Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler
|
|
- Lilli Krämer
- vor 7 Jahren
- Abrufe
Transkript
1 Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler
2 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
3 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
4 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM 1. Auswahl Netz Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
5 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM 1. Auswahl Netz 2. Auswahl Sampling-Point Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
6 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM 1. Auswahl Netz 2. Auswahl Sampling-Point 3. Auswahl Adresse/Haushalt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
7 Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM 1. Auswahl Netz 2. Auswahl Sampling-Point 3. Auswahl Adresse/Haushalt 4. Auswahl Befragungsperson Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
8 Was ist Struktur? Probleme Was sind strukturierte Daten? Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität fast immer mehrstufige Zufallsstichproben, z. B. ADM 1. Auswahl Netz 2. Auswahl Sampling-Point 3. Auswahl Adresse/Haushalt 4. Auswahl Befragungsperson Untersuchungsobjekte (Befragte) sind nicht unabhängig voneinander Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (2/36)
9 Was ist Struktur? Probleme Was heißt nicht unabhängig voneinander Objekte beeinflussen sich gegenseitig Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (3/36)
10 Was ist Struktur? Probleme Was heißt nicht unabhängig voneinander Objekte beeinflussen sich gegenseitig Sie werden in gleicher Weise beeinflußt von Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (3/36)
11 Was ist Struktur? Probleme Was heißt nicht unabhängig voneinander Objekte beeinflussen sich gegenseitig Sie werden in gleicher Weise beeinflußt von gemessenen und nicht Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (3/36)
12 Was ist Struktur? Probleme Was heißt nicht unabhängig voneinander Objekte beeinflussen sich gegenseitig Sie werden in gleicher Weise beeinflußt von gemessenen und nicht gemessenen Eigenschaften ihres gemeinsamen Kontextes Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (3/36)
13 Was ist Struktur? Probleme Was heißt nicht unabhängig voneinander Objekte beeinflussen sich gegenseitig Sie werden in gleicher Weise beeinflußt von gemessenen und nicht gemessenen Eigenschaften ihres gemeinsamen Kontextes Annahme, daß ǫ aus identischen und voneinander unabhängigen Normalverteilungen gezogen, wird hinfällig Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (3/36)
14 Was ist Struktur? Probleme Gibt es noch andere Quellen für Struktur Stichprobenziehung/Datenerhebung eine wichtige Quelle (Klumpenstichproben/Schulforschung) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (4/36)
15 Was ist Struktur? Probleme Gibt es noch andere Quellen für Struktur Stichprobenziehung/Datenerhebung eine wichtige Quelle (Klumpenstichproben/Schulforschung) Selbst dann, wenn einfache Zufallsstichprobe vorliegt, häufig Strukturierung der Daten durch Kontexte (Anhänger verschiedener Parteien/Leser verschiedener Zeitungen) Kontexte müssen nicht räumlich definiert sein Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (4/36)
16 Was ist Struktur? Probleme Gibt es noch andere Quellen für Struktur Stichprobenziehung/Datenerhebung eine wichtige Quelle (Klumpenstichproben/Schulforschung) Selbst dann, wenn einfache Zufallsstichprobe vorliegt, häufig Strukturierung der Daten durch Kontexte (Anhänger verschiedener Parteien/Leser verschiedener Zeitungen) Kontexte müssen nicht räumlich definiert sein Kontexte sind überall: Wähler in Stimmbezirken in Wahlkreisen in Ländern Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (4/36)
17 Was ist Struktur? Probleme Gibt es noch andere Quellen für Struktur Stichprobenziehung/Datenerhebung eine wichtige Quelle (Klumpenstichproben/Schulforschung) Selbst dann, wenn einfache Zufallsstichprobe vorliegt, häufig Strukturierung der Daten durch Kontexte (Anhänger verschiedener Parteien/Leser verschiedener Zeitungen) Kontexte müssen nicht räumlich definiert sein Kontexte sind überall: Wähler in Stimmbezirken in Wahlkreisen in Ländern Paneldaten sind auch Kontextdaten (Person als Kontext) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (4/36)
18 Muß die Struktur einfach sein? Was ist Struktur? Probleme Nationalstaat Land 1 Land 2 Land 3... Kreis 11 Kreis Kreis 31 Kreis Gemeinde Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (5/36)
19 Was ist Struktur? Probleme Zeit innerhalb von Raum oder umgekehrt? Westeuropa AT BE DE Bürger AT Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (6/36)
20 Was ist Struktur? Probleme Welche Komplikationen sind denkbar? Gekreuzte (cross-classified) Strukturen sind relativ häufig Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (7/36)
21 Was ist Struktur? Probleme Welche Komplikationen sind denkbar? Gekreuzte (cross-classified) Strukturen sind relativ häufig Oft gibt es aber viel komplexere Strukturen (mehrfache/überlappende Mitgliedschaften) etc., die nicht oder nur stark vereinfacht modellierbar sind Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (7/36)
22 Welche Probleme gibt es? Was ist Struktur? Probleme 1. Korrekte Standardfehler Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (8/36)
23 Was ist Struktur? Probleme Welche Probleme gibt es? 1. Korrekte Standardfehler 2. Schätzungen für Effekte von Kontexteigenschaften Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (8/36)
24 Was ist Struktur? Probleme Warum machen Standardfehler Probleme? Konventionelle Standardfehler basieren auf iid-annahme Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (9/36)
25 Was ist Struktur? Probleme Warum machen Standardfehler Probleme? Konventionelle Standardfehler basieren auf iid-annahme Varianz von ǫ ist nicht bekannt, sondern wird aus Residuen geschätzt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (9/36)
26 Was ist Struktur? Probleme Warum machen Standardfehler Probleme? Konventionelle Standardfehler basieren auf iid-annahme Varianz von ǫ ist nicht bekannt, sondern wird aus Residuen geschätzt Kontextstruktur führt zu Ähnlichkeiten zwischen Beobachtungen Autokorrelation und möglicherweise Heteroskedastizität Schluß von Residuen nicht gerechtfertigt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (9/36)
27 Was ist Struktur? Probleme Warum machen Standardfehler Probleme? Konventionelle Standardfehler basieren auf iid-annahme Varianz von ǫ ist nicht bekannt, sondern wird aus Residuen geschätzt Kontextstruktur führt zu Ähnlichkeiten zwischen Beobachtungen Autokorrelation und möglicherweise Heteroskedastizität Schluß von Residuen nicht gerechtfertigt Standardfehler für Individualvariablen zu klein (in Abhängigkeit von Homogenität der Kontexte) zu schmale Konfidenzintervalle, zu laxe Signifikanztests Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (9/36)
28 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Ebene Typ global analytisch relational strukturell kontextuell global analytisch relational strukturell kontextuell global relational kontextuell : Aggregation : Disaggregation Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (10/36)
29 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Globale Variablen: Beziehen sich auf eine Einheit auf einer Ebene Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (11/36)
30 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Globale Variablen: Beziehen sich auf eine Einheit auf einer Ebene Analytische Variablen: Aggregation (z. B. Mittelwertbildung) über Objekte der unteren Ebene Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (11/36)
31 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Globale Variablen: Beziehen sich auf eine Einheit auf einer Ebene Analytische Variablen: Aggregation (z. B. Mittelwertbildung) über Objekte der unteren Ebene Relationale Variablen: Beziehen sich auf Verhältnis zwischen einem Objekt und anderen Objekten derselben Ebene (Soziometrie) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (11/36)
32 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Globale Variablen: Beziehen sich auf eine Einheit auf einer Ebene Analytische Variablen: Aggregation (z. B. Mittelwertbildung) über Objekte der unteren Ebene Relationale Variablen: Beziehen sich auf Verhältnis zwischen einem Objekt und anderen Objekten derselben Ebene (Soziometrie) Strukturell: Aggregation von relationalen Variablen der untergeordneten Ebene Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (11/36)
33 Was ist Struktur? Probleme Wie lassen sich Kontexteigenschaften systematisch beschreiben? Globale Variablen: Beziehen sich auf eine Einheit auf einer Ebene Analytische Variablen: Aggregation (z. B. Mittelwertbildung) über Objekte der unteren Ebene Relationale Variablen: Beziehen sich auf Verhältnis zwischen einem Objekt und anderen Objekten derselben Ebene (Soziometrie) Strukturell: Aggregation von relationalen Variablen der untergeordneten Ebene Kontextuell: Globale Eigenschaften der übergeordneten Ebene Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (11/36)
34 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
35 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
36 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Standard-Regressionsverfahren Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
37 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Standard-Regressionsverfahren Kontextvariablen werden drankumuliert, d.h. wie Individualvariablen behandelt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
38 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Standard-Regressionsverfahren Kontextvariablen werden drankumuliert, d.h. wie Individualvariablen behandelt Beispiel bei Moulton (1990): Abhängigkeit individueller Löhne von relevanten und irrelevanten Eigenschaften des Staates (abhängige Variable: Individualdaten, unabhängige Variable: Aggregatdaten) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
39 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Standard-Regressionsverfahren Kontextvariablen werden drankumuliert, d.h. wie Individualvariablen behandelt Beispiel bei Moulton (1990): Abhängigkeit individueller Löhne von relevanten und irrelevanten Eigenschaften des Staates (abhängige Variable: Individualdaten, unabhängige Variable: Aggregatdaten) Standardfehler für die Aggregatdaten viel zu klein, weil diese als unabhängige Beobachtungen betrachtet werden (Fallzahlen im Bereich von Tausenden, obwohl n 50) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
40 Ganz schlecht: Struktur ignorieren, Kontextvariablen verwenden Theoretische und praktische Relevanz von Kontexteigenschaften seit langem bekannt Klassische Lösung : Standard-Regressionsverfahren Kontextvariablen werden drankumuliert, d.h. wie Individualvariablen behandelt Beispiel bei Moulton (1990): Abhängigkeit individueller Löhne von relevanten und irrelevanten Eigenschaften des Staates (abhängige Variable: Individualdaten, unabhängige Variable: Aggregatdaten) Standardfehler für die Aggregatdaten viel zu klein, weil diese als unabhängige Beobachtungen betrachtet werden (Fallzahlen im Bereich von Tausenden, obwohl n 50) R 2 ist zu hoch Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (12/36)
41 Warum ist das so? Siehe oben Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
42 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
43 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Entspricht dem Design-Effekt (Kish) bei mehrstufiger Zufallsauswahl Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
44 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Entspricht dem Design-Effekt (Kish) bei mehrstufiger Zufallsauswahl Um so gravierender Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
45 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Entspricht dem Design-Effekt (Kish) bei mehrstufiger Zufallsauswahl Um so gravierender je kleiner die Zahl der Kontexte in Relation zur Zahl der Befragten ist Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
46 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Entspricht dem Design-Effekt (Kish) bei mehrstufiger Zufallsauswahl Um so gravierender je kleiner die Zahl der Kontexte in Relation zur Zahl der Befragten ist je homogener die Kontexte sind Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
47 Warum ist das so? Siehe oben Betroffen sind nicht nur Aggregat-, sondern auch Individualmerkmale Entspricht dem Design-Effekt (Kish) bei mehrstufiger Zufallsauswahl Um so gravierender je kleiner die Zahl der Kontexte in Relation zur Zahl der Befragten ist je homogener die Kontexte sind Kontextvariablen besonders problematisch, da hier perfekte Homogenität vorliegt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (13/36)
48 Wie läßt sich das Problem der inkorrekten Standardfehler lösen? Schätzungen für Parameter unverzerrt (wenn auch nicht notwendigerweise optimal) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (14/36)
49 Wie läßt sich das Problem der inkorrekten Standardfehler lösen? Schätzungen für Parameter unverzerrt (wenn auch nicht notwendigerweise optimal) Spezielle Korrekturformeln für mehrstufige Zufallsauswahlen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (14/36)
50 Wie läßt sich das Problem der inkorrekten Standardfehler lösen? Schätzungen für Parameter unverzerrt (wenn auch nicht notwendigerweise optimal) Spezielle Korrekturformeln für mehrstufige Zufallsauswahlen Generelle: Robuste Standardfehler, (relativ) unempfindlich gegen Heteroskedastizität und Autokorrelation Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (14/36)
51 Wie läßt sich das Problem der inkorrekten Standardfehler lösen? Schätzungen für Parameter unverzerrt (wenn auch nicht notwendigerweise optimal) Spezielle Korrekturformeln für mehrstufige Zufallsauswahlen Generelle: Robuste Standardfehler, (relativ) unempfindlich gegen Heteroskedastizität und Autokorrelation Gute Lösung, wenn nur zwei Ebenen und Kontextstruktur bekannt Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (14/36)
52 Was tut man (konventionell) mit den Kontextvariablen? Außer den Standardfehlern gibt es noch weitere Komplikationen bei Mehr-Ebenen-Designs 1. Kontextvariablen können eine systematische Wirkung haben (wie?) 2. Zufällige Einflüsse auf der Kontexteben/die Konstante kann über die Kontexte variieren 3. Die Wirkung von Individualvariablen kann systematisch oder zufällig über Kontexte variieren 4. Cross-Level-Interaktionen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (15/36)
53 Wie schlägt sich das nieder? 1. Koeffizient (Steigung) für Kontextvariablen 2. Mehrere Achsenabschnitte (oder ein Achsenabschnitt plus Verteilung) 3. Interaktionen mit Steigungskoeffizient oder Steigung plus Verteilung 4. Interaktionsterme Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (16/36)
54 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
55 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben y hängt (in der Realität) ab von Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
56 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben y hängt (in der Realität) ab von 1. der Individualvariable Bildung (x 1 beziehungsweise x ij ) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
57 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben y hängt (in der Realität) ab von 1. der Individualvariable Bildung (x 1 beziehungsweise x ij ) 2. zufälligen Einflüssen auf der Individualebene (ǫ beziehungsweise e 0ij ) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
58 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben y hängt (in der Realität) ab von 1. der Individualvariable Bildung (x 1 beziehungsweise x ij ) 2. zufälligen Einflüssen auf der Individualebene (ǫ beziehungsweise e 0ij ) 3. der Kontextvariable Ausländeranteil (x 2 beziehungsweise x j ) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
59 Ein Beispiel? Sie untersuchen rechtsextreme Einstellungen (y) an Befragten, die in den 70 Landtagswahlkreisen Baden-Württembergs leben y hängt (in der Realität) ab von 1. der Individualvariable Bildung (x 1 beziehungsweise x ij ) 2. zufälligen Einflüssen auf der Individualebene (ǫ beziehungsweise e 0ij ) 3. der Kontextvariable Ausländeranteil (x 2 beziehungsweise x j ) 4. sowie zufälligen Einflüssen auf der Kontextebene (u 0j ) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (17/36)
60 Was kann man tun? separate Analyse (I) Separate Analyse der Daten aus den 70 Kontexten (70 einzelne Regressionen schätzen) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (18/36)
61 Welche Modellierungsmöglichkeiten gibt es? Eigenschaften separate Analyse(I) dummy variable(ii) interaction(iii) ME-Analyse (IV) systematische Kontexteinflüsse modellierbar zufällige Kontexteinflüsse modellierbar Variation individueller Einflüsse über Kontexte modellierbar Cross-Level Interaktionen korrekte Standardfehler typische Zahl der Kontexte nein nein ja ja ja ja nein ja ja (fix) ja (fix) nein ja (fix oder random) nein nein ja ja ja ja (robust) ja (robust) ja (modellbasiert oder robust) drei bis zehn zehn bis 20 zehn bis 20 (sehr viel) mehr als 20 Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (19/36)
62 Welche Modellierungsmöglichkeiten gibt es? Eigenschaften separate Analyse(I) dummy variable(ii) interaction(iii) ME-Analyse (IV) systematische Kontexteinflüsse modellierbar zufällige Kontexteinflüsse modellierbar Variation individueller Einflüsse über Kontexte modellierbar Cross-Level Interaktionen korrekte Standardfehler typische Zahl der Kontexte nein nein ja ja ja ja nein ja ja (fix) ja (fix) nein ja (fix oder random) nein nein ja ja ja ja (robust) ja (robust) ja (modellbasiert oder robust) drei bis zehn zehn bis 20 zehn bis 20 (sehr viel) mehr als 20 Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (20/36)
63 Was kann man tun? separate Analyse (I) Separate Analyse der Daten aus den 70 Kontexten (70 einzelne Regressionen schätzen) Hier wegen großer Fallzahl unpraktisch Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (21/36)
64 Was kann man tun? separate Analyse (I) Separate Analyse der Daten aus den 70 Kontexten (70 einzelne Regressionen schätzen) Hier wegen großer Fallzahl unpraktisch Variierende Achsenabschnitte: zufällige Kontexteinflüsse; variierende Steigungen für Individualvariablen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (21/36)
65 Was kann man tun? separate Analyse (I) Separate Analyse der Daten aus den 70 Kontexten (70 einzelne Regressionen schätzen) Hier wegen großer Fallzahl unpraktisch Variierende Achsenabschnitte: zufällige Kontexteinflüsse; variierende Steigungen für Individualvariablen Bei kleiner Zahl von Kontexten ehrbare Alternative Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (21/36)
66 Was kann man tun? dummy variable model (II) Gemeinsame Analyse aller Fälle + 1 Dummy pro Kontext (oder 1 Dummy weniger + Konstante) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (22/36)
67 Welche Modellierungsmöglichkeiten gibt es? Eigenschaften separate Analyse(I) dummy variable(ii) interaction(iii) ME-Analyse (IV) systematische Kontexteinflüsse modellierbar zufällige Kontexteinflüsse modellierbar Variation individueller Einflüsse über Kontexte modellierbar Cross-Level Interaktionen korrekte Standardfehler typische Zahl der Kontexte nein nein ja ja ja ja nein ja ja (fix) ja (fix) nein ja (fix oder random) nein nein ja ja ja ja (robust) ja (robust) ja (modellbasiert oder robust) drei bis zehn zehn bis 20 zehn bis 20 (sehr viel) mehr als 20 Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (23/36)
68 Was kann man tun? dummy variable model (II) Gemeinsame Analyse aller Fälle + 1 Dummy pro Kontext (oder 1 Dummy weniger + Konstante) Hier sehr viele Dummies Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (24/36)
69 Was kann man tun? dummy variable model (II) Gemeinsame Analyse aller Fälle + 1 Dummy pro Kontext (oder 1 Dummy weniger + Konstante) Hier sehr viele Dummies Gegebenenfalls sehr viele Interaktionen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (24/36)
70 Was kann man tun? dummy variable model (II) Gemeinsame Analyse aller Fälle + 1 Dummy pro Kontext (oder 1 Dummy weniger + Konstante) Hier sehr viele Dummies Gegebenenfalls sehr viele Interaktionen Bei kleinerer Zahl von Kontexten durchaus sinnvolle Alternative, wenn keine relevanten Kontextvariablen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (24/36)
71 Was kann man tun? interaction model (II) Gemeinsame Analyse aller Fälle + Kontextvariablen (Zahl beschränkt) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (25/36)
72 Welche Modellierungsmöglichkeiten gibt es? Eigenschaften separate Analyse(I) dummy variable(ii) interaction(iii) ME-Analyse (IV) systematische Kontexteinflüsse modellierbar zufällige Kontexteinflüsse modellierbar Variation individueller Einflüsse über Kontexte modellierbar Cross-Level Interaktionen korrekte Standardfehler typische Zahl der Kontexte nein nein ja ja ja ja nein ja ja (fix) ja (fix) nein ja (fix oder random) nein nein ja ja ja ja (robust) ja (robust) ja (modellbasiert oder robust) drei bis zehn zehn bis 20 zehn bis 20 (sehr viel) mehr als 20 Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (26/36)
73 Was kann man tun? interaction model (II) Gemeinsame Analyse aller Fälle + Kontextvariablen (Zahl beschränkt) In der Politikwissenschaft sehr gebräuchliches Verfahren (Länderanalysen) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (27/36)
74 Was kann man tun? interaction model (II) Gemeinsame Analyse aller Fälle + Kontextvariablen (Zahl beschränkt) In der Politikwissenschaft sehr gebräuchliches Verfahren (Länderanalysen) Bei kleinerer Zahl von Kontexten durchaus sinnvolle Alternative, wenn keine zufälligen Kontexteinflüsse/persistenten Kontexteinflüsse ( unit effects massive Verzerrungen möglich) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (27/36)
75 Was kann man tun? interaction model (II) Gemeinsame Analyse aller Fälle + Kontextvariablen (Zahl beschränkt) In der Politikwissenschaft sehr gebräuchliches Verfahren (Länderanalysen) Bei kleinerer Zahl von Kontexten durchaus sinnvolle Alternative, wenn keine zufälligen Kontexteinflüsse/persistenten Kontexteinflüsse ( unit effects massive Verzerrungen möglich) Probleme? Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (27/36)
76 Unter welchen Voraussetzungen ist Anwendung möglich/sinnvoll? Große Zahl von Kontexten (Mindestwert 30 bis 50, für Varianzkomponenten nach Möglichkeit mehr) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (28/36)
77 Unter welchen Voraussetzungen ist Anwendung möglich/sinnvoll? Große Zahl von Kontexten (Mindestwert 30 bis 50, für Varianzkomponenten nach Möglichkeit mehr) Typischerweise 2 bis 100 Objekte pro Kontext (ansonsten oft kein Unterschied zu konventionellen Analysen) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (28/36)
78 Unter welchen Voraussetzungen ist Anwendung möglich/sinnvoll? Große Zahl von Kontexten (Mindestwert 30 bis 50, für Varianzkomponenten nach Möglichkeit mehr) Typischerweise 2 bis 100 Objekte pro Kontext (ansonsten oft kein Unterschied zu konventionellen Analysen) Kontexte sind als Zufallsstichprobe aus einer großen Grundgesamtheit von Kontexten zu interpretieren Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (28/36)
79 Unter welchen Voraussetzungen ist Anwendung möglich/sinnvoll? Große Zahl von Kontexten (Mindestwert 30 bis 50, für Varianzkomponenten nach Möglichkeit mehr) Typischerweise 2 bis 100 Objekte pro Kontext (ansonsten oft kein Unterschied zu konventionellen Analysen) Kontexte sind als Zufallsstichprobe aus einer großen Grundgesamtheit von Kontexten zu interpretieren Der letzte Punkt wird häufig ignoriert Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (28/36)
80 Was sind die Grundannahmen des Modells? Variation von Achsenabschnitten/Steigungen über Kontexte... Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (29/36)
81 Was sind die Grundannahmen des Modells? Variation von Achsenabschnitten/Steigungen über Kontexte kann durch Zufallsvariable(n) beschrieben werden Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (29/36)
82 Was sind die Grundannahmen des Modells? Variation von Achsenabschnitten/Steigungen über Kontexte kann durch Zufallsvariable(n) beschrieben werden Statt 70 separater Modellschätzungen Schätzung von Mittelwert und Varianz der Modellparameter ( random effects ) sehr effizient Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (29/36)
83 Was sind die Grundannahmen des Modells? Variation von Achsenabschnitten/Steigungen über Kontexte kann durch Zufallsvariable(n) beschrieben werden Statt 70 separater Modellschätzungen Schätzung von Mittelwert und Varianz der Modellparameter ( random effects ) sehr effizient Korrekte Standardfehler, Kontexteffekte und Cross-Level-Interaktionen machbar Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (29/36)
84 Was sind die Grundannahmen des Modells? Variation von Achsenabschnitten/Steigungen über Kontexte kann durch Zufallsvariable(n) beschrieben werden Statt 70 separater Modellschätzungen Schätzung von Mittelwert und Varianz der Modellparameter ( random effects ) sehr effizient Korrekte Standardfehler, Kontexteffekte und Cross-Level-Interaktionen machbar Shrinkage Estimates Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (29/36)
85 Welche Modellierungsmöglichkeiten gibt es? Eigenschaften separate Analyse(I) dummy variable(ii) interaction(iii) ME-Analyse (IV) systematische Kontexteinflüsse modellierbar zufällige Kontexteinflüsse modellierbar Variation individueller Einflüsse über Kontexte modellierbar Cross-Level Interaktionen korrekte Standardfehler typische Zahl der Kontexte nein nein ja ja ja ja nein ja ja (fix) ja (fix) nein ja (fix oder random) nein nein ja ja ja ja (robust) ja (robust) ja (modellbasiert oder robust) drei bis zehn zehn bis 20 zehn bis 20 (sehr viel) mehr als 20 Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (30/36)
86 Wie sieht das Modell aus? Viele Varianten mit unterschiedlicher Komplexität Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (31/36)
87 Wie sieht das Modell aus? Viele Varianten mit unterschiedlicher Komplexität Relativ einfach: Random Intercept Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (31/36)
88 Wie sieht das Modell aus? Viele Varianten mit unterschiedlicher Komplexität Relativ einfach: Random Intercept In unserem Beispiel: Rechtsextremismus hängt ab von individuellen Eigenschaften, das mittlere Niveau variiert aber über die Kreise (z. B. wegen politischer Traditionen) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (31/36)
89 Wie sieht das Modell aus? Viele Varianten mit unterschiedlicher Komplexität Relativ einfach: Random Intercept In unserem Beispiel: Rechtsextremismus hängt ab von individuellen Eigenschaften, das mittlere Niveau variiert aber über die Kreise (z. B. wegen politischer Traditionen) Dummy variable model mit 69/70 Dummies? Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (31/36)
90 Wie sieht das Modell aus? Viele Varianten mit unterschiedlicher Komplexität Relativ einfach: Random Intercept In unserem Beispiel: Rechtsextremismus hängt ab von individuellen Eigenschaften, das mittlere Niveau variiert aber über die Kreise (z. B. wegen politischer Traditionen) Dummy variable model mit 69/70 Dummies? Oder lieber so? Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (31/36)
91 Wie sieht das random intercept model aus? mit y ij = β 0ij + β 1 x 1ij + β 2 x 2 j (1) β 0ij = β 0 + u 0j + e 0ij (2) ( u0j ) (0, Ωu ) : Ω u = ( σ 2 u0) ( e0ij ) (0, Ωe ) : Ω e = ( σ 2 e0) (3) (4) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (32/36)
92 Was bedeutet das alles? y ij : Wert der abhängigen Variablen beim Befragten mit der Ordnungsnummer i im Kontext j, hängt ab von fixen Regressionsparametern (β 1, β 2 ) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (33/36)
93 Was bedeutet das alles? y ij : Wert der abhängigen Variablen beim Befragten mit der Ordnungsnummer i im Kontext j, hängt ab von fixen Regressionsparametern (β 1, β 2 ) u beziehungsweise e: Zufällige Einflüsse auf Kontext- und Individualebene Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (33/36)
94 Was bedeutet das alles? y ij : Wert der abhängigen Variablen beim Befragten mit der Ordnungsnummer i im Kontext j, hängt ab von fixen Regressionsparametern (β 1, β 2 ) u beziehungsweise e: Zufällige Einflüsse auf Kontext- und Individualebene Ω: Varianz-Kovarianz-Matrizen für zufällige Einflüsse Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (33/36)
95 Was bedeutet das alles? y ij : Wert der abhängigen Variablen beim Befragten mit der Ordnungsnummer i im Kontext j, hängt ab von fixen Regressionsparametern (β 1, β 2 ) u beziehungsweise e: Zufällige Einflüsse auf Kontext- und Individualebene Ω: Varianz-Kovarianz-Matrizen für zufällige Einflüsse Zufällige Einflüsse auf Kontextebene sorgen für Varianz von β 0ij (random intercept) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (33/36)
96 gemessene Einflüsse Individualeffekte {}}{ x 1ij e 0ij y ij x 2j u 0j }{{} Kontexteffekte nicht gemessene Einflüsse Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (34/36)
97 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
98 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Wenn Struktur ignoriert wird, sind Standardfehler meist zu optimistisch Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
99 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Wenn Struktur ignoriert wird, sind Standardfehler meist zu optimistisch Gilt besonders (aber nicht nur) für Kontextvariablen Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
100 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Wenn Struktur ignoriert wird, sind Standardfehler meist zu optimistisch Gilt besonders (aber nicht nur) für Kontextvariablen In vielen Standardsituation ist Einsatz konventioneller Methoden sinnvoll/geboten (z. B. Analyse von ESS- oder vergleichbaren Daten) Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
101 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Wenn Struktur ignoriert wird, sind Standardfehler meist zu optimistisch Gilt besonders (aber nicht nur) für Kontextvariablen In vielen Standardsituation ist Einsatz konventioneller Methoden sinnvoll/geboten (z. B. Analyse von ESS- oder vergleichbaren Daten) Mehr-Ebenen-Analyse ist sehr flexibel, aber ebenfalls mit vielen Annahmen behaftet Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
102 Wie lassen sich die Ergebnisse für heute zusammenfassen? Strukturierte Daten sind allgegenwärtig Wenn Struktur ignoriert wird, sind Standardfehler meist zu optimistisch Gilt besonders (aber nicht nur) für Kontextvariablen In vielen Standardsituation ist Einsatz konventioneller Methoden sinnvoll/geboten (z. B. Analyse von ESS- oder vergleichbaren Daten) Mehr-Ebenen-Analyse ist sehr flexibel, aber ebenfalls mit vielen Annahmen behaftet Kein Wundermittel und nicht immer angebracht/notwendig Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (35/36)
103 Was ist die Übung für heute? Sie untersuchen den Zusammenhang zwischen der individuellen formalen Bildung (x), dem Ausländeranteil auf Kreisebene (z) und der individuellen Ausländerfeindlichkeit (y) in Ost- und Westdeutschland 1. Was spricht dagegen, ein Drei-Ebenen-Modell (Region Kreis Person) zu konstruieren? Welche einfachere Lösung ist sinnvoller? 2. Bitte schreiben Sie diese einfachere Lösung als Formel nieder. Gehen Sie dabei von fixen Effekten für Bildung und Ausländeranteil aus. 3. Wären random effects für diese beiden Variablen möglich/sinnvoll? 4. Eine Kommilitonin macht Sie darauf aufmerksam, daß der Ausländeranteil in Ost- beziehungsweise Westdeutschland einen unterschiedlichen Effekt haben dürfte (warum?). Wie läßt sich dies im Modell berücksichtigen? Bitte schicken Sie mir die Lösung wie üblich bis nächsten Mittwoch per . Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I (36/36)
Mehr-Ebenen-Analyse I
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität
MehrMehr-Ebenen-Modelle. Übersicht. VL Forschungsmethoden. VPC/Intra-Class-Correlation. 1 Einführung Strukturierte Daten Einfache Lösungen
VL Forschungsmethoden Übersicht 1 Strukturierte Daten Einfache Lösungen 2 Random & Fixed Typen von Modellen 3 4 (Quelle: Kawachi/Subramanian 2007) VL Forschungsmethoden (MLA 1/27) Strukturierte Daten Einfache
MehrMehr-Ebenen-Analyse II
Mehr-Ebenen-Analyse II Regressionsmodelle für Politikwissenschaftler Wie war das mit der Übung? Sie untersuchen den Zusammenhang zwischen der individuellen formalen Bildung (x), dem Ausländeranteil auf
MehrMEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrZeitungslektüre im sozialen Kontext
Florian Hottner, Jena Zeitungslektüre im sozialen Kontext Eine Mehrebenenanalyse des Einflusses von individuellen Determinanten auf das Lesen von regionalen Zeitungen in Abhängigkeit vom sozialen Umfeld
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrKompetenzorientierung von Lehre:
Kompetenzorientierung von Lehre: Hat der Typ der Lehrveranstaltung einen Einfluss auf das Ausmaß des Kompetenzerwerbs in Lehrveranstaltungen? Forschungsreferat auf der dghd-tagung Forschung im Fokus Hochschullehre
MehrKapitel 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
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrMissing Data. Missing Data. VL Forschungsmethoden. VL Forschungsmethoden. Missing Data: Typen Strategien Fazit
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht 1 2 Vor- und Nachteile : Ansatz Implementation 3 VL Forschungsmethoden Missing
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Christian Ganser Methoden 2 Regressionsanalyse II: Lineare multiple Regression Inhalt 1. Anwendungsbereich 2. Vorgehensweise bei multipler linearer Regression 3. Beispiel 4. Modellannahmen
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrLiegen 2 Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen
Mittelwertsvergleich bei gebundenen Stichproben Liegen Beobachtungen an n Objekten vor, spricht man von einer gebundenen Stichprobe Typische Struktur bei "stimulus-response" Versuchen Obj.1 Obj.... Obj.n
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrAngehörige zwischen Pege und Beruf: Welchen Eekt haben die Instrumente der Sozialpolitik?
Angehörige zwischen Pege und Beruf: Welchen Eekt haben die Instrumente der Sozialpolitik? Timm Frerk Hochschule Düsseldorf 15.04.16 TH Köln AG 4: Wirkungen von Sozialpolitik? Überblick 1 Hintergrund 2
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrProf. Dr. Marc Gürtler WS 2014/2015. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 04/05 Prof. Dr. Marc Gürtler Klausur zur 0/ SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 04/05 Aufgabe : (37 Punkte) ) Die
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrWarum Stichproben? Vollerhebungen sind teuer Nehmen (zu)viel Zeit in Anspruch Sind evtl. destruktiv
Warum Stichproben? Vollerhebungen sind teuer Nehmen (zu)viel Zeit in Anspruch Sind evtl. destruktiv Voraussetzung für die Anwendung von Stichproben: Stichproben müssen repräsentativ sein, d.h. ein verkleinertes
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrMissing Data. VL Forschungsmethoden
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht Missing Data: Typen Vor- und Nachteile : Ansatz Implementation VL Forschungsmethoden
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse III: Diagnostik
Institut für Soziologie Methoden 2 Regressionsanalyse III: Diagnostik Wiederholung Regressionsanalyse beruht auf verschiedenen Annahmen Sind Annahmen verletzt, sind bestimmte Eigenschaften der Schätzer
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrZur Erinnerung: Annahmen
Zur Erinnerung: Annahmen Vorlesung 6: Heteroskedastizität. Beispiele mit heteroskedastischen Fehlertermen. Auswirkungen von Heteroskedastizität auf OLS-Schätzungen. Wie erkennt man das Vorliegen von Heteroskedastizität?
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Beispieldaten meineregression = lm(alterm ~ AlterV) meineregression plot(alterv,
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrComputerübung 10. Empirische Wirtschaftsforschung. Willi Mutschler. 27. Januar Ökonometrie und Wirtschaftsstatistik Uni Münster
Computerübung 10 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 27. Januar 2011 Willi Mutschler (Uni Münster) Computerübung 10 27. Januar 2011 1 / 12 Inhaltsverzeichnis
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
Mehr(1 Punkt) i) Bestimmen Sie formal den marginalen Effekt der Häufigkeit des Alkoholkonsums für männliche
Aufgabe 1 [14 Punkte] Sie möchten untersuchen, wovon die Abwesenheit der Studierenden in den Vorlesungen an einer Universität abhängt. Sie verfügen über einen Datensatz zu 282 Studierenden mit folgenden
MehrStichwortverzeichnis. Symbole
Stichwortverzeichnis Symbole 50ste Perzentil 119 A Absichern, Ergebnisse 203 Abzählbar unendliche Zufallsvariable 146 Alternativhypothese 237 238 formulieren 248 Anekdote 340 Annäherung 171, 191 Antwortquote
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrExperimentelle und quasiexperimentelle
Experimentelle und quasiexperimentelle Designs Experimentelle Designs Quasi- experimenttel Designs Ex- post- facto- Desingns Experimentelle Designs 1. Es werden mindestens zwei experimentelle Gruppen gebildet.
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrTreatment-Evaluationsproblematik
Treatment-Evaluationsproblematik Seminarvortrag Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten 23.01.2015 Betreuer: Prof. Dr. Thomas Augustin Institut für Statistik
MehrEinführung in Panel-Verfahren
Einführung in Panel-Verfahren Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Drei Arten von Datensätzen Cross-Section
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrEinführung 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,
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrDeskription, 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
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrEinführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Mehr1 Prognoseverfahren F H
1 Prognoseverfahren 1.1 Zielsetzung 1.2 Bedarfsverlauf von Verbrauchsfaktoren 1.3 Prognose bei regelmäßigen Bedarf 1.4 Prognosemodelle in Standard-ERP-Software 1.5 Ausblick Herrmann, Frank: Operative Planung
MehrStatistik mit und ohne Zufall
Christoph Weigand Statistik mit und ohne Zufall Eine anwendungsorientierte Einführung Mit 118 Abbildungen und 10 Tabellen Physica-Verlag Ein Unternehmen von Springer Inhaltsverzeichnis Teil I Deskriptive
MehrStatistik Einführung // Stichprobenverteilung 6 p.2/26
Statistik Einführung Kapitel 6 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Leydold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // 6 p.0/26 Lernziele 1. Beschreiben
MehrSeminar 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
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrMissing Data. Regressionsmodelle für Politikwissenschaftler
Regressionsmodelle für Politikwissenschaftler TSCS Regression in Stata Struktur definieren:. xtset id year panel variable: id (strongly balanced) time variable: year, 1996 to 2004, but with gaps delta:
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrKompetenzerwerb in Lehrveranstaltungen Einflussfaktoren des Kompetenzerwerbs in Lehrveranstaltungen
Kompetenzerwerb in Lehrveranstaltungen Einflussfaktoren des Kompetenzerwerbs in Lehrveranstaltungen (Dr. Kerstin Burck und Dr. Tatjana Rudi) Fragestellung und Relevanz Allgemein: Was sind die zentralen
MehrEinführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels
Einführung in die Modellierung räumlicher Effekte eine Anwendung mit Daten des Nationalen Bildungspanels Workshop-Woche»Das Nationale Bildungspanel und Regionaldaten«Alexandra Wicht & Alexandra Nonnenmacher
MehrDiagnostik von Regressionsmodellen (1)
Diagnostik von Regressionsmodellen (1) Bei Regressionsanalysen sollte immer geprüft werden, ob das Modell angemessen ist und ob die Voraussetzungen eines Regressionsmodells erfüllt sind. Das Modell einer
Mehr