EINFÜHRUNG IN DIE POISSON REGRESSION
|
|
- Felix Dominik Fürst
- vor 7 Jahren
- Abrufe
Transkript
1 INTERDISZIPLINÄRES SEMINAR STATISTISCHE VERFAHREN IN DEN GEOWISSENSCHAFTEN EINFÜHRUNG IN DIE POISSON REGRESSION VON MARGRET OELKER BETREUT DURCH VIOLA SVEJDAR MÜNCHEN, 5. NOVEMBER 2009.
2 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT 2 Enletung Enletung 2 Bespel: Der Vulkan Merap 3 Lneare Regresson 4 Posson Regresson 5 Ausblck: Quas Lkelhood Ansatz 6 Fazt
3 3 Abbldung : Der Vulkan Merap am 2. Ma 2006 (Quelle: Wkpeda Merap)
4 4 Abbldung 2: Lage des Merap auf der Insel Java, Indonesen (Quelle: Google Maps)
5 5 2 Bespel: Der Vulkan Merap Varablen Datum Regenfall n mm pro Staton Babadan, Kalurang, Selo, Jrakah und Ngepos Zelgrößen: zwe Indkatoren für eruptve Tätgket des Merap MP = man phases event = oberflächge Lavabewegungen pro Tag Gug = Anzahl der täglchen Gestenslawnen Interesse an Zusammenhang zwschen Regenfall und eruptver Tätgket des Merap
6 6 Abbldung 3: Häufgketsvertelung der Zelgrößen
7 7 Abbldung 4: Entwcklung der Zelgrößen über den Studenverlauf
8 8 3 Lneare Regresson Das enfache lneare Regressonsmodell Das multple lneare Regressonsmodell
9 9 Abbldung 5: Lneares Model
10 0 Das enfache lneare Regressonsmodell Modellglechung = 0 + x + ε Annahmen Addtve Fehlerterme Stochastsch unabhängge Fehlerterme Normalvertelte Fehlerterme: 2 ε ~ Ν(0, σ ) 2 x ~ Ν( 0 + x, σ ) Ε( x x ) = µ = 0 +
11 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT Das multple lneare Regressonsmodell Erweterung des enfachen lnearen Modells: p Enflussgrößen In Matrxschrebwese Oder kurz Weder glt und p p x x x ε = = X + ε Y + = n p pp p p p n x x x x x x ε ε ε µ X x = = Ε ) ( ), ( ~ Σ Ν X x
12 2 4 Posson Regresson De Posson Vertelung Das generalserte lneare Modell Das Modell der Posson Regresson Schätzen m Posson Modell Testen m Posson Modell Modelldagnose Das Problem der Überdsperson
13 3 De Posson Vertelung Dchte f ( ) = λ exp( λ), = 0,,2,! 0, sonst mt λ > 0 Egenschaften Ε( ) = λ = V ( ) Grenzfall der Bnomal Vertelung n Versuche mt zwe möglchen Ausgängen (Erfolg, Msserfolg) Anzahl der Erfolge bnomalvertelt Dchten konvergeren gegenenander: f Bnomal n f Posson
14 4 Das generalserte lneare Modell Dre Verallgemenerungen m Verglech zum lnearen Modell Exponentalfamle Bespel Posson Vertelung f θ b( θ ) f ( θ, φ) = exp + c(, φ) φ ( λ log( λ ) λ ) = exp )! ( λ ) = exp + log(! Vertelungsannahme für x statt für ε Exponentalfamle Entkopplung von bedngtem Erwartungswert und Prädktor durch Responsefunkton h( ) Ε x = h( x ' ( ) )
15 5 Das Modell der Posson Regresson Generalsertes Regressonsmodell Zelgröße st posson-vertelt mt Parameter λ E( x )=µ = λ Modellert wrd E( x ) = λ über de Annahme h( x ) =µ = λ Log-lneare Posson Regresson h( x ) = exp( x ) = exp( 0 ) exp( 0 x ) exp( 2 x 2 ) exp( p x p ) = λ Lneare Posson Regresson h( x )=x = x + 2 x p x p = λ
16 6 Bespel Log-lneare Posson Regresson, Zelgröße MP E( x )= λ = h( x ) = exp( x ) = exp( 0 + Babadan ) Code für das Programm R glm (MP ~ + Babadan, faml=posson()) Output n R Call: glm(formula = MP ~ + Babadan, faml = posson()) Coeffcents: (Intercept) Babadan Degrees of Freedom: 2472 Total (.e. Null); 247 Resdual ( observaton deleted due to mssngness) Null Devance: Resdual Devance: AIC: 36300
17 7 Interpretaton der Parameter multplkatv ˆ 0 wenn alle Enflussgrößen x glech Null snd glt λˆ = h( x ˆ ) = exp( ˆ 0 + ˆ Babadan ) = exp( ˆ 0 + ˆ 0 ) = exp( ˆ 0 ) = exp( ) = (her ken Regen an Tag auf Staton Babadan) ˆ Annahme: Regenmenge auf der Staton Babadan erhöht sch an Tag m Verglech zumtag j um δ = 50 mm λˆ = h( x ˆ ) = exp( ˆ 0 + ˆ ( Babadan j + δ )) = exp( ˆ 0 + ˆ Babadan j ) exp( ˆ δ ) = exp( ˆ δ )= 0.46 λˆj λˆj
18 8 Schätzen m Posson Modell Statt KQ-Methode jetzt Lkelhoodschätzung ˆ L = ML = n = f ( Y = arg max L X = x ( ) ) Maxmerung der logarthmerten Lkelhood ( L( )) l ( ) = log her n ( log( λ ) ) l( ) = λ =
19 9 Testen m Posson Modell: Enfacher Test Ene Annahme en Hpothesenpaar H 0 : = ξ gegen H : ξ En Sgnfkanznveau α Testgröße ˆ ξ w = ( ˆ ) V 2 Unter H 0 glt w ~ χ 2 () Verwerfe H 0, falls realserter Wert von w unter H 0 sehr unwahrschenlch p-wert P( W w) α verwerfe H 0, falls w größer als (- α)-quantl der χ 2 () Vertelung
20 20 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT Smultane Tests: Wald Test Modell mt mehreren Enflussgrößen E( x )= 0 + Babadan + 2 Jrakah + 3 Kalurang + 4 Ngepos + 5 Selo Mehrere Annahmen mehrere Hpothesenpaare, zum Bespel H 0 : 2 =0 gegen H : 2 0 H 0 : 4 = 0 gegen H : 4 0 Testgröße ( )( ) ( ) )) ( ( ~ ˆ ˆ) cov( ˆ 2 ' C rg C C C W χ ξ ξ = ξ = = = C ξ C gegen
21 2 Umsetzung Wald Test model = glm(mp ~ + Babadan + Jrakah + Kalurang + Ngepos + Selo,faml=posson()) summar(model) Estmate Std. Error z value Pr(> z ) (Intercept) <2e-6 *** Babadan <2e-6 *** Jrakah <2e-6 *** Kalurang <2e-6 *** Ngepos <2e-6 *** Selo <2e-6 *** lnear.hpothess(model, c( Jrakah = 0, Ngepos = 0 )) Res.Df Df 2467 Chsq Pr(>Chsq) < 2.2e-6 ***
22 22 Smultane Tests: Lkelhood Rato Test Schätzung durch Maxmerung der Lkelhood Ideales Modell hat größte maxmale Lkelhood Aufnahme von wahren Enflussgrößen vergrößert maxmale Lkelhood Weglassen von falschen Enflussgrößen sollte Betrag der maxmalen Lkelhood ncht wesentlch verklenern Idee Lkelhood Rato Test Hpothesen als Restrktonen des bshergen Modells Verglech der Lkelhoods des bshergen und restrngerten Modells Testgröße ~ λ = 2( l( ; λ ) l( ; ˆ)) λ ~ 2 χ ( rg( C))
23 23 Umsetzung Lkelhood Rato Test model = glm(mp ~ + Babadan + Jrakah + Kalurang + Ngepos + Selo,faml=posson()) summar(model) Null devance: on 2472 degrees of freedom Resdual devance: on 2467 degrees of freedom ~ λ = 2( l( ; λ ) - l( ; ˆ λ)) = Null devance - Resdual devance = = 5340 anova(restrngertes Modell, volles Modell)
24 24 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT Modelldagnose Resduen n der Posson Regresson Lneares Modell Pearson Resduen Devanz Resduen ˆ ˆ = ε ) ˆ ( ˆ P V r = ˆ), ˆ ( ˆ), ( ) ˆ ( D l l sgn r =
25 25 Abbldung 6: plot(model)
26 26 Abbldung 7: Smulerter Q-Q Plot
27 27 Abbldung 8: MP und gefttete Werte Abbldung 9: Verlauf der Devanzresduen
28 28 Das Problem der Überdsperson Be posson-vertelten st der Erwartungswert glech der Varanz Posson Regresson modellert E( x ) = λ = V( x ) Zwe Möglchketen Es glt E( x ) V( x ), aber V( x ) st en anderer konstanter Wert Es glt E( x ) V( x ), aber V( x ) verändert sch mt We erkennt man Überdsperson? 2 Annahme resdual devance st - vertelt χ Her summar(model) Null devance: on 2472 degrees of freedom Resdual devance: on 2467 degrees of freedom
29 29 5 Der Quas Lkelhood Ansatz Quas Lkelhood Ansatz übernmmt de Form der Lkelhood aus der generalserten lnearen Regresson ABER: Varanz V( x ) st jetzt ncht mehr vorgegeben R Funkton: glm(formel, faml=quasposson()) Generalserte Schätzglechungen R Funkton: gee(formel, d, faml=posson(), corstr= ) Posson Regresson kann modfzert werden zum Bespel be Längschnttdaten
30 30 6 Fazt Posson Regresson Wofür? We? ncht-negatve, dskrete Zelgrößen Annahme der Posson Vertelung Responsefunkton Prädktor Praktsche Umsetzung n R glm( Modellformel, faml=posson() ), summar(), anova(), lnear.hpthess() Bespel Merap Posson Modelle mt verschedenen Responsefunktonen und Enflussgrößen Regenmessungen statstsch sgnfkant, aber andere Enflussgrößen und Zetrehenstruktur der Daten ncht berückschtgt.
31 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT 3 Lteratur B. S. Evertt, T. Hothorn: A Handbook of Statstcal Analses Usng R. Chapman & Hall, L. Fahrmer / T. Kneb / S. Lang: Regresson. Modelle, Methoden und Anwendungen. Sprnger, L. Fahrmer / G. Tutz: Multvarate Statstcal Modellng Based on Generalzed Lnear Modells. Sprnger, 200. T. Hothorn: Skrpt zur Vorlesung Statstk III. Ludwg-Maxmlans-Unverstät München, Wntersemester 2007/2008. J. Kopf: Vortrag m Semnar Modellwahl und Modelldagnostk. Ludwg-Maxmlans-Unverstät München, Sommersemester H. Küchenhoff: Skrpt zur Vorlesung Lneare Modelle. Ludwg-Maxmlans-Unverstät München, Sommersemester G. Tutz: Skrpt zur Vorlesung Generalserte Modelle. Ludwg-Maxmlans-Unverstät München, Wntersemester 2008/2009. R John Fox: Package car - Companon to Appled Regresson, V. J. Care: Package gee - Generalzed Estmaton Equaton solver
32 EINLEITUNG BEISPIEL LINEARE REGRESSION POISSON REGRESSION AUSBLICK FAZIT 32 Velen Dank!
1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrEin semi-bayes'scher Anpassungstest für das logistische Regressionsmodell mit schwach besetzten Zellen
En sem-bayes'scher Anpassungstest für das logstsche Regressonsmodell mt schwach besetzten Zellen Olver Kuß Insttut für Medznsche Epdemologe, Bometre und Informatk, Unverstät Halle-Wttenberg, Magdeburger
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
Mehrb Example: Shrinked blood vessels Y : shrinked: yes (1) / no (0) erkl.: Breath Volume (Vol) and Frequency (Rate) Ziel: P Y = 1 Vol,Rate modellieren!
Logstc Regresson. Introducton Only partally translated at ths tme b Example: Shrnked blood vessels Y : shrnked: yes () / no () erkl.: Breath Volume (Vol) and Frequency (Rate) Zel: P Y = Vol,Rate modelleren!
MehrLogistische Regression
Logstsche Regresson 2..2 Enführung Bespele Medkament, Phase-I study (FDA): Suche Doss, sd. max. /3 von (gesunden) Probanden Nebenwrkungen zegt. Terversuch: Be welcher Doss überleben 5% der Mäuse (=LD5)?
MehrRegressionsmodelle für Zähldaten in SAS
Generalserte lneare Modelle n SAS Regressonsmodelle für Zähldaten n SAS Ralf Mnkenberg Boehrnger Ingelhem Pharma GmbH & Co. KG Bnger Str. 173 55216 Ingelhem ralf.mnkenberg@boehrnger-ngelhem.com Zusammenfassung
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrEntfaltungs-Methoden in der Datenanalyse. Matthias Bartelt Universität Dortmund
Entfaltungs-Methoden n der Datenanalyse Matthas Bartelt Unverstät Dortmund bartelt@physk.un-dortmund.de Matthas Bartelt Astrotelchenphysk-Schule Erlangen 2005 1 Überscht Motvaton Mathematsches Problem
Mehr9 Verallgemeinerte Lineare Modelle
9 Verallgemenerte Lneare Modelle 9.1 Das Modell der Posson-Regresson a Während sch de logstsche Regresson mt bnären Zelgrössen befasst, lefert de Posson- Regresson Modelle für andere Zähldaten. Wr wollen
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrDer Parameter Migrationsmatrix Teil I
Der Parameter Mgratonsmatrx el I Anne-Chrstne Barthel Semnar Portfolokredtrsko Unverstät Mannhem 22..27 Glederung. Bedeutung der Mgratonsmatrx 2. Schätzung der Mgratonsmatrx. Statstscher Hntergrund: Markov-Ketten.
MehrY : Ader-Verengung ja (1) / nein (0)
2 Logstsche Regresson 2. Enletung b Bespel Ader-Verengung Y : Ader-Verengung ja () / nen (0) Eng.: Atem-Volumen (Vol) und Atem-Frequenz (Rate) Zel: P Y = Vol, Rate modelleren! c P Y = = h x (), x (2),...,
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
Mehr8. Verallgemeinerte Lineare Modelle GLM s
8. Verallgemenerte Lneare Modelle GLM s 1 8. Verallgemenerte Lneare Modelle: 8.1. Grundlagen 2 8.1. Grundlagen 8. Verallgemenerte Lneare Modelle: 8.1. Grundlagen 8.1.1. Defnton: Generalserte Lneare Modelle
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 2. Übung (05.02.2009) Agenda Agenda Datenbsp. scalefactors.dat Berechnen der Varanzen der Latent Response Varablen Berechnen der modellmplzerten
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrÜbungsblatt 8: Spezifikations- und andere Fragen rund um das lineare Regressionsmodell
Prof. Bernd Ftzenberger, Ph.D. Ute Leuschner Anthony Strttmatter Übung zur Veranstaltung Emprsche Wrtschaftsforschung Albert-Ludwgs-Unverstät Freburg Wntersemester 2009/10 Übungsblatt 8: Spezfkatons- und
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrNumerische Methoden II
umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
Mehr1 Einführung in die statistische Regression Beispiele zur linearen Regression Fragestellungen Ausblick...
Inhalt 1 Enführung n de statstsche Regresson 1 1.1 Bespele zur lnearen Regresson........................ 1 1.2 Fragestellungen.................................. 8 1.3 Ausblck......................................
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
Mehr5 Allgemeinere Regressions-Modelle
5 Allgemenere Regressons-Modelle 5.1 Modelle für Ausfall-Zeten oder -Belastungen a Bespel. Kohlenstoff-Fasern verschedener Länge (1, 10, 20, 50 mm): Resskräfte (falure stress) gemessen, je für 57 bs 70
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrBayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrLineare Regression. Werner Stahel Seminar für Statistik, ETH Zürich. Mai 2012
Lneare Regresson Werner Stahel Semnar für Statstk, ETH Zürch Ma 2012 Unterlagen zum Modul G3: Wahrschenlchket und Statstk des Zertfkatskurses über Rsko und Scherhet Dese Unterlagen stammen aus enem umfangrechen
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrModellauswahl in Generalisierten Linearen Modellen PROC GENMOD effizient nutzen
Modellauswahl n Generalserten Lnearen Modellen PROC GENMOD effzent nutzen 199 Modellauswahl n Generalserten Lnearen Modellen PROC GENMOD effzent nutzen Dr. Olaf Kruse VST Gesellschaft für Verscherungsstatstk
MehrStatistischen Praktikum
Insttut für Stochastk SS 2008 Unverstät Karlsruhe JProf. Dr. H. Holzmann Dpl.-Math. oec. D. Engel Übungen zum Statstschen Praktkum Aufgabe 1 (Zusatzaufgabe 1 zur logstschen Regresson) Am 28.01.1986 exploderte
MehrGeneralisierte lineare Modelle mit SAS 8e
Generalserte lneare Modelle mt SAS 8e Andreas Chrstmann Unverstät Dortmund Hochschulrechenzentrum 44221 Dortmund a.chrstmann@hrz.un-dortmund.de Zusammenfassung Generalserte lneare Modelle snd für de Praxs
MehrBevorzugter Zitierstil
Bevorzugter Zterstl Vrtc, M. (2005) Smultanes Routen- und Verkehrsmttelwahlmodell, Heureka 05, Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV), Köln. Smultanes Routen- und Verkehrsmttelwahlmodell
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrKlausur Statistik IV Sommersemester 2009
Klausur Statstk IV (Lösug) Name, Vorame 013456 Klausur Statstk IV Sommersemester 009 Prof. Dr. Torste Hothor Isttut für Statstk Name: Name, Vorame Matrkelummer: 013456 Wchtg: ˆ Überprüfe Se, ob Ihr Klausurexemplar
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Lineare Regression
Wahrschenlchketsrechnung und Statstk für Bologen Lneare Regresson Drk Metzler & Noéme Becker 8. Jun 2016 Inhaltsverzechns 1 Lneare Regresson: wozu und we? 1 2 t-test fuer lneare Zusammenhänge 6 3 Skalerung
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Lineare Regression
Wahrschenlchketsrechnung und Statstk für Bologen Lneare Regresson Drk Metzler & Martn Hutzenthaler 17. Jun 2010 Inhaltsverzechns 1 Lneare Regresson: wozu und we? 1 2 t-test fuer lneare Zusammenhänge 6
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
Mehr3 Multiple lineare Regression
3 Multple lneare Regresson 3.1 Modell und Statstk a De Abhänggket ener Zelgrösse von ener Ausgangsgrösse kann n enem enfachen Streudagramm dargestellt werden. Oft wrd dadurch das Wesentlche des Zusammenhangs
MehrKaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
MehrÜbungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2
Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte
MehrPoisson Regression. Verallgemeinerte Lineare Modelle (GLMs)
Poisson Regression Verallgemeinerte Lineare Modelle (GLMs) 28.11.2011 Poisson Regression Aus der Einführungsvorlesung Poisson-Verteilung ist in der Regel gut geeignet, um Anzahlen zu modellieren. Frage
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
Mehr