Die ungeliebten Verwandten: nicht-parametrische Alternativen
|
|
- Franziska Kneller
- vor 7 Jahren
- Abrufe
Transkript
1 Die ungeliebten Verwandten: nicht-parametrische Alternativen Was zur Hölle? Ted richtet seine Waffe auf Dr. Bob Kelso: Nein, Bob! Das werde ich nicht tun! Nicht nach all dem, was ich durchmachen musste! Dieser Job hat mir alles genommen, meine Träume, meine Frau, meine Familie und mein Haar. Bis hierher und nicht weiter! Sie können mich nicht zwingen das zu tun! Zehn Sekunden zuvor Guten Morgen Ted. Jeff vom Aufsichtsrat hat mir gestern Abend erzählt, es gäbe konservativere Auswertungsmethoden, als die, die sie bisher angewendet haben. Nicht-parametrische Verfahren klingt doch ganz fantastisch von nun an verwenden sie diese anstatt dieser progressiven Hippie- ANOVA-Verfahren! Zwölf Stunden zuvor Hallo Bob, Wette gewonnen! Hör zu Zwei Monate zuvor Und dann habe ich gesagt: Ted, werten sie diese Daten aus! Haha! Damit ist er bestimmt Monate beschäftigt. Das einzig traurige ist, dass ich es nicht mehr schlimmer machen kann. Unmöglich! Ich wette, ich finde einen Weg, wie man Datenauswertungen noch schlimmer machen kann! Ach ja? Das will ich sehen, Jeff! Zurück in der Gegenwart. Ted, ihre Waffe liegt schon seit zwei Jahren in ihrem Schreibtisch und ist noch nicht einmal geladen. Also los, hopp an die Arbeit! In diesem Moment tun sich zwei alternative Realitäten auf: In der ersten, wesentlich unwahrscheinlicheren (p<.001), sieht Bob Kelso ein, dass er zu gemein ist, und dass Ted ein guter Mensch ist und es nicht verdient hat, sich mit nicht-parametrischen Verfahren herum schlagen zu müssen. In der anderen, wesentlich wahrscheinlicheren, sieht es Bobo nicht ein. Also gut, bringen wir es hinter uns Was sind nicht-parametrische Verfahren und wann wenden wir sie an? Parametrische Verfahren (t-tests, ANOVAs, Regressionen, etc ) haben zwei Dinge gemeinsam: Sie gehen davon aus, dass ihre Abhängigen Variablen intervallskaliert sind und irgendwo in ihrer Berechnung kommt eine Normalverteilungsannahme vor. Sobald ein statistisches Verfahren nur noch eine Ordinalskala voraussetzt und/oder keine Verteilungsannahme macht, nennen wir es daher nicht-parametrisch. Das macht das Verfahren in gewisser Weise flexibler (weil weniger Voraussetzungen erfüllt sein müsssen), aber auch seltsamer. Auf Ordinalskalenniveau dürfen nämlich eigentlich keine Differenzen, Mittelwerte, Streuungen etc berechnet werden. Viele angeblich nichtparametrische Verfahren tun das aber trotzdem und ihre Ergebnisse werden obwohl sie angeblich keine bestimmte Verteilung annehmen von der Verteilungsform der Daten beeinflusst.
2 Dennoch sollte man einige von ihnen kennen, weil sie leider häufig in Papern vorkommen und nochimmer angewendet werden. Die offizielle Daumenregel lautet: Wenn die Daten kein Intervallskalenniveau haben oder sehr schief verteilt sind, wird nicht-parametrisch getestet. Häufig wird behauptet, dass das dann ein konservativerer Test wäre (ein Test, der später signifikant wird). Das stimmt nicht. Meine Daumenregel für euch lautet: Verwendet niemals, niemals, niemals nicht-parametrische Verfahren. Erstrecht nicht in meinen Klausuren. Ich hoffe, ich habe mich klar ausgedrückt. Keine nicht-parametrischen Verfahren. Punkt. Echt jetzt Der Wilcoxon-Vorzeichen-Rang-Test Der Wilcoxon-Vorzeichen-Rang-Test ist die nicht-parametrische Alternative zum t-test für abhängige Stichproben. Wir finden ihn unter Analysieren Nicht parametrische Tests Alte Dialogfelder Zwei verbundene Stichproben. Bitte geht hier auf JEDEN FALL über die alten Dialogfelder: Der Output der anderen Varianten ist grottig. Ab hier funktioniert der Test wie ein abhängiger t-test: Einfach die gewünschten Variablen (Messzeitpunkte) als Paar in die rechte Box ziehen:
3 Hier möchte Ted offenbar nicht-parametrisch testen, ob die Mitarbeiter höhere Werte bei der Arbeitszufriedenheit oder der Lebenszufriedenheit angeben. Die offizielle Begründung für das nichtparametrische testen wäre: Eventuell könnte man unter Umständen vielleicht vorsichtig in Frage stellen, ob Arbeits- und Lebenszufriedenheit wirklich ganz perfekt intervallskaliert sind. Zudem könnte man schauen, ob die Differenzvariable der beiden wirklich normalverteilt ist, aber das ersparen wir uns. Weitere Einstellungen benötigen wir nicht. In die Syntax eingefügt sieht das dann so aus: Die Ausgabe gibt uns zwei Tabellen. Die erste gibt uns so etwas wie deskriptive Statistiken: Hier können wir ablesen, in welche Richtung unser Effekt gehen wird, falls er signifikant wird: Die Positiven Ränge haben (wenn auch nur knapp) den größeren Mittleren Rang (121.87). Die mittleren Ränge sind in den nicht-parametrischen Verfahren das, was in den parametrischen Verfahren die Mittelwerte für uns waren: Indikatoren dafür, wo die Werte in der Tendenz größer sind. Anhand der Fußnote b sehen wir, dass Positive Ränge für den Fall stehen, dass die Lebenszufriedenheit größer ist als die Arbeitszufriedenheit. Wäre der mittlere Rang der negativen Ränge größer, hätten wir unter Fußnote a nachgeschaut. Die Signifikanz des ganzen lesen wir in der zweiten Tabelle ab: Alles, was uns an dieser Tabelle interessiert, ist der Signifikanzwert: Verglichen mit den üblichen 5% unterscheiden sich also Lebenszufriedenheit und Arbeitszufriedenheit in diesem Test nicht. Aber auch, wenn der Test signifikant wäre, wären wir nicht viel schlauer: Wir hätten dann nur aussagen können, dass die Lebenszufriedenheit in irgendeinem Maße höher ist. Da wir bei diesem Test nur eine Ordinalskala annehmen würden, können wir nicht sagen um wie viel.
4 Die Friedman ANOVA Die Friedman ANOVA ist die nicht-parametrische Alternative zur ANOVA mit Messwiederholung (rmanova). Wir finden sie unter Analysieren Nicht parametrische Tests Alte Dialogfelder K verbundene Stichproben. Bitte geht hier auf JEDEN FALL über die alten Dialogfelder: Auch hier ist der Output der anderen Varianten grottig. Ted möchte die Ergebnisse seiner rmanova auf dem dazu gehörigen Kapitel überprüfen (vielleicht, weil er Zweifel an der Normalverteilung der Residuen hat, vielleicht, weil er einfach nur keine Kraft mehr hat, sich Bob Kelsos Macht zu widersetzen). Daher zieht er im folgenden Dialogfeld die drei Messzeitpunkte der sexuellen Belästigungen (Bel_T1, Bel_T2 und Bel_T3) in das Feld Testvariablen. Da der Friedman-Test automatisch ausgewählt ist, braucht er nichts weiter zu tun, als auf Einfügen zu klicken und die Syntax auszuführen.
5 Die beiden Tabellen in der Ausgabe sind genauso zu interpretieren, wie beim Wilcoxon-Vorzeichen- Rang-Test: Die erste Tabelle enthält die mittleren Ränge der Messzeitpunkte. An ihrem Verlauf können wir hier also ablesen: Auch nicht-parametrisch zeigt sich die Tendenz, dass die sexuellen Belästigungen über die Zeit abnehmen (vgl. auch das Kapitel zur rmanova). In der zweiten Tabelle lesen wir ab, dass dieser Verlauf auch signifikant ist. Wenn man für diesen Verlauf noch post-hoc Test haben wollte, bliebe einem nichts anderes übrig, als Wilcoxon-Vorzeichen-Rang-Test mit Bonferroni-Korrektur für jeden Messzeitpunkt gegen jeden anderen durchzuführen. Das ersparen wir Ted aber Der Mann-Whithney-U-Test Der Mann-Whithney-U-Test ist die nicht-parametrische Alternative zum t-test für unabhängige Stichproben. Wir finden ihn unter Analysieren Nicht parametrische Tests Alte Dialogfelder Zwei unabhängige Stichproben. Bitte geht hier auf JEDEN FALL über die alten Dialogfelder: Der Output der anderen Varianten ist wirklich grottig, wie ich schon zweimal geschrieben habe. Das folgende Dialogfeld funktioniert wie beim t-test für unabhängige Stichproben. Ted möchte seine Ergebnisse aus dem Kapitel zum unabhängigen t-test gegenrechnen:
6 Er möchte also prüfen, ob sich Männer und Frauen bezüglich ihrer Dienstjahre, ihrem Gehalt und ihrer Arbeitszufriedenheit unterscheiden. Er verwendet daher das Geschlecht (0/1 kodiert) als Gruppierungsvariable und die Dienstjahre, das Gehalt und die Arbeitszufriedenheit als Testvariablen. In die Syntax eingefügt sieht der Befehl dann so aus: Auch hier bekommen wir die beiden bereits bekannten Ergebnistabellen: Eine, die die Mittleren Ränge enthält (hier sehen wir, dass der mittlere Rang der Männer jeweils höher ist), und eine Tabelle, die die jeweils zugehörige Signifikanz enthält:
7 Wir sehen also, dass auch der Mann-Whithney-U-Test (wie auch schon zuvor der t-test für unabhängige Stichproben) zu dem Ergebnis kommt, dass Männer ein höheres Gehalt und eine höhere Arbeitszufriedenheit haben. Um wie viel höher können wir in diesem Test (aufgrund der Annahme von Ordinalskalenniveau) aber nicht aussagen.
8 Der Kruskal-Wallis-Test Der Kruskal-Wallis-Test ist die nicht-parametrische Alternative zur ANOVA ohne Messwiederholung. Wir finden ihn unter Analysieren Nicht parametrische Tests Alte Dialogfelder K unabhängige Stichproben. Auch hier gilt wieder: Auf JEDEN FALL über die alten Dialogfelder gehen: Der Output ist sonst grottig. Ted möchte nicht-parametrisch testen (warum auch immer), ob die vier Berufsgruppen unterschiedlich viel verdienen. Bevor wir aber wild drauf losklicken: Der Kruskal-Wallis-Test hat dasselbe Problem wie die einfaktorielle ANOVA: Die Gruppierungsvariable muss numerisch sein. Da die Berufsgruppe aber eine String-Variable ist, müssen wir sie zunächst umkodieren: Die neue Variable Berufsgruppe_num enthält die vier Berufsgruppen, kodiert als 1, 2, 3 und 4. In dieser Form können wir sie als Gruppierungsvariable angeben, währen das Gehalt die Testvariable ist. Zu beachten ist nur: Für die Gruppierungsvariable müssen wir hier noch einen Bereich definieren : Da unsere Berufsgruppen von 1 4 kodiert sind, geben wir als Minimum 1 und als Maximum 4 ein.
9 Ab dann bleibt uns wieder nichts anderes übrig als auf Einfügen und Syntax ausführen zu klicken Wieder bekommen wir ein ähnliches Bild wie bei allen nicht-parametrischen Verfahren: In der ersten Tabelle lesen wir ab, wer tendenziell höhere/niedrigere Werte hat (hohe Mittlere Ränge = hohe Werte). In der zweiten Tabelle sehen wir, ob die Unterschiede insgesamt signifikant sind (was hier der Fall ist). Wie bei der ANOVA können wir aber noch nicht genau sagen, zwischen welchen Gruppen genau die signifikanten Unterschiede bestehen und welche sich eigentlich nicht besonders stark unterscheiden. In der ANOVA hatten wir hierfür unsere post-hoc Tests (genauer: Den Scheffé-Test). Beim Kruskal-Wallis-Test werden uns keine post-hoc Tests angeboten. Wenn wir hier genauer testen wollten, müssten wir Mann-Whitney-U-Test von jeder Gruppe gegen jede andere Gruppe rechnen und unser Alpha-Niveau entsprechend Bonferroni korrigieren. Das ersparen wir aber sowohl uns als auch Ted Molly fasst nochmal zusammen 1. Allgemein wird empfohlen dann nicht-parametrisch zu testen, wenn a. die Daten nur ordinalskaliert sind und / oder b. die Daten nicht normalverteilt sind 2. Diese Aussagen sind mit Vorsicht zu genießen weil a. die Daten häufig zumindest annähernd intervallskaliert sind, b. die nicht-parametrischen Verfahren nicht ganz so toll sind, wie manchmal behauptet wird, c. die Abweichung von der Normalverteilung sehr groß sein muss, damit die t-tests nicht mehr funktionieren, und d. es meist nicht um die Normalverteilung der Daten, sondern der Residuen geht (und die können auch bei furchtbar schiefen Rohdaten trotzdem Normalverteilt sein das zu testen ist aufwendiger als die Rohdaten zu testen) Um Ted das Leben noch einfacher zu machen, hat Molly noch eine Tabelle erstellt, aus der er ablesen kann, welches Verfahren er wählen muss, abhängig davon, ob eine Abhängigkeit (Messwiederholung) in den Daten besteht, wie viele Messzeitpunkte/Gruppen es gibt und ob parametrisch oder nichtparametrisch getestet werden soll:
10 Anhängigkeit Anzahl Parametrisch Nicht-parametrisch Messzeitpunkte / Gruppen Ja 2 t-test abhängig Wilcoxon-Vorzeichen-Rang-Test Ja >2 rmanova Friedman-Test Nein 2 t-test unabhängig Mann-Whithney-U-Test Nein >2 ANOVA (ohne Messwiederholung) Kruskal-Wallis-Test
1.1. Vergleich von Mittelwerten
1.1. Vergleich von Mittelwerten 1.1.1. Eine glückliche Familie: Die t-tests Die einfachsten inferenzstatistischen Verfahren sind die t-tests. Bei ihnen dreht sich alles um Mittelwerte und die Frage: Sind
MehrUE Angewandte Statistik Termin 4 Gruppenvergleichstests
UE Angewandte Statistik Termin 4 Gruppenvergleichstests Martina Koller Institut für Pflegewissenschaft SoSe 2015 INHALT 1 Allgemeiner Überblick... 1 2 Normalverteilung... 2 2.1 Explorative Datenanalyse...
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.
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
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test 1 Der Wilcoxon-Test 3 Der Kruskal-Wallis H-Test 4 Vergleich von Mann-Whitney U-Test und Kruskal-Wallis H-Test 6 Der Mann-Whitney U-Test In Kapitel
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 n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
Mehr1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. In diesem Kapitel behandeln wir die Varianzanalyse (ANOVA). Varianzanalysen kommen in sehr sehr vielen verschiedenen Gestalten einher. Das Ziel
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
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
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
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
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
MehrComputergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrUnterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische Verfahren nicht erfüllt sind
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 6 Seite 1 Unterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische
Mehr12 Rangtests zum Vergleich zentraler Tendenzen
12 Rangtests zum Vergleich zentraler Tendenzen 12.1 Allgemeine Bemerkungen 12.2 Gepaarte Stichproben: Der Wilcoxon Vorzeichen- Rangtest 12.3 Unabhängige Stichproben: Der Wilcoxon Rangsummentest und der
MehrWebergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
MehrTesten von Unterschiedshypothesen mit parametrischen Verfahren Der t-test
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
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
Mehr1.1. Zusammenhänge und Vorhersagen
1.1. Zusammenhänge und Vorhersagen In diesem Kapitel dreht sich alles um Zusammenhänge und Vorhersagen. Anstatt uns zu fragen Was ist größer / mehr / ausgeprägter?, versuchen wir Aussagen zu treffen wie
MehrJOHANNES GUTENBERG-UNIVERSITÄT MAINZ Psychologisches Institut Abteilung Methodenlehre & Statistik
JOHANNES GUTENBERG-UNIVERSITÄT MAINZ Psychologisches Institut Abteilung Methodenlehre & Statistik Seminar Datenerhebung, Analyse & Präsentation Dipl.-Psych. Rainer Kämper SS 2012 Fragen und Antworten finaler
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Statistische Tests
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Statistische Tests Testentscheidung: Deskriptive Statistik Basis-Kurs Statistik und SPSS für Mediziner 2 Mit Datensatz Daten_SPSS_Kurs_I.sav
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrErgebnisse VitA und VitVM
Ergebnisse VitA und VitVM 1 Basisparameter... 2 1.1 n... 2 1.2 Alter... 2 1.3 Geschlecht... 5 1.4 Beobachtungszeitraum (von 1. Datum bis letzte in situ)... 9 2 Extraktion... 11 3 Extraktionsgründe... 15
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrOnline Statistik-Coaching
Online Statistik-Coaching Modul 3 Statistisches Testen - Auswahl der passenden Methode - Durchführung mit SPSS - Interpretation und Darstellung Dipl.-Math. Daniela Keller www.statistik-und-beratung.de
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
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
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
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
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
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 für Psychologen und Sozialwissenschaftler. Pearson. Markus Bühner Matthias Ziegler. 2., aktualisierte und erweiterte Auflage
Statistik für Psychologen und Sozialwissenschaftler 2., aktualisierte und erweiterte Auflage Markus Bühner Matthias Ziegler Pearson Inhaltsübersicht Vorwort zur 1. Auflage Vorwort zur 2. Auflage XIII XV
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
MehrSigmaStat Nina Becker, Christoph. Rothenwöhrer. Copyright 2004 Systat Software, Inc.
SigmaStat 3.11 Copyright 2004 Systat Software, Inc. http://www.systat.com Nina Becker, Christoph Rothenwöhrer Die Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
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
MehrStatistik-Klausur A WS 2009/10
Statistik-Klausur A WS 2009/10 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
Mehr5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest
Empirische Wirtschaftsforschung Prof. Dr. Ralf Runde 5. Kolmogorov-Smirnov-Test und χ 2 -Anpassungstest Ein wesentliches Merkmal nichtparametrischer Testverfahren ist, dass diese im Allgemeinen weniger
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrFH- Management & IT. Constantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen)
FH- Management & IT Folie 1 Rückblick Häufigkeiten berechnen Mittelwerte berechnen Grafiken ausgeben Grafiken anpassen und als Vorlage abspeichern Variablenoperationen Fälle vergleichen Fälle auswählen
MehrHäufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche
Lehrveranstaltung Empirische Forschung und Politikberatung der Universität Bonn, WS 2007/2008 Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche 30. November 2007 Michael
MehrPrüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
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
MehrTESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 1
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 1 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Einführung in Datensatz Stichprobenbeschreibung
MehrKapitel 3: Der t-test
Kapitel 3: Der t-test Durchführung eines t-tests für unabhängige Stichproben Dieser Abschnitt zeigt die Durchführung des in Kapitel 3.1 vorgestellten t-tests für unabhängige Stichproben mit SPSS. Das Beispiel
MehrStatistik im Klartext Für Psychologen, Wirtschaftsund Sozialwissenschaftler. Fabian Heimsch Rudolf Niederer Peter Zöfel
Statistik im Klartext Für Psychologen, Wirtschaftsund Sozialwissenschaftler 2., aktualisierte und erweiterte Aulage Fabian Heimsch Rudolf Niederer Peter Zöfel Statistik im Klartext - PDF Inhaltsverzeichnis
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrTest-Finder. Inhalt. Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk
Test-Finder 1 Test-Finder Orientierung im Test-Chaos Dipl.-Psych. Dr. Guido Strunk Inhalt 1 Grundlagen... 2 2 Maße der zentralen Tendenz vergleichen Zwei Gruppen... 3 2.1 T-Test für unabhängige Daten...
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
MehrAufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
MehrStatistik-Klausur I E SS 2010
Statistik-Klausur I E SS 2010 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
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
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
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
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrVII. Inhaltsverzeichnis
VII Inhaltsverzeichnis Vorwort XIII Teil 1 Datentypen 1 Datentypen 3 1.1 Kommt es wirklich darauf an? 3 1.2 Daten auf einer Intervallskala 3 1.3 Daten auf einer Ordinalskala 4 1.4 Daten auf einer Nominalskala
MehrBiometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
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
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
MehrForschungsstatistik II
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-3 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik II Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 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
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
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
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
MehrLösung 1. die 1 angeben. Alternativ kann man auch. Variable berechnen wählen und dann die Summe von Q2_6 und Q2_7 wählen.
SPSS Kurs Lösungen Lösung 1 2) Erstellen Sie eine neue Variable Ausland, diese soll die Summe der im Ausland bereisten Städte (Paris, Madrid) wider spiegeln. z.b. über Transformieren Werte in Fällen zählen
MehrEinführung in Web- und Data-Science
Einführung in Web- und Data-Science Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Tanya Braun (Übungen) P-Wert (einseitiger Ablehnungsbereich) Hypothesentest H 0 vs. H 1
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
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,
MehrÜbung 4 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
MehrEinstieg in SPSS. Man kann auch für jede Ausprägung einer Variablen ein Wertelabel vergeben.
Einstieg in SPSS In SPSS kann man für jede Variable ein Label vergeben, damit in einer Ausgabe nicht der Name der Variable (der kryptisch sein kann) erscheint, sondern ein beschreibendes Label. Der Punkt
MehrStatistik Prüfung 24. Jänner 2008
Statistik Prüfung 24. Jänner 2008 February 10, 2008 Es ist immer nur EINE Antwort richtig, bei falsch beantworteten Fragen gibt es KEINEN Punktabzug. Werden mehrere Antworten bei einer Frage angekreuzt,
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
MehrKlausur Statistik 2 RE Statistik für Soziologen Do,
Klausur Statistik 2 RE Statistik für Soziologen Do, 24. 9. 2009 Name...Vorname... Matrikelnummer... Einsichtnahme: Fr, 2. Oktober BITTE DEUTLICH UND LESERLICH SCHREIBEN! Es wird nur gewertet, was in diesem
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
MehrGepaarter und ungepaarter t-test. Statistik (Biol./Pharm./HST) FS 2014
Gepaarter und ungepaarter t-test Statistik (Biol./Pharm./HST) FS 2014 Wdh: t-test für eine Stichprobe 1. Modell: X i ist eine kontinuierliche MessgrÄosse; X 1 ; : : : ; X n iid N (¹; ¾ 2 X ); ¾ X wird
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:
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrSPSS (20.0) Hilfe Version 1
SPSS (20.0) Hilfe Version 1 Statistik-UE SS 2015 Datenmanagement Informationen zur Syntax: Öffnen der Syntax: Datei Öffnen Syntax Eingabe z. B. COMPUTE bzw. wenn Sie einen Befehl in SPSS ausführen, drücken
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
MehrForschungsstatistik II, SS2009
Forschungsstatistik II, SS29 Abschlussklausur Inferenzstatistik Name: Matrikel-Nr.: Bonuspunkte: ja nein Forschungsstatistik II SS29 Abschlussklausur Aufgabe 1: (6 Punkte 1%) Welche dieser Matrizen können
MehrBitte am PC mit Windows anmelden!
Einführung in SPSS Plan für heute: Grundlagen/ Vorwissen für SPSS Vergleich der Übungsaufgaben Einführung in SPSS http://weknowmemes.com/generator/uploads/generated/g1374774654830726655.jpg Standardnormalverteilung
MehrTutorium. Termin am 22. Juni ist fakultativ wird mit den Anwesenden am 20. Juni entschieden, ob er stattfindet
Tutorium Zur Prüfungsvorbereitung und zum nochmaligen Durcharbeiten und Besprechen des Stoffs findet ein Tutoriumstatt (Michael Zeiler; michael.zeiler@univie.ac.at) Mittwoch, 8. Juni, 15.00-16.30, HS G
Mehr