Vorlesung: Multivariate Statistik für Psychologen
|
|
- Jesko Auttenberg
- vor 7 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung:.5.3 Agenda 4. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Statistisches Modell, Hypothesentestung Varianzzerlegung, Multivariate Prüfgrößen Beispielanalyse v. Post-hoc Tests bei der MANOVA vi. Annahmen und Voraussetzungen der MANOVA 5. Kovarianzanalyse (ANCOVA, MANCOVA) i. Einführung in die Kovarianzanalyse ii. iii. iv. Anwendunsbeispiele Statistisches Modell und Hypothesentestung Interpretation der Ergebnisse der Kovarianzanalyse v. Beispielanalysen in SPSS
2 Zusammenfassung der letzten Vorlesung: MANOVA I Grundidee der multivariaten Varianzanalyse gleichzeitige Testung von Mittelwertsunterschieden verschiedener Gruppen auf mehreren abhängigen Variablen Statistisches Modell Verrechnung der Zwischengruppeneffekte ("erklärt" durch Faktor/en) mit den Innergruppeneffekten (nicht "erklärt" durch Faktor/en) Berücksichtigung der Zusammenhänge zwischen den abhängigen Variablen ( Betrachtung der Varianz-Kovarianz-Matrizen) Hypothesen der multivariaten Varianzanalyse Nullhypothese inhaltlich: keine Gruppenunterschiede auf irgendeiner abhängigen Variablen und auf allen Linearkombinationen der abhängigen Variablen statistisch: keine Unterschiede der Mittelwertsvektoren der abhängigen Variablen zwischen den Gruppen 3 Zusammenfassung der letzten Vorlesung: MANOVA II Hypothesen der multivariaten Varianzanalyse (Fortsetzung) Alternativhypothese statistisch: Gruppenunterschiede auf Mittelwertsvektoren der abhängigen Variablen inhaltlich: Unterschiede auf mindestens einer abhängigen Variable (oder einer Linearkombination der abhängigen Variablen) zwischen mindest. zwei Gruppen Multivariate Prüfgrößen 4 verschiedene Prüfgrößen bei MANOVA Anwendung abhängig von inhaltlicher Fragestellung (Dimensionalität der abhängigen Variablen) und Erfüllung der Annahmen und Voraussetzungen (unterschiedliche Robustheit hinsichtlich statistischer Power) 4
3 Zusammenfassung der letzten Vorlesung: MANOVA II Post-hoc Tests Ziel Ermittlung der abhängigen Variablen (bzw. Linearkombination der abhängigen Variablen) auf der Gruppenunterschiede bestehen Ermittlung der Gruppen, zwischen denen Unterschiede bestehen Voraussetzung: Verwerfung der Nullhypothese bei MANOVA-Gesamttest verschiedene Post-hoc Verfahren für verschiedene Fragestellungen 5 Annahmen und Voraussetzungen der MANOVA I Grund für Annahmen und Voraussetzungen des Testverfahrens Grundlage für Gültigkeit des Testmodells und der Prüfgröße Konsequenzen der Verletzungen der Annahmen und Voraussetzungen potentiell fehlerhafte Parameterschätzung potentiell unbekannte Verteilung der Prüfgröße Annahmen und Voraussetzungen Multivariate Normalverteilung Annahme univariate Normalverteilung aller abhängigen Variablen univariate Normalverteilung aller Linearkombinationen der abh. Variablen multivariate Normalverteilung aller Teilmengen der abhängigen Variablen Prüfung kein direkter Test für multivariate Normalverteilung indirekt über univariate NV (als notwendige, nicht hinreichende Bedingung) 6
4 Annahmen und Voraussetzungen der MANOVA II Multivariate Normalverteilung (Fortsetzung) Veranschaulichung einer bivariaten Normalverteilung bei Kor( YY 1, ) = Streudiagramm Dichtefunktion Annahmen und Voraussetzungen der MANOVA III Multivariate Normalverteilung (Fortsetzung) Veranschaulichung einer bivariaten Normalverteilung bei Kor( YY 1, ) =,9 Streudiagramm Dichtefunktion
5 Annahmen und Voraussetzungen der MANOVA IV Multivariate Normalverteilung (Fortsetzung) Veranschaulichung einer bivariaten Normalverteilung bei Kor( YY 1, ) =,6 Streudiagramm Dichtefunktion Annahmen und Voraussetzungen der MANOVA V Multivariate Normalverteilung (Fortsetzung) Robustheit gegen Verletzung der Annahme relative Robustheit hinsichtlich des Alpha-Fehlers Einfluss auf statistische Power verschieden für Prüfgrößen (siehe vorne) geringerer Einfluss bei größerernstichproben Varianzgleichheit/Homoskedastizität Annahme Homogenität der Varianz-Kovarianz-Matrizen aller abhängigen Variablen für alle Faktorstufen/Gruppen (bzw. Kombinationen von Faktorstufen) Prüfung Box M-Test Nullhypothese: gleiche Varianz-Kovarianz-Matrizen (Homoskedastizität) anwendbar bis 5 Gruppen und 5 abhängige Variablen Voraussetzung: multivariate Normalverteilung Bartlett's Chi-Quadrat Test 1
6 Annahmen und Voraussetzungen der MANOVA VI Varianzgleichheit/Homoskedastizität (Fortsetzung) Beispiel abhängige Variablen (motorische Intelligenz, sprachliche Intelligenz) 3 Faktorstufen/Gruppen (Hauptschule, Realschule, Gymnasium) Homoskedastizität (gleiche Varianzen und Kovarianzen über alle Gruppen) Cov HS = Cov RS = Cov Gym = Heteroskedastizität (ungleiche Varianz-Kovarianz-Matrizen in Gruppen) Cov HS = Cov RS = Cov Gym = Annahmen und Voraussetzungen der MANOVA VII Varianzgleichheit/Homoskedastizität (Fortsetzung) Robustheit Homogenitätstest selber anfällig für Verletzung der Normalverteilungsannahme Auswirkungen von Heteroskedastizität unerheblich bei gleicher Stichprobengröße in allen Gruppen bei ungleichem Stichprobenumfang (kleinste vs. größte Zellbesetzung > Faktor 1,5) zu progressive oder zu konservative Testung (abhängig von Korrelation der Varianzen und Mittelwerte) Unabhängigkeit der Beobachtungen Annahme Messwert einer Person unabhängig von Wert der anderen Personen in der eigenen Gruppe und in fremden Gruppen Prüfung kaum möglich Kontrolle über (experimentelles) Untersuchungsdesign 1
7 Annahmen und Voraussetzungen der MANOVA VIII Unabhängigkeit der Beobachtungen (Fortsetzung) Robustheit Linearität schwerwiegende Auswirkungen auf Teststatistik und Schätzungen der Innergruppenvarianz Maßnahmen: Wechsel der Beobachtungseinheit für Untersuchung (Gruppen statt einzelne Personen) Herauspartialisieren systematischer Störeffekte / Berücksichtigung von Kovariaten in der MANOVA linearer Zusammenhang (Korrelation) zwischen abhängigen Variablen wichtig für Bildung der Linearkombinationen keine Abbildung nicht-linearer Zusammenhänge möglich evtl. durch Datentransformation der abhängigen Variablen 13 Annahmen und Voraussetzungen der MANOVA IX Multikollinearität Multikollinearität = zu hohe Korrelation der abhängigen Variablen, d.h. Kor( YY 1, ) >,7 Auswirkungen Verzerrung der Teststatistik evtl. keine Berechnung der Prüfgrößen möglich Maßnahme Entfernen redundanter abhängiger Variablen Ausreißer Teststatistik der MANOVA sensitiv gegenüber extremen Ausreißern Maßnahmen vorheriges Datenscreening evtl. Umkodierung der abhängigen Variablen evtl. Löschen der Ausreißer 14
8 Annahmen und Voraussetzungen der MANOVA X Stichprobe Repräsentativität der Stichprobe für die Population Empfehlungen zur Stichprobengröße pro Zelle (alle Kombinationen von Faktorstufen) mindestens Personen Anzahl der Personen pro Kombination von Faktorstufen m u s s größer sein als Anzahl der abhängigen Variablen möglichst gleich große Stichproben pro Zelle (Kombination der Faktorstufen) Anzahl und Struktur der abhängigen Variablen Effekte zu vieler abhängiger Variablen Fehlervarianzen verdecken u.u. Effekte niedrigere statistische Power (größere Wahrscheinlichkeit für Beta-Fehler) 15 Ende der MANOVA FRAGEN? 16
9 Einführung in die Kovarianzanalyse I Grundidee Berücksichtigung des ("störenden") Einflusses von Drittvariablen bei der Überprüfung von Mittelwertsunterschieden bei mehreren Gruppen Verbindung der Verfahren Regression und Varianzanalyse Hauptanwendungen der Kovarianzanalyse Kontrolle des Einflusses von Störvariablen auf die abhängige(n) Variable(n) Reduzierung der nicht vorhergesagten Varianz der abhängigen Variablen (Fehler- bzw. Innergruppenvarianz) Erhöhung der Sensitivität (d.h. Wahrscheinlichkeit der Entdeckung) für systematische Effekte der Faktoren Berücksichtigung anfänglicher Gruppenunterschiede (statistische) Vergleichbarkeit von Gruppen herstellen Analyse von Gruppenunterschieden ohne konfundierende Variablen 17 Einführung in die Kovarianzanalyse II Beispiel 1: Kontrolle des Einflusses von Störvariablen Untersuchung der Auswirkungen verschiedener Therapien auf die Befindlichkeit der Patienten Randomisierung (zufällige Zuordnung) der Patienten zu Therapien keine Anfangunterschiede zwischen Gruppen erwartet Problem: Befindlichkeit vor allem beeinflusst durch Schwere der Krankheit (in beiden Gruppen unterschiedliche Schweregrade) Kovarianzanalyse Herausrechnen des Effekts des Schwergrads der Störung bei Patienten auf Befindlichkeit nach Therapie (keine Korrelation mit Therapiegruppe Verminderung nur der nicht-erklärten / Innergruppenvarianz) Betrachtung der Gruppenunterschiede verschiedener Therapiegruppen auf "korrigierte" Befindlichkeit 18
10 Einführung in die Kovarianzanalyse III Beispiel : Berücksichtigung anfänglicher Gruppenunterschiede Untersuchung des Effekts der Teilnahme an Statistik-Tutorium auf Punktzahl in Statistikklausur Zuordnung der Studierenden zu Gruppen (keine Teilnahme vs. Teilnahme) auf Freiwilligkeitsprinzip keine zufällige Zuordnung (quasi-experimentelles Design) Berücksichtigung des Einflusses der Motivation auf Klausurpunktzahl Problem: Gruppenunterschiede bei Motivation (Korrelation der Gruppenzugehörigkeit und Ausprägung der Motivation) Interpretation der Effekte (bessere Punktzahlen "aufgrund" der höheren Motivation der Teilnehmer oder aufgrund der Teilnahme an Tutorien)? Kovarianzanalyse Ermittlung des Effekts der Teilnahme an Tutorien nach "Bereinigung" anfänglicher Motivationsunterschiede der Gruppen 19 Statistisches Modell der Kovarianzanalyse I Grundlegendes Vorgehen Herauspartialisieren des Einflusses der Kovariaten auf die abhängige(n) Variable(n) mittels Regression Vorhersage der abhängigen Variablen mit Kovariate Speichern der Residuen (nicht-vorhergesagten) Teile der abhängigen Variablen pro Person Y = a+ b X + e i i( Kov) i Y = Yˆ + e i ikov ( ) i e = Y Yˆ = Y * i i ikov ( ) i Y = a+ b X ˆi ( Kov ) i ( Kov ) Vergleich der Gruppenmittelwerte auf der um den Einfluss der Kovariaten bereinigten abhängigen Variablen (Residuum der Regression) mittels ANOVA bzw. MANOVA (oder Regression mit Dummy-Kodierung) Y * ˆi = a+ b X itreatment ( )
11 Statistisches Modell der Kovarianzanalyse II Statistische Grundlagen des Verfahrens statistisches Vorgehen entspricht einer hierarchischen (schrittweisen) Regression 1. Schritt: Regression der abhängigen Variable(n) an der/n Kovariaten. Schritt: Regression des Residuums des ersten Regressionsschritts an der/n (dummy-kodierten) Gruppierungsvariablen alternativ: Testung der Gruppenunterschiede auf "bereinigter" abhängiger Variable mittels Varianzanalyse (nominale/kategorisierte Prädiktoren) Varianzzerlegung bei der Kovarianzanalyse siehe hierarchische Regression Beispiel für eine abhängige Variable, einen Faktor und eine Kovariate Gesamtvarianz = erklärte Varianz (Kovariate) + Fehlervarianz (Kovariate) Fehlervarianz (Kovariate) = erklärte Varianz (Faktor) + Fehlervarianz (Faktor) SS Gesamt = SS Kov + SS Faktor + SS Fehler SS = SS + SS + SS TO R( Kov) BG WG 1 Statistisches Modell der Kovarianzanalyse III Statistische Grundlagen des Verfahrens Interpretation des Ergebnisse abhängig von Korrelationsstruktur der abhängigen Variablen und des/r Faktors/en mit Kovariaten Zusammenhang der abhängigen Variablen mit Kovariaten kein Zusammenhang: kein Einfluss der Kovariaten auf abhängige Variable(n) Ergebnis der ANCOVA gleich ANOVA sign. Zusammenhang: Einfluss der Kovariaten auf abhängige Variable(n) potentielle Unterschiede zwischen ANCOVA und ANOVA Zusammenhang des/r Faktors/en mit Kovariaten kein Zusammenhang (Fall 1): Interpretation der Gruppenunterschiede hinsichtlich der (um Einfluss der Kovariaten bereinigten) abhängigen Variable/n möglich Zusammenhang: eingeschränkte Interpretation der Gruppenunterschiede möglich
12 Statistisches Modell der Kovarianzanalyse IV Hypothesentestung äquivalent zur Beurteilung von Regressionskoeffizienten bei Regression (Kovariate) bzw. Faktoren bei Varianzanalyse Details: 1. Schritt: Regression mit Kovariate Einfluss der Kovariaten auf abhängige(n) Variable(n) Beurteilung des Anteils der erklärten Varianz der Kovariaten an der Gesamtvarianz der abhängigen Variable(n) Nullhypothese: keine Zusammenhang Kovariate abhängige Variable(n). Schritt: Varianzanalyse mit Faktoren Einfluss der Gruppenzugehörigkeit auf nicht-erklärten Teil der abhängigen Variablen aus Schritt 1 Beurteilung der Zwischengruppenvarianz im Verhältnis zur Innergruppenvarianz (Gesamtvarianz = Residualvarianz aus Schritt 1) Nullhypothese: kein Zusammenhang Faktor(en) abhängige Variable(n) 3 Statistisches Modell der Kovarianzanalyse V Hypothesentestung (Fortsetzung) Interpretation signifikanter Ergebnisse Fall 1: keine Korrelation Kovariate Faktor(en), z.b. experimentelles Design keine Unterschiede hinsichtlich der mittleren Ausprägung der Kovariaten bei Gruppen des Faktors Bereinigung des Einflusses der Kovariaten i n n e r h a l b der Gruppen keine Verzerrung des Treatmenteffekts (Faktorausprägung) durch Kovariate uneingeschränkte Interpretation der Varianzanalyse möglich Fall : Korrelation Kovariate Faktor(en) unterschiedliche Ausprägung der Gruppen auf Kovariate Bereinigung des Einflusses der Kovariaten bei allen Personen i n n e r h a l b und z w i s c h e n Gruppen Verzerrung der Analyse im Sinne des Treatmenteinflusses keine uneingeschränkte Interpretation der Varianzanalyse möglich (siehe Interpretation partieller Regressionskoeffizienten) 4
13 Ausblick Kovarianzanalyse Interpretation der Ergebnisse der Kovarianzanalyse Beispielanalysen in SPSS Annahmen und Voraussetzungen der Kovarianzanalyse Varianzanalyse abhängiger Daten / Messwiederholungsdesign 5
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: 1.0.2003 Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 11. Vorlesung: 18.0.200 Agenda. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Uni- vs. multivariate Varianzanalyse
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 9. Vorlesung: 12.05.2003 Agenda 2. Univariate Varianzanalyse iv. Varianzanalyse als Spezialfall der Regression Zusammenhang Regression und Varianzanalyse
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 8. Vorlesung: 08.05.003 was man/frau schon immer wissen wollte I Interpolation und Extrapolation Schlussfolgerung auf erwarteten Wert einer Person aufgrund
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 2. Vorlesung: 10.04.2003 Agenda 1. Organisatorisches 2. Datenbehandlung i. Unverfälschte Daten ii. Unverfälschte Korrelationen iii. Missing Data iv. Ausreißer
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 6. Vorlesung: 28.04.2003 Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, 01.05.03, 12 14 Uhr, IfP SR 9 neuer Termin:
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
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
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 5. Vorlesung: 4.04.003 Agenda. Multiple Regression i. Grundlagen Grundidee, Ziele der multiplen Regression Beispiele ii. iii. Statistisches Modell Modell
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
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...
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Mehr» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
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
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
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
MehrKipp/Opitz UdS 2007/08. Experimentalmethodik
Experimentalmethodik Alltagspsychologie & Wissenschaftliche Psychologie nicht systematisch trennend zw. Richtigem und Falschem nicht methodisch kontrolliert geeignete Werkzeuge nicht kritische Überprüfung
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
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
MehrSkript zur Vorlesung Statistik 2
Weder die Autorin noch der Fachschaftsrat Psychologie übernimmt Irgendwelche Verantwortung für dieses Skript. Das Skript soll nicht die Lektüre der Prüfungsliteratur ersetzen. Verbesserungen und Korrekturen
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
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
MehrInhaltsverzeichnis. Vorwort
Vorwort XI 1 Grundbegriffe der mathematischen Statistik I 1.1 Grundgesamtheit und Stichprobe 2 1.1.1 Konkrete Stichproben und Grundgesamtheiten 2 1.1.2 Stichprobenverfahren 4 12 Mathematische Modelle für
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 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
MehrMethodenlehre. Vorlesung 6. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 6 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
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
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
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
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
MehrInhaltsverzeichnis. Vorwort
Vorwort 1 Die Grundlagen 15 Alles variiert 16 Signifikanz Gute und schlechte Hypothesen 18 Nullhypothesen 18 19 Interpretation Statistisches Modellieren 20 Maximale Wahrscheinlichkeit 21 Versuchsanordnung
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
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,
MehrEinfaktorielle Varianzanalyse
Professur Psychologie digitaler Lernmedien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Einfaktorielle Varianzanalyse Überblick Einführung Alphafehler-Kumulierung Grundprinzip
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
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
MehrSTATISTIK FÜR DIE SOZIALWISSENSCHAFTEN
Steffen-M. Kühnel Dagmar Krebs 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. STATISTIK FÜR DIE SOZIALWISSENSCHAFTEN
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung: 07.04.2003 Agenda 1. Organisatorisches 2. Literaturempfehlungen 3. Überblick: Was ist multivariate Statistik? 4. Lernziele und Prüfungsanforderungen
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
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)
MehrMethodik für Linguisten
Claudia Methodik für Linguisten Eine Einführung in Statistik und Versuchsplanung narr VERLAG 1 Reisevorbereitungen und Wegweiser 2 Linguistik als empirische Wissenschaft 15 2.1 Karl Popper und der Falsifikationismus
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
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
MehrMethodenlehre. Vorlesung 5. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 5 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ 20.2.13 Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrBiostatistik. Eine Einführung für Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Eine Einführung für Biowissenschaftler ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City
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
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
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
MehrBiostatistik. 4y Springer. Wolfgang Köhler Gabriel Schachtel Peter Voleske. Vierte, aktualisierte und erweiterte Auflage
Wolfgang Köhler Gabriel Schachtel Peter Voleske Biostatistik Vierte, aktualisierte und erweiterte Auflage Mit 65 Abbildungen und 50 Tabellen 4y Springer Einleitung 1 Kapitel I: Merkmalsauswahl 5 1 Wahl
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
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
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
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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:
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
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
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
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrWeitere Varianzanalysen
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Weitere Varianzanalysen Überblick Varianzanalyse mit Messwiederholung Kovarianzanalyse
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrStatistik für Psychologen, Pädagogen und Mediziner
Thomas Köhler Statistik für Psychologen, Pädagogen und Mediziner Ein Lehrbuch ^~i: Verlag W. Kohlhammer 1 Einführung: Begriffsklärungen und Überblick 11 1.1 Aufgaben und Subdisziplinen der Statistik 11
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,
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
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
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse 2 Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Kovarianzanalyse 5 Multivariate Varianzanalyse 6 Zweifaktorielle Varianzanalyse
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
MehrLehrinhalte Statistik (Sozialwissenschaften)
Lehrinhalte Technische Universität Dresden Institut für Mathematische Stochastik Dresden, 13. November 2007 Seit 2004 Vorlesungen durch Klaus Th. Hess und Hans Otfried Müller. Statistik I: Beschreibende
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,
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
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
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]
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
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
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:
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
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
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
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
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.
Mehrmethodenlehre ll ALM und Mehrfaktorielle ANOVA Mehrfaktorielle ANOVA methodenlehre ll ALM und Mehrfaktorielle ANOVA
15.04.009 Das Allgemeine lineare Modell Post hoc Tests bei der ANOVA Mehrfatorielle ANOVA Thomas Schäfer SS 009 1 Das Allgemeine lineare Modell (ALM) Varianz als Schlüsselonzept "The main technical function
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 6-6) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
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
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,
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
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
MehrStichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40
283 Stichwortverzeichnis a Alpha-Wert 76, 91 Alter 256 Alternativhypothese 68, 70 ANOVA siehe einfache Varianzanalyse, zweifache Varianzanalyse Anpassung 178 Anpassungstest siehe Chi-Quadrat-Anpassungstest
Mehr