Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab

Größe: px
Ab Seite anzeigen:

Download "Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab"

Transkript

1 Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für den Erwartungswert möglicher Werte y E(y) = βu + α Die Verteilung dieser Werte y ist eine Normalverteilung Die Varianz σ 2 hängt nicht von u ab y E(y) = βu + α u Beachte die gleichen Varianzen α und β sind theoretische Parameter β ist hier nicht der standardisierte Regressionskoeffizient aus der deskriptiven Statistik 51 Modell und Fragestellungen ALM07 1

2 Y und U sind Variablen nur im informellen Sinn und nicht Zufallsvariablen Zunächst : U ist experimentell gesetzt Von einer Verteilung von U und Y sprechen kann man nicht sinnvoll Dagegen : Für einen konkreten Wert von u ist y Zva Hier ist y klein geschrieben ( womöglich besser y u ) y ist noch kein konkreter Wert Untersuchung in Planungsphase Unterschied zur deskriptiven linearen Regression Deskriptive lineare Regression Ziel : Nur optimale Vorhersage Noch keine theoretische Ebene Folglich keine theoretischen Fragen Lineare Regression im ALM Starke Modellannahmen : E(y) ist lineare Funktion von u y ist für jedes feste u normalverteilt Die Varianzen sind für alle u gleich Ohne Gültigkeit der Annahmen : Weitere Rechnungen sinnlos 51 Modell und Fragestellungen ALM07 2

3 Rechtfertigung der Modellannahmen Inhaltliche, keine statistische Aufgabe Optimal : Angabe von Mechanismen, die zur Modellgleichung führen am besten exakt in der linearen Form Wenigstens näherungsweise Gültigkeit sollte plausibel sein Bei nur kleiner Variation von U kann linearer Zusammenhang lokal ungefähr richtig sein, auch wenn er global nicht vorliegt Interpretation : kausal oder deskriptiv? Keine statistische, sondern inhaltliche Frage Beachte Art der Datengewinnung ( Versuchsplan ) Kausalität kann ( auch hier ) nicht statistisch begründet werden Mögliche Fragen Modellgültigkeit muss vorausgesetzt werden! Sonst können Rechenergebnisse nicht interpretiert werden! Wie groß sind α, β, σ 2? Wie groß ist E(y) für u = 1 ( also β + α )? Punktschätzer und Bereichsschätzer Ist β = 0 oder α = 0? Hypothesentesten 51 Modell und Fragestellungen ALM07 3

4 Daten : Nur drei Werte für U : Jeweils ein Wert für Y soll erhoben werden : Bezeichnung : y 1, y 2, y 3 Die y i sind normalverteilt mit Varianz σ 2 Erwartungswerte: E(y 1 ) = 1 α + 3 β E(y 2 ) = 1 α + 5 β E(y 3 ) = 1 α + 8 β Fasse die y i zu Zufallsvektor y zusammen E(y 1 ) 1 3 ( ) α E(y) = E(y 2 ) = 1 5 β E(y 3 ) 1 8 Zweite Spalte : die untersuchten Werte von U E(y) ergibt sich aus (α, β) über eine lineare Abbildung Daher Allgemeines lineares Modell Die Matrix heißt Designmatrix X = Der Vektor (α, β) heißt Parametervektor Traditionelle Bezeichnung : β 51 Modell und Fragestellungen ALM07 4

5 Modellgleichung : E(y) = Xβ E(y) : Modellvorhersage Ergebnis in fehlerfreier Situation Abhängig von Parametern Designmatrix: X = Zeilen Beobachtungskonstellationen Spalten Einflüsse der Parameter Hier : 2 Spalten ( Anzahl der unabhängigen Variablen ) e i = y i E(y i ) heißt Fehler Zu Vektor zusammengefasst : Fehlervektor e e i N(0, σ 2 ) 51 Modell und Fragestellungen ALM07 5

6 Modellgleichungen mit Fehler : y 1 y 2 y 3 = 1 3 ( ) α 1 5 β e 1 e 2 e 3 Kurz y = Xβ + e Voraussetzung für Fehler : Die e i sind (gemeinsam) unabhängig Gleichbedeutend : Die y i sind (gemeinsam) unabhängig Modell insgesamt : y = Xβ + e mit e N 3 (0, σ 2 I) Noch kürzer : y N 3 (Xβ, σ 2 I) Beachte die Voraussetzungen Normalverteiltheit Varianzhomogenität Unabhängigkeit 51 Modell und Fragestellungen ALM07 6

7 Das Allgemeine Lineare Modell Situation : Variable Y soll erhoben werden in mehreren Bedingungskonstellationen Insgesamt n Beobachtungen y i ( n-vektor y ) Die E(y i ) sind lineare Funktionen von k Modellparametern β j Zusammenfassung zu k-parametervektor β Genauer : E(y) = Xβ Die (n k)-matrix X heißt Designmatrix Die y i sind unabhängig normalverteilt mit gleicher Varianz σ 2 Für die Fehler e i = y i E(y i ) ( n-vektor e ) gilt e N n (0, σ 2 I) Modellgleichung : y = Xβ + e mit e N n (0, σ 2 I) noch kürzer : y N n (Xβ, σ 2 I) 51 Modell und Fragestellungen ALM07 7

8 Bemerkungen Unabhängigkeit der e i ist äquivalent zur Unabhängigkeit der y i Designmatrix : j-te Spalte : Wirkung des j-ten Parameters i-te Zeile : Bedingungskonstellation für die i-te Beobachtung Ausführlich : E(y i ) = k x ij β j j=1 Die Einträge x ij in der Designmatrix hängen oft teilweise mit Werten gewisser unabhängiger Variablen zusammen Modellgleichung : Zwei Bedeutungen : Gleichung für Einzelbeobachtungen Beispiel Regression : E(y) = βu + α oder y = βu + α + e Gleichung für den Erwartungswertvektor oder Ergebnisvektor : E(y) = Xβ bzw y = Xβ + e 51 Modell und Fragestellungen ALM07 8

9 Ziele bei der Anwendung des ALM Schätzungen ( Punkt- und Bereichsschätzungen ) von Parametern Funktionen von Parametern Testen von Hypothesen über Parameter Funktionen von Parametern Abschwächungen der Modellannahmen des klassischen ALM Normalverteilungsannahme Struktur der Kovarianzmatrix des Fehlers e X kann teilweise stochastisch sein ( Regression ) 51 Modell und Fragestellungen ALM07 9

10 Beispiel : Polynomiale Regression E(y) ist Polynom der unabhängigen Variable Beispiel : Polynom vom Grad 3 : E(y) = β 0 + β 1 u + β 2 u 2 + β 3 u 3 = 3 β k u k k=0 y u Für u = 1, 0, 1, 2, 3, 4 sollen Daten erhoben werden Beispiel : Erwartungswert von y für u = 2 : 3 β k 2 k = β 0 + β β β = 1 β β β β 3 k=0 Gleichung für den Erwartungswertvektor : E(y) = Xβ = β 0 β 1 β 2 β 3 51 Modell und Fragestellungen ALM07 10

11 Designmatrix : Spalten : Werte der Variablen U 0 = 1, U, U 2 und U 3 Linearität : Modellvorhersage E(y) geht aus Parametervektor β durch Anwendung einer linearen Abbildung ( X ) hervor Nicht etwa : Y ist eine lineare Funktion von U Anzahl der Spalten hat wenig mit Zahl der unabhängigen Variablen zu tun Wie immer : Anwendung nur sinnvoll, wenn Modellannahmen stimmen? Rechtfertigung? Nur deskriptive Interpretation ( wieso ausgerechnet so? ) Besser : Theoretische Begründung : Beispiel : Physiker weiß : s = 1/2gt 2 Frage : g =? Mögliche (Null-)Hypothese : β 3 = 0 51 Modell und Fragestellungen ALM07 11

12 Beispiel : Regression ohne Konstante Beispiel : Aus theoretischen Gründen ist Y proportional zu U Beispiel : Y : Kraftstoffverbrauch U : Kilometerzahl Modellgleichung : y = βu + e Daten : u = 4, 4, 9, 16 Designmatrix : X = Frage : β =? ( Verbrauch pro Kilometer ) 51 Modell und Fragestellungen ALM07 12

13 Beispiel : Multiple lineare Regression Y : Kriterium U 1,, U m : Prädiktoren Modell: y = β j u j + α + e Die β j sind hier Parameter auf theoretischer Ebene Nicht : Standardisierte Regressionsgewichte Unterschied zur deskriptiven Regression Dort : Nur optimale Vorhersage Hier : Voraussetzung eines starken theoretischen Modells Beispiel : 2 Prädiktoren U 1, U 2 : E(y) = β 1 u 1 + β 2 u 2 + α Parallele Geraden, gleiche Abstände bei gleichen U 2 -Differenzen y u 2 = 4 u 2 = 3 u 2 = 2 u 1 51 Modell und Fragestellungen ALM07 13

14 ? Rechtfertigung der Modellannahmen? Mit steigender Zahl von Prädiktoren : Frage wird ebenso dringlicher wie schwieriger Interpretation der Parameter : Nur deskriptiv oder Wiederspiegelung von Mechanismen? Inhaltliche Frage ( Versuchsplanung ) Beispiel : Zwei Prädiktoren Werte : 2, 3, 4, 5, 1 bzw 3, 3, 4, 4, 5 E(y) = β 1 u 1 + β 2 u 2 + α Designmatrix ( Reihenfolge der Parameter : α, β 1, β 2 ) Zweite und dritte Spalte : Werte der Prädiktoren Möglicher Test : Ist ein bestimmtes β j gleich 0? Übersetzung : Hat U j einen Einfluss? (??) Auch signifikante Ergebnisse stützen für sich genommen keine Kausalinterpretationen 51 Modell und Fragestellungen ALM07 14

15 Beispiel : Moderatorvariablen Y : Kriterium U 1 : Prädiktor U 2 : Moderator Erwartungswert von Y ist lineare Funktion von U 1 Einfluss wird durch U 2 moderiert Genauer : Steigung ist von U 2 abhängig Umsetzung in ein hartes Modell : E(y) = β 1 u 1 + β 2 u 2 + β 3 u 1 u 2 + α Umgruppierung : E(y) = ( β 1 + β 3 u 2 ) u 1 + ( β 2 u 2 + α ) Für festes u 2 ist E(y) eine lineare Funktion von u 1 Steigung und Achsenabschnitt sind lineare Funktionen von u 2 Gleiche Änderungen von u 2 gleiche Änderungen in Steigung bzw Achsenabschnitt 51 Modell und Fragestellungen ALM07 15

16 Graphische Illustration der Moderatorwirkung : y u 2 = 7 u 2 = 6 u 1 u 2 = 5 u 2 = 4 Alle Geraden schneiden sich in einem Punkt Interessante Konsequenz ( plausibel?! ) Beispiel : U 1 : 1, 2, 3, 4, 5, 6 U 2 : 1, 1, 3, 3, 5, 5 Designmatrix ( Parameterreihenfolge : α, β 1, β 2, β 3 ) Zweite, dritte, vierte Spalte : U 1, U 2, U 1 U 2 Mögliche Frage : β 3 = 0? ( Moderatorwirkung vorhanden? ) 51 Modell und Fragestellungen ALM07 16

17 Beispiel : Eine Stichprobe Mehrfaches unabhängiges Ziehen aus einer Population Oder : Mehrfache unabhängige Replikationen eines Experiments Modellgleichung : y i = µ + e i Parameter µ : Erwartungswert in der Population Beispiel : Drei Beobachtungen Modellgleichung ausführlich : y 1 y 2 y 3 = 1 1 (µ) + 1 e 1 e 2 e 3 Designmatrix : Mögliche Fragestellungen : Schätzung von µ Test : µ = 0? 51 Modell und Fragestellungen ALM07 17

18 Beispiel : Zwei Stichproben Mehrfaches unabhängiges Ziehen aus zwei Populationen Oder: Replikationen eines Experiments unter zwei Bedingungen µ 1, µ 2 : Erwartungswerte Modellgleichung für Beobachtung i in Gruppe j : y ij = µ j + e ij Beispiel : 2 Werte aus der ersten, 3 aus der zweiten Population Modellgleichung ausführlich : y y ( ) µ 1 y 12 = 0 1 µ y y e 11 e 21 e 12 e 22 e 32 Designmatrix ( Reihenfolge der Parameter : µ 1, µ 2 ) Mögliche Fragestellungen : Schätzung von µ 1, µ 1 µ 2 Test : µ 1 = µ 2? 51 Modell und Fragestellungen ALM07 18

19 Beispiel : Varianzanalyse µ j : Erwartungswerte der Zellen Modellgleichung : y ij = µ j + e ij Beispiel : 3 Zellen mit 2, 2, 1 Beobachtungen Modellgleichung ausführlich : y y y 12 = y y µ 1 µ 2 µ 3 + e 11 e 21 e 12 e 22 e 13 Designmatrix : Mögliche Fragenstellungen : Kontraste Globalhypothese : µ 1 = µ 2 = = µ J? 51 Modell und Fragestellungen ALM07 19

20 Beispiel : Kovarianzanalyse Varianzanalytische Situation Zusätzlicher Einfluss auf AV durch quantitative Variable U U : Kovariate Beispiel : Leistung beeinflusst durch Lehrmethode und Intelligenz Kovariate : Intelligenz Annahme : In jeder Zelle ist Einfluss von U linear Dabei : Gleiche Steigung β Ziel : Einfluss von U herausrechnen Illustration : ( drei Stufen B j der UV ) y B 2 B 1 B 3 u Unterschiedliche Wirkung der treatments in B 1, B 2 und B 3 zeigt sich in unterschiedlichen Achsenabschnitten α j Modellgleichung : y ij = β u + α j + e ij 51 Modell und Fragestellungen ALM07 20

21 Zu rechtfertigende Modellannahmen : Linearer Einfluss in jeder Zelle Gleiche Steigung β in allen Zellen Beispiel : Drei Zellen, mit 3, 2, 2 Beobachtungen Werte der Kovariate : 1, 2, 3, 2, 4, 3, 2 Modellgleichung ausführlich : y y β y y 12 = α 1 y α 2 + α 3 y y 23 e 11 e 21 e 31 e 12 e 22 e 13 e 23 Designmatrix ( Reihenfolge der Parameter : β, α 1, α 2, α 3 ) Erste Spalte: Werte der Kovariate Mögliche Fragestellungen : Kontraste der α j Hypothese : α 1 = = α J? 51 Modell und Fragestellungen ALM07 21

22 Beispiel : Das allgemeine Entwicklungsmodell von Schaie Y : Entwicklungspsychologisch interessante Variable Modell : Y beeinflusst durch Kohorte Messzeitpunkt Alter Einflüsse additiv, keine Interaktion Verteilungsannahmen : wie üblich? Unabhängigkeit bei Untersuchung über mehrere Jahre? Annahme : Jedes Jahr neue Stichprobe aus jeder Kohorte Sinnvoll beispielsweise zur Vermeidung von Lerneffekten Beispiel : Kohorten : 1980, 1981, 1982, 1983 Messzeitpunkte: 1990, 1991, 1992, 1993 α, β, γ Parameter für Kohorte, Zeitpunkt, Alter Beispiel : α 80 : Einfluss des Geburtsjahres 1980 Beispiel : E(y 83,91 ) = α 83 + β 91 + γ 8 Einflussvariablen nicht unabhängig! 51 Modell und Fragestellungen ALM07 22

23 Modellgleichungen (eine Beobachtung für jede Kombination) : E(y 80,90 ) = α 80 + β 90 + γ 10 E(y 81,90 ) = α 81 + β 90 + γ 9 E(y 82,90 ) = α 82 + β 90 + γ 8 E(y 83,90 ) = α 83 + β 90 + γ 7 E(y 80,91 ) = α 80 + β 91 + γ 11 E(y 81,91 ) = α 81 + β 91 + γ 10 E(y 82,91 ) = α 82 + β 91 + γ 9 E(y 83,91 ) = α 83 + β 91 + γ 8 E(y 80,92 ) = α 80 + β 92 + γ 12 E(y 81,92 ) = α 81 + β 92 + γ 11 E(y 82,92 ) = α 82 + β 92 + γ 10 E(y 83,92 ) = α 83 + β 92 + γ 9 E(y 80,93 ) = α 80 + β 93 + γ 13 E(y 81,93 ) = α 81 + β 93 + γ 12 E(y 82,93 ) = α 82 + β 93 + γ 11 E(y 83,93 ) = α 83 + β 93 + γ 10 Mit Designmatrix : E(y 80,90 ) E(y 81,90 ) E(y 82,90 ) E(y 83,90 ) E(y 80,91 ) E(y 81,91 ) E(y 82,91 ) E(y 83,91 ) E(y 80,92 ) E(y 81,92 ) E(y 82,92 ) E(y 83,92 ) E(y 80,93 ) E(y 81,93 ) E(y 82,93 ) E(y 83,93 ) = α 80 α 81 α 82 α 83 β 90 β 91 β 92 β 93 γ 7 γ 8 γ 9 γ 10 γ 11 γ 12 γ 13 Mehr Versuchspersonen : Zeilen vervielfachen Probleme beim Schätzen von Parametern und Parameterdifferenzen ( Beispiel : γ 10 γ 9 ) 51 Modell und Fragestellungen ALM07 23

24 Modellverträgliche Erwartungswertvektoren Modell : y = Xβ + e Erwartungswertvektor von y : Xβ Ein modellverträglicher Erwartungswertvektor ist ein Vektor v, der die Form v = Xβ hat für ein geeignetes β Modellverträgliche Erwartungswertvektoren v = Xβ sind genau die Vektoren, die bei Modellgültigkeit als Erwartungswertvektoren von y in Frage kommen Xβ = E(y), falls β der wahre Parameter ist Die Menge der modellverträglichen Erwartungswertvektoren ist die Menge aller v = Xβ für beliebige β Bezeichnung : V V = Bild(X) Bild(X) ist Unterraum des Personenraums R n Die Dimension von Bild(X) ist Rang(X) Alternative Kennzeichnung : Modellverträgliche Erwartungswertvektoren sind die möglichen Modellvorhersagen Mögliche fehlerfreie Werte von y 52 Geometrische Veranschaulichung ALM07 24

25 Beispiel : Eine Stichprobe Stichprobenumfang : 2 Personenraum ist R 2 Gleichungen für Erwartungswerte : E(y) = Xβ = ( ) 1 ( ) µ 1 E(y 1 ) = 1 µ = µ E(y 2 ) = 1 µ = µ ( 1, 2) ist kein möglicher Erwartungswertvektor (3, 3) ist möglicher Erwartungswertvektor ( µ = 3 ) Die modellverträglichen Erwartungswertvektoren sind alle Vielfachen von (1, 1) Zusammen : Gerade V, die durch x = (1, 1) aufgespannt wird Koordinate eines modellverträglichen Erwartungswertvektors bezüglich der Basis x von V : µ 52 Geometrische Veranschaulichung ALM07 25

26 Illustration : E(y) = Xβ = ( ) 1 ( ) µ 1 ( ) 1 v = 2 ( ) 0 v =, µ = 0 0 Y 2 1 x 1 V Y 1 v = ( ) 3, µ = 3 3 ( ) 2 v =, µ = Geometrische Veranschaulichung ALM07 26

27 Beispiel : Einfache lineare Regression U : Prädiktorvariable Drei Y -Werte, nämlich zu u = 2, 1, 0 Gleichungen für die Erwartungswerte : 1 2 E(y) = Xβ = ( ) α β E(y 1 ) = 1 α + 2 β = β 2 + α E(y 2 ) = 1 α + ( 1) β = β ( 1) + α E(y 3 ) = 1 α + 0 β = β 0 + α Koordinaten eines Punktes y im Personenraum : die zu den U-Werten 2, 1 und 0 gehörenden Y -Werte v = (v 1, v 2, v 3 ) ist modellverträglicher Erwartungswertvektor, wenn (2, v 1 ), ( 1, v 2 ) und (0, v 3 ) auf einer Geraden im (U, Y ) Variablenraum liegen Bedingung dafür, dass v modellverträglicher Erwartungswertvektor ist : Es gibt ein β mit v = Xβ Komponenten von β : Achsenabschnitt α, Steigung β Modellverträgliche Erwartungswertvektoren : α x 1 + β x 2 ( x 1, x 2 : Spalten von X ) Zusammen : Ebene V, die von x 1 und x 2 aufgespannt wird Koordinaten in V : Achsenabschnitt α und Steigung β 52 Geometrische Veranschaulichung ALM07 27

28 Illustration : E(y) = Xβ = ( ) α β v = v = α = 5 β = x 2 y y u Y 3 u x 1 v = v = α = 2 α = 25 β = 0 β = Y 2 Y 1 y V u y u Punkte in V entsprechen Geraden im (U, Y )-Variablenraum 52 Geometrische Veranschaulichung ALM07 28

29 Parametrische Funktionen Parameter heißen die k Komponenten von β Gelegentlich zählt man auch σ 2 zu den Parametern Linearkombinationen ψ = c j β j der Parameter heißen parametrische Funktionen Eine parametrische Funktion ist gegeben durch ihren Koeffizientenvektor c R k Bezeichnung dann auch : ψ c Es gilt also ψ c = c β = c j β j Gelegentlich lässt man noch eine additive Konstante zu Parametrische Funktionen sind von großer Bedeutung für die Formulierung inhaltlicher Fragestellungen Beispiele Die Komponenten β j von β selbst ( c = e j ) Beispiele : Erwartungswerte µ j bei der Varianzanalyse Regressionsgewichte β j und Achsenabschnitt α der Regression 53 Parameter ALM07 29

30 Weitere Beispiele Differenzen von Parametern Beispiel : Differenz der Erwartungswerte von Gruppe 1 und 3 bei Varianzanalyse mit 4 Gruppen ψ = µ 3 µ 1 c = ( 1, 0, 1, 0 ) Kontraste in der Varianzanalyse Erwartungswert von y für ein bestimmtes u in der einfachen linearen Regression ( Parametervektor : β = ( α, β ) ) E(y) = β u + α Beispiel : u = 2 ψ = β 2 + α = α + 2β c = (1, 2) Nullhypothese der Varianzanalyse : Alle Kontraste sind 0 Beispiel einer Funktion, die nicht parametrisch ist Quadratische Regression : E(y) = β 0 + β 1 u + β 2 u 2? Wo liegt das Extremum ( Hochpunkt oder Tiefpunkt )? Differenzieren : Bei u = β 1 /(2β 2 ) β 1 /(2β 2 ) ist keine parametrische Funktion 53 Parameter ALM07 30

31 Identifizierbarkeit Ein Beispiel : Wirksamkeit von zwei Therapiemaßnahmen Zwei Gruppen mit 2 bzw 3 Vpn, Kontrollgruppe vergessen Abhängige Variable : Wohlbefinden Modellvorstellung : Erwartungwert µ ohne Maßnahmen wird durch die Interventionen modifiziert Veränderungen : α 1 und α 2 Erwartungswerte der Gruppen : µ 1 = µ + α 1 µ 2 = µ + α 2 Parametervektor : ( µ, α 1, α 2 ) Designmatrix : Rang ist nur 2 Hauptfrage nach Wirksamkeit der Maßnahmen Formal : α j =? Experiment versagt 53 Parameter ALM07 31

32 Voraussetzung für die weiteren Überlegungen : Erwartungswerte µ 1 und µ 2 sind bekannt Nicht erreichbares Ideal Immerhin fast erreichbar bei vielen Replikationen Gleichungen für die µ j : µ 1 = µ + α 1 µ 2 = µ + α 2 Gegebene µ j sind mit ( unendlich ) vielen α j kompatibel Beispiel : µ 1 = 5, µ 2 = 3 ist kompatibel mit β = (µ, α 1, α 2 ) = (0, 5, 3), (1, 4, 2), (2, 3, 1), Auch im denkbar besten Fall bekannter Erwartungswerte von y kann man nicht auf die α j zurückschließen Die α j sind nicht identifizierbar Problem wäre mit Kontrollgruppe vermieden worden Obwohl die α j auch theoretisch nicht zugänglich sind, kann ihre Differenz ψ (theoretisch) ermittelt werden : ψ = α 2 α 1 = (µ + α 2 ) (µ + α 1 ) = µ 2 µ 1 Im Beispiel mit µ 1 = 5 und µ 2 = 3 ist ψ = 2 53 Parameter ALM07 32

33 Eine parametrische Funktion ψ heißt identifizierbar, wenn mit jedem möglichen modellverträglichen Wert von E(y) nur ein einziger Wert von ψ kompatibel ist Im anderen Fall heißt ψ nicht identifizierbar Beispiel der beiden Therapiegruppen : µ, α 1, α 2 sind nicht identifizierbar ψ = α 2 α 1 ist identifizierbar Entsprechend : Identifizierbarkeit eines Vektors ψ parametrischer Funktionen Beispiel : β selber Kenntnis von E(y) ist der beste denkbare Idealfall Wenigstens näherungsweise erreichbar? Kann man über nicht identifizierbare Parameter sinnvoll reden?? Ist ein Modell mit nicht identifizierbaren Parametern sinnvoll? 53 Parameter ALM07 33

34 Identifizierbarkeit von β Es gilt E(y) = Xβ Frage: Gibt es zu einem modellverträglichen Erwartungswertvektor v nur ein passendes β? Kurz : Ist Xβ = v eindeutig lösbar? Der Parametervektor β ist genau dann identifizierbar, wenn die (n k)-matrix X den vollen Rang k besitzt Gleichbedeutend : X X ist regulär X besitzt vollen Rang heißt : Rang gleich Spaltenzahl Wenn X vollen Rang besitzt sind die Spalten von X eine Basis von Bild(X) können Parameter als Koordinaten abgelesen werden 53 Parameter ALM07 34

35 Identifizierbarkeit einer parametrischen Funktion ψ c ψc ist genau dann identifizierbar, wenn c Linearkombination der Zeilen von X ist ψc ist genau dann identifizierbar, wenn es sich berechnen lässt als Linearkombination der Komponenten von E(y) Ein Vektor aus parametrischen Funktionen ist identifizierbar genau dann, wenn alle seine Komponenten identifizierbar sind Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : (0, 1, 0) ist keine Linearkombination der Zeilen α 1 ist nicht identifizierbar (0, 1, 1) ist Linearkombination der Zeilen α 2 α 1 ist identifizierbar Beispielsweise gilt α 2 α 1 = a E(y) mit a = ( 1, 0, 1, 0, 0) 53 Parameter ALM07 35

36 Identifizierbarmachen Ein Modell mit nicht identifizierbaren Parametern ist unbefriedigend Häufige Lösung : Erzwingen der Eindeutigkeit durch Nebenbedingungen Auswahl eines Parametervektors aus vielen möglichen Übliche Form der Nebenbedingungen im ALM : Nβ = 0? Bedingungen, damit N die gewünschte Funktion erfüllt? Ist Rang(X) = r < k und k r = q, so muss gelten : ( ) X Rang( ) = k und Rang(N) = q N Die Zeilen von N erhöhen den Rang gerade auf k 53 Parameter ALM07 36

37 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Der Rang von X ist 2 Eine Nebenbedingung ist ausreichend Koeffizientenvektor muss Zeilenrang zu 3 ergänzen Möglicher Koeffizientenvektor : (0, 1, 1) Zugehörige Nebenbedingung : α 1 + α 2 = 0 Bedeutung der α j dann : Abweichung vom Durchschnitt µ Weiterer möglicher Koeffizientenvektor : (0, 2, 3) Zugehörige Nebenbedingung : 2α 1 + 3α 2 = 0 Bekannte Nebenbedingung der Varianzanalyse 53 Parameter ALM07 37

38 Wichtiger Spezialfall möglicher Nebenbedingungen : Alle Zeilen von N sind Einheitsvektoren Dies ist stets möglich Staffelform, Einheitsvektoren zu Nicht-Einser-Spalten Beispiel Nur eine Nebenbedingung ist nötig Alle drei Einheitsvektoren kommen in Frage Nebenbedingung für e j : β j = 0 Entsprechender Parameter wird auf 0 gesetzt Parameter kann weggelassen werden Ebenso zugehörigen Spalte von X Rang und Bild der Designmatrix ändern sich nicht 53 Parameter ALM07 38

39 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Alle drei Parameter können Null gesetzt werden Beispiel : α 2 = 0 Änderung der Designmatrix : Jetzt besitzt die Matrix vollen Rang Praktisch für Rechnungen Interpretation der verbliebenen Parameter µ und α 1 µ ist der Erwartungswert µ 2 der zweiten Gruppe α 1 ist die Differenz µ 1 µ 2 53 Parameter ALM07 39

40 Weiteres Beispiel : µ = 0 Änderung der Designmatrix : Interpretation der verbliebenen Parameter α 1 und α 2 : Erwartungswerte der beiden Gruppen Designmatrizen vor und nach Identifizierbarmachen : Drei verschiedene Matrizen Eigentlich gleiches Modell Neue Parameter haben unterschiedliche Bedeutung ( auch bei gleicher zugehöriger Spalte ) Die drei Matrizen haben dasselbe Bild 53 Parameter ALM07 40

41 Offensichtlich: Inhaltliche Interpretation der Parameter ändert sich mit Nebenbedingungen Eigentlich bekommen die Parameter erst durch die Nebenbedingungen überhaupt Bedeutung Vorher hatten sie keine Bedeutung, wenn es auch für den naiven Betrachter so ausgesehen haben mag Mögliche Gesichtspunkte bei der Wahl der Nebenbedingungen Inhaltlich brauchbare Interpretation Aussicht auf bequeme weitere Rechnungen ( besonders beim Weglassen von Parametern ) Problem : Umrechnen der Parameter bei unterschiedlicher Wahl der Nebenbedingungen Beispiel : Inhaltlich ist ein Satz von Nebenbedingungen erwünscht Rechentechnisch ist ein anderer praktischer Erstmal : Rechnen mit dem bequemeren Satz Ist danach Umrechnung zu interpretierbaren Parametern möglich? 53 Parameter ALM07 41

42 Umrechnen von Parametern Situation : Designmatrix X mit Rangdefekt Zwei mögliche Nebenbedingungen, gegeben durch N 1 und N 2 Zugehörige Parametervektoren : β 1 und β 2 Umrechnungsformel : β 2 = (X X + N 2N 2 ) 1 X X β 1 Umrechnung durch eine lineare Abbildung Komponenten von β 2 sind parametrische Funktionen von β 1 Fazit: Man kann ohne Gefahr die Nebenbedingungen entsprechend rechentechnischen Erfordernissen wählen Alternative Parameter zu inhaltlich sinnvollen Nebenbedingungen sind parametrische Funktionen der rechnerisch bequemeren Parameter 53 Parameter ALM07 42

43 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Mögliche Nebenbedingungen Inhaltlich sinnvoll vielleicht : 2 α α 2 = 0 (vgl Varianzanalyse) Technisch sinnvoll vielleicht : α 2 = 0 Zur Unterscheidung : Technische Parameter γ 1, γ 2 ( γ 3 = 0 ) Umrechnung : µ = γ 1 + (2/5) γ 2 α 1 = (3/5) γ 2 α 2 = (2/5) γ 2 µ, α 1, α 2 sind parametrische Funktionen von γ 1, γ 2 53 Parameter ALM07 43

44 Parametertransformationen Nebenbedingungen können die Designmatrix ändern ( Streichen von Spalten ) Rang und Bild bleiben dabei gleich Oberflächlich unterschiedliche Beschreibung desselben Modells Verallgemeinerung : Zwei Designmatrizen X 1 und X 2 heißen äquivalent, falls Bild(X 1 ) = Bild(X 2 ) Auch die zugehörigen Modelle heißen dann äquivalent Die modellverträglichen Erwartungswertvektoren sind genau die gleichen Empirisch sind bestenfalls die Erwartungswerte der y i zugänglich, also die Erwartungswertvektoren Empirisch kann nicht zwischen äquivalenten Modellen unterschieden werden Man kann diese Modelle als eigentlich gleich betrachten 53 Parameter ALM07 44

45 Umrechnung von Parametervektoren Situation : X 1 und X 2 sind äquivalent Beide Designmatrizen haben vollen Rang k Parametervektoren : β 1 und β 2 Wegen Bild(X 1 ) = Bild(X 2 ) gibt es T mit X 1 = X 2 T Problem : Umrechnung von einander entsprechenden Parametervektoren Entsprechend : Gleiche zugehörige Erwartungswertvektoren Also : X 1 β 1 = X 2 β 2 Setze β 2 = Tβ 1 Dann : X 1 β 1 = (X 2 T)β 1 = X 2 (Tβ 1 ) = X 2 β 2 Lösung also : β 2 = Tβ 1 53 Parameter ALM07 45

46 Parameter in äquivalenten Modellen lassen sich mit geeigneten linearen Abbildungen ineinander umrechnen Transformationen von Parametervektoren von zwei äquivalenten Modellen heißen Parametertransformationen Die Parametertransformation von β 1 zu β 2 ist β 2 = Tβ 1 Dabei ist T gegeben durch die Gleichung X 1 = X 2 T Die neuen Parameter sind parametrische Funktionen der alten Übergang ist Koordinatenwechsel auf Bild(X 1 ) = Bild(X 2 ) Umrechnung von X 1 -Koordinaten in X 2 -Koordinaten Motivationen für Parametertransformationen : Bequemere Rechnung Bessere inhaltliche Interpretation Verständlichere Formeln 53 Parameter ALM07 46

47 Beispiel : Einfache lineare Regression Modell : E(y) = β u + α Werte für U : 3, 7, 8 Designmatrix : X 1 = Rechentechnisch praktisch : Orthogonale Spalten Mache die zweite Spalte zur ersten orthogonal ( Zentrieren ) ( Äquivalentes ) Ergebnis : X 2 = Es gilt X 1 = X 2 T mit T = ( ) Parametertransformation ( neue Parameter : γ 1, γ 2 ) γ 1 γ 2 = α + 6 β = β Bedeutung von γ 1 = β 6 + α Erwartungswert von Y für U = 6 (Mittelwert von U) 53 Parameter ALM07 47

48 Beispiel zur Parameterschätzung Situation : Eine Stichprobe mit 2 Beobachtungen Personenraum : R 2 Erwartungswertvektor : E(y) = Xβ = ( ) 1 ( ) µ 1 Unterraum der modellverträglichen Erwartungswertvektoren : Erzeugnis V von x = (1, 1) µ kann als Koordinate abgelesen werden Konkretes Beispiel : Daten sind 1 und 3 Y 2 1 y x s 1 V Y 1 Modell : y = µ x + e Deutung : Erwartungswertvektor µ x ist Modellvorhersage 53 Parameter ALM07 48

49 Modell : y = µ x + e µ x : Modellvorhersage Idee : Schätze die Parameter und damit die Modellvorhersage so, dass die tatsächlichen Daten möglichst gut dazu passen Die geschätzte Modellvorhersage soll möglichst nahe bei dem beobachteten Datenvektor y liegen ŷ : geschätzte Modellvorhersage ê = y ŷ : geschätzter Fehler Schätzung : Y 2 1 s y sŷ x 1 V Y 1 Y 2 y 1 1 ê ŷ V Y 1 ŷ ist orthogonale Projektion von y auf V Rechts : y = ŷ + ê ( theoretisch : y = E(y) + e ) Ziel also : ê soll möglichst klein werden Äquivalent ê 2 soll minimal werden ê 2 ist Summe der quadrierten ( geschätzten ) Fehler Methode der kleinsten Quadrate 53 Parameter ALM07 49

50 Parameterschätzung Ausgangspunkt : Modell y = Xβ + e Ziel Schätzung des Parametervektors β ( ˆβ ) Der zu ˆβ gehörende Erwartungswertvektor ŷ = X ˆβ heißt geschätzter Erwartungswertvektor oder geschätzte Modellvorhersage ê = y ŷ heißt geschätzter Fehler y = ŷ + ê Prinzip der Schätzung : Die geschätzte Modellvorhersage ŷ soll möglichst gut zu den beobachteten Daten y passen Geometrisch : ê 2 soll möglichst klein sein ŷ soll möglichst nahe bei y liegen Methode der kleinsten Quadrate Ziel : Finde zu y den nächsten Punkt ŷ aus V = Bild(X) Lösung : Orthogonale Projektion auf V 53 Parameter ALM07 50

51 Ziel : Finde zu y den nächsten Punkt ŷ aus V = Bild(X) Bedingung dafür, dass Xβ Bild(X) Projektion von y ist : (y Xβ) V = Bild(X) Gleichbedeutend : (y Xβ) ist zu allen Spalten von X X (y Xβ) = 0 Normalengleichungen X Xβ = X y Die Normalengleichungen besitzen eine Lösung, da das Projektionsproblem eine Lösung besitzt Lösung ist nur eindeutig, wenn X vollen Rang hat Der optimale modellverträgliche Erwartungswertvektor ŷ ist immer eindeutig ( Projektion ) Lösungen für β sind gerade die, die zu ŷ führen, für die also Xβ = ŷ gilt Auswahl mit Nebenbedingungen 53 Parameter ALM07 51

52 Parameterschätzung bei vollem Rang von X Voraussetzung : X besitzt vollen Rang Normalengleichungen : X Xβ = X y Lösung : ˆβ = (X X) 1 X y Geschätzter Erwartungswertvektor : ŷ = X(X X) 1 X y X(X X) 1 X ist orthogonale Projektion auf Bild(X) = V Verteilung von ˆβ : Wegen y N n (Xβ, σ 2 I) ist ˆβ = (X X) 1 X y multinormal Erwartungswert : (X X) 1 X (Xβ) = β Kovarianzmatrix : ( (X X) 1 X ) (σ 2 I) ( (X X) 1 X ) = σ 2 (X X) 1 X X (X X) 1 = σ 2 (X X) 1 Insgesamt : ˆβ N k ( β, σ 2 (X X) 1 ) ˆβ ist erwartungstreu 53 Parameter ALM07 52

2. Korrelation, lineare Regression und multiple Regression

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

Mehr

Multiple 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

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

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

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

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

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

2 Multivariate Statistik

2 Multivariate Statistik MS13 1 2 Multivariate Statistik 21 Grundbegriffe In diesem Abschnitt sollen die ersten wichtigen Grundbegriffe der Multivariaten Statistik eingeführt werden: Mehrdimensionale Variablen, Erwartungswerte,

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

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

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

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

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

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

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

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

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

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

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

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

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

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

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

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

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

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

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

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

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

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

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

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten: KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

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

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

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell: Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y

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

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

Fragen und Antworten zu Kapitel 18

Fragen und Antworten zu Kapitel 18 Fragen und Antworten zu Kapitel 18 (1) Nennen Sie verschiedene Zielsetzungen, die man mit der Anwendung der multiplen Regressionsanalyse verfolgt. Die multiple Regressionsanalyse dient der Kontrolle von

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

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

Multivariate Statistik mit Mathematica und SPSS

Multivariate Statistik mit Mathematica und SPSS Multivariate Statistik mit Mathematica und SPSS von Dipl.-Math. Marco Schuchmann Dipl.-Math. Werner Sanns Seite 2 Varianzanalyse Die Informationen in diesem Buch entstammen langjähriger Erfahrung in Praxis

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

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

3 Zusammenhangsmaße Zusammenhangshypothesen

3 Zusammenhangsmaße Zusammenhangshypothesen 3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

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

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

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

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

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

Multivariate Zeitreihenanalyse mit EViews 4.1

Multivariate Zeitreihenanalyse mit EViews 4.1 Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive

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

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

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

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

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen?

(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen? Beispielaufgaben LÖSUNG (1) Grenzen Sie eine einfache lineare Regression von einem Random Intercept Modell mit nur einem Level1-Prädiktor ab! a. Worin unterscheiden sich die Voraussetzungen? - MLM braucht

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

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),

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

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

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

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

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

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Analyse bivariater Kontingenztafeln

Analyse bivariater Kontingenztafeln Analyse bivariater Kontingenztafeln Werden zwei kategoriale Merkmale mit nicht zu vielen möglichen Ausprägungen gemeinsam analysiert, so kommen zur Beschreibung der gemeinsamen Verteilung im allgemeinen

Mehr

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten Kapitel 3 Erste Schritte der Datenanalyse 3.1 Einlesen und Überprüfen der Daten Nachdem die Daten erfasst worden sind, etwa mit Hilfe eines Fragebogens, ist die nächste Frage, wie ich sie in den Rechner

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

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische

Mehr

Neuerungen in Minitab 16

Neuerungen in Minitab 16 Neuerungen in Minitab 16 minitab@additive-net.de - Telefon: 06172 / 5905-30 Willkommen zu Minitab 16! Die neueste Version der Minitab Statistical Software umfasst mehr als siebzig neue Funktionen und Verbesserungen,

Mehr

3. LINEARE GLEICHUNGSSYSTEME

3. LINEARE GLEICHUNGSSYSTEME 176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an

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

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte

K2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5

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

Faktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007

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

Mehr

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

Lösung des Kleinste-Quadrate-Problems

Lösung des Kleinste-Quadrate-Problems Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung

Mehr

Kapitel 23 Lineare Regression

Kapitel 23 Lineare Regression Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Mathematik-Dossier. Die lineare Funktion

Mathematik-Dossier. Die lineare Funktion Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der

Mehr

Geoadditive Regression

Geoadditive Regression Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Zusammenhänge zwischen metrischen Merkmalen

Zusammenhänge zwischen metrischen Merkmalen Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

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

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

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

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede

Data Mining und Statistik: Gemeinsamkeiten und Unterschiede Universität Ulm Seminararbeit zum Thema Data Mining und Statistik: Gemeinsamkeiten und Unterschiede vorgelegt von: Daniel Meschenmoser betreut von: Dr. Tomas Hrycej Dr. Matthias Grabert Ulm, im Februar

Mehr