Kontrolle und Aufbereitung der Daten. Peter Wilhelm Herbstsemester 2014
|
|
- Lilli Michel
- vor 7 Jahren
- Abrufe
Transkript
1 Kontrolle und Aufbereitung der Daten Peter Wilhelm Herbstsemester 2014
2 Übersicht 1.) Kontrolle und Aufbereitung der Daten Fehlerkontrolle Umgang mit Missing 2.) Berechnung von Skalen- und Summenscores Umkodierung von Items (Recode-Befehl oder Compute Befehl) Berechnung von Scores (Compute-Befehl) 3.) Reliabilitätsanalyse Verschiedene Reliabilitätsarten Überprüfung der Internen Konsistenz 4.) Deskriptive Analyse der Variablen zur Überprüfung der Voraussetzungen
3 Kontrolle der Daten Hohe Wahrscheinlichkeit, dass Fehler beim Ausfüllen und / oder Kodieren entstehen Entdecken von Kodierfehlern: Doppelte Eingabe der Daten (Standard in Klinischen Zulassungstudien) Gründliche Inspektion und Kontrolle der Daten bevor weitere Operationen erfolgen bzw. Daten inhaltlich analysiert werden. Deskriptive Darstellung jeder Variable SPSS Befehl: STATISTICS -> SUMMARIZE -> FREQUENCIES Entfernung oder Rekonstruktion unplausibler Werte (Z.B. wenn Skala von 1 bis 6 reicht, werden alle Werte die kleiner 1 oder grösser 6 sind, mit dem Eintrag im Originalfragebogen verglichen und korrigiert) Aufspüren von Doppelten Fällen SPSS Befehl: DATA -> IDENTIFY DUPLICATE CASES Identifiziert Fälle, die in max. 64 Variablen identische Werte haben
4 Fehlende Werte (Missing values) (Rosenthal & Rosnow, 2008) 1.) Vollständig zufällige Missings Missing sind mit keiner interessierenden Variable assoziiert -> unverzerrte Schätzwerte 2.) Zufällige Missings Muster der Missing hängt mit den beobachteten Daten zusammen -> potentiell verzerrte Schätzwerte Z.B. weisen in einer Studie Personen mit stärker ausgeprägter Störung mehr Missing bei der Angabe des aktuellen Wohlbefindens (WB) auf. -> Wahrscheinlichkeit, dass WB angegeben wird hängt damit vom Schweregrad der Störung ab. Reduktion der Verzerrung -> indem Missing mit Hilfe der vorhandenen Variablen, mit denen sie Zusammenhängen geschätzt werden Die fehlenden Werte im WB können mit Hilfe der Variable Schweregrad der Störung geschätzt werden. 3.) Nicht zufällige Missings Missings können nicht (vollständig) mit anderen erhobenen Variablen erklärt werden -> Verzerrte Schätzwerte Z.B. weisen in einer Studie nicht nur Personen mit stärker ausgeprägter Störung mehr Missing bei der Angabe des WB auf, sondern auch Personen im Normalbereich (Mit Schwere der Störung kann WB dann nicht mehr vorhergesagt werden).
5 Behandlung fehlender Werte (Rosenthal & Rosnow, 2008, S. 289) 1.) Missing werden nicht ersetzt Fallweiser Auschluss (exclude cases listwise) (bei Missing in einer oder mehreren Variablen wird ganzer Fall ausgeschlossen) -> N bleibt konstant über alle Berechnungen -> empfohlen, wenn Missing < 5% (Lüdtke et al., 2007) Paarweiser Ausschluss (exclude cases pairwise) Alle verfügbaren Fälle werden in Analyse einbezogen: ->N kann von Berechnung zu Berechnung variieren -> nicht empfohlen (Lüdtke et al., 2007) Voraussetzung: Komplett zufällige Missing
6 Strategien um fehlende Werte zu ersetzen (Rosenthal & Rosnow, 2008, S. 290; Lüdtke et al., 2007) Missing werden mit Mittelwert der Variable ersetzt (SPSS: TRANSFORM > REPLACE MISSING VALUES -> Option bei Method : Series Means (voreingestellt) -> unverzerrte Schätzung nur bei vollständig Random Missing -> Variabilität wird unterschätzt (nicht empfohlen) Missing werden mit Regressionsgleichung vorhergesagt, die an vorhandenen Fällen ermittelt wurde (SPSS: ANALYZE -> MISSING VALUE ANALYSIS > Option bei Estimation : Regression) -> unverzerrte Schätzung nur bei vollständig Random Missing -> Variabilität wird unterschätzt (nicht empfohlen) Missing werden mit Regressionsgleichung + Zufallskomponente vorhergesagt, die an vorhandenen Fällen ermittelt wurde -> unverzerrte Schätzung nur bei vollständig Random Missing Hot Deck Imputation : Zu Fällen mit Missing werden ähnliche Fälle mit vorhandenen Daten gesucht. Von diesen Fällen werden per Zufall Werte entnommen. -> nur in Spezialfällen empfohlen Multiple Imputation : Missing wird ersetzt durch Set von m plausiblen Schätzwerten, die m pseudovollständige Datensätze liefern. Die Resultate der Analysen der m Datenstätze werden zu einem gemeinsamen Schätzwert kombiniert. -> empfohlen Modellbasierte Verfahren
7 Berechnung von Scores Einzelitems, die das gleiche Konstrukt erfassen sollen, werden zu Scores zusammengefasst. Bevor Items zusammengefasst werden: können: 1. Kontrolle der Items u.u. ist Umkodierung der Items erforderlich 2. Analyse der Internen Konsistenz der Items (SPSS Befehl: STATISTICS -> SCALE -> RELIABILITY ANALYSIS wenn einzelne Items Cronbachs Alpha deutlich beeinträchtigen -> Fehlerkontrolle -> wenn kein Fehler vorliegt -> Item nicht in Score einbeziehen. Bei Ausschluss von Items: Skala wird reliabler, aber Skaleninhalt ändert sich 3. Items werden zu Score zusammengefasst: Struktur des SPSS Befehls: COMPUTE X (Name der neuen Variable) = MEAN (Item_a, Item_b, Item_z). Voraussetzung: Items gehören zur Skala und sind richtig gepolt.
8 Umpolung von Items Items einer Skala sind z.t. gegenläufig formuliert Auszubalancieren von Antwortstilen. Beispiel: Soziale Erwünschtheit (SES) I1 Eigene Fehler gebe ich stets offen zu (+) I2 Manchmal werfe ich Müll einfach auf die Strasse (-) Umcodierung damit alle Items das Konstrukt in der gleichen Richtung messen: SPSS Befehl: TRANSFORM -> COMPUTE: COMPUTE I2r = (maximal möglicher Wert + 1) I2.
9 Reliabilität und Validität
10 Reliabilität Zuverlässigkeit, Wiederholbarkeit, Konsistenz Modell der Klassischen Testtheorie T = wahrer Wert X1, X2 = Messungen e1, e2 = Fehler
11 Reliabilität Varianz des wahren Werts (T) Reliabilität = Varianz der Messungen (X) Kovarianz (X1, X2) Reliabilität = = r(x1, X2) SD (X1) * SD(X2)
12 Backup: Verschiedene Inter-Rater Reliabilität Reliabilitätsarten Konsistenz von Urteilen, die von verschiedenen Beurteilern stammen (Mass der Intersubjektivität). Bei Beobachtungskategorien: Cohens Kappa, Anteil Übereinstimmung in Prozent bei kontinuierlichen Massen: Korrelation zwischen Beobachtern (Masse der Internen Konsistenz). Test-Retest Reliabilität Stabiles Konstrukt (Trait) wird wiederholt mit dem gleichen Instrument gemessen. Korrelation r(xt1, Xt2) ist abhängig vom Zeitintervall. Parallel-Test-Reliabilität Korrelation r(xa, XB) zwischen zwei parallelen Versionen (A und B) des gleichen Instruments. Interne Konsistenz Ähnlichkeit der Resultate in Einzelitems, die das gleiche Konstrukt messen? Durchschnittliche Inter-Item-Korrelation Durchschnittliche Korrelation zwischen Einzelitems und Gesamtscore Split-Half-Reliabilität Cronbachs Alpha
13 Chronbachs Alpha m 1 m 1 m i1 Var Var Y i Y m = Anzahl items Var(Y i ) = Varianz von Item i ; Var(Y) = Varianz der Summe der Items (Bei zwei Items ist Var(Y) = Var(Y 1 ) + Var(Y 2 ) + 2 * Cov(Y 1, Y 2 ).
14 Beispiele Chronbachs Alpha m 1 m 1 m i1 Var Var Y i Y Zwei Items: Var(Y 1 ) = 1 Var(Y 2 ) = 1 Cov(Y 1, Y 2 ) = * Drei Items: Var(Y 1 ) = 1 Var(Y 2 ) = 1 Var (Y 3 ) = 1 Cov(Y 1, Y 2 ) =.5 Cov(Y 1, Y 3 ) =.5 Cov(Y 2, Y 3 ) = *
15 Cronbachs Alpha Wird um so grösser je höher die Korrelation zwischen den Items ist Wird um so grösser je mehr Items in die Skala eingehen Je mehr Items bereits in der Skala enthalten sind, umso weniger wird durch ein zusätzliches Item mit gleicher Interkorrelation Cronbach Alpha erhöht.
16 Mögliche Fehler bei der Berechnung von Scores Items wurden nicht für falsche oder unmögliche Werte kontrolliert Umkodierung von Variablen wurde nicht korrekt vorgenommen Nicht alle erforderlichen Items oder falsche (nicht zur Skala gehörige) Items wurden aufgenommen Fehlende Werte in einzelnen Items wurden nicht angemessen berücksichtigt (Summe über Items, statt Mittelwert über Items)
17 Berechnung von Scores, wenn Einzelitems Missing sind ItemA ItemB ItemC Summe
18 Berechnung von Scores, wenn Einzelitems Missing sind ItemA ItemB ItemC Summe Mittelwert Der Mittelwert ist der Summe vorzuziehen. Wenn Summenwert benötigt wird, dann sollte er auf der Basis des Mittelwerts geschätzt werden: geschätzte Summe = Mittelwert * Anzahl Items.
Kontrolle und Aufbereitung der Daten. Peter Wilhelm Herbstsemester 2016
Kontrolle und Aufbereitung der Daten Peter Wilhelm Herbstsemester 2016 Übersicht 1.) Kontrolle und Aufbereitung der Daten ^ Fehlerkontrolle ^ Umgang mit Missing 2.) Berechnung von Skalen- und Summenscores
MehrBestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r
Dr. Wolfgang Langer - Methoden V: Explorative Faktorenanalyse SoSe 1999-1 Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala Für die Schätzung der Zuverlässigkeit einer additiven Itemskala,
MehrReliabilitäts- und Itemanalyse
Reliabilitäts- und Itemanalyse In vielen Wissenschaftsdisziplinen stellt die möglichst exakte Messung von hypothetischen Prozessen oder Merkmalen sogenannter theoretischer Konstrukte ein wesentliches Problem
MehrTesttheorie und Gütekriterien von Messinstrumenten. Objektivität Reliabilität Validität
Testtheorie und Gütekriterien von Messinstrumenten Objektivität Reliabilität Validität Genauigkeit von Messungen Jede Messung zielt darauf ab, möglichst exakte und fehlerfreie Messwerte zu erheben. Dennoch
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Reliabilität in der klassischen (psychometrischen) Testtheorie Statistisches Modell Realisierung mit der SPSS-Prozedur Reliability Klassische Testtheorie:
MehrDie Subskala besteht aus folgenden Items (Ausschnitt aus dem Codeplan):
Beispiel für eine Itemanalyse mit der SPSS-Prozedur Reliabilitätsanalyse (RELIABILITY) Daten: POKIII_AG1_V06.SAV (POK III, AG 1) Die Skala Körperbewusstsein von Löwe und Clement (1996) 1 besteht aus zwei
MehrTESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Reliabilität 1. Überblick 2. Berechnung
MehrImputation (Ersetzen fehlender Werte)
Imputation (Ersetzen fehlender Werte) Gliederung Nonresponse bias Fehlende Werte (missing values): Mechanismen Imputationsverfahren Überblick Mittelwert- / Regressions Hot-Deck-Imputation Row-Column-Imputation
Mehr= = =0,2=20% 25 Plätze Zufallsübereinstimmung: 0.80 x x 0.20 = %
allgemein Klassifizierung nach Persönlichkeitseigenschaften Messung von Persönlichkeitseigenschaften Zuordnung von Objekten zu Zahlen, so dass die Beziehungen zwischen den Zahlen den Beziehungen zwischen
MehrMETHODENPRAKTIKUM II Kurs 1. Prof. Dr. Beat Fux SUZ Frühlingssemester 2009
METHODENPRAKTIKUM II Kurs 1 Prof. Dr. Beat Fux SUZ Frühlingssemester 2009 Ziel der Faktorenanalyse Struktur hinter den Korrelationen zwischen Variablen entdecken Reduzierung einer Vielzahl von Variablen
MehrMissing Data. VL Forschungsmethoden
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht Missing Data: Typen Vor- und Nachteile : Ansatz Implementation VL Forschungsmethoden
MehrÜbersicht zu fehlenden Daten
Übersicht zu fehlenden Daten Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten Alexander Pokatilo Betreuerin: Eva Endres Seminarleiter: Prof. Dr. Thomas Augustin
MehrFehlende Daten. Seminarvortrag im Rahmen des Seminars: Statistische Herausforderungen sozialwissenschaftlicher Studien.
Fehlende Daten Seminarvortrag im Rahmen des Seminars: Statistische Herausforderungen sozialwissenschaftlicher Studien Julia Schiele Betreuer: Professor Augustin Institut für Statistik LMU 22. Dezember
Mehr3.2 Grundlagen der Testtheorie Methoden der Reliabilitätsbestimmung
3.2 Grundlagen der Testtheorie 3.2.6 Methoden der Reliabilitätsbestimmung 6.1 Was ist Reliabilität? 6.2 Retest-Reliabilität 6.3 Paralleltest-Reliabilität 6.4 Splithalf-(Testhalbierungs-)Reliabilität 6.5
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheorie Januar 2009 HS MD-SDL(FH) Prof. Dr. GH Franke Kapitel 5 Vertiefung: Reliabilität Kapitel 5 Vertiefung: Reliabilität 5.1 Definition Die Reliabilität eines Tests beschreibt
MehrVerfahren zur Skalierung. A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie
Verfahren zur Skalierung A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie 1. Daten: z. Bsp. Rating-Skalen, sogenannte "Likert" - Skalen 2. Ziele 1. Eine Skalierung von Items
MehrÜbung: Praktische Datenerhebung
Übung: Praktische Datenerhebung WS 2011 / 2012 Modul: Methoden der empirischen Sozialforschung 1 (Übung zur Vorlesung) Judith Jahn / Aline Hämmerling 1 Ablauf Block 1 Dauer 3 h Inhalt Einführung: Ziel
MehrMissing Data. Missing Data. VL Forschungsmethoden. VL Forschungsmethoden. Missing Data: Typen Strategien Fazit
Missing Data VL Forschungsmethoden Missing Data VL Forschungsmethoden VL Forschungsmethoden Missing Data (0/27) Übersicht 1 2 Vor- und Nachteile : Ansatz Implementation 3 VL Forschungsmethoden Missing
Mehrσ 2 (x) = σ 2 (τ) + σ 2 (ε) ( x) ( ) ( x) ( ) ( ) σ =σ τ +σ ε σ τ σ σ ε ( ) ( x) Varianzzerlegung Varianzzerlegung und Definition der Reliabilität
Varianzzerlegung Die Varianz der beobachteten Testwerte x v : setzt sich zusammen aus zerlegen wahrer Varianz und Fehlervarianz: σ (x) = σ (τ) + σ (ε) Varianzzerlegung und Definition der Reliabilität (
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
MehrTutorium Testtheorie. Termin 3. Inhalt: WH: Hauptgütekriterien- Reliabilität & Validität. Charlotte Gagern
Tutorium Testtheorie Termin 3 Charlotte Gagern charlotte.gagern@gmx.de Inhalt: WH: Hauptgütekriterien- Reliabilität & Validität 1 Hauptgütekriterien Objektivität Reliabilität Validität 2 Hauptgütekriterien-Reliabilität
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
MehrFaktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduzierung. Interpretation des SPSS-Output s
Explorative Faktorenanalyse als Instrument der Dimensionsreduzierung Beispiel: Welche Dimensionen charakterisieren die Beurteilung des sozialen Klimas in der Nachbarschaft? Variablen: q27a bis q27g im
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
MehrUmgang mit fehlenden Werten in der psychologischen Forschung
Umgang mit fehlenden Werten in der psychologischen Forschung Oliver Lüdtke Max-Planck-Institut für Bildungsforschung Alexander Robitzsch Institut zur Qualitätsentwicklung im Bildungswesen Programm Montag
MehrÜbersicht zu fehlenden Daten
Übersicht zu fehlenden Daten Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten Alexander Pokatilo Betreuerin: Eva Endres Seminarleiter: Prof. Dr. Thomas Augustin
MehrFaktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduktion. Interpretation des SPSS-Output s
Explorative Faktorenanalyse als Instrument der Dimensionsreduktion Beispiel: Welche Dimensionen charakterisieren die Beurteilung des sozialen Klimas in der Nachbarschaft? Variablen: q27a bis q27g im Datensatz
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
MehrRETESTRELIABILITÄT. Teststabilität. Korrelation wiederholter Testdurchführungen. Persönlichkeitstests. Stabilität des Zielmerkmals.
Basiert auf RETESTRELIABILITÄT Wird auch genannt Teststabilität Geeignet für Korrelation wiederholter Testdurchführungen Abhängig von beeinflusst Stabilität des Zielmerkmals Persönlichkeitstests Speedtests
MehrDr. Heidemarie Keller
Reliabilität und Validität der deutschen Version der OPTION Scale Dr. Heidemarie Keller Abteilung für Allgemeinmedizin, Präventive und Rehabilitative Medizin Philipps-Universität Marburg EbM & Individualisierte
MehrBefehl: Analysieren > Deskriptive Statistiken > Häufigkeiten. Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere Lagemasse
Grundeinstellungen Befehl: Bearbeiten >Optionen > Allgemein: Namen anzeigen Häufigkeiten Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrStatistische Matching-Verfahren
Statistische Matching-Verfahren Erste Statistik-Tage 2012 Bamberg Fürth 26./27. Juli 2012 in Bamberg Prof. Dr. Susanne Rässler Lehrstuhl für Statistik und Ökonometrie in den Sozial- und Wirtschaftswissenschaften
Mehr6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...
MehrEinführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY231) Herbstsemester 2015 Olaf Steinkamp 36-J-22 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrValidierung des SINGER. Datenquellen und Ergebnisse:
Validierung des SINGER Datenquellen und Ergebnisse: 1. Pilotstudie 2002 (auch als SINGER I Studie bezeichnet) n = 100 in 2 neurologischen Fachkliniken 50% Phase C, 50% Phase D Altersdurchschnitt: 67 plus/minus
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
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
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
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
MehrAngewandte Marktanalyse und Marktforschung
Angewandte Marktanalyse und Marktforschung #8 Datenaufbereitung und -kontrolle Tobias Berger M.A. Friedrich-Schiller-Universität Jena Fakultät für Sozial- und Verhaltenswissenschaften Institut für Sportwissenschaft
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...
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
Mehr19 Punkte. Aufgabe 1. Einkommen niedrig mittel hoch Männer Frauen Geschlecht. a) Bestimmen Sie die fehlenden Werte!
Aufgabe 1 19 Punkte Sie haben die Einkommensdaten von 369 Personen gegeben. Diese wurden in die Gehaltsgruppen niedrige, mittlere und hohe Einkommensklassen kategorisiert - jeweils nach Frauen und Männer
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 6 2009 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den insendeaufgaben geprüften Lehrzielgruppen Lehrzielgruppe:
MehrEine Skala ist also Messinstrument, im einfachsten Fall besteht diese aus einem Item
KONSTRUKTION UND ANALYSE VON SKALEN Ziel Skalen und Tests Systematisierung von Tests Itemarten Skalenarten im Detail Die Likert Skala Skala: Eine Skala ist ein Instrument zur Messung von (theoretischen)
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrDas Minimale Dokumentationssystem (MIDOS²) als deutsche Version der Edmonton Symptom Assessment Scale (ESAS): - Ein Instrument für die Pflege?
Das Minimale Dokumentationssystem (MIDOS²) als deutsche Version der Edmonton Symptom Assessment Scale (ESAS): - Ein Instrument für die Pflege? Dr. Stephanie Stiel Abteilung Palliativmedizin 25. August
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
MehrEffektstärken Nachtrag
Effektstärken Nachtrag Benchmarks für Effektstärken gehen auf Cohen (1988) zurück, nimmt man statistische Hintergründe der Berechnung und Umrechnung ernst, sind Angaben jedoch teilweise inkonsistent (vgl.
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrAufbau des Testberichts. 1. Problemstellung / inhaltliche Einführung. 2. Methode
Aufbau des Testberichts Titelblatt (Beliebig) Zusammenfassung Inhaltsverzeichnis Einführung / theoretisch-inhaltlicher Hintergrund Methode: Konstruktion und Aufbau des Tests, Datenerhebung Ergebnisse Diskussion
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/
MehrFragebogen zu Gedanken und Gefühlen (FGG)
Fragebogen zu Gedanken und Gefühlen (FGG) Informationen zum FGG-14, FGG-37 und IWD Stand: 11-2009 Der Fragebogen zu Gedanken und Gefühlen von Renneberg et al. (2005) ist ein aus der Theorie abgeleitetes
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
MehrAMOS/SPSS output. One-factor model (9-item version)
One-factor model (9-item version) Fit Summary AMOS/SPSS output Default model 18 1817,639 27,000 67,320 Saturated model 45,000 0 Independence model 9 14251,254 36,000 395,868 Default model,872,830,874,832,874
MehrVU mathematische methoden in der ökologie: räumliche verteilungsmuster 1/5 h.lettner /
VU mathematische methoden in der ökologie: räumliche verteilungsmuster / h.lettner / Analyse räumlicher Muster und Verteilungen Die Analyse räumlicher Verteilungen ist ein zentrales Gebiet der ökologischen
MehrMarco Vannotti (Autor) Die Zusammenhänge zwischen Interessenkongruenz, beruflicher Selbstwirksamkeit und verwandten Konstrukten
Marco Vannotti (Autor) Die Zusammenhänge zwischen Interessenkongruenz, beruflicher Selbstwirksamkeit und verwandten Konstrukten https://cuvillier.de/de/shop/publications/2438 Copyright: Cuvillier Verlag,
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:
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
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY23) Herbstsemester 207 Olaf Steinkamp 36-J-05 olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrSPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1
SPSS-Ausgabe : Univariate Varianzanalyse [DatenSet] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav Tests der Zwischensubjekteffekte Abhängige Variable: Einkommen Quelle Korrigiertes Modell Konstanter
MehrFragebogen zur Internetsucht (ISS-20 r ) und Normwerte André Hahn, Matthias Jerusalem & Sabine Meixner-Dahle 15. November 2014
Fragebogen zur Internetsucht (ISS-20 r ) und Normwerte André Hahn, Matthias Jerusalem & Sabine Meixner-Dahle 15. November 2014 Zitationsreferenz dieses Dokuments: Hahn, A., Jerusalem, M. & Meixner-Dahle,
Mehr4 Longitudinaldaten und Repeated Measurements
4 Longitudinaldaten und Repeated Measurements Wir betrachten nun Versuche mit mehreren Individuen, an denen wiederholt Messungen durchgeführt werden. Wenn diese wiederholten Messungen über die Zeit hinweg
MehrKreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:
Kreuzvalidierung. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS: SPSS erzeugt eine neue Variable Filter_$. Die herausgefilterten Fälle werden im Datenfenster angezeigt
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
MehrMissing Data. Regressionsmodelle für Politikwissenschaftler
Regressionsmodelle für Politikwissenschaftler TSCS Regression in Stata Struktur definieren:. xtset id year panel variable: id (strongly balanced) time variable: year, 1996 to 2004, but with gaps delta:
MehrGütekriterien für evaluative Messinstrumente in der Rehabilitation
12. Rehabilitationswissenschaftliches Kolloquium Rehabilitation im Gesundheitssystem Bad Kreuznach, 10. bis 12. März 2003 Gütekriterien für evaluative Messinstrumente in der Rehabilitation Dipl.-Psych.
MehrRekodierung invertierter Items
16.Testkonstruktion Items analysieren (imrahmen der KTT) Pretest Aussortieren / Umschreiben von unverständlichen, uneindeutigen oder inakzeptablen Items empirische Prüfung Kennwerte: Itemschwierigkeit
Mehr6-Variablen-Fall. Dipl.-Ök. John Yun Bergische Universität Wuppertal Gaußstraße Wuppertal
Dipl.-Ök. John Yun Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Allgemein 6 Konstrukte: - soziale Kontakte (6 Items) - Markenbewusstsein (6 Items) - Werbeakzeptanz (6 Items) - materielle
MehrMETHODENPRAKTIKUM II Kurs 1. Prof. Dr. Beat Fux SUZ Frühlingssemester 2009
METHODENPRAKTIKUM II Kurs 1 Prof. Dr. Beat Fux SUZ Frühlingssemester 2009 Durch SHP Cleaning Missings Imputation Gewichtung ADD FILES AGGREGATE MATCH FILES z.b. Hinzufügen von Daten aus EXCEL Recodierungen
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
MehrGET FILE='W:\NLC\10_Begleitforschung\SPSS\TEST data_spss.sav'. DATASET NAME DataSet1 WINDOW=FRONT. DATASET ACTIVATE DataSet1.
GET FILE='W:\NLC\10_Begleitforschung\SPSS\TEST data_spss.sav'. DATASET NAME DataSet1 WINDOW=FRONT. DATASET ACTIVATE DataSet1. SAVE OUTFILE='W:\NLC\10_Begleitforschung\SPSS\TEST data_spss.sav' /COMPRESSED.
MehrGütekriterien HS Sprachstandsdiagnose und Sprachförderung SS2011 Referentin: Meghann Munro
Gütekriterien HS Sprachstandsdiagnose und Sprachförderung SS2011 Referentin: Meghann Munro Vorüberlegungen Wie objektiv ist der Test in seiner Durchführung, Auswertung und Interpretation? Misst das Verfahren
MehrDatentransformationen und Berechnungen
und Berechnungen Mit Hilfe von Transformationen werden die ursprünglichen Rohdaten verändert. Mit Hilfe von Umcodierungen werden die Ausprägungen von Variablen der Rohdaten nach bestimmten Regeln geändert.
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrDer Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien
Der Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien Oliver Kuß Institut für Medizinische Epidemiologie, Biometrie und Informatik, Medizinische Fakultät, Martin-Luther-Universität
MehrEigene MC-Fragen Testgütekriterien (X aus 5) 2. Das Ausmaß der Auswertungsobjektivität lässt sich in welcher statistischen Kennzahl angeben?
Eigene MC-Fragen Testgütekriterien (X aus 5) 1. Wenn verschieden Testanwender bei Testpersonen mit demselben Testwert zu denselben Schlussfolgerungen kommen, entspricht dies dem Gütekriterium a) Durchführungsobjektivität
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden.
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
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 3. Momentenschätzung auf Stichprobenbasis
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
MehrStatistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrPRAXISORIENTIERTE EINFÜHRUNG
GRUNDLAGEN DER STATISTIK PRAXISORIENTIERTE EINFÜHRUNG Rainer Gaupp Leiter Qualität & Prozesse 1 INHALTE DER EINFÜHRUNG Theoretische Grundlagen: Natur vs. Sozialwissenschaft. Skalentypen. Streu- und Lagemasse.
MehrExecutive Summary. Bachelorarbeit Universität Zürich 2012
I Executive Summary Die Verhaltensökonomie entdeckte in den letzten Jahren vermehrt verzerrte Verhaltensweisen, die dazu beitragen, dass sich Menschen auf Finanzmärkten teilweise irrational verhalten.
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
MehrFunktionelles Assessment: Reliabilität der Messungen. Regina Kunz asim, Universitätsspital Basel
Funktionelles Assessment: Reliabilität der Messungen Regina Kunz asim, Universitätsspital Basel Outline Begutachtung als Messinstrument Qualitätskriterien: Konsistenz (Reliabilität) + inhaltliche Richtigkeit
MehrFamiliäre Pflege: Welche Bedeutung haben Ressourcen für pflegende Angehörige? Assessment zur Erfassung Ressourcen pflegender Angehöriger (RPA)
Familiäre Pflege: Welche Bedeutung haben Ressourcen für pflegende Angehörige? Assessment zur Erfassung Ressourcen pflegender Angehöriger (RPA) Prof. Dr. rer. medic. Claudia Mischke, MPH Swiss Congress
MehrHeinz Holling & Günther Gediga. Statistik - Deskriptive Verfahren
Heinz Holling & Günther Gediga Statistik - Deskriptive Verfahren Übungen Version 15.12.2010 Inhaltsverzeichnis 1 Übung 1; Kap. 4 3 2 Übung 2; Kap. 5 4 3 Übung 3; Kap. 6 5 4 Übung 4; Kap. 7 6 5 Übung 5;
Mehr