Systemisch, dynamische Begabungsförderung Darstellungsmöglichkeiten in der Mehrebenenanalyse 13. ECHA-Tagung 2012
|
|
- Elisabeth Böhler
- vor 7 Jahren
- Abrufe
Transkript
1 DR. GUNDULA WAGNER Systemisch, dynamische Begabungsförderung Darstellungsmöglichkeiten in der Mehrebenenanalyse 13. ECHA-Tagung 2012
2 Inhalt 1 Einleitung 2 Multifaktorielles Begabungsmodell 3 Allgemeines zur Mehrebenenanalyse 4 Systemisches Begabungsmodell 5 Grundlagen der Mehrebenenanalyse 5.1 Lineare und multiple Regression 5.2 Residuum 5.3 Feste Effekte 5.4 Zufallseffekte 5.5 Zentrierung der Variablen 6 Zwei-Ebenen-Modell 6.1 Random-Intercept-Modell 6.2 Random-Slope-Modell 7 Paneldaten im Mehrebenenmodell 8 Beispiel einer dynamischen Begabungsentwicklung 9 Literatur
3 1. Einleitung Die Mehrebenenanalyse ist ein statistisches Analyseverfahren, das es ermöglicht den Einfluss von individuellen und kontextuellen Merkmalen simultan darzustellen. Dadurch können systemische Effekt von Begabungsförderung auf den Einzelnen untersucht werden. Ein besonderes Spezifikum ist die verbesserte Darstellung von Entwicklungsverläufen im Sinne eines dynamischen Begabungsbegriffs. Dient der Objektivierung der Schülerwahrnehmung.
4 2. Multifaktorielles Begabungsmodell
5 2. Multifaktorielles Begabungsmodell Das Münchner Hochbegabungsmodell (Heller, Perleth & Hany 1994) berücksichtigt neben individuellen Persönlichkeitsfaktoren bereits Kontextmerkmale wie die familiäre Lernumwelt, das Familien- und Klassenklima oder die Instruktionsqualität der Lehrenden. Begabung ist demnach nicht nur die Folge individueller Persönlichkeitsmerkmale, sondern auch das Resultat der Bedingungen des Umfelds. Unterschiedliche Kontexte können bei Personen mit an sich gleichen oder ähnlichen individuellen Merkmalen unterschiedliche Entwicklungen der Begabung zur Folge haben ( Big-fish-little-pond- Effekt ).
6 2. Multifaktorielles Begabungsmodell Die herkömmlichen Analysemethoden (z.b. Varianz- und Regressionsanalyse) bieten folgende Möglichkeiten der statistischen Modellierung: Das Verbleiben auf der Individualebene, indem die individuelle Begabung/Leistung durch individuelle Merkmale und durch die individuelle Einschätzung von Kontextmerkmalen z.b. Klassenklima erklärt wird. Die Aggregierung von Individualdaten, d.h. aus den individuellen Einschätzungen der Schüler hinsichtlich des Klassenklimas wird durch Berechnung des Mittelwerts das Aggregatmerkmal Klassenklima erzeugt.
7 2. Multifaktorielles Begabungsmodell Nachteile der Aggregation von Individualdaten: Aggregateinheiten werden irrtümlich als homogen betrachtet Die Aggregation von Variablen führt zu einem Verlust an Varianz und damit u.u. zu einer Verminderung der Effektstärke Nach der Datenaggregation sind nur noch Aussagen auf der Aggregatebene (z.b. Klasse) möglich, aber nicht mehr auf der Ebene der einzelnen Schüler Gefahr des ökologischen Fehlschlusses, d.h. aus Ergebnissen, die anhand von Aggregateinheiten gewonnen wurden, wird auf Eigenschaften der Individuen geschlossen.
8 2. Multifaktorielles Begabungsmodell Fazit: Die Aggregation von Individualdaten bzw. die Disaggregation von Merkmalen der Aggregatseinheiten schränkt die Zuverlässigkeit statistischer Schlüsse ein Führt zu Problemen bei der inhaltlichen Interpretation der Ergebnisse Mit den herkömmlichen Analysemethoden ist die Beantwortung systemischer Aspekte der Begabungs-förderung nicht möglich.
9 3. Allgemeines zur Mehrebenenanalyse Um das Zusammenspiel individueller Faktoren, Merkmale des Unterrichts in der Klasse und die Spezifika der besuchten Schulen darzustellen, bedarf es der Mehrebenenanalyse, die Daten verschiedener Ordnung bzw. Ebenen simultan berechnet. Systemische Grundannahme ist, dass sich die Schüler der sozialen Einheit Klasse oder Schule durch gemeinsame Erlebens- und Erfahrungsräume ähnlicher geworden sind und sich von anderen Klassen unterscheiden (vgl. Luhmann 1999; Wilke 2000). Die Mehrebenenanalyse ermöglicht es wirksame und nicht wirksame Klassen oder Schulen hinsichtlich Begabungsförderung zu identifizieren.
10 3 Allgemeines zur Mehrebenenanalyse Zur Mehrebenenanalyse werden min. 2 Ebenen benötigt, es können aber 3 und mehr Ebenen berechnet werden. 1. Ebene = Individualebene (der einzelne Schüler) 2. Ebene = z.b. Klassenebene (Aggregateinheit der einzelnen Schüler einer Klasse) 3. Ebene = z.b. Schulebene (Aggregateinheit der einzelnen Klassen einer Schule) 4.Ebene = z.b. Bezirksschulebene (Aggregateinheit der einzelnen Schulen) 5. Ebene = z.b. Landesschulebene (Aggregateinheit der einzelnen Schulbezirke
11 3 Allgemeines zur Mehrebenenanalyse Schule Klasse 1 S 1 S 2 S 3 S 4 Anwendungsvoraussetzung ist eine hierarchische oder geschachtelte Datenstruktur, wie sie in Klumpenstichproben vorliegt, d.h. es werden z.b. alle Schüler (S) einer Klasse und mehrere Klassen einer Schule erhoben. Klasse 2 S 1 S 3 S 4 S 2
12 4. Systemisches Begabungsmodell
13 4. Systemisches Begabungsmodell Auf den drei Ebenen wirken unterschiedliche Prädiktoren der Begabung: Absolute Prädiktoren wirken nur auf der Ebene, für die sie definiert worden sind (Geschlecht, Alter, Intelligenz, Sprachkompetenz, Akzeleration, Individualisierung u.s.w.) Analytische Variablen repräsentieren die Verteilung eines absoluten Merkmals der unteren Ebene in Form seines Mittelwerts (mittleres Intelligenz- oder Sprachniveau der Klasse; mittleres Klassenklima der Schule als Schulklima) Kontextuelle Variablen beziehen sich nur auf die übergeordneten Ebenen ( Klassenklima, Schulform, begabungsfördernde Ausbildung des Lehrers,)
14 4. Systemisches Begabungsmodell Drei Arten von Effekten sind in diesem Modell möglich: Effekte der Individualebene auf die abhängige Variable Individuelle Faktoren Abhängige Variable der Individualebene Beispiel einer Hypothese: Je höher die individuelle Motivation ist, desto höher ist die Schulleistung.
15 4. Systemisches Begabungsmodell Effekte der Kontextebene auf die abhängige Variable Kontextfaktoren Abhängige Variable der Individualebene Beispiele von Hypothesen: Je höher das mittlere Intelligenzniveau der Klasse ist, desto höher ist die Schulleistung. Je besser das Klassenklima, desto höher ist die Schulleistung.
16 4. Systemisches Begabungsmodell Interaktionseffekte zwischen Individual- und Kontextebene auf die abhängige Variable (Cross-Level-Effekte) Kontextfaktoren Individuelle Faktoren Abhängige Variable der Individualebene Beispiel einer Hypothese: Je größer der Anteil von Lehrern mit ECHA-Ausbildung, desto stärker ist der Effekt der Intelligenz auf die Schulleistung (umso weniger Underachiever gibt es).
17 4. Systemisches Begabungsmodell Kritik an diesem Modell: Schüler gehören nicht nur dem Kontext Schule an, sondern auch anderen Kontexten z.b. Familie Schulexterne Kontexte wie z.b. Familie können in diesem Modell nicht berücksichtigt werden sondern müssten in einem eigenen Zwei-Ebenen-Modell dargestellt werden: 2. Ebene.. Familienebene 1. Ebene.. Individualebene (mehrere Kinder einer Familie aufgrund der Varianz zwischen den Kindern notwendig!)
18 5. Grundlagen der Mehrebenenanalyse Folgende Begriffe sind zum Verständnis der Mehrebenenanalyse notwendig: 1. Lineare bzw. multiple Regression 2. Residualvarianz 3. Feste und zufällige Effekte 4. Zentrierung von Variablen
19 5. 1 Lineare Regression Die Grundlage der Mehrebenenanalyse ist die lineare Regression. Mit der einfachen linearen Regression wird versucht, die Wirkung eines einzelnen Prädiktors vorherzusagen z.b. die Wirkung der Intelligenz auf die Schulleistung γ = β 0 + β 1 χ 1 + e i Mit der multiplen Regression wird die Wirkung mehrerer Prädiktoren auf eine Kriteriumsvariable prognostiziert. γ = β 0 + β 1 χ 1 + β 2 χ β n χ n + e i
20 5.1 Lineare Regression Zur Erklärung der Regressionsgleichung: γ = β 0 + β 1 χ 1 + e i γ.. Kriteriumsvariable od. abhängige Variable od. auch Responsevariable (z.b. Schulleistung) β 0 Regressionskonstante, die die y-achse an einer bestimmten Stelle schneidet (Intercept oder Achsenabstand) β 1.. Steigung der Regressionsgeraden in Abhängigkeit vom Prädiktor (Slope) χ 1 Prädiktor oder unabhängige Variable (z.b. Intelligenz) e i Residuum
21 5.2 Residualvarianz Residuum oder die Residualvarianz ist die Differenz zwischen den empirischen und prognostizierten Kriteriumswerten von γ. Sie ist der durch die Regressionsgleichung unaufgeklärt gebliebene Anteil. Beispiel: Die Korrelation zwischen Intelligenz und Schulleistung liegt bei r = 0,5, d.h. die Schulleistung kann nur teilweise aus der Intelligenz prognostiziert werden und es gibt einen nicht erklärten Rest. Im statistischen Sinn wird sie auch als Fehlervarianz bezeichnet. Umgangssprachlich kann sie als Abweichung von einer erwarteten Norm bezeichnet werden oder als statistischer Ausdruck von Individualität.
22 5.2 Residualvarianz Schwetz & Swoboda (2010, S. 46)
23 5.3 Residualvarianz Während die Varianzanalyse auf die erklärte Varianz abzielt, die in den Prädiktoren steckt, zielt die Regression auf die Residualvarianz in den Kriteriumsvariablen (abhängigen Variablen). In der Mehrebenenanalyse wird die Residualvarianz der Kriteriumsvariable in zwei Komponenten zerlegt: Residualvarianz Interclass- Varianz Ebene 1 Intraclass- Varianz ICC Ebene 2
24 5.5 Feste Effekte In der Regressionsanalyse spricht man von einem festen (fixed) Effekt, wenn ein einheitlicher Koeffizient für alle Aggregateinheiten einer Stichprobe gültig ist. Beispiel: Schüler unterschiedlicher Schulen unterscheiden sich nicht hinsichtlich ihrer sozialen Herkunft. Fixe Effekte sind Parameter, die nicht zwischen den Gruppen variieren.
25 5.5 Zufällige Effekte In der Regressionsanalyse spricht man von einem zufälligen (random) Effekt, wenn durch die Merkmale der Aggregateinheiten jeweils unterschiedliche Koeffizienten resultieren. Beispiel: Schüler unterschiedlicher Schulen unterscheiden sich schulspezifisch hinsichtlich ihrer Leistungsmotivation. Sowohl Intercept als auch Slopes zählen zu den zufälligen Effekten.
26 5.6 Zentrierung von Variablen Wenn Prädiktoren verbotenerweise miteinander korrelieren, spricht man von Multikolliniarität. Prädiktoren werden transformiert, um eine sinnvolle Interpretation der ermittelten Werte zu erreichen. Zentrierung heißt, Mittelwert auf 0 setzen, d.h. man raubt jeder Variable, die mit einer anderen Variable korreliert den Gesamtmittelwert (grand mean) oder den Gruppenmittelwert (group mean). Entsprechend Variablen haben bei Mlwin den Zusatz gem.
27 6 Zwei-Ebenen-Modell In der Mehrebenenanalyse wird das Residuum (auch Resudialvarianz oder der unerklärte Rest ) zerlegt und auf die Kontexte zurückgeführt. Gleichung für Zwei- Ebenen-Modell: γ ij = β 0 + β 1 χ ij + (u j + e ij ) i j γ ij. χ ij u i.. e ij. Schüler Klasse Wert der Responsevariable des Schülers i in Klasse j Prädiktor des Schülers i in Klasse j Residuum für den Abstand einer Klasse von der Gesamtregressionslinie (Varianz zwischen den Klassen) Indiviualresiduum als Abstand eines Schülers von der Gesamtregressionslinie (Varianz zwischen den Schülern)
28 6 Zwei-Ebenen-Modell Schwetz & Swoboda (2010, S. 29)
29 6.1 Random-Intercept-Modell Mit dem Random-Intercept-Modell kann gezeigt werden, dass Kontexte eine Rolle spielen. Zufällige Effekte der Kriteriumsvariable (Schulleistung) hinsichtlich Klassenzugehörigkeit werden berücksichtigt. Für jede Klasse wird dazu eine eigene Regressionsgerade ermittelt, jedoch variieren nur die Intercepte, die Steigungen bleiben für alle Regressionslinien gleich. Erklärung der Grafik oben: 1. Gesamtregressionslinie (grand mean) 2. Klassenregressionslinie 3. Klassenresiduum 4 einzelner Schüler 5. individuelles Residuum
30 6.2 Random-Slope-Modell Mit dem Random-Slope-Modell kann die differenzielle Wirkung (crosslevel-effekte) von Prädiktoren und Kontexten dargestellt werden. Es wird die Varianz der Intercepte und der Steigungen ermittelt und der Zusammenhang (Kovarianz) zwischen beiden ermittelt, d.h. wie variieren die Intercepte und Steigungen der einzelnen Regressionsgeraden. Mögliche Hypothesen für ein Random-Slope-Modell : Je größer der Anteil von Lehrern mit ECHA-Ausbildung, desto stärker ist der Effekt der Intelligenz auf die Schulleistung (umso weniger Underachiever gibt es). Je höher die Intelligenz, desto stärker ist die Wirkung des Klassenklimas auf die Schulleistung.
31 6.2 Random-Slope-Modell Schwetz & Swoboda (2010, S. 134)
32 7 Paneldaten als Mehrebenenmodell Will man eine dynamische Begabungsentwicklung darstellen, benötigt man Längsschnittuntersuchungen mit Messwiederholungen (sog. Paneldaten). Die Mehrebenanalyse ermöglicht die Veränderung der Kriteriumsvariable (z.b. Schulleistung): auf Personenebene zu untersuchen und über die Zeitachse zu bestimmen. Dazu gehen wir von einem Zwei-Ebenen-Modell aus, indem die befragten Personen die zweite Ebene sind und ihre zeitlich aufeinanderfolgenden Messzeitpunkte die erste Ebene darstellen, d.h. die Messzeitpunkte stecken in der Person. Man spricht auch hier von geschachtelten Datensätzen (nested modles).
33 7 Paneldaten als Mehrebenenmodell Russische Puppen als Beispiel eines geschachtelten Datensatzes
34 7 Paneldaten als Mehrebenenmodell
35 7 Paneldaten als Mehrebenenmodell Vorteile der Mehrebenenanalyse im Vergleich zur Varianzanalyse (BRYK & RAUDENBUSH 1992, zit. nach LANGER 2009, S. 227): Die Schätzung von Wachstumsmodellen auf Personen- und nicht auf Stichprobenebene; Erfordert keine vollständigen Datensätze für alle Personen und alle Messzeitpunkte; Die Abstände zwischen den einzelnen Messzeitpunkten dürfen variiieren;
36 8 Beispiel einer dynamischen Begabungsentwicklung Datensatz einer internen Evaluation im Rahmen des Begabungssiegels des Wiener Stadtschulrats Befragt wurden 2 Jahrgangsklassen und 2 Lerngruppen aus Mehrstufenklassen ( insgesamt 52 Schüler) Gemessen wurde im Schuljahr 2009/10 und 2010/11 Kriteriumsvariable war nicht die Schulleistung, sondern die Leistungsmotivation Messinstrumente CFT 20-R (Weiß 2006) Skalen aus FEES 3-4 (Rauer & Schuck 2003) Auswertung erfolgte mit MLwiN 2.16
37 8.1 Nullmodell Die Datenanalyse beginnt mit dem Nullmodell, um zu zeigen, ob überhaupt Kontexteffekte vorliegen. Das Nullmodell enthält noch keine Prädiktoren und die Regressionskonstante verläuft noch waagrecht zur x-achse. Die Klassenebene (v) im Beispieldatensatz zeigt keine Kontexteffekte. Die Varianz zwischen den Schülern beträgt 3,35 (52,6%) und ist nach der Rule-of-Thumb signifikant. Die Schülerebene (u) erklärt 52,6% der Residualvarianz. Die Varianz zwischen den Zeitpunkten beträgt 5,18 und ist nach der Rule-of-Thumb signifikant. Die Zeitebene (e) erklärt 47,4% der Residualvarianz.
38 8.1 Nullmodell
39 8.1 Random-Intercept-Modell Die Klasseneben wird weggelassen und mit einem Zwei-Ebenen- Modell (Zeitebene und Schülerebenen) weitergerechnet. Die Varianz zwischen den Schülern beträgt 0,48 (6,45%) und ist nach der Rule-of-Thumb nicht signifikant. Die Varianz zwischen den Zeitpunkten (u) beträgt 5,18 (93,55%) und ist nach der Rule-of-Thumb signifikant. Die Zeitebene erklärt demnach 93,55% Mit nur einer Ebene ist eine Regression ausreichend, das Random- Slope-Modell ermöglicht jedoch einen linearen Trend der Leistungsmotivation der Schüler darzustellen. Dargestellt sind Wachstumsmodelle für die verschiedenen Gruppen von Schülern (Buben und Mädchen). Individuelle Wachstumsmodelle können über die Residualanalyse gesondert dargestellt werden.
40 8.2 Random- Intercept-Modell
41 8.3 Random- Slope-Modell Das Random-Slope-Modell klärt die Frage, ob der Prädiktor Zeit auf alle Schüler in der gleichen Weise wirkt oder ob der zeitliche Einfluss variiert. Die Varianz bezüglich der Intercepte beträgt 5,02, die Varianz der Slopes beträgt 5,09. Beide sind nach der Rule-of-Thumb signifikant von null verschieden. Die Kovarianz zwischen Intercept und Steigung beträgt 4,4 und ist signifikant. Das negative Vorzeichen bedeutet, dass Schüler mit einer höheren Leistungsmotivation zum 1. Messzeitpunkt eine deutlich schwächere Entwicklung der Leistungsmotivation über die Zeitspanne zwischen 1. und 2. Messzeitpunkt haben (Deckeneffekt?!).
42 8.3 Random- Slope-Modell
43 8.3 Random- Slope-Modell Interpretation der signifikanten Prädiktoren: Der grand mean der LM für eine Schülerin mit geringer kognitiver Fähigkeit, Deutsch als Muttersprache, mit geringem Selbstwertkonzept, die den Zusammenhalt gering bewertet und die nicht an der Interessensförderung teilnimmt, liegt bei 2,7. Buben haben einen um 0,3 geringeren Wert der LM. Kinder mit anderer Muttersprache einen um 0,26 höheren Wert. Kinder mit hohem Selbstkonzept einen um 1,02 höheren Wert. Kinder, die den Zusammenhalt höher bewerten, einen um 0,23 niedrigeren Wert. Kinder, die an der Interessenförderung teilnehmen einen um 0,29 höheren Wert. Zum 2. Zeitpunkt liegt die LM um 0,05 unter dem 1. Messzeitpunkt In der Interaktion wirken der Zusammenhalt und 2. Messzeitpunkt als positive Interaktion.
44 9 Literatur BORTZ, J. & Döring, N. (2006): Forschungsmethoden und Evaluation. Heidelberg: Springer HELLER, K.A.; Perleth, C.& Hany, E.A. (1994): Hochbegabung ein lange Zeit vernachlässigtes Forschungsthema. Einsichten Forschung an der Ludwig-Maximilians-Universität München, 3, H. 1, S LANGER, W. (2009): Mehrebenenanalyse. Eine Einführung in Forschung und Praxis. Wiesbaden: Verlag für Sozialwissenschaften LUHMANN, N. (1999): Funktionen und Folgen formaler Organisationen. Berlin: Duncker & Humblot SCHWETZ, H. (2003): Die Klasse macht den Unterschied. Mehrebenenanalystische Untersuchungen der Effekte von Unterricht. Landau: Verlag Empirische Pädagogik
45 9 Literatur SCHWETZ H. & SWOBODA, B. (2010, Hrsg.): Einführung in die Mehrebenenanalyse mit MlwiN Landau: Verlag Empirische Pädagogik WAGNER, G. (2012): Systemisches Begabungsmodell. Ein empirischer Ansatz ausgewählter Determinaten zur Begabungsentwicklung. In: news&science. H. 1, S WILKE, H. (2000): Systemtheorie I: Grundlagen. Stuttgart: Lucius & Lucius
Mehrebenenanalyse. 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
MehrHierarchische 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.
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
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)
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)
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
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
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
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
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: - Stichprobenziehung und Stichprobeneffekte Heute: -Gütekriterien I Rückblick Population und Stichprobe verschiedene Arten
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
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
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
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/
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
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
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
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,
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
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
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
MehrForschungsmethoden VORLESUNG SS 2017
Forschungsmethoden VORLESUNG SS 2017 SOPHIE LUKES Überblick Letzte Woche: - Stichprobenziehung und Stichprobeneffekte Heute: -Gütekriterien I Rückblick Population und Stichprobe verschiedene Arten der
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
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
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
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
MehrLösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
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:
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
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
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
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)
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
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
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrInferenzstatistik verstehen
Markus Janczyk Roland Pfister Inferenzstatistik verstehen Von A wie Signifikanztest bis Z wie Konfidenzintervall ^ Springer Spektrum vii 1 Einführung und deskriptive Statistik 1 1.1 Wichtige mathematische
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrKompetenzerwerb in Lehrveranstaltungen Einflussfaktoren des Kompetenzerwerbs in Lehrveranstaltungen
Kompetenzerwerb in Lehrveranstaltungen Einflussfaktoren des Kompetenzerwerbs in Lehrveranstaltungen (Dr. Kerstin Burck und Dr. Tatjana Rudi) Fragestellung und Relevanz Allgemein: Was sind die zentralen
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)
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
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
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrAbbildungsverzeichnis
Abbildungsverzeichnis Abbildung 1.1 Beispiele der ISCO-Kodierung für Büroangestellte und kaufmännische Angestellte 14 Abbildung 1.2 Sozioökonomischer Status (ISEI) und Berufsprestige (SIOPS) für ausgwählte
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
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
MehrVerfahren zur Überprüfung von Zusammenhangshypothesen
Verfahren zur Überprüfung von Zusammenhangshypothesen 0. Allgemeines Wir haben uns bisher mit Unterschiedshypothesen beschäftigt (Unterschiede von Stichproben in Bezug auf abhängige Variablen). Im Folgenden
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
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)
MehrInhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
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
Mehr1. Einfache lineare Regression: Eine metrische AV, eine metrische oder dichotome UV
Regressionsanalyse 1. Einfache lineare Regression: Eine metrische AV, eine metrische oder dichotome UV 2. Multiple Regression: Eine metrische AV, mehrere metrische oder dichotome UVs 3. Ausblick: Logistische
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
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
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
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
MehrGlossar. den man als mindesten oder interessanten Effekt für die Population annimmt. Anpassungstest; 148 f., 151: Der Anpassungstest
Literatur Aron, A., Aron, E. N., and Coups, E. J. (2009). Statistics for Psychology. Upper Saddle River: Prentice Hall. Backhaus, K.; Erichson, B.; Plinke, W. und Weiber, R. (2006). Multivariate Analysemethoden.
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
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, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
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
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrFamiliäre Prädiktoren bilingualer Sprachkenntnisse
Familiäre Prädiktoren bilingualer Sprachkenntnisse Masterthesis in der AE Entwicklungspsychologie: Jana Baumann Betreuung: Frau Prof. Dr. Leyendecker Überblick 1. 2. 1. Deskriptive Beobachtungen 2. Hypothese
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
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
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
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
MehrStrukturgleichungsmodelle. Sozialwissenschaften. R.Oldenbourg Verlag München Wien. Von Universitätsprofessor Dr. Jost Reinecke
Strukturgleichungsmodelle in den Sozialwissenschaften Von Universitätsprofessor Dr. Jost Reinecke R.Oldenbourg Verlag München Wien 1 Einleitung 3 2 Die Entwicklung der statistischen Modellbildung mit Strukturgleichungen
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
MehrAUSBLICK AUF WEITERE ANALYSEVERFAHREN IN DER STATISTIK 1
AUSBLICK AUF WEITERE ANALYSEVERFAHREN IN DER STATISTIK 1 1 Hier wird nicht der Anspruch erhoben, eine exhaustive Abhandlung zu geben Unterscheidung: Deskriptive vs. Inferenzstatistik Deskriptive Statistik:
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
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
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
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
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrInhaltsverzeichnis. Test nach Cochran. - Stand vom:
Inhaltsverzeichnis Test nach Cochran... 2 Lernhinweise... 2 Einführung... 2 Theorie & Fallbeispiel (1-4)... 2 1. Ausgangslage und Fragestellung... 2 2. Voraussetzungen, Arbeits- und Alternativhypothesen...
Mehr