Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler

Größe: px
Ab Seite anzeigen:

Download "Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler"

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)

Mehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh

Mehrebenenanalyse. 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

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

Analyse von Querschnittsdaten. Regression mit Dummy-Variablen

Analyse 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

Mehr

Versuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling

Versuchsplanung. 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

Mehr

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren

Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei

Mehr

Statistik II Übung 2: Multivariate lineare Regression

Statistik II Übung 2: Multivariate lineare Regression Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 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

Mehr

Institut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse III: Diagnostik

Institut 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

Mehr

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße

Mehr

Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung

Prof. 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

Mehr

Analysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 5: Lineare Regression

Analysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 5: Lineare Regression Analysen politikwissenschaftlicher Datensätze mit Stata Sitzung 5: Lineare Regression 1 Vorbereitung Stata durch z:\profile.do starten Datensatz z:\daten\rpstrukt laden Achtung: Ab dieser Sitzung werden

Mehr

Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154

Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154 Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch

Mehr

Inferenzstatistik (=schließende Statistik)

Inferenzstatistik (=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

Mehr

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

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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Letzte Worte zur Inferenzstatistik, v. a. zu Signifikanztests Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische

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

Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II

Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Ringvorlesung Einführung in die Methoden der empirischen Sozialforschung II Auswahlverfahren - Begriffe und theoretische Grundlagen 1 USA 1936: - Wahlstudie mit 10.000.000 Probestimmzetteln - Quelle: Telefonverzeichnis

Mehr

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel

Mehr

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.

Gegeben 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

Mehr

SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.

SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse. Statistik II

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse. Statistik II Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Wiederholung Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik

Mehr

Wiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)

Wiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36) Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7

Mehr

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.

Mehr

Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill.

Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill. Statistik Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill. Maxwell, S.E. & Delaney, H.D. (2000). Designing Experiments and Analyzing Data. Mahwah, NJ: Erlbaum. Das Grundproblem

Mehr

1 Statistische Grundlagen

1 Statistische Grundlagen Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.

Mehr

Kollektives Sozialkapital und (Un-)Sicherheit in Wohnquartieren Wie urbane Kriminalitätsfurcht mit sozialräumlichen Bedingungen verknüpft ist

Kollektives Sozialkapital und (Un-)Sicherheit in Wohnquartieren Wie urbane Kriminalitätsfurcht mit sozialräumlichen Bedingungen verknüpft ist Kollektives Sozialkapital und (Un-)Sicherheit in Wohnquartieren Wie urbane Kriminalitätsfurcht mit sozialräumlichen Bedingungen verknüpft ist Dietrich Oberwittler Max-Planck-Institut für ausländisches

Mehr

Auswahlverfahren. Schnell, R. Hill, P. B. Esser, E. 1999, Methoden der empirischen Sozialforschung. München: Oldenbourg. Seiten ;

Auswahlverfahren. Schnell, R. Hill, P. B. Esser, E. 1999, Methoden der empirischen Sozialforschung. München: Oldenbourg. Seiten ; Auswahlverfahren Objektbereich & Grundgesamtheit Vollerhebung Volkszählung Teilerhebung angestrebte Grundgesamtheit Auswahlgesamtheit Inferenzpopulation Willkürliche Auswahl Bewußte Auswahl Schnell, R.

Mehr

Ein- und Zweistichprobentests

Ein- und Zweistichprobentests (c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen

Mehr

Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.

Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird

Mehr

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:

Mehr

Zeitreihen. Statistik II

Zeitreihen. Statistik II Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen

Mehr

Auswahlverfahren. Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl. Dipl.-Päd. Ivonne Bemerburg

Auswahlverfahren. Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl. Dipl.-Päd. Ivonne Bemerburg Auswahlverfahren Zufallsauswahl Bewusste Auswahl Willkürliche Auswahl Blockseminar: Methoden quantitativer Grundgesamtheit und Stichprobe Die Festlegung einer Menge von Objekten, für die die Aussagen der

Mehr

Determinants of the Perceived Power Relationship between Works Council and Management Results of an Empirical Investigation in 1000 German Firms

Determinants of the Perceived Power Relationship between Works Council and Management Results of an Empirical Investigation in 1000 German Firms Werner Nienhüser Heiko Hoßfeld Universität Duisburg-Essen Determinants of the Perceived Power Relationship between Works Council and Management Results of an Empirical Investigation in 1000 German Firms

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

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN

Mehr

Einführung in die Induktive Statistik: Varianzanalyse

Einführung in die Induktive Statistik: Varianzanalyse Einführung in die Induktive Statistik: Varianzanalyse Jörg Drechsler LMU München Wintersemester 2011/2012 Varianzanalyse bisher: Vergleich der Erwartungswerte für zwei normalverteilte Variablen durch t-test

Mehr

Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion

Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit

Mehr

Statistik für SozialwissenschaftlerInnen II p.85

Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des

Mehr

Jost Reinecke. 7. Juni 2005

Jost Reinecke. 7. Juni 2005 Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung

Mehr

Analysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 6: Inferenzstatistik und Regression

Analysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 6: Inferenzstatistik und Regression Analysen politikwissenschaftlicher Datensätze mit Stata Sitzung 6: Inferenzstatistik und Regression 1 Vorbereitung Bitte laden Sie den Datensatz z:\daten\infsim.dta 2 Inferenzstatistik Grundproblem der

Mehr

Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung

Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung Ulrich Rosar Institut für Angewandte Sozialforschung Universität zu Köln 1. Juli 4 Gliederung Warum Mehrebenenanalyse? Die Logik

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

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Projekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?

Projekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil? AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei

Mehr

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

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

Mehr

Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung

Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Matrikelnummer Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Prof. Dr. Marco Wilkens

Mehr

Grundproblem der Inferenzstatistik

Grundproblem der Inferenzstatistik Grundproblem der Inferenzstatistik Grundgesamtheit Stichprobenziehung Zufalls- Stichprobe... "wahre", unbekannte Anteil nicht zufällig p... beobachtete Anteil zufällig? Statistik für SoziologInnen 1 Inferenzschluss

Mehr

Übungsbuch Statistik für Dummies

Übungsbuch Statistik für Dummies beborah Rumseif Übungsbuch Statistik für Dummies WILEY- VCH WILEY-VCH Verlag GmbH & Co. KGaA Inhaltsverzeichnis Über die Autorin 8 Über den Übersetzer 8 Einführung 15 Über dieses Buch 15 Törichte Annahmen

Mehr

Regression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung

Regression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung Sommersemester 2009 Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist ein Zusammenhang? Gemeinsame

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent

Mehr

Kapitel 3: Interpretationen

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

Mehr

1. Lösungen zu Kapitel 4

1. Lösungen zu Kapitel 4 1. Lösungen zu Kapitel 4 Übungsaufgabe 4.1 a) Falsch! Die Identifikationsstrategie des Vorher-Nachher-Vergleichs beruht auf der Idee, die Untersuchungseinheiten vor und nach der Intervention mit sich selbst

Mehr

Real- oder Sek? Inhalt. Fragestellung. Fragestellung

Real- oder Sek? Inhalt. Fragestellung. Fragestellung Schweizer Statistiktage 2009 Genf Real- oder Sek? Der Übertritt von der Primarstufe in die Sekundarstufe I im Kanton Bern Jürgen Allraum 29. Okt. 2009 Inhalt 1. Fragestellung 2. Datenbasis 3. Statistische

Mehr

Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk

Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC

Mehr

Zufallsstichproben. Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/21

Zufallsstichproben. Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/21 Zufallsstichproben Zufallsstichprobe Varianz der Grundgesamtheit Streuung des Mittelwertes Stichprobengröße Konfidenzintervall Ziehen einer einfachen Zufallsstichprobe Geschichtete Zufallsstichproben Klumpenstichprobe

Mehr

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

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

Mehr

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

.wvw. Identifikation kritischer Erfolgsfaktoren deutscher Lebensversicherungsunternehmen auf Basis einer Jahresabschlußanalyse.

.wvw. Identifikation kritischer Erfolgsfaktoren deutscher Lebensversicherungsunternehmen auf Basis einer Jahresabschlußanalyse. Passauer Reihe Risiko, Versicherung und Finanzierung Band 15 Herausgegeben von Prof. Dr. Bernhard Kromschröder Prof. Dr. Jochen Wilhelm Identifikation kritischer Erfolgsfaktoren deutscher Lebensversicherungsunternehmen

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007 Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Das lineare Regressionsmodell Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function

Mehr

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie! Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies

Mehr

1.8 Kolmogorov-Smirnov-Test auf Normalverteilung

1.8 Kolmogorov-Smirnov-Test auf Normalverteilung 1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen

Mehr

Regression mit Faktoren, Interaktionen und transformierten Variablen

Regression mit Faktoren, Interaktionen und transformierten Variablen Kap. 5: Regression mit Faktoren, Interaktionen und transformierten Variablen Motivation Regressionen mit transformierten Variablen Ausblick: Nichtlineare Regression Mehr zu Regressionen mit qualitativen

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

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

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)

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

Die Rolle von Entrepreneurship und Innovation für die regionale Entwicklung

Die Rolle von Entrepreneurship und Innovation für die regionale Entwicklung Die Rolle von Entrepreneurship und Innovation für die regionale Entwicklung Michael Fritsch Technische Universität Bergakademie Freiberg, DIW-Berlin und MPIEW-Jena, Germany Gründungsgeschehen und Marktprozess

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

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014

Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz 10.12.2014 Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz 10.12.2014 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4.

Mehr

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...

1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente... Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............

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

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

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

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

Die Mehrebenenanalyse als Regressionsmodell für hierarchische Daten

Die Mehrebenenanalyse als Regressionsmodell für hierarchische Daten D:\eigene Dateien\windzio\lehre\ml_workshop\mehrebenen\tuto_mlw_workshop.doc Die Mehrebenenanalyse als Regressionsmodell für hierarchische Daten Michael Windzio 1 Einleitung: Mehrebenenanalyse als Regression

Mehr

Abschlussklausur (60 Minuten), 15. Juli 2014

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

Mehr

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang. Lehrstuhl für Statistik und empirische Wirtschaftsforschung ach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang

Mehr

Anhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen

Anhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen Anhang 4 Bias durch Überdiagnose von papillären Mikrokarzinomen Bias durch Überdiagnose von papillären Mikrokarzinomen H. Bertelsmann AG Epidemiologie und Medizinische Statistik Universität Bielefeld Dezember

Mehr

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang. Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang

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

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl

FAKTORIELLE VERSUCHSPLÄNE. Andreas Handl FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling Einführung in die Versuchsplanung

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise

Mehr

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

Mehr

I. Deskriptive Statistik 1

I. Deskriptive Statistik 1 I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................

Mehr

Datenanalyse mit Excel und Gretl

Datenanalyse mit Excel und Gretl Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen

Mehr

Unsystematische Störvariablen

Unsystematische Störvariablen wirken auf AV, variieren aber nicht mit UV haben keinen Einfluss auf Unterschiede zwischen den Bedingungen Unsystematische Störvariablen (Eid, Gollwitzer & Schmitt, 2010, S. 56f) Es gibt individuelle Unterschiede

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

Computerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.

Computerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26. Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11

Mehr

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse

Mehr

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang. Lehrstuhl für Statistik und empirische irtschaftsforschung, SS 2009 ach: Prüfer: Bachelorprüfung Praxis der empirischen irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Die Teilzeitansprüche im deutschen Arbeitsrecht:

Die Teilzeitansprüche im deutschen Arbeitsrecht: Die Teilzeansprüche im deutschen Arbesrecht: Eine empirische Analyse ihrer Wirkung auf den betrieblichen Einsatz Teilzebeschäftigter Sozioökonomische Berichterstattung, soeb Werkstatt 21 Hans-Dieter Gerner

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

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

Mehr

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

JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE. Empirische Methoden der Politikwissenschaft

JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE. Empirische Methoden der Politikwissenschaft JOACHIM BEHNKE / NINA BAUR / NATHALIE BEHNKE Empirische Methoden der Politikwissenschaft 1 Einleitung 13 2 Methoden im empirischen Forschungsprozess 17 2.1 Methoden und wissenschaftliche Theorie 17 2.2

Mehr

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen

Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen

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

SPSS III Mittelwerte vergleichen

SPSS III Mittelwerte vergleichen SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen

Mehr