methodenlehre ll Grenzen des Signifikanztests methodenlehre ll Grenzen des Signifikanztests
|
|
- Stefanie Albert
- vor 7 Jahren
- Abrufe
Transkript
1 Möglichkeiten und Grenzen des Signifikanztests Thomas Schäfer SS 29 1 Grenzen des Signifikanztests Sie haben zur Untersuchung Ihrer Fragestellung eine Experimental und eine Kontrollgruppe mit jeweils 2 Teilnehmern verglichen. Zur statistischen Auswertung benutzen sie einen t Test für unabhängige Mittelwertsunterschiede und finden: t(18) = 2,7, p =.1 (gerundet). Bitte überlegen Sie, welche der folgenden Aussagen richtig und welche falsch sind. Thomas Schäfer SS
2 Grenzen des Signifikanztests a) Sie haben bewiesen, dass die Nullhypothese (kein Unterschied zwischen den Populationsmitteln) nicht stimmt b) Sie haben die Wahrscheinlichkeit dafür gefunden, dass die Nullhypothese wahr ist. c) Sie haben bewiesen, dass Ihre Alternativhypothese (es gibt einen Unterschied zwischen den Populationsmitteln) stimmt. d) Sie können die Wahrscheinlichkeit dafür ableiten, dass die Alternativhypothese richtig ist. e) Sie kennen die Wahrscheinlichkeit dafür, dass Sie eine falsche Entscheidung treffen, wenn Sie sich entscheiden, die Nullhypothese zu verwerfen. f) Sie haben einen reliablen experimentellen Befund in dem Sinne, dass Sie, wenn das Experiment sehr oft repliziert würde, in ungefähr 99% der Fälle ein signifikantes Resultat erhalten würden. Thomas Schäfer SS 29 3 Die Rolle der Statistik im Forschungsprozess Wundern, Raten, Fragen Theorie Forschungshypothese Operationalisierung Durchführung der Studie und Messung Daten Auswertung Interpretation Implikation für die Theorie Deskriptive Statistik Stichprobendaten darstellen und beschreiben durch: Kennwerte Grafiken und Tabellen Explorative Statistik Muster in Daten erkennen und beschreiben Inferenzstatistik Stichprobendaten auf die Population verallgemeinern Beantworten der Fragen Thomas Schäfer SS
3 Die Rolle der Statistik im Forschungsprozess Was sagen die Daten zu meiner Theorie / Fragestellung? Wie überzeuge ich die Fachkollegen von meiner Interpretation? Ein überzeugendes Argument sollte die MAGIC-Kriterien erfüllen (nach R. P. Abelson,199: Statistics as principled argument ) Magnitude (Größe von Effekten) Effektgrößen Articulation (Detailgenauigkeit) z.b. Kontrastanalysen Generality (Breite der Schlussfolgerungen) z.b. Metaanalysen Interestingness (Potential für Meinungsänderung) inhaltliche Wichtigkeit Credibility (Methodik, theoretische Kohärenz) Sauberkeit der Durchführung Thomas Schäfer SS 29 Die Rolle der Statistik im Forschungsprozess wird durch Standardisierung anhand der Streuungen zur Effektgröße Effekt drei mögliche inferenzstatistische Aussagen: 1. Schätzung des Standardfehlers des Effektes anhand dessen Stichprobenverteilung s e Verteilung möglicher Effekte in der Population s A s B 2. Angabe eines Konfidenzintervalls für den Effekt anhand dessen Stichprobenverteilung Verteilung möglicher Effekte in der Population zwei unabhängige Stichproben: N gesamt wird aufgeteilt in n A und n B 3. Berechnung der Prüfgröße t und Prüfen auf Signifikanz mit Hilfe der t Verteilung (p < α?) α Verteilung der Prüfgröße t, falls die H zutrifft p Thomas Schäfer SS
4 Hauptaussage einer Studie: der Effekt A B C Rating für Klass ik Rating für Klassi ik Rating für Klassi ik Männer Geschlecht Frauen Männer Geschlecht Frauen Männer Geschlecht Frauen Balkendiagramme mit SD Balkendiagramme mit s e Fehlerplots Die Effekte werden durch Standardisierung anhand der Streuungen zur Effektgröße Thomas Schäfer SS 29 7 Rückblick: wie entstehen Stichprobenverteilungen? Häufigkeitsverteilungen Anzahl Persone en Anzahl Person nen Studie 1 Rock 1 2 Rap 3 4 Klassik Rating Musikstil für Klassik Studie 2 Anzahl Stichproben Stichprobenverteilung 1 Rock 2 Rap 3 Klassik 4 Rating Musikstil für Klassik Rock 1 2 Rap 3 4 Klassik Rating Musikstil für Klassik usw. Thomas Schäfer SS
5 Inferenzstatistische Aussagen I: Der Standardfehler Stichprobenverteilung 3 Anzahl Stichproben ,6 s e 1,8 Rock 2,4 Rap 3 3,6 Klassik 4,2 Rating Musikstil für Klassik Thomas Schäfer SS 29 9 Inferenzstatistische Aussagen II: Konfidenzintervalle z.b. für einen empirischen Mittelwertsunterschied von 1 Punkten in einem Test 9% Konfidenzintervall 9% Konfidenzintervall empirischer Wert der Wert wird nicht überdeckt empirischer Wert der Wert wird überdeckt Thomas Schäfer SS 29 1
6 Inferenzstatistische Aussagen III: Signifikanztests Früher Fisher (193) Später Fisher (196) Neyman und Pearson Das Signifikanzniveau muss vor der Durchführung des Tests bestimmt werden (im Sinne einer Konvention, z..b. α = %). Das Signifikanzniveau ist also eine Eigenschaft des Tests. Das exakte Signifikanzniveau muss nach Durchführung des Tests berechnet werden (p Wert). Nun ist das Signifikanzniveau eine Eigenschaft der Daten. Eine (willkürlich festgelegte) Konvention ist nicht mehr notwendig. α und β müssen vor der Durchführung des Tests festgelegt werden. α und β sind die relativen Häufigkeiten eines Fehlers der ersten oder zweiten Art und deshalb Eigenschaften destests Tests. FürdasFestlegen Festlegen von α und β ist keine Konvention nötig, sondern eine Kosten Nutzen Überlegung zu den möglichen Fehlern. Thomas Schäfer SS Der Signifikanztest nach Fisher H Erwartungswert ist immer, das ist der wahrscheinlichste Wert Wert x, den man noch mit einer bestimmten Wahrscheinlichkeit p ziehen kann H Irrtumswahrscheinlichkeit Alpha (= Signifikanzniveau) liegt bei %, das Alpha Niveau schneidet daher % der Fläche der Verteilung ab empirischer Wert mit p = 6% ist nicht signifikant empirischer Wert mit p = 3% ist signifikant Thomas Schäfer SS
7 Der Signifikanztest nach Neyman & Pearson 1. Formuliere eine Nullhypothese und konstruiere die entsprechende Stichprobenverteilung. 2. Formuliere eine Alternativhypothese und konstruiere die entsprechende Stichprobenverteilung. 3. Wäge die Wichtigkeit von α und β ab. 4. Prüfe, ob der p Wert, die Wahrscheinlichkeit des Stichprobenergebnisses unter der Annahme, dass die Nullhypothese zutrifft, größer oder kleiner als α ist.. Wenn der p Wert nicht größer als α ist, dann ist das Ergebnis des Tests signifikant, ansonsten ist es nicht signifikant. 6. Wenn das Ergebnis signifikant ist, verhalte Dich so, wie wenn die Alternativhypothese wahr wäre, wenn es nicht signifikant ist, so, wie wenn die Nullhypothese zuträfe. Thomas Schäfer SS Der Signifikanztest nach Neyman & Pearson Effekt H H1 Effekt Beta Fehler Alpha Fehler H H1 Beta Fehler Alpha Fehler Alpha Niveau = % Thomas Schäfer SS
8 Der Signifikanztest nach Neyman & Pearson Thomas Schäfer SS 29 1 Welche Faktoren beeinflussen das Ergebnis eines Signifikanztests? Effekt in der Population je größer, desto eher signifikant Abwägung von α und β α: je größer, desto eher signifikant β: je kleiner, desto eher signifikant (α und β sind komplementär) Stichprobengröße je größer, desto eher signifikant Thomas Schäfer SS
9 Welche Faktoren beeinflussen das Ergebnis eines Signifikanztests? größere Stichproben größerer Populationseffekt H Effekt H1 Beta Fehler Alpha Fehler Alpha Niveau = % Thomas Schäfer SS Effekt in der Population Ergebnis eines Signifikanztests mit H = %, H 1 = 8% und n = 1 (Binomialtest). Eingetragen sind α und β Fehler Fhl und das Kit Kriterium i (der senkrechte Strich). Bei einer Trefferrate von 7 aus 1 ergibt sich ein p = 17,2%. Das Testergebnis ist nicht signifikant, da p > α. Stichprobenverteilungen für H = %, H 1 = 9% und n = 1 (Binomialtest). Bei einem α von,% (Summe der hellen schraffierten Balken) beträgt β 6,9% (Summe der dunklen schraffierten Balken) und die Power (1 β) 93,1%. 18 Thomas Schäfer SS
10 Abwägung von α und β Stichprobenverteilungen für H = 3%, H 1 = 4% undn n = 2 (Binomialtest). Bei einem α von 39,1% (Summe der hellen schraffierten Balken) beträgt β 24,9% (Summe der dunklen schraffierten Balken) und die Power (1 β) 7,1%. Bei einem empirischen Ergebnis von 4% resultiert ein p Wert von 22,7%. Das Ergebnis ist signifikant, da p α. Thomas Schäfer SS Stichprobengröße Ergebnis eines Signifikanztests mit H = %, H 1 = 8% und n = 1 (Binomialtest). Bei α =,% und einem Ergebnis von 7% (7 aus 1) ergibt sich ein p = 17,2%. Das Testergebnis ist nicht signifikant, da p > α. Ergebnis eines Signifikanztests mit H = %, H 1 = 8% und n = 4 (Binomialtest). Bei α = 4% und einem Ergebnis von 7% (28 von 4) resultiert p =,8%. Der Test ist signifikant, da p α. 2 Thomas Schäfer SS
11 Wozu braucht man die Alternativhypothese? Konkretisierung der Forschungsfrage wie groß muss der Effekt mindestens sein, damit er inhaltlich interessant ist? welchen Populationseffekt legen die Ergebnisse aus vorhergehenden Studien nahe? Vor dem Test ist Power zu groß oder zu gering? wie groß sollte die Stichprobe sein? Nachdem Test: Interpretation des Ergebnisses was war die Wahrscheinlichkeit, den angenommenen Effekt zu entdecken? (besonders wichtig, wenn Nullhypothese mit Forschungshypothese korrespondiert!) Thomas Schäfer SS Einseitiges vs. zweiseitiges Testen einseitiger Test mit Alpha = % zweiseitiger Test mit Alpha = % H H % 2,% 2,% nur relevant bei Fragestellungen, die in beide Richtungen gehen können (z.b. Mittelwertsunterschiede) nicht bei Häufigkeiten, Varianzen u.ä. Thomas Schäfer SS
12 Beliebte Missinterpretationen von p Werten sind Indikatoren für die Größe eines Effekts. erlauben eine Abschätzung der Wahrscheinlichkeit, dass die Nullhypothese/Alternativhypothese h l h h zutrifft. sind Irrtumswahrscheinlichkeiten, das heißt, wenn man sich auf Grund des p Werts dafür entscheidet, die Nullhypothese zu verwerfen, kennt man die Wahrscheinlichkeit, dass man dabei einen Fehler macht. erlauben eine Abschätzung der Wahrscheinlichkeit, dass ein Ergebnis replizierbar ist. erlauben es, zu entscheiden, ob ein Ergebnis zufällig zustande kam. Thomas Schäfer SS Beliebte Missinterpretationen von p Werten Warum ist p kein Indikator für Effektgröße? p Werte verändern sich bei konstantem Effekt (z. B. r, d) wenn die Stichprobengröße sich ändert Warum kann man mit p die Wahrscheinlichkeit der Hypothese nicht abschätzen? p(ergebnis H ), nicht p(h Ergebnis) oder p(h 1 Ergebnis) keine Aussagen über die Wahrscheinlichkeit von Hypothesen möglich! Warum ist p nicht ih die Irrtumswahrscheinlichkeit? h hk i Irrtumswahrscheinlichkeit wird vor dem Test festgelegt (α) p wird hingegen erst nach dem Test berechnet; er ist ein Produkt der Daten, α ist eine Eigenschaft des Tests Thomas Schäfer SS
13 Beliebte Missinterpretationen von p Werten Warum ist p kein Indikator für Replizierbarkeit? Replizierbarkeit hängt von Teststärke (Power) ab, und die wiederum von n, der Effektgröße und α (nicht von p) Warum ist p nur bedingt ein Indikator für die Zufälligkeit des Ergebnisses? Zufällig: es ist kein Populationseffekt vorhanden, aber durch Zufallseinflüsse beim Ziehen der Stichprobe erhält man den in dieser Stichprobe gefundenen Effekt Nicht mehr zufällig: ein Ergebnis, das unter der Gültigkeit der Nullhypothese unwahrscheinlicher ist als das durch α festgelegte Kriterium, also p < α Problem: H oft völlig unplausibel Thomas Schäfer SS 29 2 Möglichkeiten und Grenzen des Signifikanztests Gut geeignet: wenn man wenig über ein Gebiet weiß und schnell (und kostengünstig) zu einer JA/NEIN Entscheidung Entscheidung (Handlungsentscheidung) kommen möchte (z. B. zeitkritischer Einsatz oder Nichteinsatz eines neuen Medikaments oder einer neuen Therapieform, Entscheidung über betriebliche Intervention, etc.) Powerberechnung sehr wichtig, p Werte berichten (anstatt ***) Nicht so notwendig: für Aussagen über die Größe oder Bedeutsamkeit von Effekten für Bewertung umfangreicher Forschungstraditionen Evtl. problematisch: Beim Start neuer Forschungsvorhaben (Power Problematik) Thomas Schäfer SS
14 Pragmatische Bedeutsamkeit Ergebnisse von Signifikanztests sind hilfreich bei der Berechnung von Effektgrößen Faustregel: Effektgröße = Signifikanztestergebnis Größe der Studie d = 2 t t 2 und r = df t 2 + df und r = F, F + df within für F(1, x) Thomas Schäfer SS Exkurs: Wahrscheinlichkeiten von Hypothesen Eine Reporterin für ein monatlich erscheinendes Frauenmagazin möchte einen Artikel über Brustkrebs schreiben. Ein Teil ihrer Recherche besteht darin, zu klären, wie sicher die Mammographie als Diagnosemittel für diese Krankheit ist. Sie fragt sich, was es wirklich bedeutet, wenn eine Frau bei einer routinemäßigen Mammographie ein positives Testergebnis hat. Die Reporterin hat folgende Daten zur Verfügung: Die Wahrscheinlichkeit, dass eine Frau, die sich einer Mammographie unterzieht, Brustkrebs hat, liegt bei 1%. Wenn eine Frau, die Brustkrebs hat, sich einer Mammographie unterzieht, ist die Wahrscheinlichkeit für ein positives Ergebnis 8%. Wenn eine Frau, die keinen Brustkrebs hat, sich einer Mammographie unterzieht, liegt die Wahrscheinlichkeit für ein positives Ergebnis bei 1%. Gesucht: Wahrscheinlichkeit der Hypothese Brustkrebs bei positivem Testergebnis Thomas Schäfer SS
15 Exkurs: Wahrscheinlichkeiten von Hypothesen Gegeben: Wahrscheinlichkeit von Brustkrebs: 1% Wahrscheinlichkeit für positives Testergebnis wenn Brustkrebs: 8% Wahrscheinlichkeit für positives Testergebnis wenn kein Brustkrebs: 1% Gefragt: 8 Wahrscheinlichkeit von Brustkrebs, wenn Testergebnis positiv: 7,% Thomas Schäfer SS Exkurs: Wahrscheinlichkeiten von Hypothesen Wahrscheinlichkeitsrevision: eine besondere Form von bedingten Wahrscheinlichkeiten (einfachste Form der Bayes Statistik) p ( H D) = p( H ) p( D H ) p( H ) p( D H ) + p( H ) p( D H ) Gegeben: P(H): Wahrscheinlichkeit von Brustkrebs: 1% P(D H): Wahrscheinlichkeit für positives Testergebnis wenn Brustkrebs: 8% (p(d H): Wahrscheinlichkeit für positives Testergebnis wenn kein Brustkrebs: 1% Gefragt: P(H D): Wahrscheinlichkeit von Brustkrebs, wenn Testergebnis positiv Problem: die Basisrate muss bekannt sein Thomas Schäfer SS
16 Fazit: Signifikanztests in der wissenschaftlichen Argumentation 1. Signifikanztestergebnis vs. Idealfall Signifikanztest: fragt nach der Passung von (im Normalfall unbekannten) Populationsparametern zu theoretisch erwarteten (geschätzten, vorhergesagten) Werten Idealfall: wir kennen die wahren Populationsparameter aber: auch die Kenntnis des Idealfalls sagt noch nichts über die Bedeutsamkeit von Effekten aus es kommt allein auf inhaltliche Erwägungen an Signifikanz Bedeutsamkeit 2. Bezug zur Falsifikationsstrategie Signifikanztest ist keine natürliche Konsequenz des Falsifikationskriteriums Thomas Schäfer SS Fazit: Signifikanztests in der wissenschaftlichen Argumentation 3. Harte vs. weiche Evidenz harte Fächer mit eindeutigen Daten: Natürwissenschaften weiche Fächer: Sozialwissenschaften der Signifikanztest ist gerade kein Indikator für die Härte von Evidenzen: je härten ein Fach, desto eher werden Abbildungen benutzt und desto weniger Signifikanztests Thomas Schäfer SS
Pflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrMethodenlehre I Organisatorisches Wiederholung. Überblick Methodenlehre II. Thomas Schäfer. methodenlehre ll Einführung und Überblick
Methodenlehre II Thomas Schäfer Thomas Schäfer SS 2009 1 Organisatorisches Wiederholung Methodenlehre I Überblick Methodenlehre II Thomas Schäfer SS 2009 2 1 Organisatorisches Übung zur Vorlesung Friederike
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrStatistisches Testen: Signifikanz und Relevanz Christiane Spiel
Fakultät für Psychologie Statistisches Testen: Signifikanz und Relevanz Christiane Spiel Themen Wissenschaftstheoretischer Hintergrund Statistische Hypothesenprüfung Der Signifikanztest Probleme des Signifikanztests
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrKonfidenzintervalle. SeKo. Heute. Konjunktion, Disjunktion, bedingte Wahrscheinlichkeit
Übung Methodenlehre I, SeKo Vivien Röder Professur für Forschungsmethodik & Evaluation Wiederholung Wahrscheinlichkeitstheorie Konjunktion, Disjunktion, bedingte Wahrscheinlichkeit P(Methodenverständnis
MehrInferenzstatistik Vortrag: Alpha und Beta Fehler
Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrEmpirische Methoden zur Analyse gesprochener Sprache
Empirische Methoden zur Analyse gesprochener Sprache Prinzip der Hypothesenprüfung (am Beispiel des t-tests für unabhängige Stichproben) Statistische Verfahren: Einordnung Deskriptive (beschreibende) Statistik:
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrGlossar. den man als mindesten oder interessanten Effekt für die Population annimmt. Anpassungstest; 148 f., 151: Der Anpassungstest
Literatur Aron, A., Aron, E. N., and Coups, E. J. (2009). Statistics for Psychology. Upper Saddle River: Prentice Hall. Backhaus, K.; Erichson, B.; Plinke, W. und Weiber, R. (2006). Multivariate Analysemethoden.
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrSTATISTIK Teil 2 Wahrscheinlichkeitsrechnung und schließende Statistik
Kapitel 15 Statistische Testverfahren 15.1. Arten statistischer Test Klassifikation von Stichproben-Tests Einstichproben-Test Zweistichproben-Test - nach der Anzahl der Stichproben - in Abhängigkeit von
MehrWB 11 Aufgabe: Hypothesentest 1
WB 11 Aufgabe: Hypothesentest 1 Ein Medikament, das das Überleben eines Patienten sichern soll, wird getestet. Stelle Null- und Alternativhypothese auf und beschreibe die Fehler 1. Art und 2. Art. Welcher
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrUnterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen
Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrPrimer: Inferenzstatistik 1.0
: 1.0 Dr. Malte Persike persike@uni-mainz.de methodenlehre.com twitter.com/methodenlehre methodenlehre.com/g+ iversity.org/schoolinger Inhalte der nächsten Minuten Die Frage aller Fragen: Ist etwas groß?
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrStatistik III. Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS.
Statistik III Einfaktorielle Varianzanalyse (ANOVA), Regressionsanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrStatistik III. Methodologie der Psychologie
Statistik III Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrBemerkungen zu statistischen Tests
Bemerkungen zu statistischen Tests Einseitige vs. zweiseitige Tests Die Entscheidung für eine einseitige oder zweiseitige Alternative hängt von der Fragestellung ab. Eine einseitige Alternative ist dann
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 13.12.2006 1 Schätzung von Populationskennwerten Stichprobenkennwerte als Schätzmaße für den Populationsmittelwert Punktschätzung: nur ein Stichprobenkennwert wird angegeben
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrNachgefragte Aufgaben über spezifische Themen
Nachgefragte Aufgaben über spezifische Themen Aufgabe, Quiz 5 Macht und Fehler er/2er Art Frage a) Angenommen, bei einem Binomialtest ist das Signifikanzniveau 5%. Die Macht ist dann 95% Antwort und Erklärtung
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrHypothesentests für Erwartungswert und Median. für D-UWIS, D-ERDW, D-USYS und D-HEST SS15
Hypothesentests für Erwartungswert und Median für D-UWIS, D-ERDW, D-USYS und D-HEST SS15 Normalverteilung X N(μ, σ 2 ) : «X ist normalverteilt mit Erwartungswert μ und Varianz σ 2» pdf: f x = 1 2 x μ exp
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
Mehr9 Prinzipien der statistischen Hypothesenprüfung
9 Prinzipien der statistischen Hypothesenprüfung Prinzipien der statistischen Hypothesenprüfung Bei der Schätzung eines Populationsparamters soll dessen Wert aus Stichprobendaten erschlossen werden. Wenn
MehrKonfidenzintervalle. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Konfidenzintervalle Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Münzspiel Experiment 100 Münzwürfe: Stefan gewinnt bei "Kopf" Hypothesen H 0 : Stefan wird so oft gewinnen
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrDatenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer)
1. Ist das folgende Argument gültig? Datenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer) Wenn minderjährige Mörder für ihr Vergehen genauso verantwortlich
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrSchließende Statistik: Hypothesentests (Forts.)
Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrBeurteilende Statistik
Beurteilende Statistik SIGNIFIKANZ UND HYPOTHESENTESTS 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 1 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK 2 12.02.2018 HOLGER WUSCHKE BEURTEILENDE STATISTIK
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Das Testen von Hypothesen Während die deskriptive Statistik die Stichproben nur mit Hilfe quantitativer Angaben charakterisiert,
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
MehrHypothesentest. Ablehnungsbereich. Hypothese Annahme, unbewiesene Voraussetzung. Anzahl Kreise
Hypothesentest Ein Biologe vermutet, dass neugeborene Küken schon Körner erkennen können und dies nicht erst durch Erfahrung lernen müssen. Er möchte seine Vermutung wissenschaftlich beweisen. Der Biologe
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Januar 2013 1 Allgemeine Hypothesentests Nullhypothese und Alternative Beispiel: Blutdrucksenker Testverfahren
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
Mehr3. Das Prüfen von Hypothesen. Hypothese?! Stichprobe Signifikanztests in der Wirtschaft
3. Das Prüfen von Hypothesen Hypothese?! Stichprobe 3.1. Signifikanztests in der Wirtschaft Prüfung, ob eine (theoretische) Hypothese über die Verteilung eines Merkmals X und ihre Parameter mit einer (empirischen)
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrGRUNDPRINZIPIEN statistischen Testens
Fragestellungen beim Testen GRUNDPRINZIPIEN statistischen Testens. Vergleiche Unterscheidet sich die Stichprobenbeobachtung von einer vorher spezifizierten Erwartung ( Hypothese ) mit ausreichender Sicherheit?
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
Mehr