Multiple Regression Mais-NP Zweidimensionale lineare Regression Data Display Dreidimensionale lineare Regression Multiple Regression
|
|
- Sabine Fuchs
- vor 7 Jahren
- Abrufe
Transkript
1 Multiple Regression! Zweidimensionale lineare Regression Modell Bestimmung der Regressionsebene Multiples Bestimmtheitsmaß Test des Bestimmtheitsmaßes Vertrauensintervalle für die Koeffizienten Test des Achsenabschnitts Test der partiellen Regressionskoeffizienten Residuenanalyse Quadratische Regression! Dreidimensionale lineare Regression Modell Kubische Regression! Multiple Regression Modell Eindimensionale Regression in Matrizenschreibweise Multiple Regression in Matrizenschreibweise! Multikollinearität! Spezielle Methoden der multiplen Regression Standardisierte partielle Regressionskoeffizienten Sequentielle SQ-Werte und partielle Tests Tests bei der multiplen Regression Mais-NP MTB > Print Ertrag N P Fits St.Res.. Data Display Row Ertrag N P Fits St.Res
2 Mais-NP - Graphik Mais-NP - Regressionsanalyse Ertrag MTB > Name c9 = Fits c1 = St.Res. MTB > Regress Ertrag N P SUBC> Fits Fits; SUBC> SResiduals St.Res.; SUBC> Constant; SUBC> DW N P 11.5 Ertrag = N +.74 P Constant N P S = R-Sq = 54.8% R-Sq(adj) = 51.% 8 7 Regression Error Total Ertrag Source DF Seq SS N P Durbin-Watson statistic =.13 P N
3 Multiples Bestimmtheitsmaß Test des Bestimmtheitsmaßes B erklärte Variation Gesamtvariation SQ Regression SQ y n j (ŷ i &ȳ) i1 n j (y i &ȳ) i1 H : $ 1 = $ = bzw. B = H 1 : $ 1 oder $ bzw. B > Testgröße: F MQ Regression MQ Rest SQ Regression / SQ Rest /(n!3) b 1 SP yx 1 % b SP yx SQ y r yŷ Ablehnung von H, wenn F > F,n!3;1!" MTB > Correlation Ertrag Fits. Correlations (Pearson) Correlation of Ertrag and Fits =.74 MTB > Name k1 B MTB > Let B =.74** MTB > Print B. Data Display B.5476 Regression Error Total MQ Regression SQ Regression FG Regression MQ Rest SQ Rest FG Rest F MQ Regression MQ Rest > 3.4 F,4;.95 Bestimmtheitsmaß auf " = 5% signifikant größer als siehe auch p-wert
4 Test des Achsenabschnitts Test der partiellen Regressionskoeffizienten H : $ = $ * Testgröße: t b!$( s b H 1 : $ < $ *, falls t <!t n!3;1!" H 1 : $ > $ *, falls t > t n!3;1!" H 1 : $ $ *, falls t > t n!3;1!"/ Constant N P t b s b >.6 t 4;.975 Achsenabschnitt auf " = 5% signifikant verschieden von siehe auch p-wert H (1) : $ 1 = $ 1 * x ist in der Gleichung H () : $ = $ * x 1 ist in der Gleichung Testgröße: t b i!$( i s bi H 1 : $ i < $ i *, falls t <!t n!3;1!" H 1 : $ i > $ i *, falls t > t n!3;1!" H 1 : $ i $ i *, falls t > t n!3;1!"/ Constant N P t (1) b 1 s b >.6 t 4;.975 t () b s b >.6 t 4;.975 Beide partiellen Regressionskoeffizienten auf " = 5% signifikant verschieden von siehe auch p-wert
5 Mais-NP - Graphische Residuenanalyse Mais - NP: Residuenplot Residual Normal Plot of Residuals Normal Score Residual I Chart of Residuals Observation Number 3.SL=3.33 X=.73-3.SL= Histogram of Residuals Residuals vs. Fits Frequency Residual Residual Fit 5 6 Mais-NP: Shapiro-Wilk-Test auf Normalverteilung Mais - NP: Shapiro-Wilk-Test.999 Probability Average:.73 StDev: N: St.Res. 1 W-test for Normality R:.9837 P-Value (approx): >.1
6 Mais-NP: Durbin-Watson-Test auf Autokorrelation dw =.13., also keine Autokorrelation Ertrag-Stickstoff MTB > Print Ertrag N. Data Display dw o = 1.47 <.13 <.68 = 4! dw u Row Ertrag N Mais-NP: Runs-Test auf Zufälligkeit MTB > Runs St.Res.. Runs Test St.Res. K =. The observed number of runs = 16 The expected number of runs = Observations above K 15 below The test is significant at.577 Cannot reject at alpha = Ertrag N 15
7 Ertrag-Stickstoff - Quadratische Regression Mais-NPK MTB > Name c3 N^ MTB > Let N^ = N** MTB > Regress Ertrag N N^; SUBC> Constant. Ertrag = N N^ Constant N N^ S = R-Sq = 99.4% R-Sq(adj) = 99.3% Regression Error Total Ertrag Regression Plot Y = X E-3X** R-Sq =.994 MTB > Print Ertrag N P K. Data Display Row Ertrag N P K N
8 Mais-NPK - Graphik Ertrag 75 5 N P K 75 Mais-NPK - Lineare Regression MTB > Regress Ertrag 3 N P K Ertrag = N +.74 P +.63 K Constant N P K S = R-Sq = 58.% R-Sq(adj) = 5.7% Regression Error Total
9 Multikollinearität Multikollinearität Data Display Row y x_1 x_ Correlations (Pearson) y x_1 x_1.948 x_ MTB > Regress y 1 x_1; SUBC> Constant. y = x_1 Constant x_ S = 1.14 R-Sq = 89.8% R-Sq(adj) = 88.5% Regression Error Total MTB > Regress y 1 x_; SUBC> Constant y y = x_ Constant x_ x_1 S = 1. R-Sq = 89.7% R-Sq(adj) = 88.4% x_ 44 Regression Error Total
10 Multikollinearität 3 Betriebseinkommen MTB > Regress y x_1 x_; SUBC> Constant. y = x_ x_ Constant x_ x_ S = 1. R-Sq = 91.% R-Sq(adj) = 88.4% Regression Error Total Source DF Seq SS x_ x_ 1 49 MTB > Describe BE-GV. Descriptive Statistics Variable N Mean Median TrMean StDev SEMean BE LN AK GV MTB > Regress BE 3 LN AK GV; SUBC> Constant. BE = LN AK GV Constant LN AK GV S = 559 R-Sq = 91.% R-Sq(adj) = 9.6%
11 Standardisierte Regressionskoeffizienten Multiple Standard-Regressionsgleichung Standardisierte partielle Regressionskoeffizienten b ) k b s x k s y (k1,,ÿ,m) Multiple Standard-Regressionsgleichung ŷ&ȳ s y b ) x 1 & x 1 s x1 %b x & x Betriebseinkommen: s x1 %ÿ%b ) x m & x m s xm ŷ&171 DM%484 DM DM 1 %5156 DM %661 3 Standardisiertes Betriebseinkommen: ŷ& @ x 1 & %.3@ x & %.36@ x 3 & MTB > Name c5 BE_s MTB > Name c6 LN_s MTB > Name c7 AK_s MTB > Name c8 GV_s MTB > Center BE-GV BE_s-GV_s. MTB > Regress BE_s 3 LN_s AK_s GV_s; SUBC> Constant. BE_s =. +.4 LN_s +.3 AK_s +.36 GV_s Constant LN_st AK_st GV_st S =.358 R-Sq = 91.% R-Sq(adj) = 9.6% Regression Error Total Source DF Seq SS LN_s AK_s GV_s 1.685
12 Sequentielle SQ-Werte Partielles Bestimmtheitsmaß SQ-Anteil an SQ Regression, der zusätzlich von einer einzelnen Variablen erklärt wird SQ seq b k SQ bk b,b 1,ÿ,b k&1 (k1,,ÿ,m) SQ Regression b SQ seq b 1 b %SQ seq b b,b 1 %ÿ%sq seq b m b,b 1,ÿ,b m&1 Anteil der durch Einflußgröße erklärten Gesamtvariation, wenn Einfluß der anderen Größen eliminiert ist Quadrat des partiellen Korrelationskoeffizienten zweidimensional: B part yx.x 1 r yx.x 1 r yx &r x1 x (1&r x 1 x )@(1&r yx 1 ) Regression Error Total Source DF Seq SS Reihenfolge LN, AK, GV LN_s AK_s GV_s Regression Source DF Seq SS Reihenfolge GV, AK, LN GV_s AK_s LN_s Regression Regression Error Total Source DF Seq SS Reihenfolge LN, AK, GV LN_s AK_s GV_s Source DF Seq SS Reihenfolge GV, AK, LN GV_s AK_s LN_s B BE,LN = / 79. =.665 = 66.5% B BE,AK LN = / 79. =.11 = 1.1% B BE,GV LN,AK =.685 / 79. =.34 = 3.4% B BE,GV = / 79. =.775 = 77.5% B BE,AK GV =.375 / 79. =.3 = 3.% B BE,LN GV,AK = 8.98 / 79. =.15 = 1.5% 3 91.%
13 Globaltest Globaltest und Partialtests H : $ k = œ k = 1,,..., m bzw. B = H 1 : k {1,,..., m} $ k bzw. B > MTB > Regress BE_s 3 LN_s AK_s GV_s; SUBC> Constant. Testgröße: F MQ Regression MQ Rest Ablehnung von H, wenn F > F m,n-m-1;1!" SQ Regression /m SQ Rest /(n!m&1) BE_s =. +.4 LN_s +.3 AK_s +.36 GV_s H (k) : $ k = $ k * (k = 1,,..., m) Testgröße: t (k) b k!$( k s bk Partialtests H 1 (k) : $ k < $ k *, falls t (k) <!t n!m!1;1!" H 1 (k) : $ k > $ k *, falls t (k) > t n!m!1;1!" H 1 (k) : $ k $ k *, falls t (k) > t n!m!1;1!"/ Faustregel: H ablehnen, wenn t >! bei Multikollinearität sind die Tests abhängig Partialtests Constant LN_st AK_st GV_st S =.358 R-Sq = 91.% R-Sq(adj) = 9.6% Globaltest Regression Error Total Source DF Seq SS LN_s AK_s GV_s 1.685
14 Partieller F-Test Verallgemeinerter partieller F-Test Fragestellung: Welchen zusätzlichen Anteil an der Abweichungsquadratsumme erklärt ein Regressor, unter der Voraussetzung, daß alle anderen Regressoren bereits in der Regressionsgleichung sind? Fragestellung: Welchen zusätzlichen Anteil an der Abweichungsquadratsumme erklären die letzten r Regressoren, unter der Voraussetzung, daß alle anderen Regressoren bereits in der Regressionsgleichung sind? Verbessert die Aufnahme eines Regressors x k zu den übrigen bereits vorhandenen Regressoren x 1, x,..., x k-1 das Bestimmtheitsmaß wesentlich? Verbessert die Aufnahme der letzten r Regressoren das Bestimmtheitsmaß wesentlich? H : $ k&r%1 ÿ$ k ŷb %b 1 x 1 %ÿ%b k x k H : $ k ŷb %b 1 x 1 %b x %ÿ%b k x k F (k) durch letzten Regressor erklärte zusätzl. Var. / 1 unerklärte Variation / (n&m&1) SQ seq b k b,b 1,ÿ,b k&1 / 1 SQ Rest / (n&m&1) SQ seq b k b,b 1,ÿ,b k&1 MQ Rest (B&B k&1 ) / 1 (1&B) / (n&m&1) )B (1&B) / (n&m&1) F (r) durch letzte r Regressoren erkl. zusätzl. Var. / r unerklärte Variation / (n&m&1) j r SQ seq letzte r Regressoren / r SQ Rest / (n&m&1) j r SQ seq letzte r Regressoren / r MQ Rest (B&B k&r ) / r (1&B) / (n&m&1) )B (1&B) / (n&m&1) partieller F-Test identisch mit partiellem t-test des letzten Regressors, da t (k) b k s bk F (k) und t n&m&1;1&"/ F 1,n&m&1;1&"
15 Partielle F-Tests Regression Error Total Source DF Seq SS LN_s AK_s GV_s LN und AK in der Regressionsgleichung: F also signifikante Verbesserung (p klein) durch Aufnahme von GV Nur LN in der Regressionsgleichung: F (16.648%.685)/ also signifikante Verbesserung (p klein) durch Aufnahme von AK und GV
Biometrische und Ökonometrische Methoden I Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".
MehrErgänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression
Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
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)
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
Mehr3.1 Modell und Statistik Zusammenhang zwischen einer Zielgrösse Y und mehreren Eingangsgrössen X (1), X (2),..., X (m)
3.1. MODELL UND STATISTIK 32 3 Multiple lineare Regression a 3.1 Modell und Statistik Zusammenhang zwischen einer Zielgrösse Y und mehreren Eingangsgrössen X (1), X (2),..., X (m) Y i = β 0 + β 1 x (1)
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
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
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
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
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
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
MehrE 71,00 74,00 67,50 62,5 52,75 53,00 H 6,00 5,00 5,00 3,00 2,75 4,25
GRUNDAUFGABEN ZUR KORRELATION UND REGRESSION 1. An bestimmten von sechs verschiedenen Grasarten stammenden Chromosomen wurden die Teillängen E und H des C-Band Euchromatins bzw. Heterochromatins gemessen
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
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
Mehr5.8 Anpassungstests. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 389 / 419
5.8 8.1 Einführung empirische Verteilungsfunktion 8.2 EDF- Kolmogorov-Smirnov-Test Anderson-Darling-Test Cramer-von Mises-Test 8.3 Anpassungstest auf Normalverteilung - Shapiro-Wilk-Test 8.4. auf weitere
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrInferenzstatistik Vergleich mehrerer Stichproben - Varianzanalyse
Vergleich mehrerer Stichproben - Varianzanalyse Zweifache VA mit hierarchischen Faktoren Voraussetzungen zwei unabhängige Variablen (Faktoren), die unabhängige Gruppen definiert zweite Faktor ist innerhalb
MehrStatistik - Regression
Blockkurs Geowissenschaftliches Modellieren (01.04.09-03.04.09) Statistik - Regression Im Rahmen dieser Übung sollen einfache stochastisch-statistische Modelle betrachtet werden, um ein Grundverständnis
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
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
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
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
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
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
MehrCrashkurs Einführung Biostatistik
Crashkurs Einführung Biostatistik Prof. Burkhardt Seifert Abteilung Biostatistik, ISPM Universität Zürich Deskriptive Statistik Wahrscheinlichkeitsrechnung, ersuchsplanung Statistische Inferenz Prinzip
MehrChapter 1 : þÿ b w i n b a n k s y s t e m c h a p t e r
Chapter 1 : þÿ b w i n b a n k s y s t e m c h a p t e r þÿ a u f f u s s b a l l - s p o r t w e t t e n - n e t e r f a h r e n s i e a l l e s ü b e r d e n w e t t a n b i e t e r b w i n. v o r. 3
Mehrffl RENAME Λ Doppelklick auf Reihe1 Λ title Λ neuen Namen eingeben, z.b. Zins1 Λ r Reihe2 Zins2 ffl DELETE Λ Einfachklick aufzins1 Λ delete Λ d zins2
Dipl.-Ökonom Ralf Scherfling SS 2001, 1. Mai 2001 Praktikum zur empirischen Wirtschaftsforschung 1. Starten von Eviews ffl von Festplatte ffl durch Aufruf eines Workfiles ffl Workfile auf der Homepage
MehrVorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger
MehrHäufigkeitsverteilungen und Statistische Maßzahlen. Häufigkeitsverteilungen und Statistische Maßzahlen. Variablentypen. Stichprobe und Grundgesamtheit
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Häufigkeitsverteilungen und Statistische Maßzahlen Statistik SS Variablentypen Qualitative
MehrEinige Grundbegriffe der Statistik
Einige Grundbegriffe der Statistik Philipp Mitteröcker Basic terms Statistik (statistics) stammt vom lateinischen statisticum ( den Staat betreffend ) und dem italienischen statista ( Staatsmann" oder
MehrLineare Regression in R, Teil 2
Lineare Regression in R, Teil 2 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel 28. Oktober 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools. Laden
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
Mehr10. Übung (Korrelation und lineare Regressionsanalyse)
10. Übung (Korrelation und lineare Regressionsanalyse) Es wird untersucht, ob ein linearer Zusammenhang zwischen zwei Variablen besteht. Mit anderen Worten: ob ein solcher Zusammenhang gibt, wenn der beobachteter
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrMultiple Regression. Statistik II
Statistik II Übersicht Wiederholung Literatur Regression Assoziation und Kausalität Statistische Kontrolle Multivariate Beziehungen Inferenz Das Multivariate Modell Beispiel: Bildung und Verbrechen Fit
MehrSTATISTIK 2 Teil 1 Regressionsanalyse Von: Anne Schmidt. Anordnung von Zahlen in Zeilen und Spalten (Tabelle)
Kapitel 2 Deskriptive lineare Regression 2.1. Einführung Definition Regressionsanalyse Unterschied zu Varianzanalyse Matrix/ Matrizen Indices Vektor Decken Zusammenhänge zwischen Beobachtungsreihen auf,
MehrChapter 1 : þÿ b w i n b l o g g e r ü y e l i k c h a p t e r
Chapter 1 : þÿ b w i n b l o g g e r ü y e l i k c h a p t e r þÿ g e w i n n f ü r k u n d e n e r m ö g l i c h e n & # 3 9 ; o v e r - b r o k e b o o k & # 3 9 ;. b e i m i r w u r d e b e i b w i
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrPrimärspannungsmessungen mit der. CSIRO Triaxialzelle
Blatt Nr.: 1 STRESS CELL REDUCTION PROGRAM ******************************** ******************************** Authorized & accredited by the CSIRO Division of Geomechanics. Copyright Mindata Ltd, July 1990
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 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
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
MehrChapter 1 : þÿ b e t a t h o m e t w i t t e r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e t w i t t e r c h a p t e r þÿ B e t - a t - h o m e h a v e a h a n d y F A Q s e c t i o n w h e r e y o u c a n f i n d a n s w e r s t o m o s t o f. s e g u i t o
MehrTest auf Varianzgleichheit (F-Test) (einseitiger Test!!)
T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =
MehrAngewandte Statistik für Naturwissenschaftler
Pareys Studientexte 74 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Jose L. Lozän Hartmut Kausch Angewandte Statistik
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
MehrQuantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrChapter 1 : þÿ g r ö ß t e b w i n g e w i n n e n c h a p t e r
Chapter 1 : þÿ g r ö ß t e b w i n g e w i n n e n c h a p t e r þÿ d i e m a r k e b w i n b l e i b t e r h a l t e n, d i e a k t i e v e r s c h w i n d e t v o n d e r & n b s p ;. c a s i n o w o
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
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrChapter 1 : þÿ b e t a t h o m e a p k c h a p t e r
Chapter 1 : þÿ b e t a t h o m e a p k c h a p t e r þÿ W e t t g u t s c h e i n e b e t - a t - h o m e a u s K a r l s r u h e K l e i n a n z e i g e i n A l l e s M ö g l i c h e b e i. m u s i c,
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrTests 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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
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
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 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
MehrEvaluation der Normalverteilungsannahme
Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
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
MehrCorrelational analysis
Correlational analysis Students performance on an exam are influenced by multiple factors. Two possible factors are (i) anxiety and (ii) study time. In order to test the effect of these two factors on
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
MehrMikro-Ökonometrie: Small Sample Inferenz mit OLS
Mikro-Ökonometrie: Small Sample Inferenz mit OLS 1. November 014 Mikro-Ökonometrie: Small Sample Inferenz mit OLS Folie Zusammenfassung wichtiger Ergebnisse des letzten Kapitels (I) Unter den ersten vier
MehrRegressionsanalyse in R
Regressionsanalyse in R Session 6 1 Einfache Regression Lineare Regression ist eines der nützlichsten Werkzeuge in der Statistik. Regressionsanalyse erlaubt es Zusammenhänge zwischen Parametern zu schätzen
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
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
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrStatistik Vorlesung 7 (Lineare Regression)
Statistik Vorlesung 7 (Lineare Regression) K.Gerald van den Boogaart http://www.stat.boogaart.de/ Statistik p.1/77 Gerade als Vereinfachung Wachstum bei Kindern height 76 78 80 82 18 20 22 24 26 28 age
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrStatistik I. Hinweise zur Bearbeitung. Aufgabe 1
Statistik I, SS 2002, Seite 1 von 8 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
Mehr2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) Lernziele TQU BUSINESS GMBH 1
TQU BUSINESS GMBH 2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) 2 Lernziele Sie kennen die Nomenklatur für 2k-faktorielle Versuche (Versuchsdesigns mit zwei Faktorstufen). Sie können in Minitab 2k-vollfaktorielle
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
Mehr