DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

Größe: px
Ab Seite anzeigen:

Download "14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler"

Transkript

1 DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1

2 ZUR WIEDERHOLUNG... Ausgangspunkt: wir haben aufgrund von Daten aus einer Studie einen Parameter für die Population geschätzt und eine Stichprobenverteilung für diesen Parameter erstellt (zumindest theoretisch) Ziel: eine Angabe darüber machen, wie gut die Parameterschätzung ist 3 Möglichkeiten: Standardfehler, Konfidenzintervalle, Signifikanztests wie gut ist die Parameterschätzung? ist das S:chprobenergebnis durch Zufall entstanden oder nicht? DER STANDARDFEHLER der Standardfehler ist die Standardabweichung der Stichprobenverteilung er gibt daher die Güte/Verlässlichkeit der Schätzung an er zeigt an, welchen durchschnittlichen Fehler man macht, wenn man den gefundenen Kennwert als Parameterschätzung verwendet Beispiel: wir haben für das Mögen von Klassik einen Mittelwert von 3 und einen Standardfehler von 0,6 bestimmt: à ca. 68% aller möglichen S:chprobenergebnisse würden also hier zwischen den Werten 2,4 und 3,6 liegen 2

3 DER STANDARDFEHLER INTERPRETATION Wie kann man den Standardfehler interpretieren? lässt sich pauschal nicht beantworten, denn: je kleiner, desto besser günstig: schauen wie groß er im Verhältnis zur verwendeten Merkmals- Skala ist Beispiel: die Skala für das Mögen von Klassik ging von 1 bis 5 à der SE von 0,6 nimmt davon nur 12% ein, ist also recht klein à der SE von 0,6 liefert uns eine Angabe darüber, wie weit wir mit unserer Schätzung prinzipiell daneben liegen könnten à ob der SE zufriedenstellend klein ist, soll/muss der Forscher beurteilen DER STANDARDFEHLER VERWENDUNG Wo wird der Standardfehler hauptsächlich verwendet? er wird als Rechenergebnis im Text sehr selten angegeben dafür aber sehr häufig in Abbildungen, nämlich in Form von Fehlerbalken (anstelle der Standardabweichung) Beispiele: SD SE SE 3

4 DER STANDARDFEHLER VERWENDUNG wenn man Abbildungen so gestaltet, dass die Y-Achse den gesamten Wertebereich zeigt, kann man auch an solchen Abbildungen sehen, ob der SE eher groß oder eher klein ist Konfidenzintervalle Konfidenzintervalle Vertrauenswahrscheinlichkeit Einfluss der Stichprobengröße Verwendung 4

5 KONFIDENZINTERVALLE neben dem Standardfehler lässt sich ein weiteres Maß für die Güte einer Populationsschätzung für einen Parameter angeben: das Konfidenzintervall (KI, englisch: CI für confidence interval) Konfidenzintervalle sind etwas informativer, da sie einen Wertebereich (Vertrauens- oder Konfidenzbereich) beschreiben Definition: Ein Konfidenzintervall ist ein Wertebereich, der den wahren Parameter in der Population mit der Wahrscheinlichkeit X beinhaltet. (Achtung: die Wahrscheinlichkeitsaussage bezieht sich immer auf das Intervall, nicht auf den Parameter! Man darf also nicht sagen: der Parameter liegt mit der Wahrscheinlichkeit X im Intervall!) KONFIDENZINTERVALLE entscheidend sind zwei Dinge: die Höhe der Konfidenz (also der Wahrscheinlichkeit X) à die lege ich selbst fest die beiden Grenzen des Intervalls (ausgedrückt in den Werten der verwendeten Skala) à die will ich berechnen die Logik dahinter: eine Parameterschätzung ist umso zuverlässiger, je enger die Grenzen des Intervalls beieinander liegen als Grundlage dient die Stichprobenverteilung des berechneten Parameters 5

6 KONFIDENZINTERVALLE Beispiel für ein Konfidenzintervall mit einer Vertrauenswahrscheinlichkeit von 90% um einen Erwartungswert von 105: à je näher die untere und die obere Grenze am Wert 105 liegen, desto eher kann ich dem Erwartungswert von 105 vertrauen (d.h., desto höher ist die Güte der Schätzung) VERTRAUENSWAHRSCHEINLICHKEIT Was bedeutet die Vertrauenswahrscheinlichkeit X? à Wenn ich 100 Studien machen und jedes Mal ein KI konstruieren würde, dann würde dieses in X Fällen den wahren Wert beinhalten. à das Intervall schneidet die mittleren X% der Stichprobenverteilung ab (symmetrisch um den Parameter) Wie hoch sollte die Vertrauenswahrscheinlichkeit sein? prinzipiell: natürlich möglichst hoch aber: je höher sie ist, desto breiter (und damit weniger informativ) wird das Intervall (im Extrem: wenn die Wahrscheinlichkeit 100 betrüge, würde das Intervall den gesamten Wertebereich überdecken) à üblicherweise liegt sie daher bei 90, 95, seltener bei 99% 6

7 EINFLUSS DER STICHPROBENGRÖßE der Einfluss der Stichprobengröße auf das KI größere Stichproben sollten zu verlässlicheren Schätzungen führen das äußert sich darin, dass die Stichprobenverteilung schmaler wird und damit die Grenzen enger zusammenrücken kleinere S:chprobe: größere S:chprobe: KONFIDENZINTERVALLE VERWENDUNG Wo werden KI hauptsächlich verwendet? in der Regel als inferenzstatistische Angaben im Text: es werden die Höhe der Konfidenz und die Lage der unteren und oberen Grenze angegeben (z.b. in der Form 95% KI, untere Grenze:..., obere Grenze:... oder 95% confidence interval, CI - :..., CI + :...) sehr häufig auch in Abbildungen: ebenfalls in Form von Fehlerbalken 7

8 Signifikanztests Signifikanztests Ansatz nach Fisher die Nullhypothese der p-wert die Irrtumswahrscheinlichkeit die Logik einseitiges und zweiseitiges Testen Einfluss der Stichprobengröße Ansatz nach Neyman & Pearson die Alternativhypothese Fehler erster und zweiter Art Einflussgrößen auf die Signifikanz SIGNIFIKANZTESTS Signifikanztests beurteilen nicht die Güte einer Parameterschätzung, sondern, ob ein Ergebnis zufällig zustande kam oder ob es generalisiert werden kann sie liefern damit eine ja/nein-entscheidung der Begriff Signifikanz ist irreführend, weil ein Signifikanztest- Ergebnis zunächst nichts über die Bedeutsamkeit aussagt! sie beruhen nicht mehr auf der Stichprobenverteilung, die aus den Daten resultiert, sondern auf der abstrakten Idee der Nullhypothese ihr einziges Ergebnis ist der berühmte p-wert, der dann zur Entscheidung (signifikant oder nicht) führt 8

9 ANSATZ NACH FISHER nach dem Ansatz von Fisher (dem z.b. auch SPSS folgt): der Signifikanztest unterstellt immer, dass es in der Population keinen Effekt gibt (der Mittelwert ist 0, es gibt keinen Mittelwertsunterschied, es gibt keinen Zusammenhang, usw.) diese Unterstellung wird durch die Nullhypothese ausgedrückt Ziel ist es nun zu zeigen, dass das Stichproben-Ergebnis unter der Annahme der Nullhypothese so unwahrscheinlich ist, dass man die Nullhypothese verwerfen kann DIE NULLHYPOTHESE für die Nullhypothese H0 wird auch eine Stichprobenverteilung erstellt diese ist nicht um den gefundenen Kennwert konstruiert, sondern um die 0 herum: à die Verteilung sagt, dass auch dann, wenn es in der Population keinen Effekt gibt (0), Ergebnisse zustande kommen können, die zufällig von 0 abweichen (wobei größere Abweichungen immer unwahrscheinlicher werden) 9

10 DER P-WERT die Verteilung der H0 beschreibt also die Wahrscheinlichkeit, mit der man bestimmte Werte ziehen kann, wenn die H0 stimmt diese Aussage steckt im p-wert (p für probability) Definition: Der p-wert ist die Wahrscheinlichkeit für das gefundene (oder ein noch extremeres) Ergebnis unter der Annahme, dass in der Population die H0 gilt. DIE IRRTUMSWAHRSCHEINLICHKEIT für die Entscheidung (signifikant oder nicht) wird nun eine Irrtumswahrscheinlichkeit Alpha (α) festgelegt Alpha wird auch Fehler erster Art, Signifikanzschwelle, Signifikanzniveau oder Signifikanzkriterium genannt Logik: wenn p < α dann ist das Ergebnis so unwahrscheinlich, dass die Nullhypothese wohl nicht stimmt und daher verworfen werden kann à man spricht dann von einem signifikanten Ergebnis Alpha wird üblicherweise auf 10, 5 oder 1% festgelegt (5% sind die Regel) aber: diese Festlegung ist absolut willkürlich, tatsächlich sollte der Forscher festlegen, wie groß Alpha sinnvollerweise sein soll/darf 10

11 SIGNIFIKANZTESTS DIE LOGIK die Gretchen-Frage: p < α? SIGNIFIKANZTESTS DIE LOGIK 11

12 SIGNIFIKANZTESTS DIE LOGIK Warum Fehler erster Art? auch bei einem als signifikant eingestuften Ergebnis kann die H0 natürlich stimmen genauer: man wird statistisch gesehen in α Prozent der Fälle die H0 ablehnen, obwohl sie stimmt à man begeht also einen Fehler (nämlich eine falsch positive Entscheidung) Achtung: Alpha sagt nichts über die Wahrscheinlichkeit der H0 aus, sondern nur etwas über die Wahrscheinlichkeit, mit der man sich irrt, wenn man die H0 anlehnt. SIGNIFIKANZTESTS DIE LOGIK Woher kommt der p-wert? genauer müsste man fragen: woher kommt die H0-Verteilung, aus der der p-wert abgelesen wird? sie wird genauso konstruiert wie die Stichprobenverteilung für den Parameter, mit dem Unterschied, dass als Parameterschätzung der Wert der Nullhypothese (meist 0) verwendet wird der p-wert beschreibt die Lage des empirischen Wertes (also des Ergebnisses) in dieser Verteilung um nicht für jede Studie bzw. jeden Test diese Verteilung konstruieren zu müssen, gibt es bereits standardisierte Verteilungen für die Nullhypothese à Prüfverteilungen (z.b., z, t, F...) Prüfverteilungen sind in allen Lehrbüchern abgedruckt bzw. in Statistik- Software hinterlegt 12

13 SIGNIFIKANZTESTS DIE LOGIK zum Warmwerden: z-test der z-test ist ein Signifikanztest, der prüft, ob sich ein Wert signifikant von einem vorgegebenen Mittelwert unterscheidet die Nullhypothese wäre hier durch diesen Mittelwert repräsentiert Prüfverteilung ist die z-verteilung (Standardnormalverteilung) Beispiel: in einer Klausur ist von 50 Studierenden ein Mittelwert von M = 34 Punkten erreicht worden (SD = 3,7) ist Paul mit 41 Punkten signifikant besser als der Durchschnitt (Alpha = 5%)? H0 Paul = 41 à wo liegt die 41 in dieser Verteilung? à z- Standardisierung: M = 34 SIGNIFIKANZTESTS DIE LOGIK! z" 0" 0,01" 0,02" 0,03" 0,04" 0,05" 0,06" 0,07" 0,08" 0,09" 0" 0,5$ 0,504$ 0,508$ 0,512$ 0,516$ 0,5199$ 0,5239$ 0,5279$ 0,5319$ 0,5359$ 0,1" 0,5398$ 0,5438$ 0,5478$ 0,5517$ 0,5557$ 0,5596$ 0,5636$ 0,5675$ 0,5714$ 0,5753$ 0,2" 0,5793$ 0,5832$ 0,5871$ 0,591$ 0,5948$ 0,5987$ 0,6026$ 0,6064$ 0,6103$ 0,6141$ 0,3" 0,6179$ 0,6217$ 0,6255$ 0,6293$ 0,6331$ 0,6368$ 0,6406$ 0,6443$ 0,648$ 0,6517$ 0,4" 0,6554$ 0,6591$ 0,6628$ 0,6664$ 0,67$ 0,6736$ 0,6772$ 0,6808$ 0,6844$ 0,6879$ 0,5" 0,6915$ 0,695$ 0,6985$ 0,7019$ 0,7054$ 0,7088$ 0,7123$ 0,7157$ 0,719$ 0,7224$ 0,6" 0,7257$ 0,7291$ 0,7324$ 0,7357$ 0,7389$ 0,7422$ 0,7454$ 0,7486$ 0,7517$ 0,7549$ 0,7" 0,758$ 0,7611$ 0,7642$ 0,7673$ 0,7704$ 0,7734$ 0,7764$ 0,7794$ 0,7823$ 0,7852$ 0,8" 0,7881$ 0,791$ 0,7939$ 0,7967$ 0,7995$ 0,8023$ 0,8051$ 0,8079$ 0,8106$ 0,8133$ 0,9" 0,8158$ 0,8186$ 0,8212$ 0,8238$ 0,8264$ 0,8289$ 0,8315$ 0,834$ 0,8365$ 0,8398$ 1" 0,8413$ 0,8438$ 0,8461$ 0,8485$ 0,8508$ 0,8531$ 0,8554$ 0,8577$ 0,8599$ 0,8621$ 1,1" 0,8643$ 0,8665$ 0,8686$ 0,8708$ 0,8729$ 0,8749$ 0,877$ 0,879$ 0,881$ 0,883$ 1,2" 0,8849$ 0,8869$ 0,8888$ 0,8907$ 0,8925$ 0,8944$ 0,8962$ 0,898$ 0,8997$ 0,9015$ 1,3" 0,9032$ 0,9049$ 0,9066$ 0,9082$ 0,9099$ 0,9115$ 0,9131$ 0,9147$ 0,9162$ 0,9177$ 1,4" 0,9192$ 0,9207$ 0,9222$ 0,9236$ 0,9251$ 0,9265$ 0,9279$ 0,9292$ 0,9306$ 0,9319$ 1,5" 0,9332$ 0,9345$ 0,9357$ 0,937$ 0,9382$ 0,9304$ 0,9406$ 0,9418$ 0,9429$ 0,9441$ 1,6" 0,9452$ 0,9463$ 0,9474$ 0,9484$ 0,9495$ 0,9505$ 0,9515$ 0,9525$ 0,9535$ 0,9545$ 1,7" 0,9554$ 0,9564$ 0,9573$ 0,9582$ 0,9591$ 0,9599$ 0,9608$ 0,9616$ 0,9625$ 0,9633$ 1,8" 0,9641$ 0,9649$ 0,9656$ 0,9664$ 0,9671$ 0,9678$ 0,9686$ 0,9693$ 0,9699$ 0,9706$ p- Wert: 1,9" 0,9713$ 0,9719$ 0,9726$ 0,9723$ 0,9738$ 0,9744$ 0,975$ 0,9756$ 0,9761$ 0,9767$ 2" 0,9772$ 0,9778$ 0,9783$ 0,9788$ 0,9793$ 0,9798$ 0,9803$ 0,9808$ 0,9812$ 0,9817$ 1 0,97 = 3% 2,1" 0,9821$ 0,9826$ 0,983$ 0,9834$ 0,9838$ 0,9842$ 0,9846$ 0,985$ 0,9854$ 0,9857$ 2,2" 0,9861$ 0,9864$ 0,9868$ 0,9871$ 0,9875$ 0,9878$ 0,9881$ 0,9884$ 0,9887$ 0,989$ 2,3" 0,9893$ 0,9896$ 0,9898$ 0,9901$ 0,9904$ 0,9906$ 0,9909$ 0,9911$ 0,9913$ 0,9916$ 2,4" 0,9918$ 0,992$ 0,9922$ 0,9925$ 0,9927$ 0,9929$ 0,9931$ 0,9932$ 0,9934$ 0,9936$ 2,5" 0,9938$ 0,994$ 0,9941$ 0,9943$ 0,9945$ 0,9946$ 0,9948$ 0,9949$ 0,9951$ 0,9952$ 2,6" 0,9953$ 0,9955$ 0,9956$ 0,9957$ 0,9959$ 0,996$ 0,9961$ 0,9962$ 0,9963$ 0,9964$ 2,7" 0,9965$ 0,9966$ 0,9967$ 0,9968$ 0,9969$ 0,997$ 0,9971$ 0,9972$ 0,9973$ 0,9974$ 2,8" 0,9974$ 0,9975$ 0,9976$ 0,9977$ 0,9977$ 0,9978$ 0,9979$ 0,9979$ 0,998$ 0,9981$ 2,9" 0,9981$ 0,9982$ 0,9982$ 0,9983$ 0,9984$ 0,9984$ 0,9985$ 0,9985$ 0,9986$ 0,9986$ 3" 0,9987$ 0,9987$ 0,9987$ 0,9988$ 0,9988$ 0,9989$ 0,9989$ 0,9989$ 0,999$ 0,999$ 13

14 SIGNIFIKANZTESTS DIE LOGIK H0 p = 3% M = 34 α = 5% à p < α à Paul ist mit 41 Punkten signifikant besser als der Durchschnitt SIGNIFIKANZTESTS DIE LOGIK Hinweis: der gesuchte Effekt/Parameter kann auch auf der linken Seite der Verteilung liegen Beispiel: Ist Paul mit 27 Punkten signifikant schlechter als der Durchschnitt? p = 3% H0 à signifikant schlechter α = 5% M = 34 Achtung: bei Mittelwertsunterschieden ist es uns überlassen, ob wir Gruppe A von Gruppe B abziehen oder umgekehrt entsprechend kann der gesuchte Effekt links oder rechts liegen 14

15 EINSEITIGES UND ZWEISEITIGES TESTEN bei ungerichteten Hypothesen (exploratives Forschen) verteilt sich die Irrtumswahrscheinlichkeit auf beide Seiten der H0-Verteilung H0 H0 à es wird entsprechend schwieriger ein signifikantes Ergebnis zu bekommen à daher sind gerichtete Hypothesen besser EINSEITIGES UND ZWEISEITIGES TESTEN Beispiel: Mittelwertsunterschied Gruppe A Gruppe B: H0 hier verteilen sich alle möglichen Ergebnisse, bei denen der Mi\elwertsunterschied nega:v ist (also Gruppe B besser ist) hier verteilen sich alle möglichen Ergebnisse, bei denen der Mi\elwertsunterschied posi:v ist (also Gruppe A besser ist) 15

16 EINSEITIGES UND ZWEISEITIGES TESTEN der Vorteil gerichteter Hypothesen am selben Beispiel: Unterscheidet sich Paul signifikant vom Durchschnitt (Alpha = 5%)? ß ungerichtete Hypothese H0 p = 3% à p > α à kein signifikanter Unterschied α = 2,5% M = 34 α = 2,5% DER EINFLUSS DER STICHPROBENGRÖßE altbekanntes Prinzip: bei steigender Stichprobengröße wird die Stichprobenverteilung schmaler à es ist dann leichter, ein signifikantes Ergebnis zu bekommen H0 p = 3% Ausgangs- Beispiel: α = 2,5% M = 34 α = 2,5% Beispiel mit größerer S:chprobe: à das gleiche Testergebnis führt zu einem kleineren p- Wert H0 p = 0,00...% α = 2,5% M = 34 α = 2,5% 16

17 ANSATZ NACH FISHER ZUSAMMENFASSUNG Prinzipieller Ablauf: 1. formuliere eine Nullhypothese und konstruiere die entsprechende Stichprobenverteilung (macht i.d.r. eine Software für uns, z.b. SPSS) 2. prüfe, ob der p-wert kleiner oder größer als Alpha ist 3. ist p < α, verwerfe die Nullhypothese und argumentiere, dass es einen Effekt gibt; ist p > α,...? (Fisher macht dazu keine Aussage) à die H0 sollte annehmbar gemacht werden à neuer Ansatz nach Neyman und Pearson ANSATZ NACH NEYMAN & PEARSON oft ist die Nullhypothese allein eine wenig sinnvolle Annahme in der Regel geht man ja von einem Effekt aus der erhoffte Effekt wird durch die Alternativhypothese H1 ausgedrückt die H1 ist auch eine Stichprobenverteilung, deren Mittelwert um den erhofften Effekt von der H0 verschoben ist der erhoffte Effekt ist nicht das Studienergebnis, sondern tatsächlich eine Schätzung des erwarteten Effektes, den man vor der Studie festlegt! 17

18 DIE ALTERNATIVHYPOTHESE der erhoffte Effekt kann aus vorhergehenden Studien resultieren (was wurde bisher gefunden?) oder die Hoffnung des Forschers repräsentieren (welchen Effekt ist von Interesse?) H0 und H1 stehen im Widerstreit der Signifikanztest soll helfen, sich für eine der beiden Hypothesen zu entscheiden entscheidend dabei ist der Überschneidungsbereich beider Hypothesen dort liegen Daten drin, die zu beiden Hypothesen gehören können das kann zu verschiedenen Fehlern führen FEHLER ERSTER UND ZWEITER ART Alpha bekommt nun eine weitere wichtige Bedeutung: wenn p < α, lehne ich die H0 ab das kann richtig sein à alles perfekt falsch sein à Fehler erster Art (Alpha-Fehler) wenn p > α, nehme ich die H0 an das kann ebenfalls richtig sein à alles perfekt falsch sein à Fehler zweiter Art (Beta-Fehler) 18

19 FEHLER ERSTER UND ZWEITER ART im Ansatz von Neyman und Pearson geht es darum, eine sinnvolle Abwägung der beiden Fehlerarten zu machen daran sollte sich dann die Festlegung des Signifikanzniveaus orientieren NEYMAN & PEARSON ZUSAMMENFASSUNG Prinzipieller Ablauf: 1. formuliere eine Nullhypothese und konstruiere die entsprechende Stichprobenverteilung (mit Hilfe einer Software) 2. formuliere eine Alternativhypothese und konstruiere die entsprechende Stichprobenverteilung (mit Hilfe einer Software) 3. mache eine Abwägung der Wichtigkeit der Fehler erster und zweiter Art 4. prüfe, ob der p-wert kleiner oder größer als Alpha ist 5. ist p < α, verhalte dich so, als ob die Alternativhypothese stimmt; ist p > α, verhalte dich so, als ob die Nullhypothese stimmt à dieser Ansatz zwingt uns über die Bedeutsamkeit von Effekten nachzudenken und diese in den Signifikanztest einzubeziehen 19

20 EINFLUSSGRÖßEN AUF DIE SIGNIFIKANZ Drei Größen beeinflussen die Wahrscheinlichkeit, ein signifikantes Ergebnis zu finden: Populationseffekt, Stichprobengröße, Alpha größere Stichproben größerer/ Populationseffekt! KRITIK ZUM SIGNIFIKANZTEST die Ergebnisse führen oft zu Missverständnissen Signifikanz hat nichts mit Bedeutsamkeit es gibt keine Aussagen über die Wahrscheinlichkeit von Hypothesen, sondern stets nur von Daten! häufiger Vorwurf: mit genügend großen Stichproben wird jeder Effekt signifikant Abhilfe: auf besser interpretierbare Angaben zurückgreifen vor allem Effektgrößen und Konfidenzintervalle 20

21 INFERENZSTATISTIK STECKBRIEF drei inferenzstatistische Maße: Standardfehler, Konfidenzintervalle, Signifikanztests Standardfehler: gibt die Verlässlichkeit der Parameterschätzung als einen Wert an Konfidenzintervalle: geben die Verlässlichkeit der Parameterschätzung als Intervall an beide Maße basieren auf der Stichprobenverteilung um den gefundenen Wert Signifikanztests prüfen, ob ein Ergebnis zufällig zustande kam oder nicht sie basieren auf Stichprobenverteilungen, die um Null- oder Alternativhypothese konstruiert sind sie sollen eine Entscheidungshilfe sein, wenn es um das Abwägen von Hypothesen geht sie sagen aber nichts über die Größe von Effekten oder die Wahrscheinlichkeit von Hypothesen aus! 21

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

STATISTIK 1 - BEGLEITVERANSTALTUNG

STATISTIK 1 - BEGLEITVERANSTALTUNG STATISTIK 1 - BEGLEITVERANSTALTUNG VORLESUNG 4 ALPHA / BETA-FEHLER 12.12.2014 1 12.12.2014 1 Mona Ulrich, Psychologie (M.Sc.) AGENDA 01 STATISTISCHE HYPOTHESEN 02 POPULATION / STICHPROBE 03 ALPHA/ BETA-FEHLER

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

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

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

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

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

Mehr

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

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

Stochastik Abitur 2009 Stochastik

Stochastik Abitur 2009 Stochastik Abitur 2009 Stochastik Beilage ea (erhöhtes Anforderungsniveau) ga (grundlegendes Anforderungsniveau) ISBN 978-3-8120-0108-3 und ISBN 978-3-8120-0223-3 1 Aufgabe 2 (ea) Rauchen ist das größte vermeidbare

Mehr

Konfidenzintervalle so einfach wie möglich erklärt

Konfidenzintervalle so einfach wie möglich erklärt Konfidenzintervalle so einfach wie möglich erklärt Wolfgang Ludwig-Mayerhofer, Universität Siegen, Philosophische Fakultät, Seminar für Sozialwissenschaften Vorbemerkung: Es handelt sich um die Anfang

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Evaluation der Normalverteilungsannahme

Evaluation der Normalverteilungsannahme Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Statistik Musterlösungen

Statistik Musterlösungen Statistik Musterlösungen Regina Tüchler & Achim Zeileis Institut für Statistik & Mathematik Wirtschaftsuniversität Wien 1 Grundbegriffe (1.23) Skript Reaktionen auf Videofilm. Aussagen M, E, P, S h(m)

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr

Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?

Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

werden können. Wenn der Benutzer zudem eine konkrete Differenz mit praktischen Konsequenzen angibt, berechnet der Assistent den Stichprobenumfang,

werden können. Wenn der Benutzer zudem eine konkrete Differenz mit praktischen Konsequenzen angibt, berechnet der Assistent den Stichprobenumfang, Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten

Mehr

Fragestellungen der Schließenden Statistik

Fragestellungen der Schließenden Statistik Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für

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

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

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

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

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Forschungsmethoden und Statistik in der Psychologie

Forschungsmethoden und Statistik in der Psychologie Peter Sedlmeier Frank Renkewitz Forschungsmethoden und Statistik in der Psychologie PEARSON Studium ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney

Mehr

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4

Mehr

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte

Mehr

Anhang A: Fragebögen und sonstige Unterlagen

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

Mehr

Evaluation. Caroline Sporleder. Computational Linguistics Universität des Saarlandes. Sommersemester 2011 26.05.2011

Evaluation. Caroline Sporleder. Computational Linguistics Universität des Saarlandes. Sommersemester 2011 26.05.2011 Evaluation Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 26.05.2011 Caroline Sporleder Evaluation (1) Datensets Caroline Sporleder Evaluation (2) Warum evaluieren?

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

T-TEST BEI EINER STICHPROBE:

T-TEST BEI EINER STICHPROBE: Kapitel 19 T-Test Mit Hilfe der T-TEST-Prozeduren werden Aussagen über Mittelwerte getroffen. Dabei wird versucht, aus den Beobachtungen einer Stichprobe Rückschlüsse auf die Grundgesamtheit zu ziehen.

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest

Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Universität Wien Institut für Mathematik Wintersemester 2009/2010 Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Seminar Angewandte Mathematik Ao. Univ. Prof. Dr. Peter Schmitt von Nadja Reiterer

Mehr

Klausur Sommersemester 2010

Klausur Sommersemester 2010 Klausur Sommersemester 2010 Lehrstuhl: Wirtschaftspolitik Prüfungsfach: Empirische Wirtschaftsforschung Prüfer: Prof. Dr. K. Kraft Datum: 04.08.2010 Hilfsmittel: Nicht-programmierbarer Taschenrechner Klausurdauer:

Mehr

Performance Messungen

Performance Messungen Performance Messungen 1 Einordnung titativ iv Quan Qualitat Kontrollierte Eperimente mit Probanden Fragebög en 3 Think Aloud Protokolle Mensch Computer Technisch h h Interview Fallstudien Zeitreihen analysen

Mehr

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav

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,

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

Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen

Softwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2013/14 Überblick I Statistik bei kontrollierten Experimenten

Mehr

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)

Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

Mediatioranalyse & Moderatoranalyse How to do

Mediatioranalyse & Moderatoranalyse How to do Mediatioranalyse & Moderatoranalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Mediatoranalyse bzw. eine Moderatoranalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Empirische Softwaretechnik. Einführung in das Statistikpaket R?! Entwickler von R. nicht vergleichbar mit den üblichen Statistikprogrammen

Empirische Softwaretechnik. Einführung in das Statistikpaket R?! Entwickler von R. nicht vergleichbar mit den üblichen Statistikprogrammen Empirische Softwaretechnik Einführung in das Statistikpaket Prof. Dr. Walter F. Tichy Dr. Frank Padberg Sommersemester 2007 1 2 R?! nicht vergleichbar mit den üblichen Statistikprogrammen wie SAS oder

Mehr

Sozialwissenschaftliche Methoden und Statistik I

Sozialwissenschaftliche Methoden und Statistik I Sozialwissenschaftliche Methoden und Statistik I Universität Duisburg Essen Standort Duisburg Integrierter Diplomstudiengang Sozialwissenschaften Skript zum SMS I Tutorium Von Mark Lutter Stand: April

Mehr

1. Biometrische Planung

1. Biometrische Planung 1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen

Mehr

Regression mit Gretl Eine erste Einführung 1

Regression mit Gretl Eine erste Einführung 1 Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Multivariate Verfahren

Multivariate Verfahren Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf

Mehr

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

Mehr

Willkommen zur Vorlesung Statistik

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

Mehr

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

Einführung in die Kovarianzanalyse (ANCOVA)

Einführung in die Kovarianzanalyse (ANCOVA) Arbeitsunterlage Einführung in die Kovarianzanalyse (ANCOVA) ARGE-Bildungsforschung 2 Einführung in die Kovarianzanalyse (ANCOVA) 1 Die Varianzanalyse ist ein Verfahren, das die Wirkung einer (oder mehrerer)

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

Eine Einführung in SPSS

Eine Einführung in SPSS Eine Einführung in SPSS Aufbau von SPSS 14 Bemerkung: SPSS 14 kann in den Subzentren in der Kopernikusgasse installiert werden, falls dies noch nicht geschehen ist. Dazu öffnet man den Application Explorer

Mehr

Übungen zur Veranstaltung Statistik 2 mit SPSS

Übungen zur Veranstaltung Statistik 2 mit SPSS Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe

Mehr

Mathematik IV: Statistik. für D-UWIS, D-ERDW, D-USYS und D-HEST SS14

Mathematik IV: Statistik. für D-UWIS, D-ERDW, D-USYS und D-HEST SS14 Mathematik IV: Statistik für D-UWIS, D-ERDW, D-USYS und D-HEST SS14 Hygienische Reiniger Wissenschaftliche Studie: 10 000 Reinigungsversuche, 6 Fälle mit mehr als 1 Bakterien Stimmt s jetzt oder was? Binomialtest:

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

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Veranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen

Veranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen Bildungsurlaub-Seminare: Lerninhalte und Programm Seminartitel SPSS für Psychologen/innen (BH15113) Termin Mo, den 18.05.bis Fr, den 22.05.2015 (40 UStd.) Veranstaltungsort Bildungsherberge der Studierendenschaft

Mehr

Gibt es verschiedene Arten unendlich? Dieter Wolke

Gibt es verschiedene Arten unendlich? Dieter Wolke Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen

Mehr

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Standardabweichungen vorliegt, wobei die tatsächliche Größe der Differenz keine Rolle spielt. Daher verwendet der Assistent für den Test auf

Standardabweichungen vorliegt, wobei die tatsächliche Größe der Differenz keine Rolle spielt. Daher verwendet der Assistent für den Test auf Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

Risiko und Symmetrie. Prof. Dr. Andrea Wirth

Risiko und Symmetrie. Prof. Dr. Andrea Wirth Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Biostatistik, Winter 2011/12

Biostatistik, Winter 2011/12 Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier

Mehr

Varianzanalyse * (1) Varianzanalyse (2)

Varianzanalyse * (1) Varianzanalyse (2) Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz

Mehr

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko

Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko. Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Seminar zur speziellen Betriebswirtschaftslehre Kreditrisiko Thema 4 Backtesting von Portfoliomodellen für Kreditrisiko Vortrag von Igor Grinberg, Kai Hartmanshenn und Stephan Pueschel am 30.01.2002 Gliederung

Mehr

Klausur Wirtschaftsmathematik Lösungshinweise

Klausur Wirtschaftsmathematik Lösungshinweise Klausur Wirtschaftsmathematik Lösungshinweise Prüfungsdatum: 27. Juni 2015 Prüfer: Etschberger Studiengang: Wirtschaftsingenieurwesen Aufgabe 1 16 Punkte Anton Arglos hat von seiner Großmutter 30 000 geschenkt

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

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

Mehr

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Dorothea E. Dette-Hagenmeyer Was sind dyadische Daten? Dyadische Daten sind Daten von zwei oder mehreren Personen, die etwas miteinander

Mehr

Wir haben ermittelt, dass Tests 1, 2 und 7 am nützlichsten zum Auswerten der Stabilität der X-quer-Karte und der I-Karte sind:

Wir haben ermittelt, dass Tests 1, 2 und 7 am nützlichsten zum Auswerten der Stabilität der X-quer-Karte und der I-Karte sind: Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

6 Test von statistischen Hypothesen Empirische Wissenschaften arbeiten experimentell und stellen aufgrund von Beobachtungen Hypothesen und Theorien auf. Diese Hypothesen sind vereinfachte Modelle der Wirklichkeit.

Mehr

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1

i x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1 1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen

Mehr

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse

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

Mehr

Stichwortverzeichnis. 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348

Stichwortverzeichnis. 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348 3-of-a-Kind (Poker) 112, 114 4-of-a-Kind (Poker) 112, 114 50-50-Irrtum 348 50-50-Situation 36 α-stufe 249 λ 259, 264, 323 σ 190 A Abzählbar unendlich (Mengentyp) 40 Abzählproblem 106 Abzählregel 95 Additionsregel

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

Kundenzufriedenheit in der Pensionspferdehaltung. Ergebnisse einer empirischen Untersuchung.

Kundenzufriedenheit in der Pensionspferdehaltung. Ergebnisse einer empirischen Untersuchung. Kundenzufriedenheit in der Pensionspferdehaltung. Ergebnisse einer empirischen Untersuchung. Berufliche Schule Münsingen 08. Nov. 2010 Claudia Gille 09.11.2010 Gliederung Ausgangssituation Studiendesign

Mehr