Lineare vs. nichtlineare Zusammenhänge
|
|
- Benjamin Kramer
- vor 7 Jahren
- Abrufe
Transkript
1 Nicht lineare Zusammenhänge Lowess und Potenzleiter Partialkorrelation Thomas Schäfer SS 29 1 Lineare vs. nichtlineare Zusammenhänge Was Sie schon wissen: Zusammenhänge sind die Grundlage der Methodenlehre alle Unterschiedsfragestellungen lassen sich als Zusammenhangsfragestellungen ausdrücken es geht immer um Varianzaufklärung das ALM bildet die mathematische Grundlage für die Untersuchung von Zusammenhängen ausdem ALM folgt direkt die (Multiple) Regression Voraussetzung: die Zusammenhänge müssen linear sein Problem: Was macht man bei nicht linearen Zusammenhängen? Thomas Schäfer SS
2 Lineare vs. nichtlineare Zusammenhänge lineare Zusammenhänge Y Y Abweichungsquadrat X Thomas Schäfer SS 29 3 X Lineare vs. nichtlineare Zusammenhänge Zunächst: nicht lineare Zusammenhänge sind anhanddes des Korrelationskoeffizienten nicht zu entdecken! dieser lässt sich immer berechnen und setzt eine lineare Korrelation voraus Verletzungen der Linearität sind immer visuell zu prüfen daherimmer die Streudiagramme ansehen Thomas Schäfer SS
3 Beispiele Explizite Religiosität Spiritualität Generativität Naturverbundenheit Soziales Engagement Gesundheit Selbsterkenntnis Individualismus Herausforderung Entwicklung Macht Freiheit it Kreativität Wissen Leistung Vernunft Tradition Moral Bodenständigkeit Gemeinschaft Spaß Liebe Harmonie Wellness Fürsorge Bewusstes Erleben Funktion des Zusammenhangs von Sinnerfüllung mit der Breite der Lebensbedeutungen Solche Zusammenhänge kann man noch mit Hilfe einer Rangkorrelation beschreiben, da die Kurven monoton steigen Thomas Schäfer SS 29 5 Lineare vs. nichtlineare Zusammenhänge Wie findet man heraus, ob Zusammenhänge linear sind? Streudiagramm(matrix) Lowess Kurve Streudiagramme Thomas Schäfer SS
4 Lineare vs. nichtlineare Zusammenhänge Streudiagramm Matrix Thomas Schäfer SS 29 7 LOWESS LOcally WEighted Scatterplot Smoother Wie sieht ein bivariater Zusammenhang tatsächlich aus? Prinzip: Jedem Punkt wird eine neue Position zugewiesen, und zwar so, dass der Punkt sich besser in das Muster seiner Nachbarpunkte einfügt. Das Ergebnis ist eine geglättete (smoothed) Linie, die den Zusammenhang der Variablen widerspiegelt. Thomas Schäfer SS
5 LOWESS Schritt 1 ein Wert f wird festgelegt, der darüber entscheidet, wie viele Nachbarpunkte in die Glättung einbezogen werden sollen ein großer f Wert führt zu einer starken Glättung der Kurve f wird mit der Anzahl aller Punkte multipliziert, um die Anzahl relevanter Nachbarpunkte zu erhalten hier: f =.5.5 x 2 = 1 1 Nachbarpunkte werden berücksichtigt (incl. dem Ausgangspunkt) das Beispiel zeigt die Glättung dieses Punktes Thomas Schäfer SS 29 9 LOWESS Schritt 2 eine Gewichtungsfunktion weist jedem Nachbarpunkt ein Gewicht zu, mit dem er auf die neue Position des Punktes Einfluss nimmt nahe Punkte haben einen großen, ferne Punkte einen schwachen Einfluss Gewichtungsfunktion um den Ausgangspunkt herum Thomas Schäfer SS
6 LOWESS Schritte 3 und 4 durch alle beteiligten Punkte wird eine Regressionsgerade gelegt, und zwar nicht nach dem Prinzip der kleinsten Quadrate, sondern nach dem Prinzip der der gewichteten kleinsten Quadrate (weighted least squares WLS) der Ausgangspunkt wird nun auf die Gerade geschoben und erhält so seine neue Position der Ausgangspunkt erhält eine neue Position und liegt nun weiter oben Thomas Schäfer SS LOWESS Ergebnis der Punkt hat eine neue Lage in der ursprünglichen Punktewolke diese Prozedur wird für alle Ausgangspunkte wiederholt im Ergebnis liegen alle Punkte auf eine ungefähren Linie neue Position des Punktes Thomas Schäfer SS
7 LOWESS Behandlung der äußeren Werte: Kann die Gewichtungsfunktion nicht symmetrisch zu beiden Seiten des Punktes aufgespannt werden, nimmt man auf der einen Seite entsprechend mehr Punkte hinzu (hier: die 9 Punkte links vom betreffenden Punkt) Thomas Schäfer SS LOWESS das Ergebnis linear f =.3 f =.9 Thomas Schäfer SS
8 LOWESS in SPSS Streudiagramm doppelklicken Anpassungslinie einfügen Lowess wählen f Wert einstellen f Wert Thomas Schäfer SS LOWESS das Ergebnis nach dem Anschauen der Lowess Kurve muss man entscheiden, ob man den Zusammenhang noch als hinreichend linear durchgehen lassen kann wenn nicht, muss der Zusammenhang gerade gebogen werden, bevor man eine Korrelation berechnen kann Potenzleiter Thomas Schäfer SS
9 Potenzleiter: Wie biege ich eine Kurve gerade? x potenz hinauf: potenz > 1, z. B. x 2, x 3... hinunter: potenz < 1, z.b. x,5, log x, x,5, x 1, x 2... Graphische Darstellung der Potenzleiter. Für jedes der vier Kreissegmente zeigen die zwei dazugehörigen Pfeile an, in welche Richtung der Potenzleiter die X und die Y Variablen verändert werden müssen, um eine lineare Beziehung zwischen beiden Variablen zu erreichen. So müsste beispielsweise für die Art der unter a) gezeigten Krümmung entweder die Potenz der Y Variable erhöht oder/und die der X Variable erniedrigt werden. Thomas Schäfer SS Potenzleiter riable Y-Var 1,,9,8,7,6,5,4,3,2,1, X hinunter X-Variable Y-Variable 1,,9,8,7,6,5,4,3,2,1, 1, 1,5 2, 2,5 3, 3,5 Y-Variable 1,,9,8,7,6,5,4,3,2,1,,,5 1, 1,5 2, 2,5 X^,5 (Wurzel aus X) Logarithmus von X (ln) Thomas Schäfer SS
10 Potenzleiter iable Y-Var X hinauf X-Variable Y-Variable Y-Variable X zum Quadrat X hoch 3 Thomas Schäfer SS Potenzleiter Alternative zur Potenzleiter per Hand: Kurvenanpassung in SPSS allerdings nur für vordefinierte Kurven möglich nur für Regression, nicht für Korrelation Thomas Schäfer SS
11 Beispiel zu LOWESS & Potenzleiter 7 ) "Knowledge Rating" Nennungen in NY-Times Zusammenhang zwischen Häufigkeit der Nennung eines Landes in der New York Times und der Einschätzung des eigenen Wissens über dieses Land ( Knowledge rating ) ursprünglicher Zusammenhang mit Regressionsgerade (r 2 =,49) Thomas Schäfer SS Beispiel zu LOWESS & Potenzleiter "Knowledge e Rating" Rating" "Knowledge Demonstration des Prinzips der Potenzleiter mit Hilfe der LOWESS Prozedur a) Originalwerte b) Exponent:, ng" "Knowledge Ratin ng" "Knowledge Ratin c) Exponent:,25 d) Exponent: (ln) Thomas Schäfer SS
12 Beispiel zu LOWESS & Potenzleiter 7 6 ting" "Knowledge Rat Nennungen (Exponent:,25) Konstruktion der Regressionsgeraden nach Begradigung des Zusammenhangs mit Hilfe der Potenzleiter (r 2 =.66). Thomas Schäfer SS LOWESS & Potenzleiter Anwendungsmöglichkeiten Bei Nichtlinearität von Variablen, die in linearen Verfahren benutzt werden sollen, wie z.b. Regression, multiple l Regression Faktorenanalyse Strukturgleichungsmodelle Anwendungsvoraussetzung: Monotone Kü Krümmungen, das hiß heißt, für Kurven deren Steigung kontinuierlich zu oder abnimmt und dabei nicht das Vorzeichen (den Trend) wechselt Thomas Schäfer SS
13 Partialkorrelation Korrelationen zwischen zwei Variablen sind selten wirklich rein, meist gibt es weitere Variablen, die diesen Zusammenhang beeinflussen deren Einfluss kann mit Hilfe der Partialkorrelation eliminiert werden die störenden Variablen werden auspartialisiert (bzw. der Zusammenhang wird um den Einfluss der störenden Variable(n) bereinigt) Thomas Schäfer SS Partialkorrelation Korrelationen, die alle Alternativerklärungen ausschließen, finden wir nur bei Experimenten bei nicht experimentellen Designs mit intervallskalierter l UV können Stör bzw. Drittvariablen im nachhinein mit Hilfe der Partialkorrelation statistisch kontrolliert werden (als Alternative zur Kovarianzanalyse bei nominal skalierter UV) wenn nach Auspartialisieren der Drittvariable der Zusammenhang zwischen X und Y kleiner wird, dann kann er durch hdie Di Drittvariable i verursacht gewesen sein wenn nach Auspartialisieren der Zusammenhang nicht kleiner wird, ist die Drittvariable als Ursache ausgeschlossen Thomas Schäfer SS
14 Partialkorrelation r XY.Z Korrelation zwischen den Variablen X und Y, nachdem der lineare Einfluss der Variablen Z entfernt wurde oder (äquivalent): r xy. z = r r xy xz 2 xz r yz 2 yz 1 r 1 r Korrelation zwischen den Residualwerten von X und Y, nachdem X und Y aus Z vorhergesagt wurden Thomas Schäfer SS Partialkorrelation Darstellung als Venn Diagramm (die Flächen repräsentieren die Varianz einer Variable) TV (x) Einfluss von z entfernen Blau schraffiert: Korrelation zwischen TV und Schule Rot schraffiert: Anteil dieser Korrelation, der durch Schicht verursacht wird id Schule (y) r xy. z = r r xy xz 2 xz Schicht (z) r yz 2 yz 1 r 1 r Thomas Schäfer SS
15 Wiederholung Residualwerte nach einer Regression von Y auf X bleiben die Residualwerte übrig sie enthalten Messfehler und den Einfluss anderer Variablen außer X sie werden als neue Variable gespeichert ihre Varianz kann nicht mehr von X beeinflusst sein Thomas Schäfer SS Partialkorrelation alternativ: Korrelation zwischen den Residualwerten von X und Y, nachdem X und Y aus Z vorhergesagt wurden TV (x) Residuen TV (x) Regression Schule (y) Regression Shiht() Schicht (z) Shl Schule (y) () die verbleibende Korrelation kann mit z nichts mehr zu tun haben Thomas Schäfer SS
16 Partialkorrelation Beispiel Korrelation Partialkorrelation Thomas Schäfer SS Partialkorrelation Beispiel Regression von FE auf IQ Residuum FE Regression von SK auf IQ Residuum SK Korrelation derresiduen Thomas Schäfer SS
17 Semipartialkorrelation Bei der Semipartialkorrelation wird x (der Prädiktor) bezüglich einer Drittvariablen z residualisiert und dieses Residuum mit y (dem Kriterium) korreliert Residuum Schule (y) TV (x) die Drittvariable wird also nur aus einer Variable auspartialisiert die verbleibende Korrelation spiegelt den Varianzanteil in y wider, der von x zusätzlich zu z erklärt wird Thomas Schäfer SS
Korrelation 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
MehrBisher behandelte Verfahren: Kurze Wiederholung
Weitere Verfahren der Explorativen Datenanalyse Thomas Schäfer SS 9 1 Bisher behandelte Verfahren: Kurze Wiederholung Generelle Vorgehensweise bei Einzelstudien: 1. (Graphische) Veranschaulichung der Daten
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 8. Mai 2009 Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Stichprobe ( 1,y
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
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
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,
MehrLineare Regression. Y = b 0
Lineare Regression 2 Lineare Regression 2 Lineare Regression 2 Bei der linearen Regression wird eine Kriteriumsvariable Y auf die Prädiktorvariable X zurückgeführt, indem die beste lineare Gleichung Y
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 26. April 2013 Prolog Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Artensterben
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
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrSeminar: Multivariate Verfahren g Dr. Thomas Schäfer Referenten: Wiebke Hoffmann, Claudia Günther
Seminar: Multivariate Verfahren g Dr. Thomas Schäfer Leitung: Referenten: Wiebke Hoffmann, Claudia Günther 18.05.2010 Regressionsanalyse was war das nochmal? Grundlagen Einfaches lineares Regressionsmodell
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN GLIEDERUNG Bivariate Analyse für metrisch skalierte Variablen Grundlagen Streudiagramme und Visualisierungen von Zusammenhängen Positive lineare
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
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,
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
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
MehrStatistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN Bivariate Analyse für metrisch skalierte Variablen Grundlagen Verfahren für metrische Daten nutzen den vollen mathematischen Informationsgehalt
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
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.
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
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
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
MehrGliederung. 1. Einführung. Heute schon Musik gehört?
Regressionsanalyse Technische Universität Chemnitz Seminar: Forschungsmethodik und Evalua
MehrAnwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben
Anhang 1: Lösungen der Aufgaben 15 +1). Korrelationskoeffizienten unterschiedlicher Stichproben oder verschiedener Variablen können so miteinander verglichen werden, was mit der Kovarianz nicht möglich
Mehr4.1 Problemstellung. E E i = 0 : Linearität, Additivität. 4 Residuen-Analyse 4.1. PROBLEMSTELLUNG 96. (a) (b) gleiche Varianz var E i = σ 2,
4.1. PROBLEMSTELLUNG 96 4 Residuen-Analyse 4.1 Problemstellung a Modellannahmen: E i N 0, σ 2 (a) E E i = 0 : Linearität, Additivität. (b) gleiche Varianz var E i = σ 2, (c) normalverteilt. b c (d) E i
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
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 10.12.2002 Say not I have found the truth, but, rather, I have found a truth Kahlil Gibran, The Prophet Dr. Wolfgang Langer Institut für
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
MehrPsychologische Methodenlehre Statistik
RAINER LEONHART Psychologische Methodenlehre Statistik Mit 21 Abbildungen und 40 Tabellen Mit 64 Ubungsfragen Ernst Reinhardt Verlag Miinchen Basel Inhalt Vorwort 9 1 Einfuhrung in die Forschungsmethoden
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:
MehrStatistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services
Statistische Datenanalyse mit R, Korrelation und Regression Dr. Andrea Denecke Leibniz Universität IT-Services Korrelationsanalyse Eine Korrelationsanalyse soll herausfinden Ob ein linearer Zusammenhang
Mehr4.1 Problemstellung. E i unabhängig, 4 Residuen-Analyse 4.1. PROBLEMSTELLUNG 106. (a) E E i = 0 : Linearität, Additivität.
4.1. PROBLEMSTELLUNG 106 4 Residuen-Analyse 4.1 Problemstellung a Modellannahmen: E i N 0, σ 2 (a) E E i = 0 : Linearität, Additivität. (b) gleiche Varianz var E i = σ 2, (c) (d) normalverteilt. E i unabhängig,
MehrÜBUNGSAUFGABEN ZUR DESKRIPTIVEN UND EXPLORATIVEN DATENANALYSE
ÜBUNGSAUFGABEN ZUR DESKRIPTIVEN UND EXPLORATIVEN DATENANALYSE 1.1 Füllen Sie bitte folgenden Lückentext aus. Daten, die in Untersuchungen erhoben werden, muss man grundsätzlich nach ihrem unterscheiden.
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
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
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
Mehr1. Datei Informationen
1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten
Mehr9. November Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. Matrizenrechnung. 2. Multiple Korrelationen
Ruhr-Universität Bochum 9. November 2009 1 / 62 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, 8.30-10.00
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
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
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
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
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 10.15-11-45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
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
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
MehrIhre Werte: das ist wirklich wichtig!
Ihre Werte kennen! Alle reden über Werte. Kennen Sie Ihre? Jede einzelne unserer Entscheidungen durchläuft, von uns häufig völlig unbemerkt, unser Wertesystem. Wir entscheiden nach unseren Werten. Was
Mehr6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
Mehr6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale
6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale 397 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig
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)
MehrKorrelation und Regression
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Korrelation und Regression Überblick Kovarianz und Korrelation Korrelation und Kausalität
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...
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
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.
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/
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
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
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 29.10.2002 To err is human, to forgive is devine - but to include errors in your design is statistical Leslie Kish Dr. Wolfgang Langer
MehrDie Ebola-Epidemie in Westafrika
HP Prime Grafikrechner Die Ebola-Epidemie in Westafrika Erfahren Sie mehr über den HP Prime: http://www.hp-prime.de HP Prime-Funktionalität Einführung: Verwenden der Statistik 2Var App Numerische, Symbolische
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
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrInhaltsübersicht.
Inhaltsübersicht Vorwort zur vierten Auflage 1 Einleitung 2 Installation 3 Ein erster Überblick 4 Einführung in die Programmiersprache 5 Objekte 6 Dateneingabe und -management 7 Variablen bearbeiten 8
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
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
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrMethodenlehre I Organisatorisches Wiederholung. Überblick Methodenlehre II. Thomas Schäfer. methodenlehre ll Einführung und Überblick
Methodenlehre II Thomas Schäfer Thomas Schäfer SS 2009 1 Organisatorisches Wiederholung Methodenlehre I Überblick Methodenlehre II Thomas Schäfer SS 2009 2 1 Organisatorisches Übung zur Vorlesung Friederike
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stoc, TB II R. 06-06 (Persie) R. 06-3 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatisti I Dr. Malte Persie persie@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrDer Umgang mit Unsicherheiten
Manfred Drosg Der Umgang mit Unsicherheiten Ein Leitfaden zur Fehleranalyse facultas Inhaltsverzeichnis 1 Einleitung 13 1.1 Wissenschaftlichkeit 14 1.2 Sichere (fehlerfreie) Daten 16 2 Grundlegendes über
MehrRegression III. Statistik I. Sommersemester Wiederholung. Zwei unabhängige Variablen Multivariate Zusammenhänge Interaktion.
Regression III Statistik I Sommersemester 2009 Statistik I Regression III (1/36) FN 2004 25 20 15 10 5 10 15 20 Zuwandererquote Statistik I Regression III (2/36) Zum Nachlesen Agresti/Finlay Kapitel 10.2,
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
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
MehrEinführung Teil I: Erste Schritte bei der statistischen Analyse mit R... 25
O:/Wiley/Reihe_Dummies/71398_Schmuller/3d/ftoc.3d from 26.06.2017 16:16:30 Auf einen Blick Über den Autor.... 9 Einführung... 21 Teil I: Erste Schritte bei der statistischen Analyse mit R.... 25 Kapitel
MehrVorwort zur vierten Auflage Einleitung 13
http://www.beltz.de/de/nc/verlagsgruppe-beltz/gesamtprogramm.html?isbn=978-3-621-28249-9 6 Inhalt Inhalt Vorwort zur vierten Auflage 11 1 Einleitung 13 1.1 Warum R? 13 1.2 Fürwen ist dieses Buch? 14 1.3
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
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
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
MehrVorlesung 7: Zwischenresümee
Vorlesung 7: Zwischenresümee 1. Nachträge zur letzten Sitzung (Heteroskedastizität) 2. Nicht-lineare Funktionen (with a little help from Stata) 3. Darstellung der Ergebnisse einer Regressionsanalyse Tabellen
MehrRainer Diaz-Bone. Statistik für. Soziologen. 3M erweiterte Auflage. UVK Verlagsgesellschaft mbh Konstanz mit UVK/Lucius München
Rainer Diaz-Bone Statistik für Soziologen 3M erweiterte Auflage UVK Verlagsgesellschaft mbh Konstanz mit UVK/Lucius München 5 Inhalt Vorwort zur dritten Auflage 9 Vorwort zur zweiten Auflage 10 1 Einleitung
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrSkript zur Vorlesung Statistik 2
Weder die Autorin noch der Fachschaftsrat Psychologie übernimmt Irgendwelche Verantwortung für dieses Skript. Das Skript soll nicht die Lektüre der Prüfungsliteratur ersetzen. Verbesserungen und Korrekturen
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrSTATISTISCHE METHODEN UND IHRE ANWENDUNGEN
STATISTISCHE METHODEN UND IHRE ANWENDUNGEN Von Dr. rer. nat. Erwin Kreyszig o. Professor für Statistik an der Universität Karlsruhe mit 82 Abbildungen und zahlreichen Tabellen Vierter, unveränderter Nachdruck
Mehr1. Einfache lineare Regression: Eine metrische AV, eine metrische oder dichotome UV
Regressionsanalyse 1. Einfache lineare Regression: Eine metrische AV, eine metrische oder dichotome UV 2. Multiple Regression: Eine metrische AV, mehrere metrische oder dichotome UVs 3. Ausblick: Logistische
Mehr