Vergleich von Gruppen I
|
|
- Erna Reuter
- vor 7 Jahren
- Abrufe
Transkript
1 Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007
2 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik und p-wert Nullverteilung Einfache Varianzanalyse (One Way ANOVA) Vom t-test zur ANOVA One Way ANOVA für drei Gruppen One Way ANOVA für k Gruppen
3 Der unverbundene t-test für homogene Varianzen Zum Vergleich zweier unverbundener Stichproben bezüglich eines metrischen Merkmals. Testet ob die Mittelwerte der Grundgesamtheit (Erwartungswerte) verschieden sind. Setzt voraus, dass die arithmetischen Mittelwerte in jeder Gruppe normalverteilt sind. Setzt voraus, dass die Varianzen der Beobachtungen in beiden Gruppen gleich gross sind, d.h. die Varianzen homogen sind.
4 Beispiel für t-test für zwei unverbundene Stichproben Geburtsgewicht von 50 Kindern mit schwerem idiopathic respiratory distress syndrom Überlebende Kinder (n 1 = 23) Verstorbene Kinder (n 2 = 27)
5 Boxplots Geburtsgewicht (kg) Baby verstorben Baby lebt
6 Mittelwerte und Standardabweichungen Überlebende Kinder (n 1 = 23): Mittelwert ȳ 1 = P n1 j=1 y 1j n 1 = Standardabweichung s 1 = Pn1 j=1 (y 1j ȳ 1 ) 2 n 1 1 = Verstorbene Kinder (n 2 = 27): Mittelwert ȳ 2 = P n2 j=1 y 2j n 1 = Standardabweichung s 2 = Pn2 j=1 (y 2j ȳ 2 ) 2 n 2 1 = 0.518
7 Fragestellung im Beispiel Sind die Unterschiede im mittleren Geburtsgewicht durch reinen Zufall erklärbar, d.h. gilt... H 0 : Die beiden Gruppen haben (in Wirklichkeit) ein identisches mittleres Geburtsgewicht. oder sind die Unterschiede nicht alleine durch Zufall erklärbar, d.h. gilt... H 1 : Die beiden Gruppen unterscheiden sich in ihrem mittleren Geburtsgewicht.
8 Vergleich der Gruppen Differenz der Mittelwerte: ȳ 1 ȳ 2 = Gemeinsame Varianz s 2 = (n 1 1) s (n 2 1) s 2 2 n 1 + n 2 2 = = Gemeinsame Standardabweichung: s = s 2 = 0.590
9 Zweiseitiger unverbundener t-test mit homogenen Varianzen (Software R) > t.test(sirdsa,sirdsd,var.equal=t) Two Sample t-test data: sirdsa and sirdsd t = , df = 48, p-value = alternative hypothesis: true difference in means is not equal to 0 sample estimates: mean of x mean of y
10 Modell = Annahmen über Grundgesamtheit Überlebende Kinder: Geburtsgewicht normalverteilt Erwartungswert (Mittelwert) µ 1 Standardabweichung σ Dichte Gewicht (kg) Verstorbene Kinder: Geburtsgewicht normalverteilt Erwartungswert (Mittelwert) µ 2 Standardabweichung σ Dichte Geburtsgewichte unabhängig Gewicht (kg)
11 Dichten der Normalverteilung Dichte versch. Mittelwerte Dichte versch. Standardabw
12 Teststatistik t n 1, n 2 Stichprobenumfänge; ȳ 1, ȳ 2 die Mittelwerte s die gemeinsame Standardabweichung Teststatistik des unverbundenen t-tests t = 1 (ȳ 1 ȳ 2 )/s 1 n n 2 Je grösser der Absolutwert von t desto unplausibler H 0.
13 Der p-wert als Plausibilitätswert für H 0 Man denke an zweite unabhängige Studie ebenfalls mit zwei Stichproben der Größe n 1 = 23 und n 2 = 27, Stichproben aus einer Grundgesamtheit in der die Nullhypothese H 0 : µ 1 = µ 2 gilt, ansonsten alles wie in der Grundgesamtheit unserer Studie ist, d.h.: die Geburtsgewichte normalverteilt sind und die Varianz σ 2 wie in unserer Studie ist.
14 Der p-wert als Plausibilitätswert für H 0 Bezeichnen mit t die t-teststatistik der zweiten Studie. Defintion des p-werts Mit welcher Wahrscheinlichkeit ist der Absolutwert von t grösser als der Absolutwert von t? p Wert = P(t 2 > t 2 ) Welche Verteilung hat t 2?
15 Bestimmung der H 0 -Verteilung von t 2 Quadrat der t-teststatistik t 2 = = (ȳ 1 ȳ 2 ) 2 ( 1 n1 + 1 n2 ) s 2 (ȳ 1 ȳ 2 ) 2 / s 2 ( ) σ σ 2 n1 n2 = Zähler/Nenner
16 Verteilung vom Zähler ȳ 1 ȳ 2 normalverteilt mit E(ȳ 1 ȳ 2 ) = µ 1 µ 2 und Var(ȳ 1 ȳ 2 ) = Var(ȳ 1 ) + Var(ȳ 2 ) = σ2 n 1 + σ2 n 2. Falls H 0 : µ 1 = µ 2, dann ȳ 1 ȳ 2 Zähler = N(0, 1) σ 2 n 1 + σ2 n 2 Damit ist auch die H 0 -Verteilung vom Zähler bekannt!
17 Definition der χ 2 k -Verteilung Definition Z 1, Z 2,..., Z k unabhäng und N(0, 1)-verteilt Man nennt die Verteilung der Zufallsvariablen X 2 = Z Z Z 2 k die χ 2 -Verteilung mit k Freiheitsgraden, kurz X 2 χ 2 k Beispiel Wenn H 0 : µ 1 = µ 2 dann Zähler χ 2 1
18 Dichten der χ 2 k -Verteilungen Dichte Freiheitsgrade
19 Summeneigenschaft Summeneigenschaft der χ 2 -Verteilungen Wenn X 2 1 χ 2 k 1 und X 2 2 χ 2 k 2 und X 2 1 und X 2 2 sind unabhängig, dann ist X X 2 2 χ 2 k 1 +k 2 Beispiel X 2 1 χ2 22 und X 2 2 χ2 26, dann X X 2 2 χ2 48
20 Verteilung vom Nenner Nenner: s 2 σ 2 = (n s1 1 1) 2 + (n σ 2 2 1) s2 2 σ 2 n 1 + n 2 2 Es ist bekannt, dass (n 1 1) s2 1 σ 2 χ2 n 1 1 und (n 2 1) s2 2 σ 2 χ2 n 2 1 Ausserdem sind s 1 und s 2 unabhängig.
21 Verteilung vom Nenner Wegen der Summeneigenschaft der χ 2 -Verteilung X 2 = (n 1 1) s2 1 σ 2 + (n 2 1) s2 2 σ 2 χ 2 n 1 +n 2 2 Somit ist die Verteilung von Nenner = {(n 1 1) s2 1 σ 2 + (n 2 1) s2 2 σ 2 }/(n 1 + n 2 2) die χ 2 -Verteilung mit n 1 + n 2 2 Freiheitsgraden geteilt durch n 1 + n 2 2 Symbolisch: Nenner χ 2 n 1 +n 2 2 /(n 1 + n 2 2).
22 Verteilung von t 2 t 2 = Zähler/Nenner Zähler χ 2 1 Nenner χ 2 n 1 +n 2 2 /(n 1 + n 2 2), Zähler und Nenner sind unabhängig. Die Verteilung von t 2 heißt F-Verteilung mit 1 und n 1 + n 2 2 Freiheitsgraden.
23 ANOVA für Geburtsgewichte > summary(aov(sirds Gruppe)) Df Sum Sq Mean Sq F value Pr(>F) Gruppe Residuals ANOVA für zwei Gruppen ist equivalent zum t-test: F value... ist identisch zu t 2 = Pr(>F)... ist identisch zum p-wert des t-tests Erkläre als nächstes Mean Sq und Sum Sq!
24 Definition von Mean Sq t 2 = = (ȳ 1 ȳ 2 ) 2 /( 1 n n 2 ) {(n 1 1) s (n 2 1) s 2 2 }/(n 1 + n 2 2) Mean Sq Gruppe Mean Sq Residuals = = 13.5
25 Defintion von Sum Sq Residual Sum Sq Residuals Sum Sq Residuals = (n 1 1) s (n 2 1) s 2 2 = n 1 n 2 (y 1j ȳ 1 ) 2 + (y 2j ȳ 2 ) 2 j=1 j=1... ist Summe der Abweichungsquadrate der individuellen Beobachtungen vom jeweiligen Gruppenmittelwert;... wird auch Quadratsumme innerhalb der Gruppen (sum of squares within groups) genannt.
26 Sum Sq Gruppe bei zwei Gruppen Betrachten den Gesamtmittelwert: ȳ = n1 j=1 y 1j + n 2 j=1 y 2j n 1 + n 2 = n 1 n 1 + n 2 ȳ 1j + n 2 n 1 + n 2 ȳ 2j Man kann ausrechnen, dass Sum Sq Gruppe = (ȳ 1 ȳ 2 ) 2 /( 1 n n 2 ) = n 1 (ȳ 1 ȳ) 2 + n 2 (ȳ 2 ȳ) 2
27 Definition Sum Sq Gruppe Sum Sq Gruppe Sum Sq Gruppe = n 1 (ȳ 1 ȳ) 2 + n 2 (ȳ 2 ȳ) 2... ist Summe der Abweichungsquadrate der zwei Gruppenmittelwerte zum Gesamtmittelwert;... wird Quadratsumme zwischen den Gruppen (sum of squares between groups) genannt.
28 Beziehung zwischen Sum Sq und Mean Sq Mean Sq Gruppe = Sum Sq Gruppe 1 Mean Sq Residuals = Sum Sq Residuals (n 1 + n 2 2) F Statistic = Mean Sq Gruppe Mean Sq Residual
29 Verteilungen unter H 0 : µ 1 = µ 2 Mean Sq Gruppe χ 2 1 /1 Mean Sq Residuals χ 2 n 1 +n 2 2 /(n 1 + n 2 2) F Statistic χ2 n 1 +n 2 2 /(n 1 + n 2 2) χ 2 1 /1 = F 1,n1 +n 2 2
30 Vergleich von drei Gruppen - Beispiel 22 Patienten mit künstlicher Beatmung wurden drei Beatmungsgruppen per Zufall zugeteilt (randomisiert) Gruppe A: 50% Stickoxid und 50% Sauerstoffgemisch für 24 Stunden. Gruppe B: 50% Stickoxid und 50% Sauerstoffgemisch nur wärend der Operation. Gruppe C: kein Stickoxid, 35-50% Sauerstoff für 24 Stunden. Endpunkt: Die Wirkung der Beatmung wird durch die Blutplättchenzahl nach 24 stündiger Beatmung beurteilt.
31 Beispiel: Fragestellung Unterscheiden sich die drei Methoden in ihrer Wirkung auf die Bluttplättchenzahl?
32 Beispiel: Blutplättchenzahl Gruppe A Gruppe B Gruppe B n = 8 n = 9 n = arithm. Mittel Standardabw
33 Beispiel: Boxplots der Blutblättchenzahl Blutplättchenzahl A B C Gruppe
34 Beispiel: Vergleich der Mittelwerte Sind die Unterschiede in der mittleren Blutplättchenzahl durch reinen Zufall erklärbar, d.h. gilt... H 0 : Die drei Beatmungsmethoden wirken (in Wirklichkeit) gleich auf die durchschnittliche Blutplättchenzahl. oder sind die Unterschiede nicht alleine durch Zufall erklärbar, d.h. gilt... H 1 : Die Beatmungsmethoden unterscheiden sich in ihrer Wirkung auf die durchschnittliche Blutplättchenzahl.
35 ANOVA für Blutplättchenzahl > summary(aov(foliate Group,data=redcell)) Df Sum Sq Mean Sq F value Pr(>F) Group Residuals Im folgenden betrachten wir: Sum Sq Group und Sum Sq Group Mean Sq Group und Mean Sq Group F value und seine Verteilung.
36 Defintion der Qudratsummen Quadratsumme zwischen den Gruppen Sum Sq Gruppe = n 1 (ȳ 1 ȳ) 2 + n 2 (ȳ 2 ȳ) 2 + n 3 (ȳ 3 ȳ) 2 Quadratsumme innerhalb der Gruppen Sum Sq Residuals = = (n 1 1) s (n 2 1) s (n 3 1) s 2 3 n 1 n 2 = (y 1j ȳ 1 ) 2 + (y 2j ȳ 2 ) 2 + (y 3j ȳ 3 ) 2 j=1 j=1 j=1 n 3
37 Mittlere Qudratsummen Mean Sq Gruppe = Sum Sq Gruppe 2 Mean Sq Residuals = Sum Sq Residuals (n 1 + n 2 + n 3 3) F Statistic = Mean Sq Gruppe Mean Sq Residual
38 Verteilungen unter H 0 : µ 1 = µ 2 = µ 3 Mean Sq Gruppe χ 2 2 /2 Mean Sq Residuals χ 2 n 1 +n 2 +n 3 3 /(n 1 + n 2 + n 3 3) F Statistic F 2,n1 +n 2 +n 3 3
39 ANOVA mit k Gruppen k... Gruppen n i... Stichprobengrösse der Gruppe i (i = 1,..., k) N = k i=1 n i... Gesamtzahl der Beobachtungseinheiten µ i... Mittelwert der Grundegesamtheit in Gruppe i σ 2... gemeinsame Varianz in der Grundgesamtheit Modell y ij = µ i + ε ij, ε ij N(0, σ 2 ) unabhängig Hypothesen H 0 : µ 1 = = µ k, H 1 : µ i µ j für mind. eine i und j
40 Defintion der Qudratsummen bei k Gruppen Quadratsumme zwischen Gruppen (between groups) Sum Sq Gruppe = k n i (ȳ i ȳ) 2 i=1 Quadratsumme innerhalb der Gruppen (within groups) Sum Sq Residuals = k i 1 (n i 1) s 2 i = k n i (y ij ȳ i ) 2 i=1 j=1
41 Mittlere Qudratsummen Mean Sq Gruppe = Sum Sq Gruppe k 1 Mean Sq Residuals = Sum Sq Residuals (N k) F Statistic = Mean Sq Gruppe Mean Sq Residual
42 Verteilungen unter H 0 : µ 1 = µ 2 =... = µ k Mean Sq Gruppe χ 2 k 1 /k 1 Mean Sq Residuals χ 2 N k /(N k) F Statistic F k 1,N k
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
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 Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
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,
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2010 Aufgabe 1 Die Inhaberin
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 19. Oktober 2016 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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
MehrDie Varianzanalyse. Analysis of Variance (ANOVA) Jonathan Harrington
Die Varianzanalyse Analysis of Variance (ANOVA) Jonathan Harrington path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Variablen, Faktoren, Ebenen Faktoren oder
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrDie Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden
Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
Mehr11. Nichtparametrische Tests
11. Nichtparametrische Tests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 In Kapitel 8 und 9 haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann
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
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 15 009 FernUniversität in Hagen Alle Rechte vorbehalten Fachbereich Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
Mehr1.6 Der Vorzeichentest
.6 Der Vorzeichentest In diesem Kapitel soll der Vorzeichentest bzw. Zeichentest vorgestellt werden, mit dem man Hypothesen bezüglich des Medians der unabhängig und identisch stetig verteilten Zufallsvariablen
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrNicht-parametrische Statistik Eine kleine Einführung
Nicht-parametrische Statistik Eine kleine Einführung Überblick Anwendung nicht-parametrischer Statistik Behandelte Tests Mann-Whitney U Test Kolmogorov-Smirnov Test Wilcoxon Test Binomialtest Chi-squared
Mehre) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese
9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
Mehr(Repeated-measures ANOVA) path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/"))
Varianzanalyse mit Messwiederholungen (Repeated-measures ANOVA) Jonathan Harrington Befehle: anova2.txt path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Messwiederholungen:
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrSTATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrLösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrBeipiele zum Üben und Wiederholen Wirtschaftsstatistik 2 (Kurs 3) Lösungen
Beipiele zum Üben und Wiederholen Wirtschaftsstatistik 2 (Kurs 3) Lösungen 1.1 (Das Beispiel 1.1 entspricht dem Beispiel 7.1 aus dem Buch Brannath/Futschik/Krall) a) Streudiagramm mit Regressionsgerade.
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
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
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
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
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,
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
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
MehrHypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1
Hypothesentests mit R Ashkan Taassob Andreas Reisch 21.04.09 1 Inhalt Programmiersprache R Syntax Umgang mit Dateien Tests t Test F Test Wilcoxon Test 2 Test Zusammenfassung 2 Programmiersprache R Programmiersprache
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 23. Dezember 2010 1 Tests für Erwartungswerte Teststatistik Gauß-Test Zusammenhang zu Konfidenzintervallen t-test
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
MehrJonathan Harrington. Die t-verteilung
Jonathan Harrington Die t-verteilung Standard error of the mean (SE) ist die Standardabweichung von Mittelwerten Ich werfe 5 Würfel und berechne den Mittelwert der Zahlen µ = 3.5 der wahrscheinlichste
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
Mehr10,24 ; 10,18 ; 10,28 ; 10,25 ; 10,31.
Bei einer Flaschenabfüllanlage ist die tatsächliche Füllmenge einer Flasche eine normalverteilte Zufallsvariable mit einer Standardabweichung = 3 [ml]. Eine Stichprobe vom Umfang N = 50 ergab den Stichprobenmittelwert
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 22. Mai 2015 Inhaltsverzeichnis 1 Wiederholung:
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 / Übungsaufgaben Prof. Dr. Achim Klenke http://www.aklenke.de 13. Vorlesung: 10.02.2012 1/51 Aufgabe 1 Aufgabenstellung Übungsaufgaben Ein Pharmakonzern möchte ein neues Schlankheitsmedikament
MehrEinflussfaktoren auf die Macht der Hypothesenprüfung
Einflussfaktoren auf die Macht der Hypothesenprüfung Einflussfaktoren auf die Macht Die Jagd nach den Sternen In der Wissenschaft gilt der Blick oft nur den Sternen * p
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrLiteratur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill.
Statistik Literatur: Glantz, S.A. (2002). Primer of Biostatistics. New York: McGraw-Hill. Maxwell, S.E. & Delaney, H.D. (2000). Designing Experiments and Analyzing Data. Mahwah, NJ: Erlbaum. Das Grundproblem
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
Mehr