Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
|
|
- Jutta Färber
- vor 6 Jahren
- Abrufe
Transkript
1 1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs zwischen x i und y i nötig ist Die Schätzung dieser beiden Parameter führt wieder zum Problem der Suche nach Absolutglied und Steigung einer geeigneten Geradengleichung Satz 11 Satz von Gauß-Markov) y f β1,β x) β 1 + β x Unter den getroffenen Annahmen liefert die aus dem deskriptiven Ansatz bekannte Verwendung der KQ-Methode, also die Minimierung der Summe der quadrierten vertikalen Abstände zur durch β 1 und β bestimmten Geraden, in Zeichen y i β 1 + β x i ))! min i1 β 1,β R i1 y i β 1 + β x i )), die beste varianzminimale) lineare in y i ) erwartungstreue Schätzfunktion β 1 für β 1 bzw β für β Dies rechtfertigt letztendlich die Verwendung des Optimalitätskriteriums Minimierung der quadrierten vertikalen Abstände Schließende Statistik WS 16/17) Folie 33 1 Lineare Regression Parameterschätzung 13 Man erhält also ganz analog zum deskriptiven Ansatz die folgenden Parameterschätzer: Parameterschätzer im einfachen linearen Regressionsmodell β n i1 x ) iy i i1 x i) i1 y ) i n i1 x ) i n i1 x ) xy x y s X,Y i x x sx β 1 1 n n i1 y ) i 1 n n i1 x ) i β y x β r X,Y sy s X, Wegen der Abhängigkeit von y i handelt es sich bei β 1 und β wie in der schließenden Statistik gewohnt) um Realisationen von) Zufallsvariablen Die resultierenden vertikalen Abweichungen û i : y i β 1 + β x i ) y i ŷ i der y i von den auf der Regressionsgeraden liegenden Werten ŷ i : β 1 + β x i nennt man Residuen Wie im deskriptiven Ansatz gelten die Beziehungen i1 ûi, i1 y i i1 ŷi, i1 x iû i, i1 ŷiû i sowie die Varianzzerlegung 1 n i1 y i y) 1 n i1 ŷ i ŷ) + 1 n i1 û i Schließende Statistik WS 16/17) Folie 34 1 Lineare Regression Parameterschätzung 13 Das multiple) Bestimmtheitsmaß R Auch im linearen Regressionsmodell wird die Stärke des linearen Zusammenhangs mit dem Anteil der erklärten Varianz an der Gesamtvarianz gemessen und mit R i1 ŷ i ŷ) i1 y i y) 1 i1 û i i1 y i y) bezeichnet R wird auch multiples) Bestimmtheitsmaß genannt Es gilt R 1 sowie der bekannte) Zusammenhang R rx,y s X,Y sx s Y Größere Werte von R in der Nähe von 1) sprechen für eine hohe Modellgüte, niedrige Werte in der Nähe von ) für eine geringe Modellgüte Vorsicht! s X, s Y sowie s X,Y bezeichnen in diesem Kapitel die empirischen Größen s X 1 n i1 x i x) x x, s Y 1 n i1 y i y) y y und s X,Y 1 n i1 x i x) y i y) xy x y 1 Lineare Regression Parameterschätzung 13 Beispiel: Ausgaben in Abhängigkeit vom Einkommen I) Es wird angenommen, dass die Ausgaben eines Haushalts für Nahrungs- und Genussmittel y i linear vom jeweiligen Haushaltseinkommen x i jeweils in 1 e) in der Form y i β 1 + β x i + u i, u i N, σ ), i {1,, n} abhängen Für n 7 Haushalte beobachte man nun neben dem Einkommen x i auch die Realisation der) Ausgaben für Nahrungs- und Genussmittel y i wie folgt: Haushalt i Einkommen x i NuG-Ausgaben y i Mit Hilfe dieser Stichprobeninformation sollen nun die Parameter β 1 und β der linearen Modellbeziehung geschätzt sowie die Werte ŷ i, die Residuen û i und das Bestimmtheitsmaß R bestimmt werden Schließende Statistik WS 16/17) Folie 35 Schließende Statistik WS 16/17) Folie 36
2 1 Lineare Regression Parameterschätzung 13 Berechnete deskriptive/empirische) Größen: x y x y s X s Y s X,Y 3449 r X,Y 9587 Damit erhält man die Parameterschätzer β 1 und β als β s X,Y sx β 1 y β x Als Bestimmtheitsmaß erhält man R r X,Y Für ŷ i und û i erhält man durch Einsetzen ŷ i β 1 + β x i, û i y i ŷ i ): i x i y i ŷ i û i Lineare Regression Parameterschätzung 13 Grafik: Ausgaben in Abhängigkeit vom Einkommen β , β 6417, R 9191 y i u^i y^i y y^ x y i x i Schließende Statistik WS 16/17) Folie 37 Schließende Statistik WS 16/17) Folie 38 1 Lineare Regression Parameterschätzung 13 1 Lineare Regression Parameterschätzung 13 Eigenschaften der Schätzfunktionen β 1 und β β 1 und β sind linear in y i, man kann genauer zeigen: x β 1 x x i nsx y i und β i1 i1 x i x ns X β 1 und β sind erwartungstreu für β 1 und β, denn wegen Eu i ) gilt Eyi ) β 1 + β x i + Eu i ) β 1 + β x i, Ey) E 1 n i1 y i) 1 n n i1 Ey i) 1 n n i1 β1 + β x i) β 1 + β x, Exy) E 1 n i1 x ) iy i 1 n n i1 x iβ 1 + β x i ) β 1 x + β x und damit sowie E β ) E sx,y s X ) E xy x y) s X β 1 x + β x x β 1 + β x) s X Exy) x Ey) s X y i β x x ) s X β E β 1 ) Ey x β ) Ey) x E β ) β 1 + β x x β β 1 Diese Eigenschaften folgen bereits mit dem Satz von Gauß-Markov) Schließende Statistik WS 16/17) Folie 39 Für die Varianzen der Schätzfunktionen erhält man: Var β ) Var β 1 ) σ n σ n i1 x i x) σ σ n x x ) i1 x i i1 x i x) σ x n x x ) σ x Diese hängen von der unbekannten Varianz σ der u i ab Eine erwartungstreue Schätzfunktion für σ ist gegeben durch σ : Varu i ) 1 n i1 û i n n s Y 1 R ) n n s Y β s X,Y ) Die positive Wurzel σ + σ dieser Schätzfunktion heißt auch Standard Error of the Regression SER) oder residual standard error Schließende Statistik WS 16/17) Folie 4
3 1 Lineare Regression Parameterschätzung 13 Einsetzen des Schätzers σ für σ liefert die geschätzten Varianzen der Parameterschätzer 1 Lineare Regression Konfidenzintervalle und Tests 14 Konfidenzintervalle und Tests unter Normalverteilungsannahme für u i σ β σ β1 : Var β σ ) n x x ) σ und s Y β s X,Y n ) s X : Var β σ 1 ) x n x x ) σ x s Y β s X,Y ) x n ) sx Die positiven Wurzeln σ σ β1 β σ und σ β 1 β dieser geschätzten Varianzen werden wie üblich als geschätzte) Standardfehler von β 1 und β bezeichnet Trifft man eine weitergehende Verteilungannahme für u i und damit für y i, so lassen sich auch die Verteilungen von β 1 und β weiter untersuchen und zur Konstruktion von Tests, Konfidenzintervallen und Prognoseintervallen verwenden Häufig nimmt man für die Störgrößen an, dass speziell u i N, σ ) gilt, dh dass alle u i für i {1,, n}) unabhängig identisch normalverteilt sind mit Erwartungswert und unbekannter) Varianz σ In diesem Fall sind offensichtlich auch y 1,, y n stochastisch unabhängig und jeweils normalverteilt mit Erwartungswert Ey i ) β 1 + β x i und Varianz Vary i ) σ Da β 1 und β linear in y i sind, folgt insgesamt mit den bereits berechneten Momenten von β 1 und β : ) β 1 N β 1, σ x σ ) und β N β, Schließende Statistik WS 16/17) Folie 41 Schließende Statistik WS 16/17) Folie 4 1 Lineare Regression Konfidenzintervalle und Tests 14 Konfidenzintervalle unter Normalverteilungsannahme für u i Da σ unbekannt ist, ist für Anwendungen wesentlich relevanter, dass im Falle unabhängig identisch normalverteilter Störgrößen u i mit den Schätzfunktionen σ β1 für Var β 1 ) und σ β für Var β ) gilt: β 1 β 1 σ β1 tn ) und β β σ β tn ) Hieraus erhält man unmittelbar die Formeln [ β1 t n ;1 α σ β1, β 1 + t n ;1 α σ β1 ] für symmetrische) Konfidenzintervalle zur Vertrauenswahrscheinlichkeit 1 α für β 1 bzw [ β α tn ;1 σ β, β ] + t n ;1 α σ β für symmetrische) Konfidenzintervalle zur Vertrauenswahrscheinlichkeit 1 α für β Schließende Statistik WS 16/17) Folie 43 1 Lineare Regression Konfidenzintervalle und Tests 14 Beispiel: Ausgaben in Abhängigkeit vom Einkommen II) Im bereits erläuterten Beispiel erhält man als Schätzwert für σ : σ n s Y β s X,Y ) n ) 7 Die geschätzten) Standardfehler für β 1 und β sind damit σ x σ β1 1164, σ 9856 σ β Für α 5 erhält man mit t n ;1 α t 5; für β 1 also 9856 [ , ] [ 17537, 4383] als Konfidenzintervall zur Vertrauenswahrscheinlichkeit 1 α 95 bzw [ , ] [1739, 3544] als Konfidenzintervall zur Vertrauenswahrscheinlichkeit 1 α 95 für β Schließende Statistik WS 16/17) Folie 44
4 1 Lineare Regression Konfidenzintervalle und Tests 14 Hypothesentests unter Normalverteilungsannahme für u i Genauso lassen sich unter der Normalverteilungsannahme exakte) t-tests für die Parameter β 1 und β konstruieren Trotz unterschiedlicher Problemstellung weisen die Tests Ähnlichkeiten zum t-test für den Mittelwert einer normalverteilten Zufallsvariablen bei unbekannter Varianz auf Untersucht werden können die Hypothesenpaare H : β 1 β1 H : β 1 β1 H : β 1 β1 gegen gegen gegen H 1 : β 1 β1 H 1 : β 1 > β1 H 1 : β 1 < β1 bzw H : β β H : β β H : β β gegen gegen gegen H 1 : β β H 1 : β > β H 1 : β < β Besonders anwendungsrelevant sind Tests auf die Signifikanz der Parameter insbesondere β ), die den zweiseitigen Tests mit β1 bzw β entsprechen Schließende Statistik WS 16/17) Folie 45 1 Lineare Regression Konfidenzintervalle und Tests 14 Zusammenfassung: t-test für den Parameter β 1 im einfachen linearen Regressionsmodell mit Normalverteilungsannahme Anwendungsvoraussetzungen exakt: y i β 1 + β x i + u i mit u i N, σ ) für i {1,, n}, σ unbekannt, x 1,, x n deterministisch und bekannt, Realisation y 1,, y n beobachtet Nullhypothese H : β 1 β1 H : β 1 β1 H : β 1 β1 Gegenhypothese H 1 : β 1 β1 H 1 : β 1 > β1 H 1 : β 1 < β1 Teststatistik t β 1 β 1 σ β1 Verteilung H ) Benötigte Größen β s X,Y s X t für β 1 β1 tn )-verteilt, β 1 y β sy x, σ β1 β s X,Y ) x n ) sx Kritischer Bereich, t n ;1 α ) t n ;1 α, ), t n ;1 α) zum Niveau α t n ;1 α, ) p-wert 1 F tn ) t )) 1 F tn ) t) F tn ) t) Schließende Statistik WS 16/17) Folie 46 1 Lineare Regression Konfidenzintervalle und Tests 14 Zusammenfassung: t-test für den Parameter β im einfachen linearen Regressionsmodell mit Normalverteilungsannahme Anwendungsvoraussetzungen exakt: y i β 1 + β x i + u i mit u i N, σ ) für i {1,, n}, σ unbekannt, x 1,, x n deterministisch und bekannt, Realisation y 1,, y n beobachtet Nullhypothese H : β β H : β β H : β β Gegenhypothese H 1 : β β H 1 : β > β H 1 : β < β Teststatistik t β β σ β Verteilung H ) Benötigte Größen β s X,Y s X t für β β tn )-verteilt sy, σ β β s X,Y n ) sx Kritischer Bereich, t n ;1 α ) t n ;1 α, ), t n ;1 α) zum Niveau α t n ;1 α, ) p-wert 1 F tn ) t )) 1 F tn ) t) F tn ) t) Schließende Statistik WS 16/17) Folie 47 1 Lineare Regression Konfidenzintervalle und Tests 14 Beispiel: Ausgaben in Abhängigkeit vom Einkommen III) Im bereits erläuterten Beispiel soll zum Signifikanzniveau α 5 getestet werden, ob β 1 signifikant von Null verschieden ist Geeigneter Test: t-test für den Regressionsparameter β 1 1 Hypothesen: H : β 1 gegen H 1 : β 1 Teststatistik: t β 1 ist unter H für β 1 ) tn )-verteilt σ β1 3 Kritischer Bereich zum Niveau α 5: K, t n ;1 α ) t n ;1 α, + ), t 5;975) t 5;975, + ), 571) 571, + ) 4 Berechnung der realisierten Teststatistik: t β σ β Entscheidung: t 114 /, 571) 571, + ) K H wird nicht abgelehnt! p-wert: F t5) t ) F t5) 114 ) ) Der Test kann für β 1 keine signifikante Abweichung von Null feststellen Schließende Statistik WS 16/17) Folie 48
5 1 Lineare Regression Konfidenzintervalle und Tests 14 Beispiel: Ausgaben in Abhängigkeit vom Einkommen IV) Nun soll zum Signifikanzniveau α 1 getestet werden, ob β positiv ist Geeigneter Test: t-test für den Regressionsparameter β 1 Hypothesen: H : β gegen H 1 : β > Teststatistik: t β ist unter H für β ) tn )-verteilt σ β 3 Kritischer Bereich zum Niveau α 1: K t n ;1 α, + ) t 5;99, + ) 3365, + ) 4 Berechnung der realisierten Teststatistik: t β σ β Entscheidung: t , + ) K H wird abgelehnt! p-wert: 1 F t5) t) 1 F t5) 756) ) Der Test stellt fest, dass β signifikant positiv ist Schließende Statistik WS 16/17) Folie 49 1 Lineare Regression Punkt- und Intervallprognosen 15 Punkt- und Intervallprognosen im einfachen linearen Regressionsmodell mit Normalverteilungsannahme Neben Konfidenzintervallen und Tests für die Parameter β 1 und β in linearen Regressionsmodellen vor allem Prognosen wichtige Anwendung Zur Erstellung von Prognosen: Erweiterung der Modellannahme y i β 1 + β x i + u i, u i N, σ ), i {1,, n} auf zumindest) einen weiteren, hier mit x, y ) bezeichneten Datenpunkt, bei dem jedoch y nicht beobachtet wird, sondern lediglich der Wert des Regressors x bekannt ist Ziel: Schätzung Prognose) von y β 1 + β x + u bzw Ey ) β 1 + β x auf Grundlage von x Wegen Eu ) und der Erwartungstreue von β 1 für β 1 bzw β für β ist ŷ : β 1 + β x : Êy ) offensichtlich erwartungstreu für y bzw Ey ) gegeben x ŷ bzw Êy ) wird auch bedingte) Punktprognose für y bzw Ey ) gegeben x genannt Schließende Statistik WS 16/17) Folie 5 1 Lineare Regression Punkt- und Intervallprognosen 15 Prognosefehler Zur Beurteilung der Genauigkeit der Prognosen: Untersuchung der sogenannten Prognosefehler Qualitativer Unterschied: Prognosefehler ŷ y bzw Êy ) Ey ) Êy ) Ey ) β 1 + β x β 1 + β x ) β 1 β 1) + β β ) x resultiert nur aus Fehler bei der Schätzung von β 1 bzw β durch β 1 bzw β Prognosefehler ŷ y β 1 + β x β 1 + β x + u ) β 1 β 1) + β β ) x u ist Kombination von Schätzfehlern für β 1 und β ) sowie zufälliger Schwankung von u N, σ ) Zunächst: Untersuchung von e E : Êy ) Ey ) Schließende Statistik WS 16/17) Folie 51 1 Lineare Regression Punkt- und Intervallprognosen 15 Wegen der Erwartungstreue stimmen mittlerer quadratischer Prognose-) Fehler und Varianz von e E Êy ) Ey ) überein und man erhält VarÊy ) Ey )) VarÊy )) Var β 1 + β x ) Var β 1 ) + x Var β ) + x Cov β 1, β ) Es kann gezeigt werden, dass für die Kovarianz von β 1 und β gilt: Cov β 1, β ) σ x i1 x i x) x σ Insgesamt berechnet man so die Varianz des Prognosefehlers σ σe E : Vare E ) σ x + x σ x + x x x n s X x σ x n s X σ x x ) + x + x x x) σ s X + x x) 1 σ n + x x) ) Schließende Statistik WS 16/17) Folie 5
6 1 Lineare Regression Punkt- und Intervallprognosen 15 1 Lineare Regression Punkt- und Intervallprognosen 15 Die Linearität von β 1 und β in y i ) überträgt sich natürlich) auch auf Êy ), damit gilt offensichtlich e E Êy ) Ey ) N, σ e E ) bzw Êy ) Ey ) σ ee N, 1) Da σ unbekannt ist, erhält man durch Ersetzen von σ durch die erwartungstreue Schätzfunktion σ die geschätzte Varianz σ e E : Vare E ) σ s X + x x) n s X σ 1 n + x x) ) von Êy ) und damit die praktisch wesentlich relevantere Verteilungsaussage e E Êy ) Ey ) tn ), σ ee σ ee aus der sich in bekannter Weise symmetrische) Konfidenzintervalle und Tests) konstruieren lassen Prognoseintervalle für Ey ) gegeben x Intervallprognosen zur Vertrauenswahrscheinlichkeit 1 α erhält man also als Konfidenzintervalle zum Konfidenzniveau 1 α für Ey ) in der Form ] [Êy ) t n ;1 α σ e E, Êy ) + t n ;1 α σ e E [ β 1 + β x ) t n ;1 α σ e E, β 1 + β ] x ) + t n ;1 α σ e E Im Beispiel Ausgaben in Abhängigkeit vom Einkommen) erhält man zu gegebenem x 38 in 1 e) σ e E σ 1 n + x x) ) ) ) die Punktprognose Êy ) β 1 + β x in 1 e) sowie die Intervallprognose zur Vertrauenswahrscheinlichkeit 95 [ , ] [99914, 137] in 1 e) Schließende Statistik WS 16/17) Folie 53 Schließende Statistik WS 16/17) Folie 54 1 Lineare Regression Punkt- und Intervallprognosen 15 1 Lineare Regression Punkt- und Intervallprognosen 15 Prognosefehler e : ŷ y Nun: Untersuchung des Prognosefehlers e : ŷ y Offensichtlich gilt für e ŷ y die Zerlegung ŷ y β 1 + β x ) β 1 + β x +u }{{}}{{} ) Êy) Ey ) Êy ) Ey ) }{{} u }{{} Fehler aus Schätzung von zufällige Schwankung β 1 und β der Störgröße Êy ) hängt nur von u 1,, u n ab über y 1,, y n bzw β 1 und β ) und ist wegen der Annahme u i N, σ ) unabhängig von u Damit sind die beiden Bestandteile des Prognosefehlers insbesondere auch unkorreliert und man erhält: σe : Varŷ y ) VarÊy ) Ey )) + Varu ) 1 σ n + x x) ) + σ σ 1 + 1n + x x) ) Aus der Unkorreliertheit der beiden Komponenten des Prognosefehlers folgt auch sofort die Normalverteilungseigenschaft des Prognosefehlers e y ŷ, genauer gilt: e ŷ y N, σ e ) bzw ŷ y σ e N, 1) Wieder muss σ durch σ ersetzt werden, um mit Hilfe der geschätzen Varianz σ e : Varŷ y ) σ 1 + 1n + x x) ) des Prognosefehlers die für die Praxis relevante Verteilungsaussage e σ e ŷ y σ e tn ), zu erhalten, aus der sich dann wieder Prognoseintervalle konstruieren lassen Schließende Statistik WS 16/17) Folie 55 Schließende Statistik WS 16/17) Folie 56
Tests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
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
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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
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
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
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
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
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
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
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,...,
MehrKonfidenzintervalle 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
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
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
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
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.
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
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
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
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
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
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e 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
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
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
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
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
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
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
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
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:
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........................
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
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
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
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
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
MehrWiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen
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
MehrSchließende Statistik: Hypothesentests (Forts.)
Mathematik II für Biologen 15. Mai 2015 Testablauf (Wdh.) Definition Äquivalente Definition Interpretation verschiedener e Fehler 2. Art und Macht des Tests Allgemein im Beispiel 1 Nullhypothese H 0 k
MehrBachelorprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2015
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.
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
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
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
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
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
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
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
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
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
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
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
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
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 )
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
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
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
MehrBachelorprüfung SS 2015
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 205
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrStatistik für das Psychologiestudium
Dieter Rasch / Klaus D. Kubinger Statistik für das Psychologiestudium Mit Softwareunterstützung zur Planung und Auswertung von Untersuchungen sowie zu sequentiellen Verfahren ELSEVIER SPEKTRUM AKADEMISCHER
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 13. Januar 2011 1 Nichtparametrische Tests Ränge Der U-Test Bindungen Ränge Zwei Gruppen von Zufallsvariablen mit
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
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
MehrKapitel 13: Statistische Signifikanztests
Kapitel 13: Statistische Signifikanztests Motivation Bisher: Punkt- und Intervallschätzungen für unbekannte Parameter einer Verteilung, dabei keine Verwendung von Vorinformationen Jetzt: Vorinformationen/Vermutungen/Behauptungen
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
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:
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
Mehr