Übung Statistik I Statistik mit Stata SS Zusammenhangsanalyse III
|
|
- Dominic Kruse
- vor 7 Jahren
- Abrufe
Transkript
1 Übung Statistik I Statistik mit Stata SS Zusammenhangsanalyse III Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: n.v. Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata - 1 -
2 Überblick 1. Zu Anfang 2. Evaluation 3. Graphisch: Zusammenhang zwischen zwei metrischen Variablen 4. Bivariate lineare Regression 5. Übung Bivariate lineare Regression 6. Besprechung: Inhalt Wiederholungsstunde Statistik mit Stata - 2 -
3 1. Zu Anfang Befehle, die bekannt sein sollten: Update, set memory, input, use, clear, save, exit, pwd, cd, dir, describe, codebook, sort, list, help, search, tabulate oneway, numlabel, mvdecode, mvencode, label, set dp, log using, log close, log off/on, cmdlog using, cmdlog close, cmdlog off/on, do, generate, replace, recode, keep, drop, summarize, tabstat, histogram, graph pie, kdensity, graph box, set scheme, graph export, robvar, ttest, iweight (Befehlsoption), tabulate twoway Vorbereitung: 1. profile.do ausführen! Ist Stata up-to-date? 2. Heute Verwendung von allbus_ueb4.dta. Wenn also im eigenen Verzeichnis noch nicht vorhanden aus dem Lehre on jeder Lehre Verzeichnis (V) in das eigene Verzeichnis kopieren. Statistik mit Stata - 3 -
4 2. Evaluation Statistik mit Stata - 4 -
5 3. Graphisch: Zusammenhang zwischen zwei metrischen Variablen Bei der Untersuchung des Zusammenhangs zwischen kategorialen Variablen kann man die Variablen in einer Kreuztabelle gegenüberstellen. Dies ist im Fall von metrischen Variablen durch die hohe Anzahl möglicher Ausprägungen nicht sinnvoll. Bei metrischen Variablen ist ein Scatterplot zur Darstellung sinnvoll. Bsp: Zusammenhang von Arbeitszeit und Einkommen bei westdeutschen Befragten: scatter v381 v207 if v4==1! iweight-option Darstellung auf y-achse nicht erlaubt! Darstellung auf x-achse Zu beachten: Wie bei Kreuztabellen ist die Darstellung im Scatterplot i.d.r.: die als erklärend aufgefasste Variable wird auf der x-achse (horizontale Linie), die als abhängig aufgefasste Variable auf der y-achse abgetragen. Statistik mit Stata - 5 -
6 Interpretation dieses Punktes: es gibt eine Person in der West-Teilstichprobe, die 40 Stunden pro Woche arbeitet und ein Nettoeinkommen von ca Euro hat. Statistik mit Stata - 6 -
7 Besteht hier nun ein Zusammenhang? Bestünde ein positiver Zusammenhang, so würde man erwarten, dass mit größeren Werten der unabhängigen Variablen auch die abhängige Variable größere Werte annimmt und umgekehrt. Im Beispiel der Variablen Einkommen und Arbeitszeit scheint im Fall der westdeutschen Befragten ein solcher Zusammenhang zu bestehen, denn bei höheren Arbeitszeiten wird in der Tendenz auch mehr verdient. Es liegt also eine je-mehr-desto-mehr-beziehung vor. Allerdings streuen die Werte insbesondere im unteren Bereich der Arbeitsstunden relativ stark. Wie stellt sich im Vergleich dazu der Zusammenhang zwischen Einkommen und Arbeitszeit bei ostdeutschen Befragten dar? Also: scatter v381 v207 if v4==2 Statistik mit Stata - 7 -
8 Der Zusammenhang scheint hier in der Tendenz die gleiche Richtung zu haben. Also je länger die ostdeutschen Befragten arbeiten, desto mehr verdienen sie. Aber auch hier streuen die Datenpunkte. Statistik mit Stata - 8 -
9 Idee: Durch die Punktwolke wird eine Linie gelegt, die zu allen Punkten den geringsten Abstand hat. Führt diese Linie von Links unten nach rechts oben, so besteht ein positiver Zusammenhang, verläuft sie anders herum besteht ein negativer Zusammenhang. Statistik mit Stata - 9 -
10 Es besteht hier also ein positiver Zusammenhang: Je länger ein ostdeutscher Befragter arbeitet, desto mehr verdient er. Die Linie (die den kleinstmöglichen Abstand zu allen Punkten hat) nennt man Regressionsgerade. Streuen die Punkte sehr weit um diese Gerade ist der Zusammenhang weniger stark, als wenn alle Punkte in der Nähe der Gerade liegen. Die je-desto-beziehung ist dabei desto stärker je größer die Steigung der Geraden ist. Eine flache Gerade bedeutet nämlich, dass sich die Werte auf der y-achse nur wenig verändern, wenn sich die Werte auf der x-achse verändern. Hinter dieser Interpretation steht die Logik der PRE-Maße aus der letzten Stunde: Um wie viel verbessert sich die Vorhersage der Werte auf der y-achse (abhängige Variable), wenn die Werte auf der x-achse (erklärende Variable) zur Vorhersage herangezogen werden? Statistik mit Stata
11 Allgemeine Geradengleichung: y=m*x+b wobei b = y-achsenabschnitt m = Steigung Die Steigung einer Geraden m = Veränderung des Werts auf der y-achse ( y) im Verhältnis zur Veränderung des Wertes auf der x-achse ( x) Delta x y Steigungsdreieck Statistik mit Stata
12 Vergleich der Zusammenhänge in West- und Ostdeutschland Statistik mit Stata
13 In der Grafik für den Zusammenhang bei westdeutschen Befragten ist die Steigung der Regressionsgerade größer als in der für Ostdeutschland. Dies verweist auf eine stärker ausgeprägte je-desto-beziehung. Dem gegenüber scheint die Streuung der Datenpunkte um die Regressionsgerade in der westdeutschen Teilstichprobe größer zu sein, als die in der ostdeutschen Teilstichprobe. Zusammenfassend scheint der Zusammenhang zwischen Arbeitszeit und Einkommen bei den ostdeutschen stärker zu sein als bei den westdeutschen Befragten. Dafür steigt das Einkommen bei westdeutschen stärker in Abhängigkeit von der steigenden Arbeitszeit als bei ostdeutschen Befragten. Aus den Formulierungen wird deutlich, dass ein rein graphisches Vorgehen in der Zusammenhangsanalyse nicht sehr präzise ist. Vorgehen, um Zusammenhänge zwischen zwei metrischen Variablen in Zahlen abzubilden: Bivariate lineare Regression Statistik mit Stata
14 4. Bivariate Lineare Regression In der bivariaten linearen Regression wird vereinfacht eine Gerade berechnet, die den geringsten Abstand zu allen Punkten der gemeinsamen Verteilung (also eine Regressionsgerade) hat. Gleichzeitig wird bei der linearen Regression mit Stata analysiert, inwiefern die Ergebnisse der Stichprobe auf die Grundgesamtheit verallgemeinerbar sind. Stata Befehl: regress depvar [indepvars] [if] [in] [weight] [, options] Beispiel: regress v381 v207 if v4==2 Abhängige Variable Erklärende Variable Statistik mit Stata
15 Ergebnis: ANOVA-Block Modelfit-Block Koeffizienten-Block ANOVA: Analysis of Variance Im ANOVA-Block finden sich Kennziffern dafür, wie sinnvoll es ist, durch die Punktewolke eine Gerade zu legen. Statistik mit Stata
16 Der Modelfil-Block verwertet im Grunde die berechneten Kennwerte aus dem ANOVA-Block. Der R-squared (r 2 )-Wert zeigt an, wie viel der Varianz der abhängigen durch die erklärende Variable erklärt (in bisheriger Terminologie: vorhergesagt) werden kann. In unserem Fall werden also 8,08% der Variation des Einkommens durch die Arbeitszeit erklärt (vgl. Logik der PRE-Maße aus der letzten Stunde). Der Root MSE hier sagt aus, dass wir bei der Vorhersage des Einkommens durch die Arbeitszeit durchschnittlich um 658,27 Euro daneben liegen. Der F-Wert ist der Wert der Teststatistik für den r 2 Wert. Der Wert hinter Prob > F gibt an, wie hoch die Wahrscheinlichkeit ist, dass wir einen r 2 Wert erhalten, wie den hier für unsere Stichprobe ermittelten (Wert der Teststatistik), wenn r 2 in der Grundgesamtheit = 0 ist. Statistik mit Stata
17 Der Koeffizienten-Block enthält zunächst die Werte für die einzelnen Bestandteile der Regressionsgerade, ist also im Grunde die Regressionsgerade in Zahlen ausgedrückt: In der Spalte, die mit Coef überschrieben ist findet sich in der Zeile v207 der Wert der Steigung (m). Diese beträgt hier also 20,52. Erhöht sich also die Arbeitszeit um eine Stunde vergrößert sich das Einkommen der ostdeutschen Befragten laut Regressionsgerade um 20,52 Euro. In der _cons-zeile ist der y-achsenabschnitt (b) abgetragen, der hier nicht sinnvoll interpretiert werden kann (daher wird die untere Zeile nicht weiter berücksichtigt). Die Interpretation wäre: Bei einer Arbeitszeit von 0 Stunden verdienen ostdeutsche Befragte durchschnittlich 409,61. Der Std. Err. (Standard Error) gibt die durchschnittliche Abweichung von der Regressionsgerade an. Statistik mit Stata
18 Die Angaben in den mit t und P> t überschriebenen Spalten enthalten Angaben über einen Hypothesentest hinsichtlich des Wertes der Steigung (m). Getestet wird hier die Nullhypothese, dass bei dem ermittelten Stichprobenwert für m in der Grundgesamtheit m=0 ist (also keine je-desto-beziehung vorliegt). Unter t findet sich der Wert der Teststatistik. Mit einer Irrtumswahrscheinlichkeit von 5% (Stata-Standard) kann die Nullhypothese verworfen werden, wenn der Wert in der Spalte P> t < 0,05. Die mit 95% Conf. Interval überschriebene Spalte enthält eine Schätzung über ein Intervall, in dem der Werte der Steigung (m) ausgehend von den Stichprobendaten in der Grundgesamtheit liegt. Mit einer Wahrscheinlichkeit von 95% enthält das angegebene Konfidenzintervall mit den Grenzen 14,0615 und 26,9758 den Wert der Steigung (m) in der Population. Statistik mit Stata
19 Ob die Ergebnisse für eine Stichprobe ermittelten Ergebnisse einer Regression tatsächlich auf die Grundgesamtheit verallgemeinerbar sind, hängt von einigen Annahmen ab, die hier nicht näher erläutert werden. Streng genommen müsste aber vor jeder Interpretation untersucht werden, ob diese Annahmen im vorliegenden Fall zutreffen. Vgl. Kühnel/Krebs (2001): Statistik für die Sozialwissenschaften, S.424 ff. Regressionen des Einkommens (abhängige Variable) gegen die Arbeitszeit (erklärende Variable) für die west- und die ostdeutsche Teilstichprobe: regress v381 v207 if v4==1 regress v381 v207 if v4==2 Interpretation der Ergebnisse: Statistik mit Stata
20 West-Teilstichprobe Ost-Teilstichprobe Statistik mit Stata
21 Die Steigung der Regressionsgerade ist in der westdeutschen Teilstichprobe mit 37,14 größer als in der ostdeutschen Teilstichprobe mit 20,52 (wie bereits im Scatterplot festgestellt). Erhöht sich die Arbeitszeit um eine Stunde vergrößert sich das Einkommen der westdeutschen Befragten um 16,62 Euro (37,14-20,52 =16,62) mehr als das der ostdeutschen. Sowohl in der westdeutschen, als auch in der ostdeutschen Teilstichprobe ist der Befund, dass eine je-desto-beziehung vorliegt mit einer Irrtumswahrscheinlichkeit von 5% auf die jeweilige Population verallgemeinerbar (Die Nullhypothese, dass bei einem Teststatistikwert, wie dem hier jeweils errechneten eine Steigung von m=0 in der jeweiligen Population vorliegt, kann mit einer Irrtumswahrscheinlichkeit von 5% verworfen werden (P> t < 0,05). Der Standard Error bestätigt den Befund aus dem Vergleich der Scatterplots nicht: Die durchschnittliche Abweichung der Werte von der Regressionsgerade ist in Ostdeutschland Statistik mit Stata
22 größer als in Westdeutschland. Dies verweist bereits darauf, dass der Zusammenhang in Westdeutschland stärker ist als in Ostdeutschland (die Einkommenswerte also besser aus der Anzahl an Arbeitsstunden vorhersagbar sind). Dieses Ergebnis wird durch das Ergebnis des Vergleichs der r 2 -Werte (Modelfit-Block) der beiden Teilstichproben gestützt. Können in der westdeutschen Teilstichprobe 19,11% der Varianz des Einkommens durch die Anzahl an Arbeitsstunden erklärt (oder vorhergesagt) werden, sind es in der ostdeutschen Teilstichprobe nur 8,07%. Sowohl das Ergebnis hinsichtlich r 2 in der westdeutschen wie auch in der ostdeutschen Teilstichprobe können mit einer Irrtumswahrscheinlichkeit von 5% auf die jeweiligen Populationen verallgemeinert werden. Dies zeigt jeweils der Wert von 0,000 bei Prob >F. Die Wahrscheinlichkeit, dass bei einem Wert für die Teststatistik, wie er hier vorliegt, der r 2 -Wert in der Population =0 ist, beträgt in beiden Fällen 0%. Statistik mit Stata
23 5. Übung Bivariate Lineare Regression 1. Ist in Westdeutschland die Links-Rechts-Selbsteinstufung (v145) abhängig vom Nettoeinkommen (v381) und besteht hier eine je-mehr-desto-rechter-relation? Erstelle zunächst ein Scatterplot und formuliere daraus resultierend eine Vermutung über den Zusammenhang und seine Richtung. Prüfe deine Vermutung durch Berechnung der Regression. 2. Ist der Zusammenhang zwischen der Links-Rechts- Selbsteinstufung (v145) und dem wahrgenommenen Unterschied hinsichtlich des Lebensstils zwischen Türken und Deutschen (v153) in Westdeutschland signifikant? Erstelle ebenfalls zunächst ein Scatterplot und prüfe anschließend deine Vermutung. Statistik mit Stata
24 Aufgabe 1: scatter v145 v381 if v4==1 Das Scatterplot lässt keinen linearen Zusammenhang im Sinne einer je-mehr-desto-rechter-relation erkennen. Statistik mit Stata
25 Die Steigung der Regressionsgerade ist mit einem Wert von 0,00002 sehr gering. Erhöht sich das Einkommen um einen Euro verändert sich die Links-Rechts-Selbsteinschätzung um 0,00002 Einheiten. Selbst wenn man das Einkommen in 1000er Schritten betrachtet ist die Veränderung in der Links- Rechts-Selbsteinschätzung als gering anzusehen. (Steigt das Einkommen um 1000 Euro sind die Befragten um 0,02 Einheiten rechter eingestellt. Da P> t > 0,05 kann die Nullhypothese, dass bei einem Teststatistikwert, wie dem hier errechneten eine Steigung Statistik mit Stata
26 von m=0 in der Population vorliegt mit einer Irrtumswahrscheinlichkeit von 5% nicht verworfen werden. In der Population liegt also mit einer Irrtumswahrscheinlichkeit von 5% keine je-desto-beziehung vor. Bei einem Wert für die Steigung der Regressionsgerade von 0,00001 ist der vorliegende Standard Error von 0,00005 als groß zu bewerten. Der kleine r 2 -Wert von 0,0001 zeigt, dass in der westdeutschen Teilstichprobe 0,01% der Varianz der Links- Rechts-Selbsteinschätzung durch das Einkommen erklärt werden kann (also im Grunde fast nichts). Da der Wert hinter Prob>F >0,05 ist, kann die Nullhypothese, dass bei einem Wert für die Teststatistik wie hier berechnet der r 2 -Wert in der Grundgesamtheit = 0 ist nicht verworfen werden. Mit einer Irrtumswahrscheinlichkeit von 5% gibt es in der Population keinen Zusammenhang zwischen Einkommen und Links-Rechts-Selbsteinschätzung. Statistik mit Stata
27 Aufgabe 2: scatter v153 v145 if v4==1 Ist das zwangsläufig eine Person? - Nein, es können hier viele Punkte übereinander liegen. Das Scatterplot lässt keinen Zusammenhang erkennen. Statistik mit Stata
28 Die Steigung der Regressionsgerade ist mit einem Wert von 0,11 gering. Erhöht sich der Wert der Links-Rechts- Selbsteinschätzung um 1 Einheit, erhöht sich der Wert der Lebensstilunterschiedsbewertung von Türken um 0,11 Einheit. In der Tendenz wird der Lebensstilunterschied desto größer eingeschätzt, je rechter ein Befragter aus Westdeutschland sich selbst einschätzt, allerdings nur in recht geringem Maße. Da P> t < 0,05 kann die Nullhypothese, dass bei einem Teststatistikwert, wie dem hier errechneten eine Steigung Statistik mit Stata
29 von m=0 in der Population vorliegt mit einer Irrtumswahrscheinlichkeit von 5% verworfen werden. In der Population liegt also mit einer Irrtumswahrscheinlichkeit von 5% eine jedesto-beziehung vor. Relativ zum Wert der Steigung ist der Standard Error von 0,017 als nicht groß zu bewerten. Der r 2 -Wert von 0,019 zeigt, dass in der westdeutschen Teilstichprobe 1,9% der Varianz der Lebensstilunterschiedseinschätzung durch die Links-Rechts-Selbsteinschätzung erklärt werden kann. Da der Wert hinter Prob>F <0,05 ist, kann die Nullhypothese, dass bei einem Wert für die Teststatistik wie hier berechnet der r 2 -Wert in der Grundgesamtheit = 0 ist verworfen werden. Mit einer Irrtumswahrscheinlichkeit von 5% gibt es in der Population einen Zusammenhang zwischen Links- Rechts-Selbsteinschätzung und der Lebensstilunterschiedseinschätzung im Hinblick auf von Türken. Statistik mit Stata
30 6. Besprechung: Inhalt Wiederholungsstunde Statistik mit Stata
31 Hausaufgaben: 1. Führe jeden Befehl, den diese Präsentation enthält mindestens einmal aus. Untersuche die verwendeten Befehle dabei auch auf mögliche Unterbefehle und Optionen. 2. Ergänze deine Befehlstabelle um die heute hinzugekommenen Befehle. Statistik mit Stata
Übung Statistik I Statistik mit Stata SS Zusammenhangsanalyse I
Übung Statistik I Statistik mit Stata SS07 18.06.2007 9. Zusammenhangsanalyse I Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: n.v. Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata - 1 - Überblick
MehrÜbung Statistik I Statistik mit Stata SS Wiederholung und Probeklausur
Übung Statistik I Statistik mit Stata SS07 04.06.2007 7. Wiederholung und Probeklausur Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: n.v. Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata -
MehrÜbung Statistik I Statistik mit Stata SS Probeklausur, Wiederholungen und Übungen
Übung Statistik I Statistik mit Stata SS07 11.06.2007 8. Probeklausur, Wiederholungen und Übungen Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: n.v. Andrea.Kummerer@sowi.uni-goettingen.de Statistik
MehrÜbung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung
Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata
MehrÜbung Statistik I Statistik mit Stata SS Datentransformationen II und Datenmanagement
Übung Statistik I Statistik mit Stata SS07-07.05.2007 4. Datentransformationen II und Datenmanagement Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de
MehrÜbungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
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
MehrStatistik IV Übung mit Stata 10. Statistik IV. 3. Datenaufbereitung II und erste Auswertungen. Göttingen 27. Mai Dozent: Jürgen Leibold
Statistik IV 3. Datenaufbereitung II und erste Auswertungen Dozent: Jürgen Leibold 1 Terminplanung Nr. Termin Inhalt 1 14.04.09 Einführung Organisatorisches und Scheinvoraussetzungen Statistik mit Softwareunterstützung?
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrÜbung Statistik I Statistik mit Stata SS07-14.05.2007 5. Dokumentation der Datenanalyse, Datentransformationen II und Univariate Statistiken II
Übung Statistik I Statistik mit Stata SS07-14.05.2007 5. Dokumentation der Datenanalyse, Datentransformationen II und Univariate Statistiken II Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
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
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
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
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
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
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
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
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.
MehrStatistik II (Sozialwissenschaften)
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden http://www.math.tu-dresden.de/sto/mueller/ Statistik II (Sozialwissenschaften) 2. Konsultationsübung,
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
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
MehrÜbung 3 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 09. Mai 2009 09. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Arbeitsschritte bei der Datenanalyse Datenmanagement (Einlesen von Daten, Teilen von
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
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
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN GLIEDERUNG Bivariate Analyse für metrisch skalierte Variablen Grundlagen Streudiagramme und Visualisierungen von Zusammenhängen Positive lineare
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Schäfer A & Schöttker-Königer T, Statistik für (2015) Arbeitsblatt 1 STATA Kapitel 8 Seite 1 Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN Bivariate Analyse für metrisch skalierte Variablen Grundlagen Verfahren für metrische Daten nutzen den vollen mathematischen Informationsgehalt
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrAnalyse von Querschnittsdaten. Arten von Variablen und Strategien der Datenanalyse
Analyse von Querschnittsdaten Arten von Variablen und Strategien der Datenanalyse Gliederung 1. Arten von Variablen 2. Analyse einzelner Variablen (univariate Verteilungen) 3. Analyse der Zusammenhänge
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
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
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
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
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
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
MehrInstitut für Soziologie Werner Fröhlich. Methoden 2. Kontingenztabellen Chi-Quadrat-Unabhängigkeitstest
Institut für Soziologie Methoden 2 Kontingenztabellen Chi-Quadrat-Unabhängigkeitstest Aufbau der Sitzung Was sind Kontingenztabellen? Wofür werden Kontingenztabellen verwendet? Aufbau und Interpretation
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
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
MehrStatistik IV Übung mit Stata 10. Statistik IV. 1. Grundlagen und Datenaufbereitung. Göttingen 2. Mai Dozent: Jürgen Leibold
Statistik IV 1. Grundlagen und Datenaufbereitung Dozent: Jürgen Leibold 1 Terminplanung Nr. Termin Inhalt 1 14.04.09 Einführung Organisatorisches und Scheinvoraussetzungen Statistik mit Softwareunterstützung?
MehrEinführung in die Statistik
Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,
MehrÜbung Statistik I Statistik mit Stata SS07-30.04.2007 3. Stata-Grundlagen II und Univariate Statistiken I
Übung Statistik I Statistik mit Stata SS07-30.04.2007 3. Stata-Grundlagen II und Univariate Statistiken I Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de
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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
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]
MehrInstitut für Soziologie Andreas Schneck. Methoden 2. Regressionsanalyse I: Lineare Regression
Institut für Soziologie Methoden 2 Regressionsanalyse I: Lineare Regression Organisatorisches Hausarbeitsgruppen: Aktueller Stand der Gruppenbildung Bitte bis spätestens 03.07.2017 die Gruppenzusammensetzung
MehrHypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
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
MehrDatenanalyse mit Stata
Datenanalyse mit Stata Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung Von Ulrich Kohler und Frauke Kreuter 2., vollständig überarbeitete und ergänzte Auflage R.Oldenbourg Verlag München
MehrBivariate Statistik: Kreuztabelle
Bivariate Statistik: Kreuztabelle Beispiel 1: Im ALLBUS wurde u.a. nach dem Nationalstolz und nach dem Gefühl der Überfremdung gefragt: Würden Sie sagen, dass Sie sehr stolz, ziemlich stolz, nicht sehr
MehrStatistik IV Übung mit Stata 10. Statistik IV. 4. Auswertungen und graphische Darstellung. Göttingen 26. Mai 2009. Dozent: Jürgen Leibold
Statistik IV 4. Auswertungen und graphische Darstellung Dozent: Jürgen Leibold 1 Terminplanung Nr. Termin Inhalt 1 14.04.09 Einführung Organisatorisches und Scheinvoraussetzungen Statistik mit Softwareunterstützung?
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:
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
MehrKlausurvorbereitung - Statistik
Aufgabe 1 Klausurvorbereitung - Statistik Studenten der Politikwissenschaft der Johannes Gutenberg-Universität wurden befragt, seit wie vielen Semestern sie eingeschrieben sind. Berechnen Sie für die folgenden
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
MehrStreuungsmaße von Stichproben
Streuungsmaße von Stichproben S P A N N W E I T E, V A R I A N Z, S T A N D A R D A B W E I C H U N G, Q U A R T I L E, K O V A R I A N Z, K O R R E L A T I O N S K O E F F I Z I E N T Zentrale Methodenlehre,
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
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
MehrBiometrische und Ökonometrische Methoden I! Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 4 1. a) MTB > name c1 'H2O'
MehrInstitut für Soziologie Sabine Düval. Methoden 2. Kontingenztabellen Chi-Quadrat-Unabhängigkeitstest
Institut für Soziologie Methoden 2 Kontingenztabellen Chi-Quadrat-Unabhängigkeitstest Aufbau der Sitzung Wiederholung Exkurs zur Inferenzstatistik Was sind Kontingenztabellen? Recodieren, Kategorisieren
MehrEinführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012
Einführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012 Es können von den Antwortmöglichkeiten alle, mehrere, eine oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort
MehrBiometrische und Ökonometrische Methoden I Lösungen 4
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 4. a) MTB > name c 'H2O' c2 'N'
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
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrInstitut für Soziologie Dipl. Soz. Maximilian Sonnauer. Methoden II. Zusammenhangsmaße für kategoriale und metrische Variablen
Institut für Soziologie Dipl. Soz. Methoden II Zusammenhangsmaße für kategoriale und metrische Variablen Organisatorisches Prüfungsanmeldung Methoden II Die Anmeldung zur Prüfung läuft über die Tafelübung.
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?
MehrBIOMETRIE I - KLINISCHE EPIDEMIOLOGIE
BIOMETRIE I - KLINISCHE EPIDEMIOLOGIE Wintersemester 2003/04 - Übung zur Vorlesung Biometrie I Ein Lösungsvorschlag von Christian Brockly Lösungsvorschlag zur Übung Biometrie I Bei diesem Dokument handelt
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2013
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2013 1. Welche Aussage zur Statistik (in den Sozialwissenschaften) sind richtig? (2 Punkte) ( ) Statistik ist die Lehre von Methoden
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 Varianzanalyse Statistik
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
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrName Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
MehrStatistik-Klausur A WS 2009/10
Statistik-Klausur A WS 2009/10 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
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
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
MehrUlrich Kohler, Frauke Kreuterr. Datenanalyse mit. Stata. Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung. 5. aktualisierte Auflage
Ulrich Kohler, Frauke Kreuterr Datenanalyse mit Stata Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung 5. aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorwort V Zu diesem Buch 1
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
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
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
MehrMethoden II Mittelwertvergleiche
Dipl. Soz. Maximilian Sonnauer Methoden II Mittelwertvergleiche Infos zur Zwischenklausur Termin: 12.6.2017, 10.00 Uhr Geschrieben wird hier im Hörsaal (HGB-A240) Klausurmodus ist single-choice (nur eine
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrÜbung zur Vorlesung: Mikroökonometrie. Mi. 9:45-11:15 Uhr PC-Pool und Barbara Hanel
Übung zur Vorlesung: Mikroökonometrie Mi. 9:45-11:15 Uhr PC-Pool und 3.125 Barbara Hanel Organisatorisches Übungstermine: bis ca. 10.6. STATA-Übung im PC-Labor ab 17.6. Übung mit Aufgabenblättern in Raum
MehrSTATA II: Daten- und Analysevorbereitung (Teil 1)
STATA II: Daten- und Analysevorbereitung (Teil 1) 10. November 2003 Wiederholung I K:\mo14-16 Aufgaben: 1. Stellen Sie den aktuell gültigen Pfad \data fest und wechseln Sie in das \project1 Verzeichnis
MehrMasterprüfung. Die Klausur besteht aus 3 Aufgaben, die alle bearbeitet werden müssen.
Fach: Prüfer: Mikroökonometrie Prof. Regina T. Riphahn, Ph.D. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur
Mehr