1 Varianzanalyse (ANOVA)
|
|
- Daniel Grosse
- vor 7 Jahren
- Abrufe
Transkript
1 1 Varianzanalyse (ANOVA) Ziele: Erklärung einer Meßgröße durch ein additves Modell. Abschätzung der Wirkungsweise von Einflußfaktoren, ihres Zusammenwirkens und ihres anteiligen Beitrages an der Variation einer Variablen. Analyse von konkreten Variablen (Messgrößen). Geschätzt wird der Einfluß der Wirkfaktoren auf die abhängige Variable in der Grundgesamtheit. Auch mit mehreren abhängigen Variablen möglich (multivariate Varianzanalyse, MANOVA), sowie mit Kovariaten (Variablen, die mit der abhängigen Variablen in Beziehung stehen, ANCOVA). Allgemeine Erkärungsgleichung (2 faktorielle ANOVA): X ijm = µ + α i + β j + α i β j + ε ijm (1) hierin: X ijm Meßwert der m ten Person auf Variable X in der i ten Stufe von A und der j ten Stufe von B. α i Effekt der i te Stufe des Faktors A. β j Effekt der j te Stufe des Faktors B. α i β j Interaktion der i ten Stufe des Faktors A mit der j ten Stufe des Faktors B. ε ijm Meßfehler der m ten Person auf Variable X in der i ten Stufe von A und der j ten Stufe von B. 1
2 Übersicht: Datenschema für eine 2 - faktorielle Anova für die Erklärung der AV Fahrleistung (X) durch die Faktoren Blutalkohol (Faktor A, Stufen: 1 promille, 0.5 promille und 0 promille) und Geschlecht (Stufen M,W). Faktor A Faktor A Faktor B 1PM 0.5PM 0PM Faktor B 1 i p Männlich X 111 X i11 X p X 11m X i1m X p1m B X 11n X i1n X p1n X 1j1 X ij1 X pj1 Weiblich j X 1jm X ijm X pjm B j X 1jn X ijn X pjn X 1q1 X iq1 X pq q X 1qm X iqm X pqm B q X 1qn X iqn X pqn A 1 A i A p 1.1 Mittelwerte, Quadratsummen und Quadratsummenzerlegung Mittelwerte Die Berechnung der Mittelwerte für jede Faktorstufenkombination gibt die folgende Tabelle: Faktor A Faktor B 1PM 0.5PM 0PM B j Männlich Weiblich A i Faktor A Faktor B a 1 a 2 a 3 B j b 1 AB 11 AB 21 AB 31 B 1 b 2 AB 12 AB 22 AB 32 B 2 A i A 1 A 2 A 3 G 2
3 Hieraus ersieht man: AB ij = 1 n A i B j = 1 q = 1 p G = 1 pq Quadratsummen n X ijm (2) m=1 q AB ij (3) j=1 p AB ij (4) i=1 q j=1 i=1 p AB ij. (5) Quadratsummen haben die folgende allgemeine Form QS (Bed.) = (Beobachtung (Bed.) Erwartungswert (Bed.)) 2. (6) Totale Quadratsumme. Die totale Quadratsumme ist die Summe der quadrierten Abweichungen vom Gesamtmittelwert. n q p ( QS total = Xijm G ) 2. (7) m=1 j=1 i=1 Zellquadratsumme. Wie müssen die Meßwerte X ijm aussehen, wenn sie nur von den beiden Faktoren A und B abhängen würden? Dann würden alle Meßwerte durch die Zellmittelwerte ersetzt sein, die Zellquadratsumme ist dann die summierte quadrierte Abweichung der Zellmittelwerte vom Gesamtmittelwert: q p ( QS Zellen = n ABij G ) 2. (8) j=1 i=1 Fehlerquadratsumme. Ein Fehler oder Residuum ist der Restwert, der nicht durch die beiden Faktoren erklärt wird. Folglich ist die Summe der quadrierten Abweichungen der Meßwerte vom jeweiligen Zellmittelwert die Fehlerquadratsumme: n q p ( ) 2 QS Fehler = Xijm AB ij. (9) m=1 j=1 i=1 3
4 In der ANOVA gilt stets: QS tot = QS Zellen + QS Fehler (10) Die QS Zellen gilt es jetzt näher aufzuschlüsseln. Haupteffekt(Treatment)-Quadratsummen. Die Haupteffekt-Quadratsummen sind einfach die quadrierten Abweichungen der Mittelwerte unter den Faktorstufen des betrachteten Faktors vom Gesamtmittelwert. Es muß also jeder Meßwert durch den Mittelwert der entsprechenden Faktorstufe ersetzt werden: QS A QS B = n q = n p p ( Ai G ) 2 i=1 q ( Bj G ) 2 j=1 Bisher haben wir an Werten für das Alkoholbeispiel: (11) (12) QS total = (13) QS Zellen = (14) QS Fehler = (15) Interaktionseffekt-Quadratsumme. Es zeigt sich, daß QS A = (16) QS B = (17) QS A + QS B = 599 < QS Zellen, (18) d.h. die Zellquadratsumme läßt sich nicht als Summe der Treatmentquadratsummen darstellen. Es gibt also offenbar noch eine dritte Variationsquelle, die zur Erklärung der Abweichungen der Zellmittelwerte vom Gesamtmittel herangezogen werden muß. Wir bestimmen sie einfach, indem wir fragen, welche Quadratsumme sich ergibt, wenn wir die quadrierte Abweichung der Zellmittelwerte von hypothetischen Zellmittelwerten, die sich bei rein additiver Wirkung der Faktoren A und B ergeben würden, berechnen. Bei rein additiver Wirkung der Faktoren ist ein Zellmittel AB additiv ij = A i + B j G. (19) 4
5 Dann berechnen wir die sog. Interaktionseffekt-Quadratsumme zu QS A B = n q j=1 p ( ) AB ij AB additiv 2 ij. (20) i=1 Numerisch für unser Beispiel haben wir QS A B = (21) und finden = , allgemein QS Zellen = QS A + QS B + QS A B. (22) Also muß mit (10) die Quadratsummenzerlegung gelten. QS tot = QS A + QS B + QS A B + QS Fehler (23) Freiheitsgrade, Varianzschätzungen und Hypothesen Bei p Faktorstufen für A und q Faktorstufen für B haben wir entsprechend p 1 und q 1 Freiheitsgrade (df). Für die Interaktionen gilt, daß (p 1) (q 1) Zellmittelwerte frei variieren können, in den Zellen (Fehler) können (n 1) pq Werte frei variieren, die totale Quadratsumme hat npq 1 Freiheitsgrade. Für das Beispiel df total = = 29 (24) df A = 3 1 = 2 (25) df B = 2 1 = 1 (26) df A B = (3 1) (2 1) = 2 (27) df Fehler = (5 1) 3 2 = 24 (28) Als Varianzschätzungen erhalten wir die Quadratsummen, geteilt durch die entsprechenden Freihgeitsgrade. Die zweifaktorielle ANOVA prüft die folgenden Hypothesen: 1. Die Meßwertstichproben unter den Faktorstufen des Faktors A gehören alle derselben Grundgesamtheit an (unterscheiden sich in der Grundgesamtheit nicht); 5
6 2. Die Meßwertstichproben unter den Faktorstufen des Faktors B gehören alle derselben Grundgesamtheit an; 3. Die Meßwertstichproben unter allen Faktorstufenkombinationen AB ij gehören alle derselben Grundgesamtheit an. Die Prüfung der Hypothesen erfolgt durch Testung an der Fehlervarianz: Sind die F - Quotienten größer als die für ein bestimmtes Signifikanzniveau kritischen F - Werte, wird die jeweilige Nullhypothese verworfen und die Alternativhypothese angenommen: Man spricht der Einflußgröße dann einen signifikanten Effekt zu. QdV QS df σ 2 F p A B A B Fehler Total Die Ergebnistabelle weist einen hochsignifikanten Effekt der Variable Alkohol (A) auf die Fahrleistung (X) aus, ebenfalls ein hochsignifikantes Zusammenspiel von Geschlecht (B) und Alkohol bei der Fahrleistung. Die Variable Geschlecht verfehlt die Signifikanz nur knapp. Aufgeklärte Varianz. Durch Teilen der entsprechenden Quadratsummen durch die totale Quadratsumme erhält man die anteilige Verteilung der Variation auf die Wirkfaktoren gemäß (23)(sog. η 2 Koeffizient): Faktor A % = 59.43% Faktor B % = 1.634% Interaktion A B % = 27.63% Total = 88.69% 6
7 1.1.4 Graphische Veranschaulichung der Haupteffekte und Interaktionen. Klassifikation der Interaktionen. Folgende Abbildung veranschaulicht die 3 wichtigsten Formen von Interaktionen: ordinale Interaktion B2 A3 B1 A2 A1 A1 A2 A3 hybride Interaktion B1 B2 B2 A3 A2 A1 B1 A1 A2 A3 B1 B2 disordinale Interaktion B2 A3 A2 B1 A1 A1 A2 A3 B1 B2 Abbildung 1: Die 3 wichtigsten Formen von Interaktionen, veranschaulicht anhand einer zweifaktoriellen ANOVA. 7
8 1. Ordinale Interaktion. Es gibt in beiden möglichen Interaktionsdiagrammen keine Überschneidungen und die Effekte sind stets gleichgerichtet (es liegen eindeutige Haupteffekte vor). 2. Hybride Interaktion. In einem Diagramm gibt es gegengerichtete Trends, daher überschneiden sich die Linien in dem anderen Diagramm. Haupteffekte sind mit Vorsicht zu interpretieren, in einem Faktor hängt die Reihenfolge der Stufen ja von dem anderen Faktor ab ( uberschneidung). 3. Disordinale Interaktion. In beiden Diagrammen gibt es starke Überschneidungen, die Haupteffekte sind nicht eindeutig bzw. nicht interpretierbar. Die Interaktion ist die bestimmende Größe der Werte Einzelvergleiche Einzelvergleiche geben Antwort auf die Frage, ob sich die Faktorstufen eines Faktors untereinander unterscheiden oder welche Faktorstufenkombination voneinander verschieden sind. Man unterscheidet a priori und a posteriori Einzelvergleiche. A priori Tests müssen explizit geplant werden, daher werden meist a posteriori Tests verwendet (die aber weniger trennscharf sind). Bei dem a-posteriori Test nach Scheffe wird eine kritische Differenz für den paarweisen Vergleich der Stufen eines Faktors oder von Zellmittelwerten hergeleitet, die auf einer F - Statistik beruht (Näheres s. Bortz 1993, S. 280) Fixed und Random Factors Bei der Prüfung einer der Nullhypothese für einen Faktor kommt es darauf an, ob man eine Aussage nur über die im Versuch realisierten Faktorstufenkombinationen machen will oder ob die Signifikanzaussage sich auf das Universum aller möglichen Faktorstufen bezieht, die man von dem Faktor erhalten kann. Die Variable Geschlecht wird durch die beiden Ausprägungen m und w erschöpfend beschrieben, sie ist ein fixed factor. Bei Blutalkohol liegt die Sache anders. Will man eine Aussage über die Wirkungsweise nur der drei im Versuch realisierten Stufen machen, so ist Blutalkohol ebenfalls als fixed Factor anzusehen. Will man auf die Wirkungsweise aller möglichen Faktorstufen zwischen der 1 und der 3. Stufe generalisieren (Blutalkohol 8
9 ist ja eine kontinuierliche Variable), so stellt Blutalkohol ein random factor dar. Für die Durchführung der ANOVA ist entscheidend, daß man unterschiedliche Prüfvarianzen erhält, je nachdem, ob die Faktoren fixed oder random sind. Die Prüfvarianzen können aud dem theoretischen Erwartungswertmodell der ANOVA hergeleitet werden (Näheres s. Bortz 1993, Kap. 12). Prüfvarianzen zu prüfende Varianz I II III A fixed A fixed A random B fixed B random B random σ A 2 σ Fehler 2 σ A B 2 σ A B 2 σ B 2 σ Fehler 2 σ Fehler 2 σ A B 2 σ A B 2 σ Fehler 2 σ Fehler 2 σ Fehler Kovariaten und Kovarianzanalyse (ANCOVA) Die abhängige Variable Fahrleistung könnte noch durch dritte Variablen beeinflußt sein, die in der ANOVA bislang nicht erfaßt wurden. So bestehen zwischen den VPn präexperimentelle Unterschiede in der Fahrleistung, wenn sie nicht nach den relvanten kovariaten Variablen randomisiert worden sind. Beipielsweise könnte das Ergebnis in dem Blutalkoholbeispiel dadurch verzerrt worden sein, daß präexperimentelle Unterschiede zwischen den VPn hinsichtlich sensumotorischer Geschicklichkeit bestehen. Grundidee der Kovarianzanalyse ist, daß man die abhängige Variable X vom linearen Einfluß einer Drittvariable Y befreit und so den Effekt der interessierenden Faktoren auf die bereinigte Variable X bestimmt. Vorgehen (für einfaktoriellen Fall) 1. Bestimmung der linearen Regressionsgleichung für die Regression der abhängigen Variable X auf die Kontrollvariable Y (Regr. X auf Y ). 2. Bestimmung der Residuen und totale Quadratsumme. Man bestimmt die Residuen Xijm = X ijm X ijm (29) 9
10 Die totale Quadratsumme ist dann QS res tot = n q m=1 j=1 i=1 da der Residuenmittelwert Null ist. p ( ) X 2 ijm (30) 3. Bestimmung der Fehlerquadratsumme. Hier ermittelt man die Regressionsgleichung innerhalb jeder Faktorstufe. Dann wird aus den verschiedenen Steigungskoeffizienten für jede Gruppe ein gemeinsamer Steigungskoeffizient berechnet, eine gruppenspezifische Gerade wird daraus, indem man für jede Faktorstufe die entsprechende additive Konstante ( Höhenlage ) einsetzt. Mit den gruppenspezifischen Geraden bestimmt man die Residuen, die Quadratsumme dieser Residuen, summiert über alle Gruppen ist die Fehlerquadratsumme. 4. Die Treatmentquadratsumme ist dann einfach QS res treat = QS res tot QS res Fehler. (31) Die Hinzunahme einer Kovariaten wirkt sich in der Regel vermindernd auf die Fehlervarianz aus, d.h. Unterschiede zwischen den Faktorstufen können bei Vorhandensein von Kovariaten schneller aufgedeckt werden. Allerdings lohnt sich der Aufwand nur dann, wenn die AV und die Kontrollvariable auch signifikant und hinreichend hoch miteinander korrelieren. Die zentrale Voraussetzung der ANCOVA ist die homogene Korrelation in den Subgruppen, d.h. die Korrelation von AV und Kontrollvariable in den Subgruppen soll gleich sein (Die Geradengleichungen haben die gleiche Steigung für alle Gruppen, nur unterschiedliche Höhenlagen die Geraden für die Gruppen sind parallelverschoben). Die Homogenutät der Regressionen kann mit einem F - Test geprüft werden. Mehrfaktorieller Fall. Die ANCOVA läßt sich einfach auf den mehrfaktoriellen Fall übertragen, aber die Bestimmung der QSA res,qsres B und QSres A B ist etwas aufwendiger. Als Voraussetzung gilt, daß die Steigungskoeffizienten unter allen Faktorstufenkombinationen homogen sein müssen. 10
11 Eckpfeiler der ANOVA 1. Das Komponentenmodell: X ijm = µ + α i + β j + α i β j + ε ijm (32) 2. Die Quadratsummenzerlegung QS tot = QS A + QS B + QS A B + QS Fehler (33) 3. Die unabhängigen Schätzungen der Fehlervarianz. Erste Schätzung (erwartungstreu) aus der Varianz innerhalb der Zellen: E [ σ ] n q p ( ) 2 Fehler 2 m=1 j=1 i=1 Xijm AB ij = (n 1) pq = σ 2 ε (34) = QS Fehler df Fehler (35) Zweite Schätzung (biased um n q σ 2 α) aus der Varianz zwischen den Zellen (Fakoren, Interaktionen). Exemplarisch für den Faktor A: E [ σ 2 A] = n q σ 2 α + σ 2 ε (36) Für σ 2 α = 0 (Gültigkeit der Nullhypothese) erhält man also eine Schätzung der Fehlervarianz (Näheres Bortz 1993, Kap. 12). 4. F - Quotienten: Tests der Effekte erhält man durch Teilen der zu untersuchenden Varianz durch die Fehlervarianz. Da Quotienten von Varianzen F - verteilt sind, spricht man von F - Quotienten. Die F - Verteilung für die entsprechenden Zählerfreiheitsgrade und Nennerfreiheitsgrade gibt die Auftretenswahrscheinlichkeit für den gefundenen F - Wert unter der Nullhypothese. 5. Fixed und random factors. Welche Prüfvarianz 1 verwendet wird, hängt davon ab, ob die einzelnen Faktoren fest gestuft sind oder die Stufung eines Faktors eine Stichprobe aus allen möglichen Stufen des Faktors darstellt (random factor). 1 Sind alle Faktoren fixed factors, ist die Prüfvarianz immer die Fehlervarianz (wie oben angenommen). Bei zufälliger Stufung ergibt sich die Prüfvarianz aus den Regeln zur Ermittlung der Ervartungswerte der Varianzen der ANOVA. 11
12 6. Kontraste. Sind Faktoren oder Interaktionen signifikant, gibt die Analyse der Kontraste Aufschluß über die Frage, welche Faktorstufenmittelwerte sich von welchen anderen Faktorstufenmittelwerten signifikant unterscheiden. 7. Kovariate. Die Erhebung einer zweiten Meßvariablen (Kontrollvariablen), die mit der AV in einer korrelativen Beziehung steht, kann die Fehlervarianz reduzieren, wenn diese nicht durch die UVs beeinflußt wird. Man analysiert dann in der ANOVA die Residuen aus der Vorhersage der AV durch die Kontrollvariable und kann dadurch Effekte der UVs rascher aufdecken. 12
Mehrfaktorielle 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
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
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
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
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
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)
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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,
MehrAnwendungsaufgaben. Effektgröße bei df Zähler = df A = 1 und N = 40 (zu berechnen aus df Nenner ): Der aufgedeckte Effekt beträgt also etwa 23 %.
Anhang A: Lösungen der Aufgaben 39 beiden Kombinationen sehr hoch ist. (Dieses Ergebnis wäre aber in diesem Beispiel nicht plausibel.) 5. Der Faktor A und die Wechselwirkung werden signifikant: Lärm hat
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
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
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
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
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
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 2 Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Kovarianzanalyse 5 Multivariate Varianzanalyse 6 Zweifaktorielle Varianzanalyse
MehrZweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
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
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
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
Mehr1 Übungsaufgaben zur Regressionsanalyse
1 Übungsaufgaben zur Regressionsanalyse 1 1 Übungsaufgaben zur Regressionsanalyse 1.1 Übungsaufgaben zu Seite 1 und 2 1. Wie lautet die Regressionsfunktion? 2. Welche Absatzmenge ist im Durchschnitt bei
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Statistik & 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
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 36 Kovarianzanalyse 37 Modelle mit Messwiederholungen 1 / 85 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele
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:
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
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
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
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
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
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
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...
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]
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
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Mittelwertvergleiche Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
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
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
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
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrVorlesung: 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
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrEinfaktorielle Varianzanalyse
Professur Psychologie digitaler Lernmedien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Einfaktorielle Varianzanalyse Überblick Einführung Alphafehler-Kumulierung Grundprinzip
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
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
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
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
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
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
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
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrStatistik II für Betriebswirte Vorlesung 4
Statistik II für Betriebswirte Vorlesung 4 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. November 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 4 Version:
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrMultivariate Analysemethoden und Multivariates Testen
Multivariate Analysemethoden und Multivariates Testen 1.05.008 Günter Meinhardt Johannes Gutenberg Universität Mainz Multivariates Testen Multivariate Varianzanalyse () Ziele Voraussetzung Mehrgruppen
Mehr1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. 1.3. Vorbereitung des Datensatzes Auch wenn im Kapitel zur Einfaktoriellen ANOVA nur ein kleiner Unterschied im Gehalt zwischen den Herkunftsländern
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
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
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
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 II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrEinführung in die Varianzanalyse
Einführung in die Varianzanalyse Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Modul Statistik 2 S. Garbade (SRH Heidelberg) ANOVA Modul
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
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
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.
MehrWeitere Varianzanalysen
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Weitere Varianzanalysen Überblick Varianzanalyse mit Messwiederholung Kovarianzanalyse
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
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
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
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
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/
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
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
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
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
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
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
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrStatistik für Human- und Sozialwissenschaftler
Jürgen Bortz Statistik für Human- und Sozialwissenschaftler Sechste, vollständig überarbeitete und aktualisierte Auflage mit 84 Abbildungen und 242 Tabellen 4y Springer Inhaltsverzeichnis* > Vorbemerkungen:
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
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 (
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrInteraktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
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
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
Mehr