Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell"

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

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

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 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

Mehr

3. Das einfache lineare Regressionsmodell

3. 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

Mehr

Klausur zu Statistik II

Klausur 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

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. 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

Mehr

Mathematik III - Statistik für MT(Master)

Mathematik 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

Mehr

Lineare Regression mit einem Regressor: Einführung

Lineare 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,

Mehr

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.

Gegeben 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

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung 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

Mehr

Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO

Schätzen 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

Mehr

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Statistik 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

Mehr

Vorlesung 8a. Kovarianz und Korrelation

Vorlesung 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

Mehr

Einführung in die Induktive Statistik: Testen von Hypothesen

Einführung 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

Analyse von Querschnittsdaten. Signifikanztests I Basics

Analyse 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

Mehr

Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen

Kapitel 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

Mehr

4. Das multiple lineare Regressionsmodell

4. 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

Mehr

Institut 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 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

Mehr

1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:

1 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

Mehr

Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe

Statistische 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,...,

Mehr

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 Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir

Mehr

Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate

Regression 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

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. 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,

Mehr

Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14

Nachhol-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.

Mehr

Kapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests

Kapitel 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

Mehr

10. Die Normalverteilungsannahme

10. 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

Mehr

Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006

Prof. 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.

Mehr

Statistik, Datenanalyse und Simulation

Statistik, 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

Mehr

Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade

Formelsammlung 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

Mehr

1 Gemischte Lineare Modelle

1 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

Mehr

Eine zweidimensionale Stichprobe

Eine 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,

Mehr

THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ

THEMA: 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

Mehr

Teil: lineare Regression

Teil: 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

Mehr

Empirische Analysen mit dem SOEP

Empirische 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

Mehr

Ergänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen

Ergänzungsmaterial 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

Mehr

8. Konfidenzintervalle und Hypothesentests

8. 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

Mehr

1. Lösungen zu Kapitel 7

1. 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

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen 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

Mehr

Mathematische und statistische Methoden II

Mathematische 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

Mehr

Statistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27

Statistik 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)

Mehr

Prognose. Kapitel 5. Ökonometrie I Michael Hauser

Prognose. 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

Mehr

Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests

Hypothesen: 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

Mehr

Lineare Modelle in R: Klassische lineare Regression

Lineare 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)

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Drittvariablenkontrolle in der linearen Regression: Trivariate Regression

Drittvariablenkontrolle 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

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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.

Mehr

1.8 Kolmogorov-Smirnov-Test auf Normalverteilung

1.8 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

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie 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

Mehr

Statistische Tests für unbekannte Parameter

Statistische 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

Mehr

Allgemeines zu Tests. Statistische Hypothesentests

Allgemeines 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

Mehr

Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten

Entscheidung 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:

Mehr

I. Deskriptive Statistik 1

I. 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........................

Mehr

TEIL 13: DIE EINFACHE LINEARE REGRESSION

TEIL 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

Mehr

Grundgesamtheit und Stichprobe

Grundgesamtheit 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

Mehr

Kapitel 13. Grundbegriffe statistischer Tests

Kapitel 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

Mehr

Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg

Übungsklausur 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

Mehr

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).

Prüfgröße: 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

Mehr

Wiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung

Wiederholung 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Statistik II. Statistische Tests. Statistik II

Statistik 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

Mehr

Schließende Statistik: Hypothesentests (Forts.)

Schließende 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

Mehr

Bachelorprüfung SS MUSTERLÖSUNG

Bachelorprüfung 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

Mehr

Schließende Statistik

Schließende 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.

Mehr

Jost Reinecke. 7. Juni 2005

Jost 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

Mehr

Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung

Kapitel 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.

Mehr

Kapitel 3 Schließende Statistik

Kapitel 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:

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur 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

Mehr

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie 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.

Mehr

Statistik II für Betriebswirte Vorlesung 12

Statistik 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

Mehr

8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)

8. 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

Mehr

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS

Sozialwissenschaftliche 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

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen 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

Mehr

Statistik II für Betriebswirte Vorlesung 1

Statistik 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

Mehr

Kapitel VIII - Tests zum Niveau α

Kapitel 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

Mehr

Testen von Hypothesen:

Testen 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

Mehr

Test auf den Erwartungswert

Test 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

Mehr

Kapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)

Kapitel 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

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. 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

Mehr

Aufgabenblock 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. 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 )

Mehr

Tutorial: Regression Output von R

Tutorial: 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

Mehr

Grundlagen der Statistik

Grundlagen 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

Mehr

2.3 Nichtlineare Regressionsfunktion

2.3 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

Mehr

Bachelorprüfung SS 2015

Bachelorprüfung 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

Mehr

DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007

DIPLOMVORPRÜFUNG 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

Mehr

Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK

Klausur 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:

Mehr

Statistik für das Psychologiestudium

Statistik 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

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar 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

Mehr

Statistik II Übung 1: Einfache lineare Regression

Statistik 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

Mehr

Hypothesentests mit SPSS. Beispiel für einen t-test

Hypothesentests 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

Mehr

Mathematik für Biologen

Mathematik 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

Mehr

Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154

Bivariate 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

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

4. 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

Mehr

Lösungen zu den Übungsaufgaben in Kapitel 10

Lösungen 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

Mehr

1 Statistische Grundlagen

1 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.

Mehr

Statistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage

Statistik. 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

Mehr

Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen

Breusch-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.

Mehr

Kapitel 13: Statistische Signifikanztests

Kapitel 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

Mehr

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!

b) 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

Mehr

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die

Lösung 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:

Mehr

Korrelation und Regression

Korrelation 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