Mehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
|
|
- Florian Geisler
- vor 7 Jahren
- Abrufe
Transkript
1 Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
2 Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random Coefficient Models } Cross-level-interactions } Durchführung einer Mehrebenenanalyse } Zusammenfassung
3 Mehrebenenanalysen } sind im Prinzip nichts anderes als Regressionsmodelle, ABER: können eine hierarchische Struktur in den Daten mitberücksichtigen } Bei einer Mehrebenenanalyse gibt es mindestens 2 Ebenen in den Daten } Individualebene (unterste Ebene) } Gruppenebene (höhere Ebene) } Die untergeordneten Ebenen lassen sich in der höchsten Ebene zusammenfassen } Eine Interaktion der Ebenen ist möglich
4 Individuen in Gruppen } Individuen sind in Gruppen geschachtelt Bsp.: Schüler einer Schulklasse } Individualebene: Schüler } Gruppenebene: Schulklasse
5 Daten mit Mehrfachmessungen } Beobachtungsmessungen sind in Personen geschachtelt } z.b. Erfassung von Veränderungsverläufen (Therapie) } Individualebene: Messungen } Gruppenebene: Individuum
6 Zusammenhänge auf unterschiedlichen Ebenen } Grundprinzip: Phänomene werden auf unterschiedlichen Analyseebenen gleichzeitig untersucht } Zusammenhänge auf den einzelnen Analyseebenen können unterschiedlich sein } Je nach Betrachtungsebene ergeben sich unterschiedliche (tlw. widersprüchliche) Ergebnisse
7 Problematik von mehreren Ebenen Unterschätzung Überschätzung
8 Divergierende Zusammenhänge auf den Ebenen Negativer Zusammenhang auf individueller Ebene, positiver Zusammenhang auf Gruppenebene
9 Negativer Zusammenhang auf individueller Ebene, positiver Zusammenhang auf Gruppenebene
10 Negativer Zusammenhang auf individueller Ebene, positiver Zusammenhang auf Gruppenebene
11 Positiver Zusammenhang auf individueller Ebene, negativer Zusammenhang auf Gruppenebene
12 Kein Zusammenhang auf individueller Ebene, positiver Zusammenhang auf Gruppenebene
13 Variierende Zusammenhänge auf individueller Ebene, positiver Zusammenhang auf Gruppenebene
14 Warum keine herkömmliche Regressionsrechnungen? } Interaktionseffekte von Individual- und Gruppenmerkmalen können nicht getestet werden } Oftmals zusammengehörige Cluster als Stichprobe gezogen } Daten sind nicht unabhängig voneinander à Unter/- Überschätzung der Zusammenhänge } Beobachtung innerhalb der Aggregateinheiten sind einander ähnlicher als in einer Zufallsstichprobe zu erwarten wäre } Verzerrte Schätzungen von Effekten und Varianzen } Inkorrekte Signifikanzbefunde
15 Fragestellung } Zusammenhang zwischen der Fähigkeit von Musik positive Emotionen auszulösen und der Musikpräferenz } Wie könnte das Musikstück dazu beitragen, dass Sie in eine angenehme/ positive Stimmung kommen? } Wie gefällt Ihnen das eben gehörte Musikstück? } Wie bekannt ist Ihnen das eben gehörte Musikstück?
16 Fragestellung } Zusammenhang zwischen der Fähigkeit von Musik positive Emotionen auszulösen und der Musikpräferenz } UV: Fähigkeit von Musik positive Emotionen auszulösen } AV: Musikpräferenz } Weitere erfasste Variablen: Alter, Geschlecht
17 Stichprobe } N = 234 } 56.4 % Frauen } Durchschnittliches Alter = 43 Jahre
18 Das Programm HLM } Restriktionen } Maximal 7200 Ebene1 Einheiten } Maximal 350 Ebene 2 Einheiten } Maximal 5 Effekte pro Ebene } Maximal 25 Effekte insgesamt } Datenorganisation } ID-Variable kodiert Zugehörigkeit zur Ebene 2 Einheit } Datei muss nach ID-Variable sortiert sein
19 Herkömmliche Regression } Ohne Mehrebenenstruktur } Y i = β 0 + β 1 X i + r i } Liking = β 0 + β 1 emotion + r i β 0 = Regressionskonstante, intercept β 1 = Regressionssteigung, slope X i = Prädiktor r i = Residuum, Fehlerterm
20 Mehrebenengleichung } Y ij = β 0j + β 1j X ij + r ij β 0j = Regressionskonstante, intercept β 1j = Regressionssteigung, slope X ij = Prädiktor r ij = Residuum, Fehlerterm i = Individuum j = Gruppe
21 Mögliche Modelle 1. Nullmodell (leeres Modell) 2. Random Coefficient Models } Random Intercept Model } Random Slopes Model 3. Cross-level-interactions } Means as outcomes } Slopes as outcomes } Vollständiges Modell
22 1. Nullmodell } = Leeres Modell } Gibt es überhaupt Varianz in der Abweichung AV und wo der kommt diese her? Gruppenindividuellen Werte vom } Ist Varianz Mittelwerte auf Unterschiede zwischen Gruppen-Mittelwert oder innerhalb der Gruppen zurückzuführen? } Ebene 1: Y ij = ß oj + r ij } Ebene 2: ß oj = γ oo + μ 0j Gesamtmittelwert über alle Gruppen hinweg Abweichung der Gruppen- Mittelwerte vom Gesamtmittel
23 1. Nullmodell } Wie ist die Varianz auf den einzelnen Ebenen verteilt? } Auf welchen Ebenen können Modelle mit zusätzlichen Prädiktoren interessant sein?
24 Mögliche Modelle 1. Nullmodell (leeres Modell) 2. Random Coefficient Models } Random Intercept Model } Random Slopes Model 3. Cross-level-interactions } Means as outcomes } Slopes as outcomes } Vollständiges Modell
25 2. Random coefficient models Random intercept } Ebene 1: Y ij = ß 0j + ß 1 X ij + r ij } Ebene 2: ß 0j = γ 00 + μ 0j und ß 1 = γ 10 Durchschnittlicher Intercept Steigung Gruppenspezifische Abweichung vom durchschnittlichen Intercept
26 2. Random coefficient models Random intercept } Ebene 1: Liking = ß 0j + ß 1 emotion + r ij } Ebene 2: ß 0j = γ 00 + μ 0j und ß 1 = γ 10
27 2. Random coefficient models Random intercept Steigung für alle gleich
28 2. Random coefficient models Random slopes } Ebene 1: Y ij = ß 0j + ß 1 X ij + r ij } Ebene 2: ß 0j = γ 00 + μ 0j und ß 1j = γ 10 + μ 1j Durchschnittlicher Intercept Gruppenspezifische Abweichung vom durchschnittlichen Intercept Durchschnittlicher Slope Gruppenspezifische Abweichung vom durchschnittlichen Slope in diesem Modell bleiben die Intercepts meist auch random
29 2. Random coefficient models Random slopes } Ebene 1: Liking = ß 0j + ß 1 emotion + r ij } Ebene 2: ß 0j = γ 00 + μ 0j und ß 1j = γ 10 + μ 1j
30 2. Random coefficient models Random slopes
31 2. Random coefficient models } Modelle lassen Varianz in den Koeffizienten (Slopes und/ oder Intercepts) zu } ß oj und ß 1j werden als Zufallseffekte modelliert } Es wird beiden ein Zufallsterm zugeordnet (μ 0j, μ 1j ), der Auskunft über ihre (Residual-)Varianz gibt } einer oder beide dieser Fehler sind substanziell: } Variabilität liegt in den Koeffizienten vor } noch kein Wissen darüber vorhanden, woher sie kommt } Ist Varianz so groß, dass man nach einem Prädiktor dafür auf Level 2 suchen sollte?
32 } alle programme - statistik - hlm 7.0 stud
33
34
35 1.
36 1. 2.
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59 Mögliche Modelle 1. Nullmodell (leeres Modell) 2. Random Coefficient Models } Random Intercept Model } Random Slopes Model 3. Cross-level-interactions } Means as outcomes } Slopes as outcomes } Vollständiges Modell
60 3. Cross-level-interactions } Idee: Varianz der Regressionskoeffizienten durch die Gruppenebene erklären } Prädiktoren auf Ebene 2 einfügen } = Koeffizienten werden als Funktion von Gruppeneinheiten betrachtet } 3 Möglichkeiten: } Means as outcomes } Slopes as outcomes } Vollständiges Modell
61 3. Cross-level-interactions Means as outcomes } Modell kann Gruppenunterschiede in den Mittelwerten (= intercepts) vorhersagen } Ebene 1: Y ij = β 0j + r ij } Ebene 2: β 0j = γ 00 + γ 01 W j + μ 0j
62 3. Cross-level-interactions Means as outcomes } Modell kann Gruppenunterschiede in den Mittelwerten (= intercepts) vorhersagen } Ebene 1: Liking = β 0j + r ij } Ebene 2: β 0j = γ 00 + γ 01 age + μ 0j
63 3. Cross-level-interactions Slopes as outcomes } Modell kann Gruppenunterschiede in den Steigungen (= slopes) vorhersagen } Ebene 1: Y ij = β 0j + β 1j X ij + r ij } Ebene 2: β 1j = γ 10 + γ 11 W j + μ 1j
64 3. Cross-level-interactions Slopes as outcomes } Modell kann Gruppenunterschiede in den Steigungen (= slopes) vorhersagen } Ebene 1: Liking = β 0j + β 1j emotion + r ij } Ebene 2: β 1j = γ 10 + γ 11 age + μ 1j
65 3. Cross-level-interactions Vollständiges Modell } Ebene 1 und Ebene 2 werden kombiniert } Y ij = γ 00 + γ 01 W j + γ 10 (X ij X. j )+ γ 11 W j (X ij X. j ) + μ 0j + μ 1j (X ij X. j ) + r ij } Prädiktoren: } Ebene 1: emotion (Fähigkeit von Musik, positive Emotionen auszulösen) } Ebene 2: age
66 3. Cross-level-interactions Vollständiges Modell in HLM
67
68
69
70
71
72
73
74
75
76
77
78
79 0
80
81 Modellvergleich: Devianzentest } Vergleich des endgültigen Modells mit dem Nullmodell } Passt das endgültige Modell besser als das Nullmodell? } Nicht signifikanter Test: Alternativmodell passt nicht besser als Nullmodell à Nullmodell beibehalten } Signifikanter Test: Alternativmodell passt besser als Nullmodell à Nullmodell verwerfen
82 Modellvergleich: Devianzentest
83 Modellvergleich: Devianzentest Aus dem Output des Nullmodells
84 Modellvergleich: Devianzentest Signifikant à endgültiges Modell passt besser als Nullmodell
85 Quellen } Ditton, H. (1998). Mehrebenenanalyse. Weinheim: Juventa. Kap. 1 und 2 } } Luhmann, M. (2010). Einführung in die Mehrebenenanalyse mit HLM. Nezlek, J., Schröder-Abé, M. und Schütz, A. (2006). Mehrebenenanalysen in der psychologischen Forschung. Psychologische Rundschau, 57, } Raudenbush, S.., Bryk, A.S., Cheong, Y.F., Congdoon, R., & du Toit, M. (2004). HLM 6 Hierarchical linear and nonlinear modeling. Lincolnwood: Scientific Software International. }
Hierarchische lineare Modelle: Mehrebenenmodelle
Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr.
MehrHierarchisch Lineare Modelle. Johannes Hartig & Myriam Bechtoldt
Hierarchisch Lineare Modelle Inhalt Definition hierarchischer Datenstrukturen Grundlagen hierarchischer Regression, random und fixed effects Aufbau verschiedener hierarchischer Regressionsmodelle Zentrierung
MehrMEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
MehrSystemisch, dynamische Begabungsförderung Darstellungsmöglichkeiten in der Mehrebenenanalyse 13. ECHA-Tagung 2012
DR. GUNDULA WAGNER Systemisch, dynamische Begabungsförderung Darstellungsmöglichkeiten in der Mehrebenenanalyse 13. ECHA-Tagung 2012 Inhalt 1 Einleitung 2 Multifaktorielles Begabungsmodell 3 Allgemeines
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrMehrebenenanalyse am Beispiel der Lernwirkung von Aufgaben im Physikunterricht
Material zu Kapitel 22 Mehrebenenanalyse am Beispiel der Lernwirkung von Aufgaben im Physikunterricht Jochen Kuhn Übersicht über das Vorgehen zur Modellentwicklung bei den Mehrebenenanalysen zum Leistungs-Posttest
MehrZeitungslektüre im sozialen Kontext
Florian Hottner, Jena Zeitungslektüre im sozialen Kontext Eine Mehrebenenanalyse des Einflusses von individuellen Determinanten auf das Lesen von regionalen Zeitungen in Abhängigkeit vom sozialen Umfeld
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrMehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrAfter Work Statistics
After Work Statistics Ulrike Grittner Annette Aigner Institute of Biometry and Clinical Epidemiology ulrike.grittner@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrReferat von: Jan Bier, Constanze Neumann, Anika Matthes
Referat von: Jan Bier, Constanze Neumann, Anika Matthes 14.01.2010 Gliederung 1) Einführung in das Thema 2) Vorstellen der Multilevel Models for Change 3) Beispiel: Kinderfreundschaften 1. Einführung Längsschnittstudien/Longitudinal
MehrKompetenzorientierung von Lehre:
Kompetenzorientierung von Lehre: Hat der Typ der Lehrveranstaltung einen Einfluss auf das Ausmaß des Kompetenzerwerbs in Lehrveranstaltungen? Forschungsreferat auf der dghd-tagung Forschung im Fokus Hochschullehre
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
MehrDie Mehrebenenanalyse als Regressionsmodell für hierarchische Daten
D:\eigene Dateien\windzio\lehre\ml_workshop\mehrebenen\tuto_mlw_workshop.doc Die Mehrebenenanalyse als Regressionsmodell für hierarchische Daten Michael Windzio 1 Einleitung: Mehrebenenanalyse als Regression
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrKorrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
Mehr11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 26.11.2002 All Mathematics would suggest A steady straight line as the best, But left and right alternately Is consonant with History.
MehrMultilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen
Multilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen Referat von Anna Zimmermann und Maria Engel Seminar Multilevel Models for Longitudinal Data (U. Altmann) 21.01.2010
MehrLängsschnittdaten und Mehrebenenanalyse
Köln Z Soziol (014) (Suppl) 66:189 18 DOI 10.1007/s11577-014-06-9 Längsschnittdaten und Mehrebenenanalyse Georg Hosoya Tobias Koch Michael Eid Springer Fachmedien Wiesbaden 014 Zusammenfassung In dem vorliegenden
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrDie Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung
Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung Ulrich Rosar Institut für Angewandte Sozialforschung Universität zu Köln 1. Juli 4 Gliederung Warum Mehrebenenanalyse? Die Logik
MehrMehr-Ebenen-Analyse I
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe) In der Realität
MehrMehrebenenanalyse mit SPSS: Grundlagen und Erweiterungen
Fakultät für Humanwissenschaften Sozialwissenschaftliche Methodenlehre Prof. Dr. Daniel Lois Mehrebenenanalyse mit SPSS: Grundlagen und Erweiterungen Stand: April 2015 (V2.0) Inhaltsverzeichnis 1. Mehrebenenanalyse:
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrBivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation
Bivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation PEΣO 12. November 2001 Von der Tabellenanalyse zur Regression Die bivariate Verteilung zweier metrischer Variablen kann konzeptionell
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrStatistische Methoden in der Geographie
Statistische Methoden in der Geographie Band 2.; Multivariate Statistik Von Dr. rer. nat. Gerhard Bahrenberg Professor an der Universität Bremen Dr. rer. nat. Ernst Giese Professor an der Universität Gießen
MehrVon der Regressions- zur Mehrebenenanalyse. Univ. Doz. Dr. Herbert Schwetz, Fachbereich für Erziehungswissenschaft der Universität Salzburg
Von der Regressions- zur Mehrebenenanalyse Univ. Doz. Dr. Herbert Schwetz, Fachbereich für Erziehungswissenschaft der Universität Salzburg Die Regressionsanalyse Ein Phänomen (abhäng. Variable, Kriterium)
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
MehrMehr-Ebenen-Analyse II
Mehr-Ebenen-Analyse II Regressionsmodelle für Politikwissenschaftler Wie war das mit der Übung? Sie untersuchen den Zusammenhang zwischen der individuellen formalen Bildung (x), dem Ausländeranteil auf
MehrDas Intercept as Outcome Model: Level/Ebene 2: Between Context Regression. 2) Intercept as Outcome Model. (X ij. X.j. Eingleichungsform: (2)in (1):
Dr. Wolfgang Langer - Methoden V Mehrebenenanalyse - WiSe 000/001-111 3. Das Intercept-as-Outcome-Model mit einer Kovariaten als Realisierung des ANCOVA-Modells Beim Random-Intercept-Only-Model haben wir
MehrGliederung. 1. Einführung. Heute schon Musik gehört?
Regressionsanalyse Technische Universität Chemnitz Seminar: Forschungsmethodik und Evalua
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 8. Vorlesung: 08.05.003 was man/frau schon immer wissen wollte I Interpolation und Extrapolation Schlussfolgerung auf erwarteten Wert einer Person aufgrund
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrMehrebenenanalysen in der psychologischen Forschung
Sonderdruck aus: Zeitschrift für Klinische Psychologie und Psychotherapie, 32 (4), 307 314, Psychologische Mehrebenenanalysen Rundschau, 57 (4), 213 223 Hogrefe Verlag Göttingen 2006 213 Mehrebenenanalysen
Mehr1 Kodierung kategorialer Einflussgrößen
Übung zur Vorlesung Generalisierte Regressionsmodelle Blatt 1 Christiane Fuchs, Moritz Berger, Micha Schneider WiSe 16/17 1 Kodierung kategorialer Einflussgrößen Lösung zu Aufgabe 3 Einlesen der Daten:
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrAnalysen mit den PIAAC-Daten
Analysen mit den PIAAC-Daten Anja Perry, Débora B. Maehler & Ingo Konradt Forschungsdatenzentrum PIAAC (FDZ PIAAC) GESIS Leibniz-Institute für Sozialwissenschaften Mannheim, 16.10.2016 RECHNEN MIT PLAUSIBLE
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrDie Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrEine mehrebenenanalytische Betrachtung der Bedingungen von Innovationserfolg
Eine mehrebenenanalytische Betrachtung der Bedingungen von Innovationserfolg Humboldt - Universität zu Berlin Hannah Rauterberg Wolgfang Scholl Ausgang Organizations are multi-level phenomena, and theories
MehrAngehörige zwischen Pege und Beruf: Welchen Eekt haben die Instrumente der Sozialpolitik?
Angehörige zwischen Pege und Beruf: Welchen Eekt haben die Instrumente der Sozialpolitik? Timm Frerk Hochschule Düsseldorf 15.04.16 TH Köln AG 4: Wirkungen von Sozialpolitik? Überblick 1 Hintergrund 2
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrDie Analyse gepoolter Daten mit Mehrebenenmodellen. Einstellungen zu Zuwanderern im europäischen Vergleich
Die Analyse gepoolter Daten mit Mehrebenenmodellen. Einstellungen zu Zuwanderern im europäischen Vergleich Silke Hans Berliner Studien zur Soziologie Europas Nr.6 Juni 2006 Freie Universität Berlin, Institut
MehrOrdinale abhängige Variablen. Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
Kap. 6: Ordinale abhängige Variablen Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick 6.1 Einführung Typische ökonomische Beispiele für ordinale abhängige Variablen: Bildungsniveau
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
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
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
MehrAnwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben
Anhang 1: Lösungen der Aufgaben 15 +1). Korrelationskoeffizienten unterschiedlicher Stichproben oder verschiedener Variablen können so miteinander verglichen werden, was mit der Kovarianz nicht möglich
Mehr4 Longitudinaldaten und Repeated Measurements
4 Longitudinaldaten und Repeated Measurements Wir betrachten nun Versuche mit mehreren Individuen, an denen wiederholt Messungen durchgeführt werden. Wenn diese wiederholten Messungen über die Zeit hinweg
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrBefehl: Analysieren > Deskriptive Statistiken > Häufigkeiten. Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere Lagemasse
Grundeinstellungen Befehl: Bearbeiten >Optionen > Allgemein: Namen anzeigen Häufigkeiten Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere
MehrAnalysen politikwissenschaftlicher Datensätze mit Stata. Sitzung 6: Übung zur logistischen Regression
n politikwissenschaftlicher Datensätze mit Stata Sitzung 6: Übung zur logistischen Regression 1 Vorbereitung Laden Sie den Datensatz z:\logitdemo Der Datensatz enthält 2000 Fälle, von denen 69 die Republikaner
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
Mehr