SozialwissenschaftlerInnen II
|
|
- Martin Gerhard Pfaff
- vor 7 Jahren
- Abrufe
Transkript
1 Statistik für SozialwissenschaftlerInnen II Henning Best Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1
2 Varianzanalyse Statistik für SozialwissenschaftlerInnen II p.122
3 Grundsätzliches zur Varianzanalyse Überprüft die Wirkung einer oder mehrerer unabhängiger Variablen auf eine abhängige Variable Eine unabhängige Variable: Einfaktorielle Varianzanalyse Mehrere unabhängige Variablen: Mehrfaktorielle Varianzanalyse Grundfrage: Welcher Anteil der Variation der abhängigen Variable wird durch die unabhängigen(n) Variable(n) verursacht? Voraussetzungen: Unabhängige Variablen: min. Nominalskalenniveau Abhängige Variablen: metrisches Skalenniveau Statistik für SozialwissenschaftlerInnen II p.123
4 Begriffsbestimmungen Abhängige Variable bezieht sich auf die Variable, deren Varianz erklärt werden soll. Sie ist die eigentlich interessierende Variable Unabhängige Variable meint die Variable, die benutzt wird, um die Varianz zu erklären. Sie übt, so das Postulat der Varianzanalyse, einen Einfluss auf die unabhängige Variable aus Faktor ist ein anderes Wort für unabhängige Variablen in der Varianzanalyse Faktorstufen sind die unterschiedlichen Ausprägungen der einzelnen Faktoren. Wenn der Faktor Religion vier Ausprägungen (christlich, moslemisch, religionslos, andere) annehmen kann, hat der Faktor vier Faktorstufen Statistik für SozialwissenschaftlerInnen II p.124
5 Problemstellung: Beispiel Beispiel: Es soll überprüft werden, ob die Klassenzugehörigkeit sich auf die Einstellung zum marktwirtschaftlichen System auswirkt. 15 Personen wurden befragt. Kann von der Stichprobe auf die Population geschlossen werden? Und wie stark ist der Zusammenhang? Arbeiter Bauern Kapitalisten ȳ i 1,6 2,6 4,2 Quelle: Hypothetische Daten. ȳ gesamt 2,8 Statistik für SozialwissenschaftlerInnen II p.125
6 Allgemeine Matrix-Darstellung Faktorstufen 1 2 i k y 11 y 21 y i1 y k1 y 12 y 22 y i2 y k y 24.. y 1n y 2n y in y kn n 1 n 2 y 1j y 2j n i y ij n k y kj j=1 j=1 j=1 j=1 ȳ i 1 n 1 n 1 j=1 y 1j 1 n 2 n 2 j=1 ȳ ges 1 n y 2j 1 n i k n i i=1 j=1 n i y ij j=1 y ij 1 n k n k j=1 y kj Statistik für SozialwissenschaftlerInnen II p.126
7 Das Prinzip der Varianzzerlegung Statistik für SozialwissenschaftlerInnen II p.127
8 Die Varianzzerlegung Um zu überprüfen, ob es einen signifikanten Einfluss der Faktoren auf die abhängige Variable gibt, wird im Rahmen der Varianzanalyse wie folgt vorgegangen: Ermittlung der gesamten Abweichungen: Wie stark weichen die individuellen Werte vom Gesamtmittelwert ab? (SAQ ges ) Ermittlung der Varianz zwischen den Gruppen: Wie stark weichen die Gruppenmittelwerte vom Gesamtmittelwert ab? (SAQ zwi ) Ermittlung der Varianz innerhalb der Gruppen: Wie stark weichen die individuellen Werte von Gruppenmittelwert ab? (SAQ inh ) Hierbei gilt: SAQ ges = SAQ zwi + SAQ inh Statistik für SozialwissenschaftlerInnen II p.128
9 Die Gesamtvarianz Grundsätzlich ist die Varianz definiert als die Summe der quadrierten Abweichungen vom Mittelwert (SAQ), dividiert durch n-1 (df). Demnach ist die Gesamtvarianz s 2 ges: s 2 ges = SAQ ges n ges 1 Die Summe der quadrierten Abweichungen wird berechnet als SAQ ges = wodurch s 2 ges sich ergibt als k i=1 n i j=1 (y ij ȳ) 2 s 2 ges = k i=1 ni j=1 (y ij ȳ) 2 n ges 1 Statistik für SozialwissenschaftlerInnen II p.129
10 Gesamtvarianz: Allgemein Faktorstufen 1 2 i k (y 11 ȳ) 2 (y 21 ȳ) 2 (y i1 ȳ) 2 (y k1 ȳ) 2 (y 12 ȳ) 2 (y 22 ȳ) 2 (y i2 ȳ) 2 (y k1 ȳ) (y 24 ȳ) 2.. (y 1n ȳ) 2 (y 2n ȳ) 2 (y in ȳ) 2 (y kn ȳ) 2 n1 j=1 (y 1j ȳ) 2 n2 j=1 (y 2j ȳ) 2 ni j=1 (y ij ȳ) 2 nk j=1 (y kj ȳ) 2 SAQ ges = k n i (y ij ȳ) 2 i=1 j=1 s 2 ges = SAQ ges n ges 1 Statistik für SozialwissenschaftlerInnen II p.130
11 Gesamtvarianz: Beispiel Arbeiter Bauern Kapitalisten (1 2, 8) 2 = 3, 24 (3 2.8) 2 = 0, 04 (4 2, 8) 2 = 1, 44 3,24 0,64 4,84 0,04 3,24 0,04 0,64 0,04 1,44 3,24 1,44 4,84 10,40 5,40 12,60 28,40 ȳ ges 2,8 SAQ ges = k n i (y ij ȳ) 2 = 10, , , 40 = 28, 40 i=1 j=1 s 2 ges = SAQ ges n ges 1 = 28, = 2, 03 Statistik für SozialwissenschaftlerInnen II p.131
12 Die Zwischengruppenvarianz Hinter der Zwischengruppenvarianz steht die Überlegung, wie stark die einzelnen Befragten vom Gesamtmittelwert abweichen würden, wenn die Personen sich innerhalb einer Gruppe nicht voneinander unterscheiden würden: s 2 zwi = SAQ zwi k 1 Wobei die Summe der quadrierten Abweichungen gleich SAQ zwi = k i=1 n i (ȳ i ȳ) 2 und damit s 2 zwi s 2 zwi = k i=1 n i(ȳ i ȳ) 2 k 1Statistik für SozialwissenschaftlerInnen II p.132
13 Zwischengruppenvarianz: Allgemein Faktorstufen 1 2 i k (ȳ 1 ȳ) 2 (ȳ 2 ȳ) 2 (ȳ i ȳ) 2 (ȳ k ȳ) 2 (ȳ 1 ȳ) 2 (ȳ 2 ȳ) 2 (ȳ i ȳ) 2 (ȳ k ȳ) (ȳ 2 ȳ) 2.. (ȳ 1 ȳ) 2 (ȳ 2 ȳ) 2 (ȳ i ȳ) 2 (ȳ k ȳ) 2 n1 (ȳ 1 ȳ) 2 n 2 (ȳ 2 ȳ) 2 n i (ȳ i ȳ) 2 n k (ȳ k ȳ) 2 SAQ zwi = k n i (ȳ i ȳ) 2 i=1 s 2 zwi = SAQ zwi k 1 Statistik für SozialwissenschaftlerInnen II p.133
14 Zwischengruppenvarianz: Beispiel Arbeiter Bauern Kapitalisten (1, 6 2, 8) 2 = 1, 44 (2, 6 2.8) 2 = 0, 04 (4, 2 2, 8) 2 = 1, 96 1,44 0,04 1,96 1,44 0,04 1,96 1,44 0,04 1,96 1,44 0,04 1,96 7,2 0,2 9,80 17,20 SAQ zwi = k n i (ȳ i ȳ) 2 = (5 1, 44) + (5 0, 04) + (5 1, 96) = 17, 20 i=1 s 2 zwi = SAQ zwi k 1 = 17, = 8, 6 Statistik für SozialwissenschaftlerInnen II p.134
15 Die Binnengruppenvarianz Natürlich sind die untersuchten Merkmale üblicherweise in einer Gruppe nicht konstant, so dass auch innerhalb der Gruppe eine Varianz besteht. Es handelt sich hierbei um denjenigen Anteil der Streuung, der nicht durch die Faktoren erklärt werden kann. s 2 inh = SAQ inh n k Wobei die Summe der quadrierten Abweichungen gleich SAQ inh = k i=1 n i j=1 (y ij ȳ i ) 2 und damit s 2 inh = k i=1 ni j=1 (y ij ȳ i ) 2 n k Statistik für SozialwissenschaftlerInnen II p.135
16 Binnengruppenvarianz: Allgemein Faktorstufen 1 2 i k (y 11 ȳ 1 ) 2 (y 21 ȳ 2 ) 2 (y i1 ȳ i ) 2 (y k1 ȳ k ) 2 (y 12 ȳ 1 ) 2 (y 22 ȳ 2 ) 2 (y i2 ȳ i ) 2 (y k1 ȳ k ) (y 24 ȳ 2 ) 2.. (y 1n ȳ 1 ) 2 (y 2n ȳ 2 ) 2 (y in ȳ i ) 2 (y kn ȳ k ) 2 n1 j=1 (y 1j ȳ 1 ) 2 n2 j=1 (y 2j ȳ 2 ) 2 ni j=1 (y ij ȳ i ) 2 nk j=1 (y kj ȳ k ) 2 SAQ inh = k n i (y ij ȳ i ) 2 i=1 j=1 s 2 inh = SAQ inh n k Statistik für SozialwissenschaftlerInnen II p.136
17 Binnengruppenvarianz: Beispiel Arbeiter Bauern Kapitalisten (1 1, 6) 2 = 0, 36 (3 2, 6) 2 = 0, 16 (4 4, 2) 2 = 0, 04 0,36 0,36 0,64 1,96 2,56 1,44 0,16 0,16 0,04 0,36 1,96 0,64 3,20 5,20 2,80 11,20 SAQ inh = k n i (y ij ȳ i ) 2 = 3, , , 80 = 11, 2 i=1 j=1 s 2 inh = SAQ inh n k = 11, = 0, 9 3 Statistik für SozialwissenschaftlerInnen II p.137
18 Die Stärke des Zusammenhangs Nachdem nun die Gesamtvarianz (s 2 ges) in eine erklärte, durch die unabhängige Variable verursachte Varianz (s 2 zwi ) und eine unerklärte, zufällige Varianz (s 2 inh ) aufgeteilt wurde, kann eine Aussage darüber gemacht werden, wie stark der Zusammenhang zwischen abhängiger und unabhängiger Variable ist. Hierzu dient das P RE-Maß η 2 : η 2 = erklärte Abweichung Gesamtabweichung = SAQ zwi SAQ ges in unserem hypothetischen Beispiel ist η 2 = 17, 2 28, 4 = 0, 606 Statistik für SozialwissenschaftlerInnen II p.138
19 Varianzanalyse und Hypothesentest Noch unbeantwortet ist die Frage, ob der Zusammenhang bzw. Unterschied auf die Grundgesamtheit verallgemeinert werden kann, also signifikant ist. Formal testet die Varianzanalyse folgende Nullhypothese: H 0 : µ 1 = µ 2 = µ 3 H 1 : nicht alle Mittelwerte µ i sind gleich Als Prüfgröße dient F, das sich als Verhältnis der erklärten Varianz zur zufälligen Varianz ergibt: F emp = s2 zwi s 2 inh mit Zähler-df = Freiheitsgrade der Zwischengruppenvarianz = k-1 Nenner-df =Freiheitsgrade der Binnenvarianz = n-k Ist F emp > F krit, kann die H 0 verworfen werden. Statistik für SozialwissenschaftlerInnen II p.139
20 Erweiterungen der Varianzanalyse Mehrfaktorielle ANOVA Versucht, die Varianz der unabhängigen Variable mit mehreren abhängigen Variablen (Faktoren) zu erklären. Multiple Classification Analysis Gibt an, welche der Faktorstufen sich signifikant unterscheiden. Der F-Test besagt schließlich nur, dass zwischen mindestens zwei Fakorestufen signifikante Unterschiede bestehen, nicht jedoch, zwischen welchen. Statistik für SozialwissenschaftlerInnen II p.140
21 Multiple Classification Analysis oneway markt by klasse /post scheffe. Einfaktoriell MARKT Einstellung zur Marktwirtschaft Zwischen den Gruppen Innerhalb der Gruppen Gesamt ANOVA Quadrats Mittel der umme df Quadrate F Signifikanz 17, ,600 9,214,004 11,200 12,933 28, Post-Hoc-Tests Mehrfachvergleiche Abhängige Variable: MARKT Einstellung zur Marktwirtschaft Scheffé-Prozedur (I) KLASSE Klassenzugehörigkeit 1 Arbeiter 2 Bauer 3 Kapitalist (J) KLASSE Klassenzugehörigkeit 2 Bauer 3 Kapitalist 1 Arbeiter 3 Kapitalist 1 Arbeiter 2 Bauer *. Die mittlere Differenz ist auf der Stufe,050 signifikant. Homogene Untergruppen Scheffé-Prozedur a MARKT Einstellung zur Marktwirtschaft KLASSE Klassenzugehörigkeit 1 Arbeiter 2 Bauer 3 Kapitalist Signifikanz Mittlere Standardf 95%-Konfidenzintervall Differenz (I-J) ehler Signifikanz Untergrenze Obergrenze -1,0000,6110,299-2,7032,7032-2,6000*,6110,004-4,3032 -,8968 1,0000,6110,299 -,7032 2,7032-1,6000,6110,066-3,3032,1032 2,6000*,6110,004,8968 4,3032 1,6000,6110,066 -,1032 3,3032 Untergruppe für Alpha =,050. N , ,6000 2, ,2000,299,066 Die Mittelwerte für die in homogenen Untergruppen befindlichen Gruppen werden angezeigt. a. Verwendet ein harmonisches Mittel für Stichprobengröße = 5,000. Statistik für SozialwissenschaftlerInnen II p.141
22 Mehrfaktorielle Varianzanalyse anova markt by klasse (1,3) religion(1,2) /met exp /sta mca. ANOVA MARKT Einstellung zur Marktwirtschaft Haupteffekte 2-Weg-Wech selwirkungen Modell Residuen Insgesamt (Kombiniert) KLASSE Klassenzugehörigkeit RELIGION Religion KLASSE Klassenzugehörigkeit * RELIGION Religion ANOVA a Experimentelle Methode Quadrats Mittel der umme df Quadrate F Sig. 25, ,550 28,856,000 8, ,375 14,766,001 8, ,450 28,519,000 8,333E ,167E-02,141,871 25, ,147 17,370,000 2,667 9,296 28, ,029 a. MARKT Einstellung zur Marktwirtschaft /nach KLASSE Klassenzugehörigkeit, RELIGION Religion MARKT Einstellung zur Marktwirtschaft Faktorauswertung a KLASSE Klassenzugehörigkeit RELIGION Religion Eta a. MARKT Einstellung zur Marktwirtschaft /nach KLASSE Klassenzugehörigkeit, RELIGION Religion Beta Korrigiert nach Faktoren,778,588,771,579 Güte der Anpassung für das Modell MARKT Einstellung zur Marktwirtschaft nach KLASSE Klassenzugehörigkeit, RELIGION Religion R R-Quadrat,950,903 Statistik für SozialwissenschaftlerInnen II p.142
Einführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
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
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
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
MehrBeispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
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 Testen von Hypothesen
MehrSPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ
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
MehrAnwendungsaufgaben. Effektgröße bei df Zähler = df A = 1 und N = 40 (zu berechnen aus df Nenner ): Der aufgedeckte Effekt beträgt also etwa 23 %.
Anhang A: Lösungen der Aufgaben 39 beiden Kombinationen sehr hoch ist. (Dieses Ergebnis wäre aber in diesem Beispiel nicht plausibel.) 5. Der Faktor A und die Wechselwirkung werden signifikant: Lärm hat
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehrmethodenlehre ll ALM und Mehrfaktorielle ANOVA Mehrfaktorielle ANOVA methodenlehre ll ALM und Mehrfaktorielle ANOVA
15.04.009 Das Allgemeine lineare Modell Post hoc Tests bei der ANOVA Mehrfatorielle ANOVA Thomas Schäfer SS 009 1 Das Allgemeine lineare Modell (ALM) Varianz als Schlüsselonzept "The main technical function
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrZweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 6-6) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
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,
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Mittelwertvergleiche Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrSPSS III Mittelwerte vergleichen
SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen
MehrWebergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
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
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
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Januar 2009 Bernd Klaus, Verena Zuber Das
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: 1.0.2003 Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele
MehrDer χ 2 -Test (Chiquadrat-Test)
Der χ 2 -Test (Chiquadrat-Test) Der Grundgedanke Mit den χ 2 -Methoden kann überprüft werden, ob sich die empirischen (im Experiment beobachteten) Häufigkeiten einer nominalen Variable systematisch von
Mehr1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis
1. Inhaltsverzeichnis 1. Inhaltsverzeichnis... 1 2. Abbildungsverzeichnis... 1 3. Einleitung... 2 4. Beschreibung der Datenquelle...2 5. Allgemeine Auswertungen...3 6. Detaillierte Auswertungen... 7 Zusammenhang
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
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
MehrEinfaktorielle Varianzanalyse
Professur Psychologie digitaler Lernmedien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Einfaktorielle Varianzanalyse Überblick Einführung Alphafehler-Kumulierung Grundprinzip
MehrEinführung in die Induktive Statistik: Varianzanalyse
Einführung in die Induktive Statistik: Varianzanalyse Jörg Drechsler LMU München Wintersemester 2011/2012 Varianzanalyse bisher: Vergleich der Erwartungswerte für zwei normalverteilte Variablen durch t-test
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrMittelwertvergleiche, Teil II: Varianzanalyse
FB 1 W. Ludwig-Mayerhofer Statistik II 1 Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil II: FB 1 W. Ludwig-Mayerhofer Statistik II 2 : Wichtigste Eigenschaften Anwendbar auch bei mehr als
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 8. Vorlesung: 08.05.003 was man/frau schon immer wissen wollte I Interpolation und Extrapolation Schlussfolgerung auf erwarteten Wert einer Person aufgrund
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Statistik & Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrStatistik-Team. Tobias Kley: Übung: Freitag, Uhr, HGA 10 Tutorium (SPSS) - ab
Statistik-Team Tobias Kley: tobikley@uni-muenster.de Übung: Freitag, 9.00-10.00 Uhr, HGA 10 Tutorium (SPSS) - ab 26.10.2009 Koordination: Dr. Helge Thiemann Helge.Thiemann-i5m@ruhr-uni-bochum.de 0234/
MehrAnhang A: Fragebögen und sonstige Unterlagen
Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
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
Mehr1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. In diesem Kapitel behandeln wir die Varianzanalyse (ANOVA). Varianzanalysen kommen in sehr sehr vielen verschiedenen Gestalten einher. Das Ziel
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
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
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
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Karin Waldherr & Pantelis Christodoulides 11. Juni 2014 Waldherr / Christodoulides Einführung in Quantitative Methoden 1/46 Anpassungstests allgemein Gegeben: Häufigkeitsverteilung
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
Mehr1 Varianzanalyse (ANOVA)
1 Varianzanalyse (ANOVA) Ziele: Erklärung einer Meßgröße durch ein additves Modell. Abschätzung der Wirkungsweise von Einflußfaktoren, ihres Zusammenwirkens und ihres anteiligen Beitrages an der Variation
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
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
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
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
MehrBiostatistik 7. Zweistichproben-t-Test, F-Test
Biostatistik 7. Zweistichproben-t-Test, F-Test Zweistichproben-t-Test Vergleich von zwei unabhängigen Stichproben Versuchssituation: dieselbe Variable wird bei zwei unabhängigen Stichproben geprüft Kontrollgruppe,
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Mehr