Dr. Johannes Bauer Institut für Soziologie, LMU München. Directed Acyclic Graphs (DAG)
|
|
- Reinhold Linden
- vor 7 Jahren
- Abrufe
Transkript
1 Dr. Institut für Soziologie, LMU München Directed Acyclic Graphs (DAG)
2 Wie ist der Zusammenhang von und Z blockiert den Pfad Mediator 50% = 1 50% = 0 Z Z if =0: 20% if =1: 80% Gegenwsk if Z=0: 20% if Z=1: 80% Gegenwsk aktiver Pfad Z und Ohne Kontrolle auf Z unter Kontrolle auf Z Unter Kontrolle auf Z Wenn Z = 0 Wenn Z = # 2
3 Wie ist der Zusammenhang von und unter Kontrolle auf Z. Z blockiert den Pfad Mediator Z aktiver Pfad und Ohne Kontrolle auf Z const % = 1 50% = 0 Unter Kontrolle auf Z Z if =0: 20% if =1: 80% Gegenwsk if Z=0: 20% if Z=1: 80% Gegenwsk Z const Z 03 # 3
4 Wie ist der Zusammenhang von und unter Kontrolle auf Z. Mediator Z und Ohne Kontrolle auf Z const % = 1 50% = 0 Unter Kontrolle auf Z Z if =0: 20% if =1: 80% Gegenwsk if Z=0: 20% if Z=1: 80% Gegenwsk Z const Z 96 # 4
5 Wie ist der Zusammenhang von und unter Kontrolle auf Z. Confounder Z 50% = 1 50% = 0 aktiver Pfad und Ohne Kontrolle auf Z const Unter Kontrolle auf Z Z Z if Z=0: 20% if Z=1: 80% Gegenwsk if Z=0: 20% if Z=1: 80% Gegenwsk const Z 03 # 5
6 Wie ist der Zusammenhang von und unter Kontrolle auf Z. Z aktiviert den Pfad Collider 50% = 1 50% = 0 Z + + blockierter Pfad 50% = 1 50% = 0 if =1: Wsk + if =1: Wsk + 1 und Ohne Kontrolle auf Z Unter Kontrolle auf Z Wenn Z = 0 Wenn Z = # 6
7 Wie ist der Zusammenhang von und unter Kontrolle auf Z. Z aktiviert den Pfad Collider Z + + blockierter Pfad und Ohne Kontrolle auf Z const % = 1 50% = 0 50% = 1 50% = 0 Unter Kontrolle auf Z if =1: Wsk + if =1: Wsk + 1 const Z 65 # 7
8 Wie ist der Kausaleffekt von und unter Kontrolle auf alle. 50% = 1 50% = 0 und Ohne Kontrolle auf const if =0: 20% if =1: 80% if =1: Wsk+ if =1: Wsk+ 1 1 Unter Kontrolle auf const # 8
9 Wie ist der Kausaleffekt von und unter Kontrolle auf alle Z 2. Z 2 und Ohne Kontrolle auf Z 2 const if Var=0: 20% if Var=1: 80% if Z 2 =1: Wsk+ if =1: Wsk+ 1 1 Unter Kontrolle auf Z 2 const Z 2 00 # 9
10 D-Seperation Z 2 Pfad A Fragestellung: Auf welche Kovariablen Z muss kontrolliert werden, um Unabhängigkeit zwischen und herzustellen? Z Pfad B Pfad C Z 3 Z 4 Blockieren der Pfade: (1) Pfad A kann blockiert werden durch Z 2 (2) Pfad B kann blockiert werden durch Z 3 (3) Pfad C ist blockiert durch Z 4. Daher darf auf Z 4 nicht kontrolliert werden. # 10
11 D-Seperation und Ohne Kontrolle auf ein Z Z 2 Pfad A const Pfad B Z 3 Unter Kontrolle auf Z s const const Pfad C Z Z Z Z 3 06 Z Z 4 46 # 11
12 Back Door Kriterium Back Door Kriterium Fragestellung: Wie wirkt auf, direkt aber auch vermittelt über andere Variablen? Z 2 Nicht Teil des Back Door Kriterium (2) verletzt Daher: Blockiere alle Pfade von nach. Z 3 Z 4 Ein Set von Kovariablen entspricht dem Back-Door Kriterium, wenn (1) die Kovariablen alle aktiven Pfade von zu blockieren (2) wobei keine der Kovariablen ein Nachfahre von sein darf. Nicht Teil des Back Door Kriterium, da (1) verletzt # 12
13 Back Door Kriterium Back Door Kriterium und Ohne Kontrolle auf ein Z Z 2 Nicht Teil des Back Door Kriterium (2) verletzt const Z 3 Z 4 Nicht Teil des Back Door Kriterium, da (1) verletzt Unter Kontrolle auf Z s const Z 2 00 # 13
14 Front Door Kriterium Fragestellung: Wie wirkt auf, direkt aber auch vermittelt, aber die Variablen zur Kontrolle der Back Door Pfade sind nicht verfügbar? Z 2 Erfüllt (2) und (3) Erfüllt (1) Daher: Nutze eine Gruppe von Variablen, welche alle direkten Informationen für enthalten. Z 3 Ein Set von Kovariablen entspricht dem Front-Door Kriterium, wenn (1) Die Kovariablen alle direkten Pfade von zu blockieren Z 4 (2) blockiert alle Back-Door Pfade von den Kovariablen nach (3) Keine unbeobachteten Back-Door Pfade von zu den Kovariablen vorliegen # 14
15 Front Door Kriterium und Ohne Kontrolle auf ein Z Z 2 const Z 3 Kontrolle auf Z 3 und Z 3 const Z Z 3 00 const Z = Kausaleffekt von auf # 15
16 Instrumental Variablen Fragestellung: Wie wirkt auf, direkt aber auch vermittelt, aber weder das Front- noch das Back Door Kriterium sind verwendbar? Daher: Nutze eine Variable I, welche, unter Kontrolle von Kovariablen Z, nur durch den Kausaleffekt auf beeinflusst. I Instrument (1) und (2) erfüllt 0.33 Z 2 Ein Instrument liegt vor, wenn (1) Variable I, unter Kontrolle der Kovariablen Z, nicht unabhängig von ist I Z (2) Unter Kontrolle der Kovariablen Z und der Variable ist I unabhängig von I, Z # 16
17 Instrumental Variablen Fragestellung: Wie wirkt auf, direkt aber auch vermittelt, aber weder das Front- noch das Back Door Kriterium sind verwendbar? Daher: Nutze eine Variable I, welche, unter Kontrolle von Kovariablen Z, nur durch den Kausaleffekt auf beeinflusst. I Z 2 Kein Instrument Kontrolle auf Z 2 nicht möglich 0.33 Ein Instrument liegt vor, wenn (1) Variable I, unter Kontrolle der Kovariablen Z, nicht unabhängig von ist I Z (2) Unter Kontrolle der Kovariablen Z und der Variable ist I unabhängig von I, Z # 17
18 Instrumental Variablen und Ohne Kontrolle auf Z oder I 0.33 const I Instrument (1) und (2) erfüllt Z und I mit Kontrolle Z 2 const I Z und I mit Kontrolle Z 2 const /00 = Kausaleffekt von auf # 18
19 Verwenden von Skalen und Propensity Scores Problemstellung: Ist es notwendig auf viele Kovariablen zu kontrollieren, wird die Schätzung sehr aufwendig. Z 2 Z p-1 Reduktion der Variablen: Besteht die Möglichkeit aus den Kovariablen Z einen gemeinsamer Score R zu bilden, so dass gilt Z R Z p kann auf diesen kontrolliert werden (R ist suffizient um mit Z vorherzusagen). # 19
20 Verwenden von Skalen und Propensity Scores Problemstellung: Ist es notwendig auf viele Kovariablen zu kontrollieren, wird die Schätzung sehr aufwendig. Z 2 Z p-1 R Reduktion der Variablen: Besteht die Möglichkeit aus den Kovariablen Z einen gemeinsamer Score R zu bilden, so dass gilt Z R Z p kann auf diesen kontrolliert werden (R ist suffizient um mit Z vorherzusagen). Anforderung: R muss richtig spezifiziert sein # 20
21 Verwenden von Skalen und Propensity Scores und Kontrolle aller Z s Jeder Pfeil 0.10 Z 2 Jeder Pfeil 0.10 const Z Z 8 Z Z 9 Z if Z i =1:Wsk # 21
22 Verwenden von Skalen und Propensity Scores und Kontrolle aller Z s Jeder Pfeil 0.10 Jeder Pfeil 0.10 Z 2 Z 8 Z 9 R const Z Z Z und Kontrolle auf R 0.10 R-Score: R = 9 i=1 9 Z i const R # 22
23 Aufdecken kausaler Zusammenhänge anhand der Daten Z 2 PC-Algorithmus: 1. Starte mit einem vollkommend ungerichtetem Graphen 2. Teste alle direkten Zusammenhänge auf Unabhängigkeit const const Z 2 02 const const Z 2 Annahme Alle relevanten Variablen sind im Graphen enthalten const Z const # 23
24 Aufdecken kausaler Zusammenhänge anhand der Daten Z 2 PC-Algorithmus: 1. Starte mit einem vollkommend ungerichtetem Graphen 2. Teste alle direkten Zusammenhänge auf Unabhängigkeit 3. Für alle verbliebenen Zusammenhänge, wiederhole das unter Bedingung auf Drittvariablen con con Z con con Z # 24
25 Aufdecken kausaler Zusammenhänge anhand der Daten Z 2 PC-Algorithmus: 1. Starte mit einem vollkommend ungerichtetem Graphen 2. Teste alle direkten Zusammenhänge auf Unabhängigkeit 3. Für alle verbliebenen Zusammenhänge, wiederhole das unter Bedingung auf Drittvariablen Z 2 con.000 Con.100 Con Z Z # 25
26 Aufdecken kausaler Zusammenhänge anhand der Daten Z 2 PC-Algorithmus: 1. Starte mit einem vollkommend ungerichtetem Graphen 2. Teste alle direkten Zusammenhänge auf Unabhängigkeit 3. Für alle verbliebenen Zusammenhänge, wiederhole das unter Bedingung auf Drittvariablen 4. Ermittle Collider und orientiere die Pfeile con.396 Con Z Z # 26
27 Aufdecken kausaler Zusammenhänge anhand der Daten Z 2 Annahme Directed Acyclic Graphs unterstellen, dass es Keine zyklischen (transitiven) Beziehungen gibt PC-Algorithmus: 1. Starte mit einem vollkommend ungerichtetem Graphen 2. Teste alle direkten Zusammenhänge auf Unabhängigkeit 3. Für alle verbliebenen Zusammenhänge, wiederhole das unter Bedingung auf Drittvariablen 4. Ermittle Collider und orientiere die Pfeile con Z Con Z Wenn nicht theoretisch begründbar, Paneldaten nutzen # 27
28 Aufdecken kausaler Zusammenhänge anhand der Daten Schätzen der Pfeilstärke: Z 2 const Z const Z Kontrolle auf (Confounder) Kontrolle auf (Confounder) con # 28
29 Annahmen von DAGs Annahmen des PC Algorithmus 1. DAG: Es gibt einen DAG der die Kausalstruktur darstellen kann, d.h auch, es gibt keine zirkulären Zusammenhänge 2. Kausale Markov Bedingung: Die gemeinsame Verteilung von Variablen folgt der Markov property 1. Die Datengenerierende Verteilung folgt der Kausalen Markov Bedingung 2. Die Datengenerierende Verteilung ist Faithful 3. Es gibt nur einen Graphen, der Faithful ist I non decendents I parents(i) 3. Faithfulness: Die gemeinsame Verteilung beinhaltet alle bedingten gemeinsamen Unabhängigkeitsbeziehungen welche in der Markov property beinhaltet sind und nur diese. 4. Jedes Mitglied der Population kommt aus der gleichen Verteilung 5. Alle relevanten Variablen sind im Graphen enthalten # 29
30 Quellen Cosma R. Shalizi (2015). Advanced Data Analysis from an Elementary Point of View: Peter Spirtes/Glymour, Clark/Scheines, Richard. Causation, Prediction, and Search: 43/lib/photoz/.g/scottd/fullbook.pdf Stephen L. Morgan/Christopher, Winship (2007). Counterfactuals and Causal Inference Markus Kalisch/Bühlmann, Peter (2007). Estimating High-Dimensional Directed Acyclic Graphs with the PC-Algorithm Markus Kalisch/Bühlmann, Peter (2012). Causal Inference Using Graphical Models with the R Package pcalg Markus Kalisch/Bühlmann, Peter (2014). More Causal Inference with Graphical Models in R Package pcalg # 30
Syntaktische und Statistische Mustererkennung. Bernhard Jung
Syntaktische und Statistische Mustererkennung VO 1.0 840.040 (UE 1.0 840.041) Bernhard Jung bernhard@jung.name http://bernhard.jung.name/vussme/ 1 Rückblick Nicht lineare Entscheidungsfunktionen SVM, Kernel
MehrCausal Analysis in Population Studies
Causal Analysis in Population Studies Prof. Dr. Henriette Engelhardt Prof. Dr. Alexia Prskawetz Randomized experiments and observational studies for causal inference inference Historical dichotomy between
MehrBayesianische Netzwerke I
Bayesianische Netzwerke I Christiane Belitz 2.5.2003 Überblick Der Vortrag basiert auf Using Bayesian Networks to Analyze Expression Data von Friedman et al. (2000) Definition: Bayesianisches Netzwerk
MehrMassive Parallelität : Neuronale Netze
Massive Parallelität : Neuronale Netze PI2 Sommer-Semester 2005 Hans-Dieter Burkhard Massive Parallelität : Neuronale Netze Knoten: Neuronen Neuronen können erregt ( aktiviert ) sein Kanten: Übertragung
MehrHidden Markov Model ein Beispiel
Hidden Markov Model ein Beispiel Gegeben: Folge von Beobachtungen O = o 1,..., o n = nass, nass, trocken, nass, trocken Menge möglicher Systemzustände: Z = {Sonne, Regen} Beobachtungswahrscheinlichkeiten:
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrBayes sche Netze: Konstruktion, Inferenz, Lernen und Kausalität. Volker Tresp
Bayes sche Netze: Konstruktion, Inferenz, Lernen und Kausalität Volker Tresp 1 Einführung Bisher haben wir uns fast ausschließich mit überwachtem Lernen beschäftigt: Ziel war es, eine (oder mehr als eine)
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrBayesnetzmodelle (BNM) in der Kardiologie
Bayesnetzmodelle (BNM) in der Kardiologie Vorgehensmodell - Ergebnisse Claus Möbus - Heiko Seebold Jan-Ole Janssen, Andreas Lüdtke, Iris Najman, Heinz-Jürgen Thole Besonderen Dank an: Herrn Reinke (Münster)
MehrÜbung Kausalanalyse. Das kontrafaktische Kausalmodell. Kausalanalyse. Das Ziel der erklärenden Sozialwissenschaften
Übung Kausalanalyse Das kontrafaktische Kausalmodell Prof. Dr. Josef Brüderl WS 22/3 Kausalanalyse Das Ziel der erklärenden Sozialwissenschaften Die kausale Erklärung von Ereignissen und sozialen Strukturen
MehrSemester-Fahrplan 1 / 17
Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD
MehrMethoden der KI in der Biomedizin Bayes Netze
Methoden der KI in der Biomedizin Bayes Netze Karl D. Fritscher Bayes Netze Intuitiv: Graphische Repräsentation von Einfluss Mathematisch: Graphische Repräsentation von bedingter Unabhängigkeit Bayes Netze
MehrTHEMA: GUT VORBEREITET IST HALB ZERTIFIZIERT ANTWORTEN ZUR SAS VISUAL ANALYTICS-ZERTIFIZIERUNG" THOMAS WENDE
WEBINAR@LUNCHTIME THEMA: GUT VORBEREITET IST HALB ZERTIFIZIERT ANTWORTEN ZUR SAS VISUAL ANALYTICS-ZERTIFIZIERUNG" THOMAS WENDE EBINAR@LUNCHTIME HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne
Mehr9. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Musterlösung
MehrRelationen und DAGs, starker Zusammenhang
Relationen und DAGs, starker Zusammenhang Anmerkung: Sei D = (V, E). Dann ist A V V eine Relation auf V. Sei andererseits R S S eine Relation auf S. Dann definiert D = (S, R) einen DAG. D.h. DAGs sind
MehrEntscheidungsverfahren für die Software-Verifikation. 4 - BDDs
Entscheidungsverfahren für die Software-Verifikation 4 - BDDs Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen) Boolesche
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Graphische Modelle iels Landwehr Überblick: Graphische Modelle Graphische Modelle: Werkzeug zur Modellierung einer Domäne mit verschiedenen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Christoph Sawade/Niels Landwehr/Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Graphische Modelle Christoph Sawade/Niels Landwehr/Tobias Scheffer Graphische Modelle Werkzeug zur Modellierung einer Domäne mit
MehrElektrotechnik und Informationstechnik
Elektrotechnik und Informationstechnik Institut für Automatisierungstechnik, Professur Prozessleittechnik Bayes'sche Netze VL PLT2 Professur für Prozessleittechnik Prof. Leon Urbas, Dipl. Ing. Johannes
MehrStatistische Matching-Verfahren
Statistische Matching-Verfahren Erste Statistik-Tage 2012 Bamberg Fürth 26./27. Juli 2012 in Bamberg Prof. Dr. Susanne Rässler Lehrstuhl für Statistik und Ökonometrie in den Sozial- und Wirtschaftswissenschaften
MehrExkurs: Graphtraversierung
Sanders: Informatik III November 28, 2006 1 Exkurs: Graphtraversierung Begriffe Graphrepräsentation Erreichbarkeit mittels Tiefensuche Kreise Suchen Sanders: Informatik III November 28, 2006 2 Gerichtete
MehrRelationen und Graphentheorie
Seite Graphentheorie- Relationen und Graphentheorie Grundbegriffe. Relationen- und Graphentheorie gehören zu den wichtigsten Hilfsmitteln der Informatik, die aus der diskretenmathematik stammen. Ein Graph
Mehr3. Kapitel: Arbeiten mit Bayesschen Netzwerken. Fakultät für Informatik Universität der Bundeswehr München FT Dozent: Dr.
Bayessche Netzwerke und ihre Anwendungen 3. Kapitel: Arbeiten mit Bayesschen Netzwerken Zweiter Schwerpunktanteil einer Vorlesung im Rahmen des Moduls Systemplanung und Netzwerktheorie (Modul-Nr.: 1863)
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,
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
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
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrTravelling W-Mann. Travelling W-Mann. Lazy Present Propagation. Weihnachtsmann würde verglühen! 2 Möglichkeiten
Teil W Entwurf und Implementierung von Algorithmen zur Lösung wirklich wichtiger Probleme Übersicht Das Travelling W-Mann Problem Lazy Present Propagation W-Mann Suchstrategien Nachweis der Überlegenheit
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Kausalanalyse
Institut für Soziologie Methoden 2 Kausalanalyse Inhalt 1. Kausalanalyse 2. Anwendungsbeispiel 3. Wiederholung 4. Übungsaufgabe # 2 Kausalanalyse Kausalität: Identifizieren von Ursache-Wirkungs-Beziehungen
MehrDekonvolution von Omnikamerabildern
1 / 23 Dekonvolution von Omnikamerabildern Tobias Börtitz, Hermann Lorenz, Lutz Krätzer, Josef Söntgen Betreuer: Richard Schmidt HTW Dresden, Deutschland Abschluß Präsentation 15. Februar 2012 2 / 23 1
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrEffiziente Algorithmen
Effiziente Algorithmen Graphdurchläufe Vorlesender: Martin Aumüller (nach Folien von Prof. Martin Dietzfelbinger) April/Mai 0 FG KTuEA, TU Ilmenau Effiziente Algorithmen Sommersemester 0 Einleitung Kapitel
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren
Mehr1. Einleitung. 1.1 Phasen einer ökonometrischen Analyse
1. Einleitung 1.1 Phasen einer ökonometrischen Analyse Empirische ökonomische bzw. ökonometrische Analyse: Nutzung von Schätz- und Testmethoden zur Überprüfung ökonomischer Hypothesen oder Quantifizierung
MehrConstantin von Craushaar FH-Management & IT Statistik Angewandte Statistik (Übungen) Folie 1
FHManagement & IT Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen Mehrfachantworten
MehrAlgoBio WS 16/17 Differenzielle Genexpression. Annalisa Marsico
AlgoBio WS 16/17 Differenzielle Genexpression Annalisa Marsico 04.01.2017 Pipeline für die Mikroarray-Analyse Bildanalyse Hintergrundkorrektur Normalisierung Vorverarbeitung Zusammenfassung Quantifizierung
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrDatenstrukturen Teil 2. Bäume. Definition. Definition. Definition. Bäume sind verallgemeinerte Listen. Sie sind weiter spezielle Graphen
Bäume sind verallgemeinerte Listen Datenstrukturen Teil 2 Bäume Jeder Knoten kann mehrere Nachfolger haben Sie sind weiter spezielle Graphen Graphen bestehen aus Knoten und Kanten Kanten können gerichtet
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrTeil XI. Hypothesentests für zwei Stichproben. Woche 9: Hypothesentests für zwei Stichproben. Lernziele. Beispiel: Monoaminooxidase und Schizophrenie
Woche 9: Hypothesentests für zwei Stichproben Patric Müller Teil XI Hypothesentests für zwei Stichproben ETHZ WBL 17/19, 26.06.2017 Wahrscheinlichkeit und Statistik Patric
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrEconometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme
Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,
MehrDas Rasch-Modell und seine zentralen Eigenschaften
Das Rasch-Modell und seine zentralen Eigenschaften Stella Bollmann Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU München München, 27. Mai 2014 Stella Bollmann Das
MehrBayesian Networks. Syntax Semantics Parametrized Distributions Inference in Bayesian Networks. Exact Inference. Approximate Inference
Syntax Semantics Parametrized Distributions Inference in Exact Inference Approximate Inference enumeration variable elimination stochastic simulation Markov Chain Monte Carlo (MCMC) 1 Includes many slides
MehrProgrammierkurs Python
Programmierkurs Python Stefan Thater Michaela Regneri 2010-0-29 Heute Ein wenig Graph-Theorie (in aller Kürze) Datenstrukturen für Graphen Tiefen- und Breitensuche Nächste Woche: mehr Algorithmen 2 Was
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri FR.7 Allgemeine Linguistik (Computerlinguistik) Universität des Saarlandes Sommersemester 011 Heute Ein wenig Graph-Theorie (in aller Kürze) Datenstrukturen
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 16. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Foliensatz 16 Michael Brinkmeier Technische Universität Ilmenau Institut für Theoretische Informatik Sommersemester 2009 TU Ilmenau Seite 1 / 45 Graphen TU Ilmenau Seite 2 / 45 Graphen 1 2 3 4 5 6 7 8
Mehr5.Tutorium Multivariate Verfahren
5.Tutorium Multivariate Verfahren - Hauptkomponentenanalyse - Nicole Schüller: 27.06.2016 und 04.07.2016 Hannah Busen: 28.06.2016 und 05.07.2016 Institut für Statistik, LMU München 1 / 18 Gliederung 1
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrWortdekodierung. Vorlesungsunterlagen Speech Communication 2, SS Franz Pernkopf/Erhard Rank
Wortdekodierung Vorlesungsunterlagen Speech Communication 2, SS 2004 Franz Pernkopf/Erhard Rank Institute of Signal Processing and Speech Communication University of Technology Graz Inffeldgasse 16c, 8010
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Schäfer A & Schöttker-Königer T, Statistik für (2015) Arbeitsblatt 1 STATA Kapitel 8 Seite 1 Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
MehrVon Aachen nach Halle...
Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15. 6. 16. 6. Saarbruecken? Effiziente Algorithmen fr Graphtraversierungen Ulrich Meyer p. 3 Von Aachen nach Halle... Koeln? Aachen Halle 14. 6. 15.
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 1. Ziel der Kreuztabellierung 2. Übersicht CROSSTABS - Syntax 3. 2x2 Kreuztabellen Überblick
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
MehrDie Analyse von unvollständigen Kontingenztabellen im MZ-Panel: Statistische Methodik
Die Analyse von unvollständigen Kontingenztabellen im MZ-Panel: Statistische Methodik Edin Basic Freie Universität Berlin 12.Oktober 2005 Überblick Überblick Y = Untersuchungsvariable - Missing, falls
MehrDATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS
DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS Master Seminar Empirical Software Engineering Anuradha Ganapathi Rathnachalam Institut für Informatik Software & Systems Engineering Agenda Introduction
Mehr1.8 Shift-And-Algorithmus
.8 Shift-And-Algorithmus nutzt durch Bitoperationen mögliche Parallelisierung Theoretischer Hintergrund: Nichtdeterministischer endlicher Automat Laufzeit: Θ(n), falls die Länge des Suchwortes nicht größer
MehrEffiziente Algorithmen
Effiziente Algorithmen Aufgabe 5 Gruppe E Martin Schliefnig, 0160919 Christoph Holper, 9927191 Ulrike Ritzinger, 0125779 1. Problemstellung Gegeben ist eine Datei, die eine Million reelle Zahlen enthält.
MehrDatenstrukturen. einfach verkettete Liste
einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten
Mehrfh management, communication & it Constantin von Craushaar FH-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
MehrTreatment-Evaluationsproblematik
Ludwig-Maximilians-Universität Fakultät für Mathematik, Informatik und Statistik Institut für Statistik Treatment-Evaluationsproblematik Seminararbeit zum Seminar "Statistische Herausforderungen im Umgang
MehrGraphalgorithmen I. Simon Regnet. May 16, Universität Erlangen. Simon Regnet (Universität Erlangen) Graphalgorithmen I May 16, / 56
Graphalgorithmen I Simon Regnet Universität Erlangen May 16, 2008 Simon Regnet (Universität Erlangen) Graphalgorithmen I May 16, 2008 1 / 56 Inhalt 1 Motivation 2 Terminologie 3 Datenstrukturen 4 Suche
MehrBis heute: Überblick Einheit Literatur lesen. 2. Introspektion. 3. Thema definieren und eingrenzen. Untersuchungsproblem.
Bis heute: 1. Literatur lesen 2. Introspektion 3. Thema definieren und eingrenzen 1 Seite (pro Gruppe) zusammenfassen und abgeben Folie 1 Überblick Einheit 2 Untersuchungsproblem Problemstellung Fragestellungen
MehrSeminar Werkzeuggestütze. tze Softwareprüfung. fung. Slicing. Sebastian Meyer
Seminar Werkzeuggestütze tze Softwareprüfung fung Slicing Sebastian Meyer Überblick Einführung und Begriffe Static Slicing Dynamic Slicing Erweiterte Slicing-Techniken Fazit 2 Was ist Slicing?? (I) Program
MehrElektrotechnik und Informationstechnik
Elektrotechnik und Informationstechnik Institut für utomatisierungstechnik, Professur Prozessleittechnik Bayessche Netze VL Prozessinformationsverarbeitung WS 2009/2010 Problemstellung Wie kann Wissen
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Hidden-Markov-Modelle Viterbi - Algorithmus Ulf Leser Wissensmanagement in der Bioinformatik Inhalt der Vorlesung Hidden Markov Modelle Baum, L. E. and Petrie, T. (1966). "Statistical
MehrPromotionsfeier. Promotionen des Fachbereichs 10 Mathematik und Informatik im SS 2013
Promotionsfeier Promotionen des Fachbereichs 10 Mathematik und Informatik im SS 2013 Promotionen im Juli 2013 Herr Stefan Diepenbrock Herr Dirk Feldmann Herr Sören Christian Gröttrup Herr Jan Hegemann
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
MehrSimulation of Longitudinal Beam Dynamics
Fachgebiet Theoretische Elektrotechnik und Numerische Feldberechnung PD Dr. Markus Clemens DESY Beam Dynamics Meeting Simulation of Longitudinal Beam Dynamics, Markus Clemens Chair for Theory in Electrical
MehrVorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz
Vorlesung 04.12.2006: Binäre Entscheidungsdiagramme (BDDs) Dr. Carsten Sinz Datenstruktur BDD 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer: Booleschen Funktionen)
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
MehrWenn wir zudem a ii = 1 für 1 i n setzen, dann gilt für A k (boolesches Produkt, A 0 = I) 0 falls es im Graphen keinen Pfad von v i nach v j,
6.2 Boolesche Matrixmultiplikation und Transitive Hülle Wir ersetzen nun im vorhergehenden Abschnitt die Distanzmatrix durch die (boolesche) Adjazenzmatrix und (min, +) durch (, ), d.h.: n C = A B; c ij
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 02 Julia Kreutzer 8. November 2016 Institut für Computerlinguistik, Heidelberg 1 Overview 1. Recap 2. Backpropagation 3. Ausblick 2 Recap
MehrEvent-basierte Visualisierung zeitabhängiger Datensätze
Fakultät Informatik, Institut für Software- und Multimediatechnik, Professur für Computergrafik zeitabhängiger Datensätze Florian Weidner Dresden, 3. Jun 2013 (Betreut von Dr. Sebastian Grottel) Gliederung
MehrProgrammieren mit Statistischer Software - Simulationen -
Programmieren mit Statistischer Software - Simulationen - Moritz Berger, Cornelia Oberhauser Institut für Statistik, LMU München SS 2015 Gliederung 1 Grundlagen 2 Aufbau von Simulationen 3 Durchführung
MehrBayes sche und probabilistische Netze
Bayes sche und probabilistische Netze Gliederung Wahrscheinlichkeiten Bedingte Unabhängigkeit, Deduktion und Induktion Satz von Bayes Bayes sche Netze D-Separierung Probabilistische Inferenz Beispielanwendung
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 3. Vorlesung: 23. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching Problemformulierung Gegeben: Das Straßennetz als planar
MehrInhalt. 2. Caffe meets Java
Caffe-Einführung Inhalt 1. Caffe a. Installation b. Dateien eines Netzwerks c. Aufbau eines Netzwerks d. Verwendung eines Netzwerks e. Eigenes Beispiel für ein Netzwerk f. MNIST 2. Caffe meets Java Installation
MehrAlgorithmentheorie 1. Vorlesung
Algorithmentheorie 1. Vorlesung Martin Dietzfelbinger 6. April 2006 FG KTuEA, TU Ilmenau AT 06.04.2006 Methode, Material Vorlesung Vorlesungsskript (Netz, Copyshop) Folien (im Netz) Vorlesung nachbereiten!
Mehr7. Transitive Hülle. Kante des Graphen. Zusatz-Kante der transitiven Hülle
In Anwendungen ist es oft interessant zu wissen, ob man überhaupt von einem Knoten v zu einem Knoten w gelangen kann, ganz gleich wie lang der Weg auch ist. Gegeben sei dabei ein gerichteter Graph G =
MehrWeiterführendes Programmieren Lineare Widerstandsnetzwerke II Aufgabenblatt 6. 1 Zusammenfassung der elektrotechnischen Begriffe
Institut für Wissenschaftliches Rechnen Technische Universität Braunschweig Prof. Hermann G. Matthies, Ph. D. Dr. Elmar Zander Wintersemester 2013/14 14. November 2014 Weiterführendes Programmieren Lineare
MehrGraphische Spiele. M i (p) M i (p[i : p i]) M i (p) + ε M i (p[i : p i])
Seminar über Algorithmen 19. November 2013 Michael Brückner Graphische Spiele Wolfgang Mulzer, Yannik Stein 1 Einführung Da in Mehrspielerspielen mit einer hohen Anzahl n N an Spielern die Auszahlungsdarstellungen
MehrSS10 Effiziente Algorithmen 2. Kapitel: Graphdurchläufe
SS0 Effiziente Algorithmen. Kapitel: Graphdurchläufe Martin Dietzfelbinger April/Mai 00 Kapitel Durchsuchen und Strukturanalyse von Graphen (Ungerichteter) Graph C B W J A R O E G X M FG KTuEA, TU Ilmenau
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 00
MehrPrediction of Binary Fick Diffusion Coefficients using COSMO-RS
Prediction of Binary Fick Diffusion Coefficients using COSMO-RS Sebastian Rehfeldt, Tobias Sachsenhauser, Sandra Schreiber, Harald Klein Institute of Plant and Process Technology Technische Universität
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 Kreuztabellen 1. Ziel der Kreuztabellierung 2. Übersicht CROSSTABS - Syntax
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
MehrTomTom WEBFLEET Tachograph
TomTom WEBFLEET Tachograph Installation TG, 17.06.2013 Terms & Conditions Customers can sign-up for WEBFLEET Tachograph Management using the additional services form. Remote download Price: NAT: 9,90.-/EU:
Mehr