9.3 Lineare Regression
|
|
- Kurt Hofmann
- vor 7 Jahren
- Abrufe
Transkript
1 9.3 Lineare Regression 115 A B C D E F G H 1 2 Pearsonscher Korrelationskoeffizient x-werte y-werte ANALYSE ASSISTENT 7 2, , ,3 6,4 Spalte 1 Spalte ,4 6 Spalte ,2 6,3 Spalte 2 0, R R 2 =PEARSON(B6:10;C6:C , , auch Bestimmtheitsmaß Abb : Korrelationskoeffizient nach Pearson. 9.3 Lineare Regression Bei der Regression wird der Zusammenhang zwischen zwei Variablen (z.b. Messungen) untersucht, wenn die Variablen Ursache (Einflussgröße x) und Wirkung (Zielgröße y) sind. Die Größe x (z.b. Körpergröße) wird als unabhängige und y (z.b. Gewicht) als von x abhängige Variableangenommen. Das Vertauschen von x und y führt zu veränderten Zusammenhängen und führt zu falschen Ergebnissen. Bei der linearen Regression wird der Gleichung der optimalen Gerade gesucht, die so bestimmt wird, dass die Summe der quadrierten Abweichungen der Messwerte von dieser Geraden minimal ist. Die Gerade wird auch lineare Trendgerade genannt. Die Koeffizienten a und b der entsprechenden Regressionsgeraden y = ax + b können durch die die Matrix-Funktion RGP berechnet werden. Matrix-Funktionen geben nicht nur einen Wert zurück,
2 116 9 Regressionen und Residuen bei RGP sind dies die Koeffizienten a und b der Trendgeraden. Vor Eingabe der Funktion muss die Anzahl der Zellen in einem Bereich markiert werden. Die Formel wird in die erste Zelle eingetragen, die Bestätigung erfolgt dann durch die besondere Tastenkombination [Strg]+[Shift]+[Return]. Es werden so alle markierten Zellen berechnet. Die Formel ist in geschweiften Klammern»{}«eingetragen. Zellen mit Array- Funktionen können nicht einzeln geändert werden, sondern nur gesamt. RGP (Y-Werte; X-Werte) Gibt zwei Zellen zurück, in der ersten Zelle steht die Steigung a und in der zweiten Zelle der Abschnitt b auf der Y- Achse. Beide Parameter der Geraden können auch durch die Tabellenfunktionen STEIGUNG und ACHSENABSCHNITT ermittelt werden. Die Konvention, dass zuerst die Y-Werte in die Formel eingegeben werden, ist einzuhalten. STEIGUNG (Y-Werte; X-Werte) ACHSENABSCHNITT (Y-Werte; X-WERTE) Geben einzeln Steigung und Achsenabschnitt zurück. In Abb wird die Regression mit der Feldfunktion RGP berechnet. Das Ergebnis ist also eine Gerade, welche die Y-Achse bei -142 schneidet und eine Steigung von 1,2 hat. Die Grafik wird durch den Diagrammtypen»Punkt«erzeugt. Die Gerade kann über»daten hinzufügen«gezeichnet werden. EXCEL kann Trendlinien in der Grafik auch automatisch zeichnen sowie die Gradengleichung mit Bestimmtheitsmaß bei Aktivierung der entsprechenden Option ausgeben (Abb ).
3 9.3 Lineare Regression 117 Abb : Berechnung der Regression mit der Feldfunktion RGP. Abb : Aktivierung der Trendlinie. In Abb wird an einem größeren Beispiel auch eine Regressionsanalyse durchgeführt
4 118 9 Regressionen und Residuen y = 1,2027x - 142,63 R 2 = 0, Abb : Ermittlung der Regressionsgerade. 160 y = 103,79x - 101,07 R 2 =0, ,50 1,60 1,70 1,80 1,90 2,00 2,10 2,20 Abb : große Regressionsanalyse.
5 9.4 Residuen Residuen Die Abweichungen der y-werte von der Regressionsgerade heißen Residuen. Es ist für die Praxis sehr wichtig, Residuen grafisch zu beurteilen, um Messprobleme zu erkennen. Die Residuen sollten in einem waagerechten Band konstanter Breite liegen. Es gibt keine EXCEL-Funktion für die Berechnung der Residuen. Vom (x,y)-wert wird der x-wert in die Geradengleichung eingesetzt und dann von y abgezogen. x-wert y-wert Residuum a b ,19 4, , Tab : Berechnung der Residuen. 21 4, *1 + 11, = 4,19 Fehler im linearen Modell oder bei der Aufbereitung der Messungen liegen vor, wenn die Residuen in Trichtern liegen oder wenn sich der Residuenverlauf kurvenförmig darstellt. Auch Ausreißer können durch Betrachten der Residuen leicht erkannt werden. In Abb sind die Residuen berechnet, sie werden der Abb dargestellt. Die Residuen sind zufällig gestreut, zwei Ausreißer sind nicht besorgniserregend für das Modell. Die Abb zeigt Residuen, die in einem Trichter liegen.
6 120 9 Regressionen und Residuen 1 A B C D E F G H Patienten Statistik 2 3 nach Formel [kg] Körpergrößen- Klasse mittleres Körpergewicht 4 Patient Körpergröße [m] Gewicht [kg] Abweichung Residuen 5 1,78 94,00 70,20 +0,34 0,00 m 74,00 kg 11, ,01 120,00 90,90 +0,32 1,75 m 86,40 kg 25, ,65 87,00 58,50 +0,49 1,90 m 94,54 kg 10, ,90 90,00 81,00 +0,11 1, ,98 98,00 88,20 +0,11 max. Gewicht 120,00 kg 5, ,98 76,00 88,20-0,14 max. Körpergröße 2,19 m -16, ,76 87,00 68,40 +0,27 5, ,71 68,00 63,90 +0,06 =D10-($G$24*C10+$H$24) -11, ,89 97,00 80,10 +0,21 größtes Gewicht Herr 8, ,65 67,00 58,50 +0,15-9, ,06 100,00 95,40 +0,05 ="Herr 3, ,88 84,00 79,20 +0,06 "&INDEX(B5:B100;VERGLEICH( -3, ,98 88,00 88,20-0,00 MAX(D4:D100);D4:D100;0)) -4, ,02 101,00 91,80 +0,10 6, ,87 76,00 78,30-0,03-11, ,74 77,00 66,60 +0,16-3, ,87 56,00 78,30-0,28 Regressionsanalyse -31, ,19 91,00 107,10-0,15-12, ,93 87,00 ={RGP(D5:D34;C5:C34)} 83,70 +0,04 a b -3, ,65 76,00 58,50 +0,30 50, , , ,96 109,00 ={RGP(D5:D34;C5:C34)} 86,40 +0,26 17, ,96 101,00 86,40 +0,17 R² : 0, , ,70 76,00 63,00 +0,21 =PEARSON(C5:C34;D5:D34)^2-2, ,94 87,00 84,60 +0,03-3, ,76 98,00 68,40 +0,43 16,247 Spiro Cam Frank Gro Emil Heek Eugen Hö Heinz Kle Helmut Ko Peter Kola Bernd Kra Hans Kuli Theo Lodz Jens Meie Alfons Me Willi Millow Jochen M Markus M Hans Pan Anton Rie Jochen Sc Markus S Peter Sch Willi Schn Rolf Schre Roy Slack Jan Szito Jochen Te Abb : Patienten Statistik mit linearer Regression und Residuen.
7 9.4 Residuen 121 Abweichung von der Regressionsgeraden 30,000 Residuen 20,000 10,000 0,000 1,50 1,60 1,70 1,80 1,90 2,00 2,10 2,20 2,30 Körpergröße -10,000 Residuen -20,000-30,000-40,000 Abb : Residuenplot.
8 122 9 Regressionen und Residuen Abb : Lage der Residuen.
9 9.5 Weitere Ausgaben der RGP-Funktion Weitere Ausgaben der RGP- Funktion Fast unbekannt sind weitere Ausgaben der Feldfunktion RGP. Um diese zu erhalten, muss die Array-Funktion über ein Rechteck von 2 Spalten und 5 Zeilen wirken. Das Rechteck muss vorher markiert werden. RGP (Y-Werte; X-Werte; WAHR; WAHR) Durch die beiden Parameter WAHR werden die zusätzlichen Angaben übergeben. Die Ausgabe gibt keine Beschriftung zurück. A Standardfehler für b Pearson quadriert F-Testwert Quadratsumme Regression B Standardfehler für a STFEHLER() Freiheitsgrad Residuen Quadratsumme Residuen Tab : Erweiterte Ausgabe der RGP-Funktion. Aufruf von RGP: ={RGP(C3:C30;B3:B30;1;1)} 4, , , , , , , , ,29064 Tab : Ausgabe der RGP-Funktion bezogen auf Tab Die Qualität von statistischen Ergebnissen wird maßgeblich bestimmt durch die Anzahl der Messungen (siehe»zur Statistischen Versuchsplanung«(S. 219)). Der Begriff Standardfehler für eine Zustandsgröße sagt aus, dass bei der Berechnung auch die Anzahl der Messungen (meist mit 1 n )eingeht.
10 124 9 Regressionen und Residuen Mit dem Standardfehler der Regression kann die Güte der Darstellung bestimmt werden. Er ist ein Maß dafür, wie groß der Abweichungsfehler von der Regressionsgerade ist. Liegen alle Daten zufällig tatsächlich auf einer Geraden, so wird die Fehlermeldung #DIV/0! zurückgegeben. Der Standardfehler sollte möglichst klein werden, er hängt von der Dimensionierung der Daten ab und hat als absolute Zahl keine Bedeutung. Der Aufruf in EXCEL lautet: STFEHLERYX (Y-Werte; X-Werte) Gibt ein Maß für die Abweichung von der Regressionsgeraden zurück. Einige dieser Angaben sind für weitergehende Statistische Tests (»Statistische Tests«(S. 195)) sinnvoll, so kann ein F- Test-Signifikanztest durchgeführt werden, der dazu benötigte F-Testwert wird durch RGP bereits berechnet. Die Freiheitsgrade sind Parameter, die im Test benötigt werden, sie sind ein Maß dafür, wie viel Einflussgrößen bei der Berechnung des Tests auftreten. In diesem Fall beträgt der Freiheitsgrad für die Residuen 26. In der Abb werden die Ausgabewerte der RGP-Funktion mit den gewöhnlichen Feldfunktionen nachberechnet.
11 9.5 Weitere Ausgaben der RGP-Funktion 125 Abb : Werte der RGP-Funktion im Vergleich zu den berechneten Werten.
Statistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
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
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
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
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
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
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
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
MehrAusführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
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
MehrPhysik Tabellenkalkulation
Physik Tabellenkalkulation 1. Grundlagen 2 1.1. Eine Messreihe auswerten 3 1.2. Fester Zellenbezug 4 2. Diagramm erstellen 4 2.1. Darstellung von Fehlerbalken 7 2.2. Diagramm mit Sekundärachse 9 3. Statistikfunktionen
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
MehrSimulation. Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens. Das Euler-Verfahren
Simulation Lineare Regression Methode der kleinsten Quadrate (Excel-Matrix-Formel) Verknüpfung des Euler- und Newton-Verfahrens Dynamische Prozesse: Prozesse, bei denen sich das zeitliche und örtliche
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Korrelation, Regression und diagnostische Tests
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Korrelation, Regression und diagnostische Tests Mit Datensatz Daten_SPSS_Kurs_I.sav Berechnung der Blutdruckreduktion vom Studienbeginn zum
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
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
MehrÜbung 3 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.
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
MehrLösungen zum SPSS-Buch zweiter Teil Einführung in das quantitativ orientierte Forschen
1 Lösungen zum SPSS-Buch zweiter Teil Einführung in das quantitativ orientierte Forschen 2. Auflage Allgemeine Anmerkung Die Interpretationen zur Signifikanz erfolgen auf dem 5%-Nieveau. Kapitel 8 Studienaufgabe
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
MehrDidaktisches Seminar über Stochastik. Themen: ffl Korrelation von zwei Zufallsvariablen
Didaktisches Seminar über Stochastik Themen: ffl Gemeinsame Verteilung von zwei Zufallsvariablen ffl Lineare Regression ffl Korrelation von zwei Zufallsvariablen Michael Ralph Pape Mai 1998 1 1 GEMEINSAME
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
Mehr1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler
1 Messfehler Jede Messung ist ungenau, hat einen Fehler. Wenn Sie zum Beispiel die Schwingungsdauer eines Pendels messen, werden Sie - trotz gleicher experimenteller Anordnungen - unterschiedliche Messwerte
MehrInhaltsverzeichnis Trendanalysen Linearer Trend Exponentieller Trend... 1
Inhaltsverzeichnis Inhaltsverzeichnis... 1 Trendanalysen... 1 Linearer Trend... 1 Exponentieller Trend... 1 Trend bei unveränderten Vergangenheitswerten (Ausfüllfunktion)... 2 Trend mit einbezogenen Vergangenheitswerten
MehrGeg.: Eine Menge von Elementen, z.b.
1.3 Zweidimensionale Häufigkeitsverteilungen Geg.: Eine Menge von Elementen, z.b. Schüler einer Schule Soldaten eines Bataillons Schrauben einer Stichprobe Tage eines Jahrhunderts Betrachtet werden zwei
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
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.
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
Mehr4) Lösen linearer Gleichungssysteme mit zwei oder drei Unbekannten
1) Wechsel der Darstellung Taschenrechner CASIO fx-991 ES Denn es ist eines ausgezeichneten Mannes nicht würdig, wertvolle Stunden wie ein Sklave im Keller der einfachen Berechnungen zu verbringen. Gottfried
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
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
MehrLineare Funktionen. Beispiele: y = 3x 1 y = 2x y = x 3 3. Im Koordinatensystem dargestellt erhalten wir folgende Geraden:
Lineare Funktionen Eine Funktion der Form x mx + b hat als Funktionsgleichung eine Gleichung der Form y = mx + b. Der Graph der Funktion ist eine Gerade mit der Steigung m und dem y-achsenabschnitt b.
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Mehr6 Bestimmung linearer Funktionen
1 Bestimmung linearer Funktionen Um die Funktionsvorschrift einer linearen Funktion zu bestimmen, muss man ihre Steigung ermitteln. Dazu sind entweder Punkte gegeben oder man wählt zwei Punkte P 1 ( 1
MehrLineare Funktionen. Die lineare Funktion
1 Die lineare Funktion Für alle m, t, aus der Zahlenmenge Q heißt die Funktion f: x m x + t lineare Funktion. Die Definitionsmenge ist Q (oder je nach Zusammenhang ein Teil davon). Der Graph der linearen
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
MehrMathematik - 1. Semester. folgenden Zahlenpaare die gegebene Gleichung erfüllen:
Mathematik -. Semester Wi. Ein Beispiel Lineare Funktionen Gegeben sei die Gleichung y x + 3. Anhand einer Wertetabelle sehen wir; daß die folgenden Zahlenpaare die gegebene Gleichung erfüllen: x 0 6 8
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrW-Seminar: Versuche mit und am Menschen 2017/2019 Skript
3. Deskriptive Statistik Die deskriptive (auch: beschreibende) Statistik hat zum Ziel, [ ] Daten durch Tabellen, Kennzahlen [ ] und Grafiken übersichtlich darzustellen und zu ordnen. Dies ist vor allem
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 202 Regressionsgerade und Korrelation Lernumgebung. Teil Hans Walser: Modul 202, Regressionsgerade und Korrelation. Lernumgebung. ii Inhalt Messwertpaare...
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrLösung 11. Allgemeine Chemie I Herbstsemester d[a] t. = k (1) Trennung der Variablen und Integration in den Randbedingungen führt auf: [A]
Lösung Allgemeine Chemie I Herbstsemester 20. Aufgabe Die Geschwindigkeitsgesetze finden Sie im Skript der Vorlesung und im Mortimer, p. 26-27. Für eine Reaktion, die Species A verbraucht, gilt bei einer
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS15B Oettinger 9/216 Aufgabe 1 (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Falsch: die beiden Größen sind
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
MehrDr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
Mehr=ZÄHLENWENN Zählt die nichtleeren Zellen eines Bereiches, deren Inhalte mit den Suchkriterien übereinstimmen
Excel Formel-Handbuch T. Korn 2011 =SUMME Gibt das Ergebnis einer Addition aus =SUMME(A1:A4) =SUMME(A1;A2;A4) : (Doppelpunkt) bedeutet bis bei zusammenhängenden Zellen ; (Semikolon) bedeutet und bei nicht
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
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrStatistik II (Sozialwissenschaften)
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden http://www.math.tu-dresden.de/sto/mueller/ Statistik II (Sozialwissenschaften) 2. Konsultationsübung,
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrLineare Gleichungssysteme mit 2 Variablen
Lineare Gleichungssysteme mit 2 Variablen Lineare Gleichungssysteme mit 2 Variablen Einzelne lineare Gleichungen mit zwei Variablen Bis jetzt haben wir nur lineare Gleichungen mit einer Unbekannten (x)
MehrAllgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n (2k 1) = n 2.
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k=1 (2k 1) = n 2. Aufgabe 2. (7 Punkte) Gegeben sei das lineare Gleichungssystem x + 2z = 0 ay
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrPolynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen
Rückblick Polynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen Ridge Regression vermeidet Überanpassung, indem einfachere Modelle mit
MehrTrendanalysen, Datentabellen, Zielwertsuche
Trendanalysen, Datentabellen, Zielwertsuche Inhaltsverzeichnis Trendanalysen, Datentabellen, Zielwertsuche... 1 Inhaltsverzeichnis... 1 Trendanalysen... 2... 2 Vergangenheitswerte bleiben unverändert...
MehrVersuchsauswertung mit Polynom-Regression in Excel
Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird
MehrHypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
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)
MehrSonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 0: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
MehrWas ist eine Funktion?
Lerndomino zum Thema Funktionsbegriff Kopiereen Sie die Seite (damit Sie einen Kontrollbogen haben), schneiden Sie aus der Kopie die "Dominosteine" zeilenweise aus, mischen Sie die "Dominosteine" und verteilen
MehrEinführung in die Statistik
Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,
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
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
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
Mehr3.4 Histogramm, WENN-Funktion
3.4 Histogramm, WENN-Funktion 3.4.1 Aufgabe Ausgehend von den Lösungen der zum Aufgabenkomplex 3.3, Absenkung (s. S. 106), aufgestellten Tabellen sollen weitere Elemente der MS-Excel-Programmierung genutzt
MehrMethode der kleinsten Quadrate
1. Phase: Methode der kleinsten Quadrate Einführung Im Vortrag über das CT-Verfahren hat Herr Köckler schon auf die Methode der kleinsten Quadrate hingewiesen. Diese Lösungsmethode, welche bei überbestimmten
MehrExcel Einführung für Fortgeschrittene. WS 2018/19 Excel für Fortgeschrittene Dagmar Rombach 1
Excel 2016. Einführung für Fortgeschrittene. 1 Diagramme in Excel In Diagrammen können Daten graphisch dargestellt werden. Datenreihe Stellt die Daten einer Zeile oder einer Spalte dar, die im Diagramm
MehrEtwas Spezielles: Zielwertsuche und Solver. Zielwertsuche
Etwas Spezielles: Zielwertsuche und Solver Zielwertsuche EXCEL kann auch Beziehungen indirekt auflösen. Die einfache Variante ist die Zielwertsuche. Für eine bestimmte Zelle ("Zielzelle") wird ein anderer
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
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Mehreinzeichnen von Steigungsdreiecken bestimmt werden oder durch die rechnerische Form. Hier wird die rechnerische Form gezeigt:
Lösungen Mathematik Dossier Funktionen b) Steigungen: Können entweder durch einzeichnen von Steigungsdreiecken bestimmt werden oder durch die rechnerische Form. Hier wird die rechnerische Form gezeigt:
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 II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
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
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrExponential- und Logarithmusfunktionen:
Exponential- und Logarithmusfunktionen: Wachstum, Zerfall, Regression 1) Eva möchte sich ein Fahrrad kaufen Ihre Eltern wollen ihr einen Zuschuss geben Ihr Vater macht ihr folgendes Angebot: 5 Euro würde
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
MehrVerfahren zur Überprüfung von Zusammenhangshypothesen
Verfahren zur Überprüfung von Zusammenhangshypothesen 0. Allgemeines Wir haben uns bisher mit Unterschiedshypothesen beschäftigt (Unterschiede von Stichproben in Bezug auf abhängige Variablen). Im Folgenden
MehrEinfache lineare Regressionsanalyse
Dr. Matthias Rudolf Modul M3: Multivariate Statistik Aufgaben und Lösungshinweise zum Computerseminar ERA: Einfache lineare Regressionsanalyse Dr. Matthias Rudolf: Modul BA-M3 Multivariate Statistik Seite
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrPVK Statistik Tag Carlos Mora
PVK Statistik Tag 2 11.1.2012 Block 4 Block 3 Übersicht 11.1.2012 09:00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 1h inkl. Pause 7. Lineare Regression 12:00 Übung 3 Mittag 13:00
Mehr(f(xi ) y i ) 2. minimal ist: man will also die Summe der quadratischen Abweichungen minimieren ... f(x i ) y i, i=1 (t x i) 2
Mathematik für Biologen, Biotechnologen und Biochemiker Lineare Regression Gegeben seien Datenpaare (, ), (, ),, ( n, n ) Wir stellen die Frage, ob sich die Zahlen i als Werte einer linearen Funktion i
Mehr