete Variable hinzufügen z.b. a = b = 6 b = 4 24/35

25 Gerade identifizierte Modelle Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell genau so viele zu schätzende Parameter besitzt wie beobachtete Korrelationen/Kovarianzen, dann ist es gerade identifiziert. eine eindeutige Lösung (df = 0) Bsp. a + b = 6 und 2a + b = 10 a = 6 b 2(6 b) + b = b + b = 10 b = 2 und a = 4 25/35

26 Überidentifikation Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell weniger zu schätzende Parameter besitzt als beobachtete Korrelationen/Kovarianzen, dann ist es überidentifiziert. nur näherungsweise Parameterschätzung (df > 0) Modellprüfung durch Test möglich Bsp. a + b = 6, 2a + b = 10 und 3a + b = 12 Keine eindeutige Lösung, sondern nur Abschätzung a = 3 und b = 3.3 mit Fehler von (1. Gleichung), (2.Gleichung) und (3. Gleichung) 26/35

27 Metrik Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik 1 durch Referenzvariable: Ladung einer manifesten auf eine latente Variable gleich 1 setzen, dabei Referenzvariable bester Indikator für latente Variable oder hohe Reliabilität. 2 Da Fehlervariable latent, Pfad auf manifeste Variable auf 1 setzen. 3 Varianz der latenten Variable auf 1 setzen Signifikanz der Ladungen ermittelbar und Cov = Korr, da standardisiert. nächste Woche mehr! 27/35

28 Grundstruktur der EFA & CFA Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern explorative Faktorenanalyse konfirmatorische Faktorenanalyse 28/35

29 Nachteile Explorative Faktorenanalyse Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Faktorenauswahlkriterium über Eigenwert > 1 Ladungen 0 erlaubt keine korrelierten Störterme Datenreduzierung wird angestrebt Konfirmatorische Faktorenanalyse überwindet diese Probleme Festlegung eines theoretischen Modells 29/35

30 CFA - Modell Einführung Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Zur Überprüfung des Modells auf seine Güte, d.h. auf seine Übereinstimmung mit der empirischen Kovarianzmatrix durch Modelltest Modell Annahmen E(δ) = 0 und E(ξδ ) = 0 Cov(ξ, δ) = 0 x = Λ x ξ + δ δ = s + e mit s: Varianz und e: nicht spezifizierter Störterm Die Ladungen können als Regressionskoeffizienten betrachtet werden. Wenn sich ξ um eine Einheit ändert, ändert sich x um den Faktor λ (bei festem δ). 30/35

31 Richtlinien Einführung Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern allgemein mindestens 3 Items pro latente Variable Stichprobengröße n = 200 statistisch Beziehungen zw. Variablen linear Additivität der Effekte metrische Variablen Daten durch Erwartungswerte, Varianzen & Kovarianzen erklärt 31/35

32 Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Zusammenhang zw. beob. Kovarianzmatrix & Parametern Sobald ein Modell spezifiziert ist, können durch die beobachteten Varianzen und Kovarianzen die Modellparameter geschätzt werden. Cov(x, ξ) = E(xx ) = E[(Λ x ξ + δ)(ξλ x + δ) ] = Λ x ΦΛ x + Θ δ Φ = Cov(ξ, ξ) Kovarianzmatrix zw. latenten Variablen Θ δ = Cov(δ, δ) Kovarianzmatrix zw. Störtermen nächste Schritte (wie bei LISREL) Parameterschätzung (siehe nächste Woche) Modelltest prüft, ob die berechnete Kovarianzmatrix von der beobachteten signifikant abweicht (siehe übernächste Woche) 32/35

33 Einführung Schritte der Modellierung einer CFA LISREL: lineares Strukturgleichungsmodell Messmodell: latente Variable durch Items Strukturmodell: Beziehungen zwischen latenten Variablen CFA überprüft Modell 33/35

34 Schritte der Modellierung einer CFA Schritte der Modellierung einer CFA 1 Aufstellen eines Strukturgleichungsmodell gemäß Hypothesen 2 Erheben der Daten 3 Berechnen der Varianz-/Kovarianzmatrix aus den Daten 4 Schätzung der Modellparameter 5 Beurteilung des Modells bzw. Vergleich mit Alternativmodell 6 ggf. Modellmodifikation 34/35

35 Einführung Bühner, M. (2004). Einführung in die Test- und Fragebogenkonstruktion. München: Pearson. Bühner, M. (2006). Einführung in die Test- und Fragebogenkonstruktion. München: Pearson. Bollen, KA. (1989). Structuralequationswithlatent variables. New York: Wiley. Leonhart, R. (2003). Lehrbuch Statistik: Einstieg und Vertiefung. Bern: Verlag Hans Huber. Howitt, D. & Cramer, D. (2005). Introduction to Statistics in Psychology. Pearson Prentice Hall. 35/35

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff

Mehr

Tutorial: Regression Output von R

Tutorial: Regression Output von R Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen

Mehr

Die Technik und Logik von linearen Strukturgleichungsmodellen

Die Technik und Logik von linearen Strukturgleichungsmodellen Die Technik und Logik von linearen Strukturgleichungsmodellen Empfehlenswerte Einführungen in die Arbeit mit Strukturgleichungsmodellen ( structural equation modeling ) finden sich in Byrne (1994) (spezifisch

Mehr

Variablen und Parameter in LISREL

Variablen und Parameter in LISREL Variablen und Parameter in LISREL 1 Konfirmatorische Faktorenanalyse: Pfaddiagramm Dieses Diagramm stellt den denkbar einfachsten Fall einer konfirmatorischen Faktorenanalyse dar. Empirisch sind Modelle

Mehr

Pfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007

Pfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007 Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische

Mehr

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................

Mehr

Statistik Einführung // Lineare Regression 9 p.2/72

Statistik Einführung // Lineare Regression 9 p.2/72 Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression

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

Strukturgleichungsmodellierung

Strukturgleichungsmodellierung Rolf Weiber Daniel Mühlhaus Strukturgleichungsmodellierung Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS ^J Springer ABKÜRZUNGS- UND SYMBOL VERZEICHNIS

Mehr

1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:

1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60

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

4.2 Konfirmatorische Faktorenanalyse

4.2 Konfirmatorische Faktorenanalyse 4.2 Konfirmatorische Faktorenanalyse - Structural Equation Modelling: Lineare Strukturgleichungsmodelle (auch: Kovarianzstrukturanalyse) - Geht zurück auf Modell gemeinsamer Faktoren & explorative ML-Faktorenanalyse

Mehr

Konfirmatorische Faktorenanalyse

Konfirmatorische Faktorenanalyse Konfirmatorische Faktorenanalyse Kapitel 6 Einführung in die Test- und Fragebogenkonstruktion, Pearson Education 2003, Markus Bühner, 1 6.1 Grundkonzeption Die konfirmatorische Faktorenanalyse (CFA) dient

Mehr

Strukturgleichungsmodelle

Strukturgleichungsmodelle Strukturgleichungsmodelle Seminar: Multivariate Verfahren Dozent: Dr. Thomas Schäfer Dozenten: Bernadette Kloke, Teresa Hastedt, Nadine Markstein Datum: 15.06.2010 Überblick 1. Grundlegendes zum SGM 1.1

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

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13 Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger

Mehr

Vorlesung Marktforschung

Vorlesung Marktforschung Vorlesung Marktforschung Analyse komplexer Kausalstrukturen Sommersemester 2010 TU Berlin, Lehrstuhl Marketing Prof. Dr. V. Trommsdorff, Sekr. WIL-B-3-1, Wilmersdorfer Straße 148, 10585 Berlin Tel: +49.(0)30.314-29.922,

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

Konfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler

Konfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse

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

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009. Statistik mit SPSS

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009. Statistik mit SPSS Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelationsanalysen Kovariation und Kovarianz Korrelation: - Interpretation

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

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

Interdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09

Interdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09 Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html

Mehr

Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate

Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für

Mehr

Musterlösung zu Serie 14

Musterlösung zu Serie 14 Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen

Mehr

Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION

Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)

Mehr

LISREL/CFA: Modelltest

LISREL/CFA: Modelltest LISREL/CFA: Modelltest im Rahmen des Interdisziplinären Seminars Multivariate Statistik bei psychologischen Fragestellungen Martina Feilke, Martina Unterburger, Christoph Burkhardt Dozenten: Prof. Dr.

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)

Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden

Mehr

β Ζ φ ε = δ δ = + = = = = = ρ ρ γ γ γ γ γ γ γ = = = = = = + + = = = + + = = = = $ σ r ( ) K r = = = O M L r M r r = = O M L r M r r = = = = = = = = ( ) ( ) = ( ) = ± ( ) ( ) = ± ( ) = ± (

Mehr

9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T

9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T 9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon

Mehr

Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.

Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt

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

Dyadische Datenanalyse: Lineare Strukturgleichungsmodelle

Dyadische Datenanalyse: Lineare Strukturgleichungsmodelle Dyadische Datenanalyse: Lineare Strukturgleichungsmodelle (O. Arránz Becker) PAIRFAM Summer School Mannheim (21.-25. Mai 2007) Arten von Dyaden drei Arten von Variablen (z.b. Kenny 1988) 1. between-dyad:

Mehr

Strukturgleichungsmodelle. Sozialwissenschaften. R.Oldenbourg Verlag München Wien. Von Universitätsprofessor Dr. Jost Reinecke

Strukturgleichungsmodelle. Sozialwissenschaften. R.Oldenbourg Verlag München Wien. Von Universitätsprofessor Dr. Jost Reinecke Strukturgleichungsmodelle in den Sozialwissenschaften Von Universitätsprofessor Dr. Jost Reinecke R.Oldenbourg Verlag München Wien 1 Einleitung 3 2 Die Entwicklung der statistischen Modellbildung mit Strukturgleichungen

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Multivariate Statistik

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

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?

Portfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko

Mehr

Inhaltsverzeichnis. Vorwort zur 3. Auflage 11. Kapitel 1 Einführung 13. Kapitel 2 Testtheoretische Grundlagen 29

Inhaltsverzeichnis. Vorwort zur 3. Auflage 11. Kapitel 1 Einführung 13. Kapitel 2 Testtheoretische Grundlagen 29 Vorwort zur 3. Auflage 11 Kapitel 1 Einführung 13 1.1 Ziel des Buches............................................... 14 1.2 Testanwendungsbereiche........................................ 18 1.3 Arten von

Mehr

Methodische Aspekte linearer Strukturgleichungsmodelle Ein Vergleich von kovarianz- und varianzbasierten Kausalanalyseverfahren

Methodische Aspekte linearer Strukturgleichungsmodelle Ein Vergleich von kovarianz- und varianzbasierten Kausalanalyseverfahren Andreas Fuchs Methodische Aspekte linearer Strukturgleichungsmodelle Ein Vergleich von kovarianz- und varianzbasierten Kausalanalyseverfahren l Research Papers on Marketing Strategy No. 2 / 2011 Herausgegeben

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

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

Vorlesung Marktforschung

Vorlesung Marktforschung Vorlesung Marktforschung Analyse komplexer Kausalstrukturen Sommersemester 2011 TU Berlin, Lehrstuhl Marketing Prof. Dr. V. Trommsdorff, Sekr. WIL-B-3-1, Wilmersdorfer Straße 148, 10585 Berlin Tel: +49.(0)30.314-29.922,

Mehr

10. Übung (Korrelation und lineare Regressionsanalyse)

10. Übung (Korrelation und lineare Regressionsanalyse) 10. Übung (Korrelation und lineare Regressionsanalyse) Es wird untersucht, ob ein linearer Zusammenhang zwischen zwei Variablen besteht. Mit anderen Worten: ob ein solcher Zusammenhang gibt, wenn der beobachteter

Mehr

Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression

Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade

Mehr

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick 12.1 Motivation

Mehr

Statistik für Biologen 1. Fachsemester Mono-Bachelor

Statistik für Biologen 1. Fachsemester Mono-Bachelor 1. Fachsemester Mono-Bachelor Prof. Dr. Britta Tietjen Wintersemester 2012/2013 Termin Vorlesung: Montags, 10:15-11:00 Uhr Termine Tutorien: Donnerstags/Freitags Botanisches Museum Königin-Luise-Str. 6-8,

Mehr

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

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

4 Binäre Regressionsmodelle, Folien 2

4 Binäre Regressionsmodelle, Folien 2 4 Binäre Regressionsmodelle, Folien 2 Ludwig Bothmann (basierend auf Unterlagen von Nora Fenske) Statistik III für Nebenfachstudierende WS 2014/2015 4.5 Hypothesentests Lineare Hypothesen Betrachtet werden

Mehr

Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg

Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten

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

Multiple Regressionsanalyse - Kurzabriss

Multiple Regressionsanalyse - Kurzabriss Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen

Mehr

Statistische Versuchsplanung - zuverlässiger und schneller zu Ergebnissen" Dr. Uwe Waschatz

Statistische Versuchsplanung - zuverlässiger und schneller zu Ergebnissen Dr. Uwe Waschatz Statistische Versuchsplanung - zuverlässiger und schneller zu Ergebnissen" Dr. Uwe Waschatz Inhalt Problembeschreibung Multiple lineare Regressionsanalyse Statistische Versuchsplanung / Design of Experiments

Mehr

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 18. Juni 2007: Konfirmatorische Faktorenanalyse zur Prüfung eines Messmodells

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 18. Juni 2007: Konfirmatorische Faktorenanalyse zur Prüfung eines Messmodells Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 18. Juni 2007: Konfirmatorische Faktorenanalyse zur Prüfung eines Messmodells Das zentrale Problem der explorativen Faktorenanalyse ist, dass es

Mehr

Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j

Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j 1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Drittvariablenkontrolle in der linearen Regression: Trivariate Regression

Drittvariablenkontrolle in der linearen Regression: Trivariate Regression Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle

Mehr

Psychologische Methodenlehre und Statistik II

Psychologische Methodenlehre und Statistik II Psychologische Methodenlehre und Statistik II Pantelis Christodoulides & Karin Waldherr 9. Juni 2010 Pantelis Christodoulides & Karin Waldherr Psychologische Methodenlehre und Statistik II 1/47 Allgemeines

Mehr

ANalysis Of VAriance (ANOVA) 1/2

ANalysis Of VAriance (ANOVA) 1/2 ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt

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

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Herzlich Willkommen zur Vorlesung Statistik

Herzlich Willkommen zur Vorlesung Statistik Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

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

Eine Einführung in R: Varianzanalyse

Eine Einführung in R: Varianzanalyse Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das

Mehr

Lineare Strukturgleichungsmodelle (LISREL)

Lineare Strukturgleichungsmodelle (LISREL) Sommersemester 2007 Übung zu Anwendungen in multivariater Datenananlyse Lineare Strukturgleichungsmodelle (LISREL) Dienstags 16.15-17.45 in Oec I 21 Organisation und Scheinvoraussetzungen Dienstags 16.15

Mehr

Eigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung. 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend?

Eigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung. 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend? Eigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend? a) Die Faktorenanalyse hat ihren Ursprung in der theoretischen Intelligenzforschung.

Mehr

Datenanalyse mit Excel. Wintersemester 2013/14

Datenanalyse mit Excel. Wintersemester 2013/14 Datenanalyse mit Excel 1 KORRELATIONRECHNUNG 2 Korrelationsrechnung Ziel der Korrelationsrechnung besteht im bivariaten Fall darin, die Stärke des Zusammenhangs zwischen zwei interessierenden statistischen

Mehr

Inhaltsverzeichnis. Vorwort 1. Kapitel 1 Einführung 3. Kapitel 2 Messtheorie und deskriptive Statistik 13

Inhaltsverzeichnis. Vorwort 1. Kapitel 1 Einführung 3. Kapitel 2 Messtheorie und deskriptive Statistik 13 Inhaltsverzeichnis Vorwort 1 Kapitel 1 Einführung 3 1.1 Ziele... 4 1.2 Messtheorie und deskriptive Statistik... 8 1.3 Grundlagen der Wahrscheinlichkeitsrechnung... 9 1.4 Inferenzstatistik... 9 1.5 Parametrische

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Interne und externe Modellvalidität

Interne und externe Modellvalidität Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer

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

Lineare Modelle in R: Klassische lineare Regression

Lineare Modelle in R: Klassische lineare Regression Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)

Mehr

Analyse von Tabellen und kategorialen Daten

Analyse von Tabellen und kategorialen Daten Hans-Jürgen Andreß Jacques A. Hagenaars Steffen Kühnel Analyse von Tabellen und kategorialen Daten Log-lineare Modelle, latente Klassenanalyse, logistische Regression und GSK-Ansatz Mit 32 Abbildungen

Mehr

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten

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

Analysis of Variance (ANOVA) in R

Analysis of Variance (ANOVA) in R Analysis of Variance (ANOVA) in R Jens Schumacher June 21, 2007 Die Varianzanalyse ist ein sehr allgemeines Verfahren zur statistischen Bewertung von Mittelwertunterschieden zwischen mehr als zwei Gruppen.

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Reliabilität in der klassischen (psychometrischen) Testtheorie Statistisches Modell Realisierung mit der SPSS-Prozedur Reliability Klassische Testtheorie:

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

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

Statistische Auswertung:

Statistische Auswertung: Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.

Mehr

1 Inhaltsverzeichnis. 1 Einführung...1

1 Inhaltsverzeichnis. 1 Einführung...1 1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische

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

Faktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007

Faktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007 Faktorenanalyse Bacher, SoSe2007 1. Grundlegende Verfahren explorative FA (EXFA): Für eine Menge von Variablen/Items werden zugrunde liegende gemeinsame (latente) Dimensionen/Faktoren gesucht, die Faktorstruktur

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

Kategoriale abhängige Variablen:

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

Mehr

Kovarianz, Korrelation, (lineare) Regression

Kovarianz, Korrelation, (lineare) Regression Kovarianz, Korrelation, (lineare) Regression Jonathan Harrington Die R-Befehle: reg.txt epg.txt (aus der Webseite) pfad = "Das Verzeichnis, wo die Daten gespeichert ist" edat = read.table(paste(pfad, "epg.txt",

Mehr

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige

Mehr

E 71,00 74,00 67,50 62,5 52,75 53,00 H 6,00 5,00 5,00 3,00 2,75 4,25

E 71,00 74,00 67,50 62,5 52,75 53,00 H 6,00 5,00 5,00 3,00 2,75 4,25 GRUNDAUFGABEN ZUR KORRELATION UND REGRESSION 1. An bestimmten von sechs verschiedenen Grasarten stammenden Chromosomen wurden die Teillängen E und H des C-Band Euchromatins bzw. Heterochromatins gemessen

Mehr

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13

Übungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13 Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester

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

Multivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167

Multivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167 Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine

Mehr

Strukturgleichungsmodellierung

Strukturgleichungsmodellierung Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman

Mehr