Effektstärken und deren Bedeutung für die klinische Forschung
|
|
- Gerburg Waldfogel
- vor 1 Jahren
- Abrufe
Transkript
1 und deren Bedeutung für die klinische Forschung
2 Einführung 1/5 Nicht nur statistische Signifikanz für Bedeutsamkeit eines Ergebnisses ausschlaggebend Größeund Richtungeines Effektes (z.b. Mittelwertsunterschied, Zusammenhang) inhaltlich relevant APA (American PsychologicalAssociation) empfiehlt das Berichten von Effektgrößen zusätzlich zu den Ergebnisse statistischer Tests Veranschaulichung der inhaltlichen Bedeutsamkeit eines Ergebnisses Im Bereich der klinischen und medizinischen Forschung sind Effektgrößen unmittelbar wichtig ( Wie gutwirkt eine Behandlung?Wie großist der Einfluss eines Risikofaktors? Etc.)
3 Einführung 2/5 Effektgrößen aber nicht nur für Veranschaulichung von Ergebnissen wichtig Ebenso für Planungvon Studien relevant: Effektgröße Alpha-Fehler Beta-Fehler und Stichprobengröße stehen miteinander in Beziehung Kennt man drei der vier Parameter (oder legt sie a priorifest) kann der vierte berechnet werden Planung von Stichprobengrößen, Ermittlung der Power einer Studie
4 Einführung 3/5 Standardisierteund unstandardisierteeffektgrößen Unstandardisierte Effektgrößensind Maße, die eine unmittelbare inhaltliche Bedeutsamkeit und Interpretation haben, z.b. Anzahl an Zigaretten, die im Schnitt pro Tag geraucht werden Krankenstandstage pro Jahr, die durchschnittlich auf einer bestimmte Erkrankung zurückgeführt werden können Gewichtsverlust in kg, der durch ein bestimmtes Diäts-und Aktivitätsprogramm im Schnitt erzielt werden kann Maße für unstandardisierte Effektgrößen z.b. Differenz von Gruppenmittelwerten(raw mean difference) Unstandardisierte Regressionskoeffizienten
5 Einführung 4/5 Standardisierte Effektgrößeni.A. vor allem dann von Bedeutung, wenn zugrundeliegendes Maßkeineunmittelbare Interpretation gestattet, z.b. Summenwerte in psychologischen Tests und Fragebögen Standardisierte Effektgrößen erlauben auch den Vergleich von Studien, die Instrumente mit unterschiedlicher Skalierung benutzt haben Unterschiede werden durch Standardisierung kompensiert Anwendung vor allem auch in meta-analytischerforschung(= Integration von Forschungsergebnissen unterschiedlicher Studien zur selben Forschungsfrage)
6 Einführung 5/5 Häufig verwendete standardisierte Maße Cohens d (und andere Maße der d-familie) Produkt-Moment-Korrelation r (und andere Maße der r-familie) Eta 2 (und andere Maße der Varianzaufklärung) Odds Ratio und Risk Ratio (und davon abgeleitete Kennwerte)
7 Standardisierte Effektgrößen: Cohens d 1/8 Cohens drelevant für alle Mittelwertsvergleiche zwischen zwei (unabhängigen oder abhängigen) Gruppen Kann aus Gruppenmittelwerten, Standardabweichungen und ns oder aus der t-statistik des t-test berechnet werden (wird nicht von SPSS ausgegeben) Cohens dfür unabhängige Stichproben: d = M1 M SD pooled 2 = t 1 n n 2 SD pooled = ( n 1 2 1) SD1 + ( n2 1) SD n + n
8 Standardisierte Effektgrößen: Cohens d 2/8 Cohens dgibt den Abstand zweier Verteilungen in Einheiten ihrer gemeinsamen Standardabweichung an M 1 M 2 = d Annahme:Normalverteilung, Homogenität der Varianzen ( t-test!!!)
9 Standardisierte Effektgrößen: Cohens d 3/8 Im Fall abhängigerstichprobenkann danhand der Differenzwerte bestimmt werden d = M SD = t Diff 1 Diff N Um es mit der Metrik von dfür unabhängige Stichprobenvergleichbarzu machen, kann die Korrelation der Messwerte berücksichtigt werden d = M SD Diff 2 ( 1 r) = t 2 ( 1 r N Diff )
10 Standardisierte Effektgrößen: Cohens d 4/8 Faustregeln und Richtlinien zur Einschätzung der Größe eines Effekts (Cohen, 1988) Größe des Effekts Klein Cohens d 0.2 Mittel 0.5 Groß 0.8
11 Standardisierte Effektgrößen: Cohens d 5/8 Beispiel (Rückgriff): Effekt der CBT-Behandlung von Depressionspatienten N = 56 Patienten nach 12-wöchiger Behandlung Zeitpunkt M SD Baseline(T1) Nach 12 Wochen (T2) Analyse (t-test für abhängige Daten) hat gezeigt, dass Veränderung hochsignifikant war Größe des Effekts?
12 Standardisierte Effektgrößen: Cohens d 6/8 Im Fall Statistik bei gepaarten Stichproben Paaren 1 HRSD_baseline HRSD_post_treatment Standardfe Standardab hler des Mittelwert N weichung Mittelwertes 25, ,528,605 15, ,266,971 Korrelationen bei gepaarten Stichproben Paaren 1 HRSD_baseline & HRSD_post_treatment N Korrelation Signifikanz 56,656,000 d Paaren 1 = M SD Diff 2 ( 1 r) = t Test bei gepaarten Stichproben 2 ( 1 r N Diff ) HRSD_baseline - HRSD_post_treatment Mittelwert Standardab weichung Gepaarte Differenzen Standardfe hler des 95% Konfidenzintervall der Differenz Mittelwertes Untere Obere T df Sig. (2-seitig) 10,018 5,489,733 8,548 11,488 13,658 55,000
13 Standardisierte Effektgrößen: Cohens d 7/8 Einsetzen (dfür Differenzwerte): 1 1 d = t = = = 183. N 56 Patienten verbessern sich um fast zwei Standardabweichungen (großer Effekt!) Einsetzen (din der Metrik für unabhängige Stichproben): 2 ( 1 r) 2 ( ) d = t = = = 151. N 56 Verbesserung um 1.5 Standardabweichungen
14 Standardisierte Effektgrößen: Cohens d 8/8 Wenn r>.5, ist dder Differenzwerte größerals din Metrik unabhängiger Stichproben (bei r =.5 idente Ergebnisse; ansonsten kleiner) In Messwiederholungsdesigns sollte din der Metrik unabhängiger Stichproben berechnet werden (vgl. Dunlap et al., 1996) ansonsten droht Über-oder Unterschätzung von Effekten und Vergleiche mit Untersuchungen mit unabhängigen Designs (VG vs. KG) werden erschwert Neben Cohens dexistieren noch weitere verwandte Indizes, die ähnlich berechnet werden (z.b. Hedges g, Glass Δ)
15 Standardisierte Effektgrößen: Produkt-Moment-Korrelation r 1/3 Produkt-Moment-Korrelation rist ein direktes Effektmaß Koeffizient ist auf den Wertebereich 1 bis +1 beschränkt und erlaubt zudem Aussagen über das Ausmaßerklärter Varianz (=Bestimmtheitsmaß =r 2 [ebenso für Regression von Bedeutung, R 2 ]) Weitere Koeffizienten aus der r-familie sind Phi-Koeffizient, die punktbiseriale Korrelation und die Rangkorrelation Alle diese Koeffizienten können als Effektmaße verwendet werden Auch die Produkt-Moment-Korrelation stellt Anforderungen an Daten (bivariate Normalverteilung, linearer Zusammenhang)
16 Standardisierte Effektgrößen: Produkt-Moment-Korrelation r 2/3 Cave:Einschränkungen des Koeffizienten (siehe z.b. Phi-Koeffizient) schlagen sich somit auch auf Einschätzung der Größe eines Effekts nieder rkann zudem in Cohens dumgerechnet werden und umgekehrt Formeln dafür finden sich einführenden Büchern zu meta-analytischen Techniken (z.b. Borenstein, Hedges, Higgins, Rothstein, 2009) Verdeutlicht, dass korrelativeherangehensweise und die Analyse von Mittelwertsunterschieden im allgemeinen linearen Modell eigentlich das selbe ist
17 Standardisierte Effektgrößen: Produkt-Moment-Korrelation r 3/3 Faustregeln und Richtlinien zur Einschätzung der Größe eines Effekts (Cohen, 1988) Größe des Effekts Klein.1 Mittel.3 Groß.5 r
18 Standardisierte Effektgrößen: Eta 2 1/16 Eta 2 (η 2 ) ist das natürliche Effektmaßvarianzanalytischer Untersuchungen Partielles Eta 2 (siehe später) kann direkt von SPSS ausgegeben werden Eta 2 ist ein Maßdafür, wie viel Gesamtvarianz (abhängige Variable) durch den interessierenden Faktor (unabhängige Variable) erklärt wird: 2 Eta = QS QS Faktor Gesamt Ergebnis ist ein Maßder Varianzerklärung (Wertebereich 0 bis 1), das in der Interpretation vergleichbar ist mit r 2
19 Standardisierte Effektgrößen: Eta 2 2/16 Für mehrfaktorielledesigns wird auch das partielle Eta 2 verwendet: partielles Eta 2 = QS QSFaktor + QS Faktor Fehler In einfaktoriellendesigns ist Eta 2 =partielles Eta 2 In mehrfaktoriellenunabhängigen Designs addiert sich das Eta 2 aller Quadratsummen auf 1 Das partielle Eta 2 addiert sich in mehrfaktoriellendesigns nicht notwendigerweiseauf 1 (kann > 1 sein) es ist ein Maßder Varianzaufklärung unter Kontrolle (Herauspartialisierung) des Einflusses aller anderen Faktoren in der Gesamtvariabilität
20 Standardisierte Effektgrößen: Eta 2 3/16 Ebenso addiert sich das (partielle) Eta 2 in mixeddesignsnicht notwendigerweise auf 1 (unabhängige undabhängige Faktoren zweiunterschiedliche Fehlerterme; die erklärte Gesamtvarianz kann insbesondere in solchen Designs scheinbar > 100% sein) Diese Einschränkungen sind in der Interpretation zu berücksichtigen Autoren wie Field(2009) plädieren überhaupt, nicht das partielle Eta 2 zu benutzen, sondern Eta 2 oder auch ω 2 (Omega 2 =Schätzer der erklärten Varianz in der Population, nicht in der Stichprobe) Eta 2 (oder auch das partielle Eta 2 ) haben zudem den prinzipiellen Nachteil, dass sie unanschaulichsind (Globalhypothese) häufig sind es gerade Einzelvergleiche und deren Größe, die praktisch von Relevanz sind
21 Standardisierte Effektgrößen: Eta 2 4/16 D.h. auch gerade bei varianzanalytischen Designs ist häufig die Bestimmung des d interessierender Gruppen informativer Zudem können auch für KontrasteEffektmaße bestimmt werden Effekt eines Kontrasts in Größen von r (vgl. Field, 2009, S. 390): r Kontrast = 2 t 2 t + df
22 Standardisierte Effektgrößen: Eta 2 5/16 Faustregeln und Richtlinien zur Einschätzung der Größe eines Effekts (Cohen, 1988) Größe des Effekts Klein Eta 2.01 Erklärte Varianz 1% Mittel.06 6% Groß.14 14%
23 Standardisierte Effektgrößen: Eta 2 6/16 Beispiel (Rückgriff): Wie starkunterscheiden sich Depressive, Remittierte und Gesunde in der berichteten Depressivität? Gruppe n M SD Depressive Remittierte Gesunde Wie großsind Effekte der Kontraste(Depressive vs. Remittierte & Gesunde, Remittierte vs. Gesunde; polynomiale Kontraste)?
24 Standardisierte Effektgrößen: Eta 2 7/16 Einsetzen ergibt: r Kontrast 1 = t 2 2 t + df = = 080. r Kontrast 2 =. = 037
25 Standardisierte Effektgrößen: Eta 2 8/16 Cohens d (berechnet mittels t-tests): Depressive vs. Remittierte: d = 2.13 Depressive vs. Gesunde: d = 3.26 Remittierte vs. Gesunde: d = 1.05 Effektgrößen der polynomialenkontraste: (es gilt F =t 2, da df 1 =1) Linearer Term (F= ): r =.80 Quadratischer Term (F = ): r =.31
26 Standardisierte Effektgrößen: Eta 2 9/16 Ausgabe des partiellen Eta 2 in SPSS erfordert Verwendung der Prozedur Allgemeines Lineares Modell
27 Standardisierte Effektgrößen: Eta 2 10/16 Abhängige Variable: BDI Quelle Korrigiertes Modell Konstanter Term Gruppe Fehler Gesamt Korrigierte Gesamtvariation Tests der Zwischensubjekteffekte Quadratsum Mittel der Partielles me vom Typ III df Quadrate F Signifikanz Eta-Quadrat 12817,150 a ,575 97,208,000, , , ,216,000, , ,575 97,208,000, , , , , a. R-Quadrat =,651 (korrigiertes R-Quadrat =,645) Der Faktor Gruppe erklärt 65% der Gesamtvarianz
28 Standardisierte Effektgrößen: Eta 2 11/16 Beispiel (Rückgriff): Wie großist der Anteil an Varianz in Trait-Angst, der auf das Geschlecht, wie hoch jener, der auf das Vorliegen einer Angsterkrankung zurückgeführt werden kann? Gruppe n M SD Frauen (Normpop.) Männer (Normpop.) Frauen (Angststör.) Männer (Angststör.)
29 Standardisierte Effektgrößen: Eta 2 12/16 Abhängige Variable: STAI_trait Quelle Korrigiertes Modell Konstanter Term Geschlecht Gruppe Geschlecht * Gruppe Fehler Gesamt Korrigierte Gesamtvariation Tests der Zwischensubjekteffekte Quadratsum Mittel der Partielles me vom Typ III df Quadrate F Signifikanz Eta-Quadrat 10905,070 a ,023 34,401,000, , , ,447,000, , ,405 6,808,010, , ,109 96,655,000,484 6, ,256,059,808, , , , , a. R-Quadrat =,500 (korrigiertes R-Quadrat =,486) Partielles Eta 2 :Der Faktor Geschlecht erklärt 6% der Varianz, Gruppe 48%, die Wechselwirkung < 1% Eta 2 (mithilfe der QS berechnet; korrigierte Gesamtvariation für QS Gesamt ): Geschlecht 3%, Gruppe 47%, Wechselwirkung < 1%
30 Standardisierte Effektgrößen: Eta 2 13/16 Beispiel (Rückgriff): Wie groß sind Varianzanteile, die durch die unterschiedliche Behandlung (CBT vs. CBT + Med) erklärt werden können? Baseline 12 Wochen Gruppe n M (SD) M (SD) CBT (4.53) (7.27) CBT + Med (4.45) (6.89) Wie großsind Prä/Post-Differenzen, wie stark unterscheidensich die Gruppen zu T1 und T2?
31 Standardisierte Effektgrößen: Eta 2 14/16 Maß: MASS_1 Quelle Zeit Zeit * Behandlung Fehler(Zeit) Sphärizität angenommen Greenhouse-Geisser Huynh-Feldt Untergrenze Sphärizität angenommen Greenhouse-Geisser Huynh-Feldt Untergrenze Sphärizität angenommen Greenhouse-Geisser Huynh-Feldt Untergrenze Tests der Innersubjekteffekte Quadratsum Mittel der Partielles me vom Typ III df Quadrate F Signifikanz Eta-Quadrat 9741, , ,549,000, ,004 1, , ,549,000, ,004 1, , ,549,000, ,004 1, , ,549,000, , ,204 49,284,000, ,204 1, ,204 49,284,000, ,204 1, ,204 49,284,000, ,204 1, ,204 49,284,000, , , , ,000 14, , ,000 14, , ,000 14,005 Partielles Eta 2 :addiert sich nicht auf 100% (> 100%)! Zeit 87% der Varianz, Wechselwirkung 32% Eta 2 (mithilfe der QS berechnet; Summe allerqs für QS Gesamt ): Zeit 54%, Wechselwirkung 4%
32 Standardisierte Effektgrößen: Eta 2 15/16 Maß: MASS_1 Transformierte Variable: Mittel Quelle Konstanter Term Behandlung Fehler Tests der Zwischensubjekteffekte Quadratsum Mittel der Partielles me vom Typ III df Quadrate F Signifikanz Eta-Quadrat 81427, , ,101,000, , ,721 3,484,065, , ,465 Partielles Eta 2 : Behandlung 3% der Varianz Eta 2 (mithilfe der QS berechnet; Summe allerqs für QS Gesamt ): 1 %
33 Standardisierte Effektgrößen: Eta 2 16/16 Cohens d (berechnet mittels t-tests): Baseline-Testung: d =-0.37 (p =.057) Post-Testung: d = 0.78 (p <.001) CBT Prä/Post: d = 1.51 (p <.001) CBT + MedPrä/Post: d =2.74 (p<.001)
Kapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Durchführung einer zweifaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 6 behandelten zweifaktoriellen
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
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
Anhang A: Fragebögen und sonstige Unterlagen
Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben
Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)
Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe
Lösungen zur Klausur Statistik II Dr. Andreas Voß Sommersemester 2005
Lösungen zur Klausur Statistik II Dr. Andreas Voß Sommersemester 2005 Name: Mat.Nr.: Bearbeitungshinweise: Insgesamt können 40 Punkte erreicht werden. Die Klausur gilt als bestanden, wenn Sie mindestens
Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-
SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird
Vergleiche von Gruppen hinsichtlich Ihrer zentralen Tendenz
Vergleiche von Gruppen hinsichtlich Ihrer zentralen Tendenz Im folgenden sollen Analyseverfahren dargestellt werden, die zwei oder mehr Gruppen hinsichtlich ihrer zentralen Tendenz in einer einzelnen Variablen
Hypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
Die Korrelation von Merkmalen
Die Korrelation von Merkmalen In der Analse von Datenmaterial ist eines der Hauptziele der Statistik eine Abhängigkeit bzw. einen Zusammenhang zwischen Merkmalen zu erkennen. Die Korrelation ermittelt
Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
Klausur Statistik I. Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin. Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
Hypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
Kapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis
1. Inhaltsverzeichnis 1. Inhaltsverzeichnis... 1 2. Abbildungsverzeichnis... 1 3. Einleitung... 2 4. Beschreibung der Datenquelle...2 5. Allgemeine Auswertungen...3 6. Detaillierte Auswertungen... 7 Zusammenhang
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
Beispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav
Beispiel für eine Daten: POKIII_AG1_V03.sav Es soll überprüft werden, ob es geschlechtsspezifische Unterschiede bei den Einstellungen zum Tanz gibt. Aus dem Fragebogen der AG 1 des POK III wurden folgende
Kapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
SPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1
SPSS-Ausgabe : Univariate Varianzanalyse [DatenSet] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav Tests der Zwischensubjekteffekte Abhängige Variable: Einkommen Quelle Korrigiertes Modell Konstanter
Statistik: Planung, Auswertung, Lesen von Meta-Studien
Grundlage: Effektgrößen Statistik: Planung, Auswertung, Lesen von Meta-Studien Forschungsseminar für Fortgeschrittene für Planung, Auswertung und Meta-Studien relevant Bekannte: r = Pearson Korrelation
Signifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
Einführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
Mittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
Statistik II (Sozialwissenschaften)
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden http://www.math.tu-dresden.de/sto/mueller/ Statistik II (Sozialwissenschaften) 2. Konsultationsübung,
Mittelwertvergleiche, Teil I: Zwei Gruppen
FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Mittelwertvergleiche:
Methodik der multiplen linearen Regression
Methodik der multiplen linearen Regression Sibel Aydemir Statistisches Amt, Direktorium Landeshauptstadt München Name, Stadt Regressionsanalyse: Schritt für Schritt Schritt 1 Schritt 2 Schritt 3 Schritt
Multivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
Relatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung
Relatives Risiko 1/8 Relatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung RR gibt Auskunft darüber, ob das Vorhandensein eines (i.a. Risiko-)Faktors
Messwiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
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
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
Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung
Grundlagen der Versuchsmethodik, Datenauswertung und -visualisierung Sommersemster 007 Analyse und Modellierung von Blickbewegungen Veranstalter: Hendrik Koesling Grundlagen der Versuchsmethodik, Datenauswertung
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
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
Varianzananalyse. How to do
Varianzananalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Varianzanalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem Empra-Bericht oder in einer Bachelor- oder
Pflichtmodul E2: Theorie und Methoden psychologischen Messens und Beobachtens. Ausgewählte Methoden. Mag. Dr. Ulrich Tran Sommersemester 2011
Pflichtmodul E2: Theorie und Methoden psychologischen Messens und Beobachtens Ausgewählte Methoden Mag. Dr. Ulrich Tran Sommersemester 2011 Überblick LV gibt Einführung in Grundlagen, Anwendung(SPSS) und
Geschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3
Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193
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
Statistik 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
Statistik 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
SozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
Hypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
Hypothesentests mit SPSS. Beispiel für eine zweifaktorielle Varianzanalyse Daten: POK07_AG4_HU_V04.SAV
Beispiel für eine zweifaktorielle Varianzanalyse Daten: POK07_AG4_HU_V04.SAV Hypothese: Typische Eigenschaften von Terroristen (Prototypikalität) und die nationale Herkunft (Ausländer vs. Deutsche) haben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
? Unterscheiden sich Burschen und Mädchen im Ausmaß der Mithilfe im Haushalt?
341 i Metrische und kategoriale Merkmale An einer Beobachtungseinheit werden metrische und kategoriale Variable erhoben. Beispiel: Hausarbeit von Teenagern (Stunden/Woche) 25 15 STUNDEN 5-5 weiblich männlich?
Inhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
Ü b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
Sonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 04: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
methodenlehre ll ALM und Mehrfaktorielle ANOVA Mehrfaktorielle ANOVA methodenlehre ll ALM und Mehrfaktorielle ANOVA
15.04.009 Das Allgemeine lineare Modell Post hoc Tests bei der ANOVA Mehrfatorielle ANOVA Thomas Schäfer SS 009 1 Das Allgemeine lineare Modell (ALM) Varianz als Schlüsselonzept "The main technical function
TEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
Statistik 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
Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
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)
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
Einführung 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
Biostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht
Statistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
Hypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
Kapitel 1: Deskriptive Statistik
Kapitel 1: Deskriptive Statistik Grafiken Mit Hilfe von SPSS lassen sich eine Vielzahl unterschiedlicher Grafiken für unterschiedliche Zwecke erstellen. Wir besprechen hier die zwei in Kapitel 1.1 thematisierten
Kapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test In Kapitel 8.1 dient eine Klassenarbeit in einer Schule als Beispielanwendung für einen U-Test. Wir werden an dieser Stelle die Berechnung dieses
Bivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
Wiederholung Drittvariablen Nicht-lineare Effekte Zusammenfassung. Regression III. Statistik I. Sommersemester 2009. Statistik I Regression III (1/36)
Regression III Statistik I Sommersemester 2009 Statistik I Regression III (1/36) Wiederholung Zuwandererquote FN 2004 10 15 20 25 5 10 15 20 Statistik I Regression III (2/36) Zum Nachlesen Agresti/Finlay
Sonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 0: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
TEIL 13: DIE LINEARE REGRESSION
TEIL 13: DIE LINEARE REGRESSION Dozent: Dawid Bekalarczyk GLIEDERUNG Dozent: Dawid Bekalarczyk Lineare Regression Grundlagen Prognosen / Schätzungen Verbindung zwischen Prognose und Zusammenhang zwischen
Biometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
Statistik 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
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger
Inhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
Ergebnisse der testpsychologischen Untersuchungen für das zweite Halbjahr 2013
Ergebnisse der testpsychologischen Untersuchungen für das zweite Halbjahr 2013 Hintergrund: Seit 2012 führen wir zu Beginn und zum Ende der Behandlung bei allen Patienten eine testpsychologische Untersuchung
Einfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
Kapitel 3: Der t-test
Kapitel 3: Der t-test Durchführung eines t-tests für unabhängige Stichproben Dieser Abschnitt zeigt die Durchführung des in Kapitel 3.1 vorgestellten t-tests für unabhängige Stichproben mit SPSS. Das Beispiel
Prüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
Inhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
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
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
Stichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
Parametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav
Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,
Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
Übungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
STATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
Kapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung 1 Berechnung der Effektstärke und der beobachteten Teststärke einer einfaktoriellen Varianzanalyse
Teil: 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
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,
Multiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
Skript Einführung in SPSS
SPSSinteraktiv Korrelationen & Regression - 1 - Skript Einführung in SPSS Korrelation & Regression Korrelation 1. Bivariate Korrelation 2. Partialkorrelation 3. Semipartialkorrelation Lineare Regression
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
Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
Statistik-Team. Tobias Kley: Übung: Freitag, Uhr, HGA 10 Tutorium (SPSS) - ab
Statistik-Team Tobias Kley: tobikley@uni-muenster.de Übung: Freitag, 9.00-10.00 Uhr, HGA 10 Tutorium (SPSS) - ab 26.10.2009 Koordination: Dr. Helge Thiemann Helge.Thiemann-i5m@ruhr-uni-bochum.de 0234/
2. Korrelation, lineare Regression und multiple Regression
2., Linear 2., lineare multiple 2., lineare 2.1 2.2 Lineare 2.1 2.2 Lineare 2.7 Partielle 2.7 Partielle 1 / 149 2., Linear 2., lineare 2.1 2.2 Lineare 2.1 2.7 Partielle 2 / 149 2.1 Beispiel: Arbeitsmotivation
Test auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben: