Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung
|
|
- Ralf Waltz
- vor 7 Jahren
- Abrufe
Transkript
1 Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung Ulrich Rosar Institut für Angewandte Sozialforschung Universität zu Köln 1. Juli 4
2 Gliederung Warum Mehrebenenanalyse? Die Logik hierarchisch-linearer Regressionsmodelle Spieglein, Spieglein an der Wand... Ein Anwendungsbeispiel der hierarchischlinearen Drei-Ebenen-Analyse
3 Warum Mehrebenenanalyse? Intragruppenvarianz und Intergruppenvarianz Individualeffekt, Systemeffekt und Kompositionseffekt Slope-Effekt
4 Intra- und Intergruppenvarianz
5 Intra- und Intergruppenvarianz
6 Intra- und Intergruppenvarianz
7 Individualeffekt
8 Individualeffekt
9 Systemeffekt
10 Systemeffekt
11 Kompositionseffekt
12 Kompositionseffekt
13 Extremer Kompositionseffekt
14 Extremer Kompositionseffekt
15 Slope-Effekt
16 Slope-Effekt
17 Die Logik hierarchisch-linearer Regressionsmodelle Interzept und Steigung der Regressionsgeraden als kontextabhängige Variablen W X Y
18 Zur Terminologie: Y i = a + b X i + e i mit : e i ~ N(, σ ) Y i = β + β 1 X i + e i mit : e i ~ N(, σ ) Y ij = β j + β 1j X ij + e ij mit : e ij ~ N(, σ ) Y ijk = β jk + β 1jk X ijk + e ijk mit : e ijk ~ N(, σ )
19 Die Gleichungen: Y ijk = β jk + β 1jk X ijk + e ijk mit : e ijk ~ N(, σ ) β jk = γk + γ 1k Wjk + r jk mit : r jk ~ N(, τ β1jk = γ1k + γ11k Wjk + r1jk mit : r1jk ~ N(, τ γk = δ + δ1 Vk + uk mit : uk ~ N(, ϕ γ1 k = δ1 + δ11 Vk + u1k mit : u1k ~ N(, ϕ γ1k = δ1 + δ11 Vk + u1k mit : u1k ~ N(, ϕ γ11k = δ11 + δ111 Vk + u11k mit : u11k ~ N(, ϕ 1 ) ) ) ) ) )
20 Level 3 V δ 111 δ 1 Level W δ 11 δ 11 δ 11 δ 1 Level 1 X δ 1 Y δ
21 Spieglein, Spieglein an der Wand... Welche Faktoren beeinflussen die Attraktivitätsbewertung von französischen, britischen und deutschen Wahlkreiskandidaten der jeweils letzten nationalen Parlamentswahlen?
22 Das Design: Kandidatenphotographien, bewertet durch insgesamt 37 Rater in 9 Kursen, ergeben Level 1-Units, 37 Level -Units und 9 Level 3-Units.
23 Top 1 Rating 1 Rating Rating 3 Rating 4 Rating 5 Rating 6 Rating 7 Rating 8 Rating 8 Rating 9
24 Flop 1 Rating 1 Rating Rating 3 Rating 4 Rating 5 Rating 6 Rating 7 Rating 7 Rating 8 Rating 9
25 Hypothesen: H1: Darbietungsmalus Je schlechter die Photoqualität, desto geringer die wahrgenommene Attraktivität der abgebildeten Person. H: Exoten-Bonus Noneuropide Personen werden besser bewertet als europide Personen. H3: Geschlechtsbonus Frauen werden besser bewertet als Männer. H4: Eigengruppen-Bonus Personen bewerten Mitglieder ihrer Eigengruppe besser als Mitglieder von Fremdgruppen. H5: Geschlechts-Effekt Frauen sind in ihren Attraktivitätsurteilen kritischer als Männer. H6: Farrah-Effekt Je attraktiver die Stimuli sind, denen eine Person in ihrer Umgebung ausgesetzt ist, desto stärker wird das Schönheitsideal der Person in Richtung der Stimuli verschoben und desto negativer wird sie die Attraktivität anderer Personen bewerten.
26 Hypothesen: H1: Darbietungsmalus (Level 1) Je schlechter die Photoqualität, desto geringer die wahrgenommene Attraktivität der abgebildeten Person. H: Exoten-Bonus (Level 1) Noneuropide Personen werden besser bewertet als europide Personen. H3: Geschlechtsbonus (Level 1) Frauen werden besser bewertet als Männer. H4: Eigengruppen-Bonus (Level /Level 1-Interaktionseffekt) Personen bewerten Mitglieder ihrer Eigengruppe besser als Mitglieder von Fremdgruppen. H5: Geschlechts-Effekt (Level ) Frauen sind in ihren Attraktivitätsurteilen kritischer als Männer. H6: Farrah-Effekt (Level 3) Je attraktiver die Stimuli sind, denen eine Person in ihrer Umgebung ausgesetzt ist, desto stärker wird das Schönheitsideal der Person in Richtung der Stimuli verschoben und desto negativer wird sie die Attraktivität anderer Personen bewerten.
27 Level 1: Y ijk = β jk + β 1jk Kandidat: weiblich + β jk Kandidat: noneuropid + β 3jk Land: UK + e ijk Level : β jk = γ k + γ 1k Rater: weiblich + r ijk β 1jk = γ 1k + γ 11k Rater: weiblich + r ijk Level 3: γ k = δ + δ 1 Dozent: weiblich + u ijk
28 Dozent: weiblich Rater: weiblich Kandidat: weiblich Kandidat: noneuropid Land: UK Attraktivität
29 Das Null-Modell: Varianzaufteilung Fixe Effekte Koeffizient s.e. d.f. P Interzept 1 (β jk ) Interzept (γ k ) Interzept 3 (δ ) Zufallseffekte Varianz d.f. χ P Bildbewertung (Level 1) Rater (Level ) Kurs (Level 3) σ 1.4 τ ϕ Varianzaufteilung In % Level Level 1.55 Level 3 1. Modellanpassung Devianz Par
30 Das Level 1- und das Level -Modell: Parametervarianz Level 1-Modell Level 1+-Modell Reliabilität ( βˆ jk ) Reliabilität ( βˆ 1jk ) Reliabilität ( γˆ k ).397
31 Das Drei-Ebenen-Modell: Koeffizienten Fixe Effekte Koeffizient s.e. d.f. P Interzept 1 (β jk ) Interzept (γ k ) Interzept 3 (δ ) Dozent: weiblich (δ 1 ) Rater: weiblich (γ 1k =δ 1 ) Kandidat: weiblich (β 1jk ) Interzept (γ 1k =δ 1 ) Rater: weiblich (γ 11k =δ 11 ) Kandidat: noneuropid (β jk =δ ) Land: UK (β 3jk =δ 3 )
32 Dozent: weiblich.171 Rater: weiblich Kandidat: weiblich Kandidat: noneuropid Land: UK Attraktivität 3.3
33 Das Drei-Ebenen-Modell: Modellanpassung Zufallseffekte Varianz d.f. χ P σ 1.7 τ τ ϕ Modellanpassung Devianz Par. / d.f. P [R in %] D D D Level 1 [5.73] Level [.15] Level 3 [56.68] Slope β 1jk [7.1]
Zeitungslektüre 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
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
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
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
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
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)
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrKönnen und/oder Aussehen
Können und/oder Aussehen Was wird bei studentischen Lehrveranstaltungsevaluationen bewertet? Tobias Wolbring, LMU München 10. Jahrestagung des Arbeitskreises Evaluation und Qualitätssicherung Berliner
MehrMehrfach-Varianzanalyse
VO Biostatistik im WS 2006/2007 1 2 3 4 5 mit Interaktion Zwei Faktoren A und B, z.b., Medikament M1 vs. M2 und Diät JA vs. NEIN Metrische Zielvariable Y, z.b. Blutdruckwerte y ij Marginale Mittelwerte
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)
MehrMehrfach-Varianzanalyse
Mehrfach-Varianzanalyse Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Zweifaktorielle ANOVA Dreifaktorielle ANOVA Unbalanzierte Designs Zusammenfassung ANCOVA Zweifaktorielle ANOVA mit Interaktion
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
MehrNachschreibklausur im Anschluss an das SS 2009
Nachschreibklausur im Anschluss an das SS 2009 08. Oktober 2009 Lehrstuhl: Prüfungsfach: Prüfer: Hilfsmittel: Klausurdauer: Wirtschaftspolitik Empirische Wirtschaftsforschung Prof. Dr. K. Kraft Nicht-programmierbarer
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]
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
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:
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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
MehrStatistik II für Betriebswirte Vorlesung 5
Statistik II für Betriebswirte Vorlesung 5 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 5 Version:
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
Mehrm d2 x dt 2 = K( x), d 2 x j dt 2 = K i.
P m d2 x dt 2 = K( x), m δ ij d 2 x j dt 2 = K i. C W C = C K i dx i δ ij δ ij λδ ij, m m λ d v dt K BA = K AB R 4 E 3 R Σ Σ x = R x a, R T R = I, R... E 3 T 1, 3 + 3 + 1 = 7 E 3 = O 3 T 3,... E 3 O 3
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
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)
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
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
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,
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
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
Mehr7. Lösung weitere Übungsaufgaben Statistik II WiSe 2017/2018
7. Lösung weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Die durchschnittliche tägliche Verweildauer im Internet wurde bei 60 Studierenden (30 Männer und 30 Frauen) erfragt. Die Studierenden
MehrWiederholung. Seminar für Statistik
Wiederholung 17.12.2014 1 Prüfung: 2 Kohorten 2 Kohorten alphabetisch nach Nachname sortiert: Kohorte 1: A bis und mit Müller Kohorte 2: Müllhaupt bis und mit Z 17.12.2014 2 Prüfung: 2 Kohorten Kohorte
MehrLösungen zum Aufgabenblatt 10 Logik und modelltheoretische Semantik
Lösungen zum Aufgabenblatt 10 Logik und modelltheoretische Semantik Universität München, CIS, SS 2013 Hans Leiß Abgabetermin: Do, 4.7.2013, 16 Uhr, in meinem Postfach Aufgabe 10.1 Vereinfache die folgenden
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrStochastik Praktikum Testtheorie
Stochastik Praktikum Testtheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 11.10.2010 Definition X: Zufallsgröße mit Werten in Ω, (Ω, F, (P ϑ ) ϑ Θ ) statistisches Modell Problem: Teste H 0 : ϑ
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
MehrProbeklausur für die Abschlussklausur Statistik II
Georg-August-Universität Göttingen Methodenzentrum Sozialwissenschaften Probeklausur für die Abschlussklausur Statistik II Nachname: Vorname: Matrikelnummer: Studiengang bitte ankreuzen BA: Diplom: Magister:
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
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
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
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
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
MehrProduktion und Kosten
Robert Stehrer The Vienna Institute for International Economic Studies - wiiw 20. Mai 2015 Produktionsfunktion 1 Produktion (Output) abhhängig von Inputs (z.b. Arbeit) 2 Hier: nur ein Inputfaktor (Verallgemeinerung
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
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.
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren
MehrZweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrSpringer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 H.-J. Stoppel, Beliefs und selbstreguliertes Lernen, Studien zur theoretischen
Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019 H.-J. Stoppel, Beliefs und selbstreguliertes Lernen, Studien zur theoretischen und empirischen Forschung in der Mathematikdidaktik,
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
Mehr1.5 Kongruenz und Ähnlichkeit
19 1.5 Kongruenz und Ähnlichkeit Definition Sei A n der affine Standardraum zum Vektorraum R n. Eine Abbildung F : A n A n heißt Isometrie, falls d(f (X), F (Y )) = d(x, Y ) für alle X, Y A n gilt. Es
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
MehrBeispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrFunktionale Formen. Kapitel 7. Ökonometrie I Michael Hauser
1 / 46 Funktionale Formen Kapitel 7 Ökonometrie I Michael Hauser 2 / 46 Inhalt Änderung von Skalen, Messeinheiten Aggregation über die Zeit Univariate, bivariate, multiple, simultane Regressionsmodelle,
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:
MehrDiagnostik von Regressionsmodellen (1)
Diagnostik von Regressionsmodellen (1) Bei Regressionsanalysen sollte immer geprüft werden, ob das Modell angemessen ist und ob die Voraussetzungen eines Regressionsmodells erfüllt sind. Das Modell einer
MehrOrganisationsressourcen und Versorgungsqualität
Jahrestagung des NRW-Forschungsverbundes Rehabilitationswissenschaften Strategien der Zukunft: Organisation und Versorgungsqualität Organisationsressourcen und Versorgungsqualität Ergebnisse aus dem -Projekt
MehrExperimentelles Design
Experimentelles Design SPM-Kurs 2016 Christoph Korn c.korn@uke.de Jan Mehnert j.mehnert@uke.de Ziele und Übersicht Verschiedene Arten von Designs und deren Grundlagen Faktorielle Designs Parametrische
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
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
MehrKapitel 15. Verletzung der Annahme A3: Variable Parameterwerte
Kapitel 15 Verletzung der Annahme A3: Variable Parameterwerte v Auer, Ökonometrie 15 2 Das ökonometrische Modell einer Mehrfachregression lautet: y t = α + β 1 x 1t + β 2 x 2t + + β K x Kt + u t Annahme
MehrTEIL II LINEARE ALGEBRA
TEIL II LINEARE ALGEBRA 1 Kapitel 10 Lineare Gleichungssysteme 101 Motivation Sei K ein fest gewählter Körper (zb K = R, C, Q, F p ) Betrachten das lineare Gleichungssystem (L) α 11 x 1 + α 12 x 2 + +
MehrBivariater Zusammenhang in der Vierfeldertafel PEΣO
Bivariater Zusammenhang in der Vierfeldertafel PEΣO 12. Oktober 2001 Zusammenhang zweier Variablen und bivariate Häufigkeitsverteilung Die Bivariate Häufigkeitsverteilung gibt Auskunft darüber, wie zwei
MehrMehr-Ebenen-Modelle. Übersicht. VL Forschungsmethoden. VPC/Intra-Class-Correlation. 1 Einführung Strukturierte Daten Einfache Lösungen
VL Forschungsmethoden Übersicht 1 Strukturierte Daten Einfache Lösungen 2 Random & Fixed Typen von Modellen 3 4 (Quelle: Kawachi/Subramanian 2007) VL Forschungsmethoden (MLA 1/27) Strukturierte Daten Einfache
MehrUntersuchungsbericht zum Produkt. "Demo - A"
Untersuchungsbericht zum Produkt "" Untersuchte Fragestellung: Wie bedienbar und attraktiv wird das Produkt wahrgenommen? Inhalt des Berichts Untersuchungsmethode Kenndaten der Untersuchung Ergebnisüberblick
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrEmpirische Methoden zur Analyse kontextueller Faktoren in der Bildungsforschung
Empirische Methoden zur Analyse kontextueller Faktoren in der Bildungsforschung Michael Windzio und Janna Teltemann 1 Einleitung: Kontexte in der Bildungsforschung In modernen Gesellschaften beginnt der
MehrEmpirische Methoden zur Analyse kontextueller Faktoren in der Bildungsforschung
Empirische Methoden zur Analyse kontextueller Faktoren in der Bildungsforschung Michael Windzio und Janna Teltemann 1 Einleitung: Kontexte in der Bildungsforschung In modernen Gesellschaften beginnt der
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
MehrLehrevaluationen bewertet?
Was wird bei studentischen Lehrevaluationen bewertet? Attraktivitätseffekte, zwischengeschlechtliche Effekte und deren Interaktion bei der studentischen Beurteilung der Lehrleistung. Tobias Wolbring, LMU
MehrMitschrift zu KV Statistik 2 bei DI Petz
Mitschrift zu KV Statistik bei DI Petz F l o r i a n K ö n i g 0550/51 florian.koenig@oeh.jku.at 9. März 004 1 Klassenbildung N ist eine gute Zahl von Klassen bei kleinen N, ansonsten besser log N. Lagemaßzahlen
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Mehr1.4 Die Dirac-Gleichung
.4 Die Dirac-Gleichung Suche Differentialgleichung. Ordnung in der Zeit, relativistische Kovarianz. Ordnung auch in Ortskoordinaten 2. Vorlesung, 9.4.2 H rel Ψ = i Ψ t (ħ = c = ) zu bestimmen Ansatz: H
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
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
Mehr8.5 Symmetrische Polynome, Diskriminate und Resultante
332 85 Symmetrische Polynome, Diskriminate und Resultante Ein weiteres Verfahren zur Feststellung, ob mehrfache Wurzeln vorliegen, ist die Betrachtung der Diskriminante, deren Einführung jetzt vorbereitet
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
Mehr> library(nlme) > fit <- lme(y ~ 1, random = ~1 id, data = sim.y.long) > summary(fit)
Übungsblatt Analyse longitudinaler Daten und Zeitreihen SoSe 007 Donna Pauler Ankerst, Ulrich Mansmann, Volkmar Henschel, Michael Höhle Übung: Montag 0..007 Aufgabe 1 (Mixed Model Simulation) In dieser
MehrZur Erinnerung: Annahmen
Zur Erinnerung: Annahmen Vorlesung 6: Heteroskedastizität. Beispiele mit heteroskedastischen Fehlertermen. Auswirkungen von Heteroskedastizität auf OLS-Schätzungen. Wie erkennt man das Vorliegen von Heteroskedastizität?
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 29.10.2002 To err is human, to forgive is devine - but to include errors in your design is statistical Leslie Kish Dr. Wolfgang Langer
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
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
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2015 Aufgabe 1 In der aktuellen
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
Mehr