Zur Erklärung menschlicher Verhaltensweisen oder allgemeiner sozialer Phänomene ist häufig eine Vielzahl von Einflussfaktoren zu berücksichtigen.
|
|
- Johannes Pohl
- vor 7 Jahren
- Abrufe
Transkript
1 4.3 Faktorenanalyse Problemstellung Zur Erklärung menschlicher Verhaltensweisen oder allgemeiner sozialer Phänomene ist häufig eine Vielzahl von Einflussfaktoren zu berücksichtigen. Je größer jedoch die Zahl der berücksichtigten Erklärungsvariablen wird, umso weniger ist gesichert, dass diese auch tatsächlich alle unabhängig voneinander zur Erklärung des Sachverhalts notwendig sind. Problem der Multikollinearität. Mit der Faktorenanalyse soll zum einen die eventuell recht hohe Dimensionalität eines Datenbestandes reduziert werden: Datenreduktion Datenverdichtung Zum anderen versucht man, die den einzelnen Variablen übergeordneten Dimensionen zu entdecken: Hypothesengenerierung Vorgehensweise 1
2 Stilisierte Vorgehensweise der Faktorenanalyse bei Q = 2 Faktoren F1, F2 und J = 5 zu erklärenden Variablen X 1, X 2,..., X 5 Kommunalität: In welchem Ausmaß sind die Variablen X 1 - X 5 durch die Faktoren aufgeklärt bzw. erfasst. Die Kommunalität erklärt den Anteil der gemeinsamen Varianz, ist somit ein Maß für den Grad des Zusammenhangs einer Variablen mit allen anderen Variablen. 1. Variablenauswahl Qualität der Ausgangsdaten Relevanz der Untersuchungsmerkmale Homogenität der Stichprobe Standardisierung der Ausgangsdaten Erleichterung der Rechenschritte Erleichterung der Interpretation Vergleichbarkeit der Variablen Faktoren repräsentieren den Zusammenhang zwischen den untersuchten Variablen Korrelationen Prüfkriterien für die Eignung der Ausgangsdaten: (a) Zusammenhang zwischen den Ausgangsvariablen (Korrelationsmartrix) (b) Signifikanzniveau der Korrelationen (c) Inverse der Korrelationsmatrix : Eignung, wenn Inverse nahe Diagonalmatrix 2
3 (d) Bartlett-Test (Test auf Sphärizität) H 0 : Variablen x 1 -x J sind unkorreliert Test unterstellt Normalverteilung (e) Anti-Image-Kovarianzmatrix Anti-Image: Anteil der variablenspezifischen Varianz (Streuung, die mit anderen Variablen unkorreliert ist) (f) Kaiser-Meyer-Olkin-Kriterium Analog zu 4. bezogen auf Korrelationsmatrix 2. Extraktion der Faktoren Wie können die Faktoren rechnerisch aus den Variablen ermittelt werden? Fundamentaltheorem der Faktoranalyse Korrelationskoeffizient r x1,x 2 = K (x k1 x 1 )(x k2 x 2 ) k=1 K (x k1 x 1 ) 2 k=1 Cov(x 1, x 2 ) = 1 K 1 K (x k2 x 2 ) 2 k=1 K (x k1 x 1 )(x k2 x 2 ) k=1 = Cov(x 1, x 2 ) S x1 S x2 x k = x k x = x k1 x 1. x kj x J Abweichungen vom Mittelwert der k-ten Beobachtung J Variablen 3
4 Kovarianzmatrix: V = V ar(x 1 ) Cov(x 1, x J ) Cov(x 1, x 2 )..... Cov(x 1, x J ) V ar(x J ) = 1 K 1 K k=1 x k x k = 1 K 1 X X X = x 1 x 2. x K = x 11 x 1J x 21 x 2J. x K1 x KJ Standardisierung: z kj = x kj x j Z = S j z 11 z 1J. z K1 z KJ Korrelationsmatrix: 1 r xj,x 1 R = r x1,x r x1,x J 1 = 1 K 1 Z Z Fundamentaltheorem: Jeder Beobachtungswert einer Ausgangsvariablen x j oder der standardisierten Variablen z j lässt sich als eine Linearkombination mehrerer (hypothetischer) Faktoren beschreiben Q Faktoren: Z kj = a j1 P k1 + a j2 P k2 + + a jq P kq = Q a jq p kq q=1 4
5 }{{} Z = P A wobei P = K J P 11 P 12 P 1Q. P K1 P K2 P KQ K Q }{{} A = J Q a 11 a 1Q.. a J1 a JQ Matrix der Faktorladungen Wir wissen: R = 1 K 1 Z Z = 1 K 1 (P A ) (P A ) = 1 K 1 (A P P A ) = 1 = A ( K 1 P P ) A }{{} Korrelationsmatrix C der Faktoren in P da alle standardisiert R = A C A Faktoren unkorreliert (orthogonal): C = I Q, R = A A 5
6 Grafische Interpretation von Faktoren: Der Informationsgehalt einer Korrelationsmatrix lässt sich auch grafisch in einem Vektordiagramm darstellen: Variablen als Vektoren Korrelationskoeffizienten als Winkel zwischen zwei Vektoren Faktoren als resultierende Vektoren (bei Unabhängigkeit orthogonal zueinander) Vektordarstellung einer Korrelation zwischen zwei Variablen: 6
7 Extraktion der Faktoren F1: 1. Resultante von x 1 -x 3 Schwerpunkt aller aus den Variablen gebildeten Faktoren F2: Orthogonal zu F 1 2. Resultante der Differenzen x j -a 1j F 1 Faktorenanalyse: Möglichst gering dimensionaler Raum ˆ= Möglichst wenige Faktoren (maximale Anzahl ist Rang von R) 7
8 3. Bestimmung der Kommunalitäten Die Gesamtvarianz einer Variablen lässt sich aufteilen in: Kommunalität (durch die gemeinsamen Faktoren erklärt) und Einzelrestvarianz (auf spezifische Faktoren oder Messfehler zurückzuführen). Kommunalität: Q h 2 j = a 2 jq Verfahren zur Schätzung der unbekannten Kommunalitäten: q=1 (a) Annahme, dass gesamte Varianz erklärt werden soll (Kommunalitäten = 1) (b) Vorgabe eines Schätzwertes höchster quadrierter Korrelationskoeffizient einer Variable mit den anderen Variablen multiples Bestimmtheitsmaß (c) Bestimmung der Kommunalitäten durch den Iterationsprozess der Faktorenanalyse 8
9 4. Zahl der Faktoren Kaiser-Kriterium Die Zahl der zu extrahierenden Faktoren ist gleich der Zahl der Faktoren mit Eigenwerten größer eins. Eigenwerte = Summe quadrierter Faktorladungen eines Faktors über alle Variablen J (q: Faktor) j=1 a 2 jq Ein Faktor liefert Varianzerklärung von mindestens 1 Scree-Test Faktoren werden in Koordinatensystem nach abnehmender Höhe der Eigenwerte angeordnet. Man legt von rechts eine Gerade durch die sich asymptotisch der Abszisse nähernden Eigenwerte. Der letzte Punkt auf dieser Geraden bestimmt die Zahl der zu extrahierenden Faktoren. Extrahiere so lange, bis x% der Varianz erklärt sind. Extrahiere n Faktoren. Extrahiere alle Faktoren, die nach Rotation interpretierbar sind. 5. Faktorinterpretation Für die Interpretation der Faktoren werden die Faktorladungen (als Korrelationskoeffizienten zwischen Faktoren und Variablen) verwendet. Einfachstruktur: Variable lädt nur auf einem Faktor hoch. Hohe Ladungen ab 0,5. Wenn keine Einfachstruktur vorliegt: Rotation. (Es sollte immer die Varimax-Rotation angewendet werden, bei der die Unabhängigkeit der Faktoren erhalten bleibt. Grundsätzlich sind auch schiefwinklige Rotationen möglich.) 9
10 Grafische Darstellung des Rotationsproblems 10
11 6. Bestimmung der Faktorwerte Häufig interessiert man sich auch dafür, welche Werte die einzelnen Untersuchungsobjekte hinsichtlich der gewonnenen Faktoren annehmen. Z = P A + Ũ Bestimmung von P = P 11 P 12.. bei Q = 2 Faktoren P K1 P K2 Grafische Darstellung ( Mappings ). Eine Anwendung für solche Mappings ist bspw. die Positionierung von Produkten in einem zweidimensionalen Wahrnehmungsraum. Die Faktorwerte werden relativ, d.h. also als Abweichungen vom auf Null normierten Mittelwert dargestellt. 11
12 Grafische Darstellung der Faktorwerte 12
13 log: log type: D:\fitzenbe\lehre\loekr\empiwifo\Kapitel 4_stataprogramme\ Faktorenanalyse\abschnitt43_faktorenanalyse.log text opened on: 13 Nov 2008, 10:46:02. *use faktorenanalyse.dta. *save faktorenanalyse.dta, replace. list, clean. destring schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig, replace schmeckt has all characters numeric; replaced as byte (5 missing values generated) leicht has all characters numeric; replaced as byte (2 missing values generated) kalorien has all characters numeric; replaced as byte (6 missing values generated) nahrhaft has all characters numeric; replaced as byte (1 missing value generated) satt has all characters numeric; replaced as byte (1 missing value generated) qualitt has all characters numeric; replaced as byte (4 missing values generated) pause has all characters numeric; replaced as byte (4 missing values generated) energie has all characters numeric; replaced as byte (3 missing values generated) klebrig has all characters numeric; replaced as byte (2 missing values generated) weich already numeric; no replace knusprig has all characters numeric; replaced as byte (1 missing value generated) 13
14 . * destring ersetzt fehlende Einträge in Daten (leere Fenster) als durch STATA erkannte missing values ".". **********************. * Korrelationanalyse *. **********************. correlate schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig (obs=392) schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig **************************. * Fatorenanalyse *. **************************. factor schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig (obs=392) (principal factors; 5 factors retained) 14
15 Factor Eigenvalue Difference Proportion Cumulative Factor Loadings Variable Uniqueness schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig *estat anti 15
16 . *estat kmo. **************************. * Scree Plot Eigenvalues *. **************************. * screeplot. greigen. graph export screeplot.eps, replace (file screeplot.eps written in EPS format). ********************. * Varimax Rotation *. ********************. rotate (varimax rotation) Rotated Factor Loadings Variable Uniqueness schmeckt leicht kalorien nahrhaft satt qualitt pause energie klebrig weich knusprig * Speichern und schließen 16
17 . save faktorenanalyse.dta, replace file faktorenanalyse.dta saved. log close log: D:\fitzenbe\lehre\loekr\empiwifo\Kapitel 4_stataprogramme\Faktorenanalyse\abschnitt43_faktorenanalyse.log log type: text closed on: 13 Nov 2008, 10:46:04 Screeplot 17
Faktorenanalyse. Fakultät für Human und Sozialwissenschaften Professur für Forschungsmethodik und Evaluation in der Psychologie
Faktorenanalyse Fakultät für Human und Sozialwissenschaften Professur für Forschungsmethodik und Evaluation in der Psychologie Seminar: Multivariate Analysemethoden Seminarleiter: Dr. Thomas Schäfer Referenten:
MehrDie Faktorenanalyse. Anwendung dann, wenn zwischen beobachtbaren und nicht direkt beobachtbaren Variablen ein kausales Verhältnis vermutet wird
Die Faktorenanalyse Zielsetzung Datenreduktion: eine größere Anzahl von Variablen auf eine kleinere Anzahl unabhängiger Einflussgrößen zurückführen Grundlegende Idee Direkt beobachtbare Variablen spiegeln
MehrStatistik II: Klassifikation und Segmentierung
Medien Institut : Klassifikation und Segmentierung Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Faktorenanalyse 2. Clusteranalyse 3. Key Facts 2 I 14 Ziel
MehrEiner Reihe von Merkmalen zugrunde liegende, gemeinsame Faktoren ermitteln.
Faktoranalysen Aufbau 1. Sinn und Zweck 2. Eigenschaften der Merkmale 3. Extraktion der Faktoren 4. Anzahl der Faktoren 5. Rotation der Faktoren 6. Interpretation der Faktoren Sinn und Zweck Einer Reihe
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrVertiefungsrichtung Marktforschung
Vertiefungsrichtung Marktforschung Sommersemester 2006 Dipl.-WiInf.(FH) Christian Reinboth Darstellen Faktorenanalyse Erkennen Beschreiben Testen Faktorenanalyse In der Marktforschung hat man es häufig
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrEigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung. 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend?
Eigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend? a) Die Faktorenanalyse hat ihren Ursprung in der theoretischen Intelligenzforschung.
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
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
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 13 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Die Variablen sollten hoch miteinander korrelieren. Deshalb sollten die einfachen Korrelationskoeffizienten hoch ausfallen.
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 0.5--45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
MehrDie Rücktransformation: Z = A t (Y µ) = Y = AZ + µ
Die Rücktransformation: Z = A t (Y µ) = Y = AZ + µ Kleine Eigenwerte oder Eigenwerte gleich Null: k Eigenwerte Null = Rang(Σ) = m k Eigenwerte fast Null = Hauptkomponenten beinahe konstant Beschränkung
MehrMusterklausur im Fach Käuferverhalten und Marketingforschung. Prof. Dr. M. Kirchgeorg
Lehrstuhl Marketingmanagement Musterklausur im Fach Käuferverhalten und Marketingforschung Prof. Dr. M. Kirchgeorg Punkteverteilung: Aufgabe max. Punktzahl erreichte Punktzahl I-1 12 I-2 10 I-3 8 Gesamt
MehrEinführung in SPSS. Sitzung 5: Faktoranalyse und Mittelwertsvergleiche. Knut Wenzig. 22. Januar 2007
Sitzung 5: Faktoranalyse und Mittelwertsvergleiche 22. Januar 2007 Verschiedene Tests Anwendungsfall und Voraussetzungen Anwendungsfall Mehrere Variablen, die Gemeinsamkeiten haben, werden gebündelt. (Datenreduktion)
Mehr5.Tutorium Multivariate Verfahren
5.Tutorium Multivariate Verfahren - Hauptkomponentenanalyse - Nicole Schüller: 27.06.2016 und 04.07.2016 Hannah Busen: 28.06.2016 und 05.07.2016 Institut für Statistik, LMU München 1 / 18 Gliederung 1
MehrHauptkomponentenanalyse. Die Schritte bei einer Hauptkomponentenanalyse
Die Schritte bei einer FACTOR /VARIABLES f06_r f06_r f06_r f06_4r f06_5r f06_6r f06_7r f06_8r f06_9r f06_0r /MISSING LISTWISE /ANALYSIS f06_r f06_r f06_r f06_4r f06_5r f06_6r f06_7r f06_8r f06_9r f06_0r
MehrFaktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Faktorenanalyse Bacher, SoSe2007 1. Grundlegende Verfahren explorative FA (EXFA): Für eine Menge von Variablen/Items werden zugrunde liegende gemeinsame (latente) Dimensionen/Faktoren gesucht, die Faktorstruktur
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...
MehrSkript Einführung in SPSS
SPSSinteraktiv Faktorenanalyse - 1 - Skript Einführung in SPSS Faktorenanalyse Explorative Faktorenanalyse Hauptkomponentenanalyse (PCA) Hinweise zum Schreiben des statistischen Reports 1. Sämtliche Tabellen
MehrFaktorenanalyse Beispiel
Faktorenanalyse Zweck der Faktorenanalyse ist die Dimensionsreduktion einer gegebenen Variablenanzahl, d. h. also die Zusammenfassung vorhandener Variablen zu wenigen latenten, i. d. R. voneinander unabhängigen
MehrGHF SoSe 2011 HS MD-SDL
GHF SoSe 2011 HS MD-SDL 6/28/2011 1 Bitte recherchieren Sie die verschiedenen Bestimmungsstücke des Validitätskonzepts Bitte überlegen Sie sich Strategien zur Prüfung dieser verschiedenen Bestimmungsstücke
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
MehrMultivariate Analysemethoden, Dozent: Dr. Thomas Schäfer Alexander Allnoch, Markus Burkhardt & Vivien Röder
Multivariate Analysemethoden, Dozent: Dr. Thomas Schäfer 29.05.2012 Alexander Allnoch, Markus Burkhardt & Vivien Röder 1. Einführung 2. Grundlagen Faktorenanalyse 3. Nutzungsdimensionen von Musik - unsere
MehrDimensionale Methoden: Hauptkomponentenanalyse (HKA) und Faktorenanalyse (FA)
Dimensionale Methoden: Hauptkomponentenanalyse (HKA) und Faktorenanalyse (FA) 1 HKA und FA: das Problem Beispiel: Supermärkte: Welches sind die Hauptattribute von Supermärkten? (637 Kunden beurteilen Attribute
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 27. März 2015 Aufgabe 1 Kennzeichnen Sie die folgenden Aussagen über die beiden Zufallsvektoren ([ ] [ ]) ([ ] [ ]) 2 1 0 1 25 2 x 1 N, x 3 0 1 2
Mehrexplorative Faktorenanalyse Spickzettel
9.Testkonstruktion eplorative Faktorenanalyse Spickzettel Interpretation / Faktorentaufe Passung Datenmatri standardisiert berechnen /schätzen Beispiel: Item Ich habe gerne viele Menschen um mich herum
MehrAufgaben zur Multivariaten Statistik
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Universität Kassel Aufgaben zur Multivariaten Statistik Teil : Aufgaben zur Einleitung. Was versteht man unter einer univariaten, bivariaten
Mehr4. Skalenbildung: Faktorenanalyse, Aggregation von Items & Normierung
4. Skalenbildung: Faktorenanalyse, Aggregation von Items & Normierung Über die interne Struktur eines Tests bestehen präzise theoretische Vorstellungen --> ja: Konfirmatorische Faktorenanalyse CFA -->
MehrMultivariate Analysemethoden
Multivariate Analysemethoden Dipl.-Volksw. Rafael Rucha Klausur erster Termin im Wintersemester 2006/2007 3. Januar 2007 Das Arbeitsministerium beauftragte ein sozialwissenschaftliches Institut, eine Studie
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:
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrVeranschaulichung: Einführung in die Faktorenanalyse mit SAS. 1. Faktorenanalyse: Wie? Inhalt. 1. Faktorenanalyse: Wozu?
Einführung in die Faktorenanalyse mit SAS Benutzertreffen am URZ Christoph Witzel 6. Juni 2003 1. Faktorenanalyse: Wozu? Veranschaulichung: Variablen seien: Wie oft Personen Fußball spielen, Rad fahren,
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
MehrEinführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS. Datenanalyse HS09 Susan Kriete Dodds 18. November 2009
Einführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS Datenanalyse HS09 Susan Kriete Dodds 18. November 2009 Hauptkomponentenanalyse Öffne die Datei Kamera.csv Analysieren > Dimensionsreduzierung
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
Mehr2.5 Das Rotationsproblem
.5 Das Rotationsproblem Das Verfahren der Faktorenextraktion ist so ausgestaltet, dass - der erste Faktor F 1 einen möglichst großen Teil der Varianz der manifesten Variablen erklärt, - der zweite Faktor
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
Mehr17. Januar Ruhr-Universität Bochum. Methodenlehre III, WS 2010/2011. Prof. Dr. Holger Dette. 1. Matrizenrechnung. 2.
Ruhr-Universität Bochum 17. Januar 2011 1 / 232 Methodenlehre III NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30
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
MehrSind mehrere Merkmale untereinander hoch korreliert, so kann man sie als zusammengehörig interpretieren, sie bilden einen Faktor.
5 Faktorenanalyse 5.1 Das orthogonale Faktorenmodell Sind mehrere Merkmale untereinander hoch korreliert, so kann man sie als zusammengehörig interpretieren, sie bilden einen Faktor. Beispiel 5.1. Körpergröße
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse Die explorative Faktorenanalyse ist ein Verfahren aus der multivariaten Statistik. Mithilfe der Faktorenanalyse kann aus den Beobachtungen vieler manifester Variablen (z.b Items
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrEntwicklung der Faktorenanalyse 17.06.2009. Faktorenanalyse. Faktorenanalyse nach Spearman Variablen zur Beschreibung von Intelligenz
Faktorenanalyse Thomas Schäfer SS 009 1 Entwicklung der Faktorenanalyse Faktorenanalyse nach Spearman Variablen zur Beschreibung von Intelligenz Hauptkomponentenanalyse (Pearson, Hotelling) Thomas Schäfer
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrInhalt. Einführung in die Faktorenanalyse mit SPSS. 1. Faktorenanalyse: Wozu? 1. Faktorenanalyse: Wie?
Einführung in die Faktorenanalyse mit SPSS Benutzertreffen am URZ Christoph Witzel. Juni 00 Inhalt. Faktorenanalyse: Wozu und wie?. Beispieldaten Metalle. Vorgehensweise. Verfahren zur Berechnung der Faktoren.
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
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrDarstellung der Rotation 2,85 / 0,08 1 / 3,5 3,62 / 0,40. α = 67,76 -1 / -1 -2,08 / 0,23-1,30 / 0,55
Darstellung der Rotation 2,85 /,8 1 / 3,5 3,62 /,4 α = 67,76-1 / -1-2,8 /,23-1,3 /,55 Material für die Übungen zur Hauptkomponenten- und Faktoranalyse Principal Components Analysis Analysis Summary Data
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrÜbungsblatt 4: Multivariate Analyseverfahren
Prof Bernd Fitzenberger, PhD Dr Roland Füss Übung zur Veranstaltung Empirische Wirtschaftsforschung Aderonke Osikominu Albert-Ludwigs-Universität Freiburg Mehdi Hosseinkouchack Wintersemester 2007/08 Übungsblatt
MehrINHALTSVERZEICHNIS EINLEITUNG
INHALTSVERZEICHNIS EINLEITUNG 2 1 ARBEITSWERTE 3 2 ANSÄTZE ZUR STRUKTURIERUNG VON ARBEITSWERTEN 4 2.1 Elizur 4 2.2 Schmidt 5 2.3 Alderfer 6 3 DATENBASIS 8 4 FAKTORENANALYSE 10 4.1 Zusammenhänge zwischen
MehrExplorative Faktorenanalyse
Bachelorseminar: Ausgewählte Aspekte der Wirtschafts- und Sozialstatistik Explorative Faktorenanalyse Simon Reitzner Betreuerin: Eva Endres, M.Sc. LMU München, Institut für Statistik 19.06.2015 1 / 43
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
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
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
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
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
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse Eric Klopp 1 Universität des Saarlandes Zusammenfassung Die explorative Faktorenanalyse (EFA) ist ein Verfahren aus der multivariaten Statistik. Mithilfe der Faktorenanalyse
MehrEmpirische Forschungsmethoden: Multivariate Datenanalyse
Vorlesung Empirische Forschungsmethoden: Multivariate Datenanalyse Prof. Dr. Jost Adler Lehrstuhl für Marketing Department of Management & Marketing Universität Duisburg-Essen Umbenennung der Veranstaltungen
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Hauptkomponenten- und enanalyse Hauptkomponentenanalyse Von der Hauptomponentenananlyse zur exploratischen enanalyse Bestimmung der Zahl der en
MehrMaterialband. Marktforschung
Materialband Marktforschung Multivariate statistische Verfahren 5. Sem. Prof. Dr. Rößler Themenbereiche 1 Regressionsanalyse 2 Varianzanalyse 3 Diskriminanzanalyse 4 Faktorenanalyse 5 Clusteranalyse Regressionsanalyse
MehrMultivariate Verfahren
Faktorenanalyse 1 Matthias Rudolf & Johannes Müller Multivariate Verfahren Eine praxisorientierte Einführung mit Anwendungsbeispielen in SPSS Praxisbeispiel zur Faktorenanalyse: FABA Inhalt: 1 Beschreibung
MehrKapitel 5. Faktorenanalyse. 5.1 Einführung. 5.2 Das Modell der Faktorenanalyse
Kapitel 5 Faktorenanalyse 51 Einführung Die Faktorenanalyse ist wie die Hauptkomponentenanlyse eine variablenorientierte Methode, die dann angebracht ist, wenn die Variablen gleichwertig sind, dh wenn
MehrMultivariate Statistische Methoden und ihre Anwendung
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg R. Oldenbourg Verlag München Wien
Mehr2. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
. Lösung weitere Übungsaufgaben Statistik II WiSe 016/017 1. Aufgabe: Bei der Produktion eines Werkstückes wurde die Bearbeitungszeit untersucht. Für die als normalverteilt angesehene zufällige Bearbeitungszeit
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrBivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
MehrStatistik II im Wintersemester 2006/2007
Statistik II im Wintersemester 2006/2007 Themen am 16.1. Multivariate Analysemodelle Multivariate Regression Hauptkomponentenanalyse Faktorenanalyse Lineare Strukturgleichungsmodelle Lernziele: 1. Unterschied
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
MehrInstitut für Marketing und Handel Prof. Dr. W. Toporowski. SPSS Übung 5. Heutige Themen: Faktorenanalyse. Einführung in Amos
SPSS Übung 5 Heutige Themen: Faktorenanalyse Einführung in Amos 1 Faktorenanalyse Datei Öffnen V:/Lehre/Handelswissenschaft/Daten_Übung3/Preisimage_F_und_C.sav 2 Datensatz (I) v1 Wenn Produkte zu Sonderpreisen
Mehr5. Arbeitsschritt: Skalenkonstruktion mit Hilfe der Faktorenanalyse
Dr. Wolfgang Langer - Methoden V: Explorative Faktorenanalyse SoSe 1999-1 5. Arbeitsschritt: Skalenkonstruktion mit Hilfe der Faktorenanalyse Mit Hilfe der orthogonalen Hauptkomponenten- und Faktorenanalyse
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
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
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
Mehr13 Dimensionsreduktion
13 Dimensionsreduktion 13.0 Dimensionsreduktion Dimensionsreduktion 13 Dimensionsreduktion (aus: C. Weihs und J. Jessenberger (1998): Statistische Methoden zur Qualitätssicherung und -optimierung in der
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrFaktorenanalyse. (Hauptkomponentenmethode, PCA)
Faktorenanalyse (Hauptkomponentenmethode, PCA) Ein kurzer Leitfaden zur Arbeit mit der Statistiksoftware R Dr. H. Grunert Bernburg 2005 Seite 1 von 33 Vorbemerkung Die Statistiksoftware und Programmierumgebung
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
MehrModulklausur Multivariate Verfahren. Datum Punkte Note. Termin: 26. September 2008, Uhr Prüfer: Univ.-Prof. Dr. H.
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 26. September 2008, 9.00-11.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
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
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
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
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
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,
MehrExplorative Faktorenanalyse: Einführung und Analyse mit R
Explorative Faktorenanalyse: Einführung und Analyse mit R Christina Werner Frühling 2014 Universität Zürich 1 Wozu verwendet man Faktorenanalysen? Mit Hilfe von Faktorenanalysen kann untersucht werden,
Mehr