und Augenabdeckung Augenabdeckung Protection Motivation Theory
|
|
- Hennie Schmitt
- vor 6 Jahren
- Abrufe
Transkript
1 Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Protection Motivation Theory und Augenabdeckung Urte Scholz & Benjamin Schüz berlin.de/gesund/ /gesund/schuezschuez Augenabdeckung Sehschwäche Abdecken des gesunden Auges Kinder unter 8 Eltern werden untersucht Abdeckung zwischen 30min und 24h tägl. Protection Motivation Theory, PMT (Rogers, 1975, 1983, Maddux & Rogers, 1983) ursprünglich zur Erklärung der Wirkung von Furchtappellen auf nachfolgendes Verhalten im Rahmen der Risikokommunikationsforschung entwickelt (Rogers, 1975) Die von Rogers 1983 revidierte Version beschränkt sich nicht mehr nur auf Furchtappelle als Informationsquellen, sondern bezieht auch weitere umweltbezogene (z. B. Beobachtungslernen) und intrapersonale (z. B. frühere Erfahrungen mit ähnlichen Gesundheitsbedrohungen) Informationsquellen mit ein Protection Motivation Theory Umgang mit Gesundheitsbedrohungen als Ergebnis von Bewertungsprozessen: Einschätzung der Bedrohung und der Einschätzung der Bewältigungsmöglichkeiten Bewertungsprozesse werden durch die Wahrnehmung gesundheitsbezogener Informationen ausgelöst beeinflussen die Bildung der Schutzmotivation (Intention), ein Risikoverhalten aufzugeben oder ein Gesundheitsverhalten auszuführen
2 Protection Motivation Theory Die Bewertungsprozesse mediieren den Zusammenhang zwischen den Gesundheitsinformationen und Verhalten Das durch die Schutzmotivation ausgelöste Gesundheitsverhalten wird in der PMT als Bewältigungsreaktion bezeichnet (adaptive oder maladaptive Bewältigungsreaktion) Protection Motivation Theory Informationsquellen Kognitive mediierende Prozesse Bewältigungsmodalitäten Umweltbezogene Verbale Überzeugung Beobachtungslernen Intrapersonale Persönlichkeitsvariablen Frühere Erfahrung Einschätzung der Bedrohung Intrinsische und extrinsische Belohnung - Schweregrad Vulnerabilität Einschätzung der Bewältigung - Schutzmotivation Handlungswirksamkeit Selbstwirksamkeit Handlungskosten Adaptive Bewältigung Maladaptive Bewältigung Threat Appraisal Einschätzung der Bedrohung = Bewertung von Kosten und Nutzen einer maladaptiven Bewältigung Kosten= wahrgenommene Schweregrad und wahrgenommene Vulnerabilität Wahrgenommene Vulnerabilität: Subjektive Einschätzung der Wahrscheinlichkeit, von der Bedrohung betroffen zu sein Nutzen maladaptiver Bewältigung: wahrgenommene intrinsische und extrinsische Belohnungen Coping Appraisal Die Einschätzung der Bedrohung ist der Einschätzung der Bewältigung zeitlich vorgeschaltet Die Einschätzung der Bewältigung setzt sich aus Selbstwirksamkeitserwartung, Handlungswirksamkeit = positive Handlungsergebniserwartungen Handlungskosten = negative Handlungsergebniserwartungen zusammen
3 Protection Motivation Prozesse der Einschätzung resultieren in der Bildung von Schutzmotivation Dabei hat sich Selbstwirksamkeit als bester Prädiktor erwiesen Schutzmotivation wird immer in Form von Zielintentionen erfasst Schutzmotivation mediiert ihrerseits den Einfluss dieser kognitiven Prozesse auf das Verhalten Früheres Verhalten Früheres Verhalten ist meist der beste Prädiktor für nachfolgendes Verhalten Alle Theorien sind Hypothesen; alle können umgestoßen werden. (Karl Popper) Funktion früheren Verhaltens: Strengerer Test der Hypothese (Modell) Früheres Verhalten Wenn alle Faktoren, die ein Verhalten beeinflussen, bekannt sind, kann es bis zum Messfehlerniveau vorhergesagt werden Bleiben diese Faktoren stabil, bleibt das Verhalten stabil Unter der Annahme stabiler Faktoren kann früheres Verhalten modellprüfende Funktionen haben Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Früheres Verhalten Unter der Annahme stabiler Determinanten von Verhalten sollte früheres Verhalten die Vorhersage nachfolgenden Verhaltens nicht signifikant verbessern Andersrum: Wenn früheres Verhalten einen signifikanten Einfluss neben den Prädiktoren des Modells hat, sind andere, nicht im Modell enthaltene Faktoren wichtig Einschränkung: Gemeinsame Fehlervarianz von Verhalten bei anderer Erfassung als die restlichen Variablen Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50,
4 Früheres Verhalten Daher: Ein kleiner Residualeffekt ist nicht auszuschließen (weil Verhalten meist in einem anderen Format wie psychologische Variabeln erhoben wird) Vorschlag (Bentler & Speckart): Früheres Verhalten als unabhängigen Prädiktor in Modelle miteinbeziehen Kein kausaler Erklärungswert Kein Maß von Gewohnheit, reflektiert den Einfluss vieler anderer Variablen Früheres Verhalten Selbstwirksamkeit und Handlungs- Ergebnis-Erwartungen sind Resultat früheren Verhaltens Korrelation von früherem und nachfolgenden Verhalten als Decke der Validität eines Modells Zuwachs in TPB-Studien: Zwischen 5% und 42% durch Einbezug von früherem Verhalten Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Ajzen, I. (1996). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50, Früheres Verhalten Erklärungsversuche für signifikanten Einfluss früheren Verhaltens: Gemeinsame methodische Varianz von früherem und nachfolgendem Verhalten Gemeinsame Determination von früherem und nachfolgendem Verhalten durch die Variablen des Modells Betrachten der Variablen, die neben früherem Verhalten signifikante Prädiktoren bleiben Protection Motivation Theory und früheres Verhalten Früheres Verhalten hatte in vielen Studien auch Einfluss auf die Vorhersage von Intentionen zu T1 Früheres Verhalten war in vielen Studien einziger Prädiktor nachfolgenden Verhaltens Hypothesen: PMT sagt Intentionen vorher Früheres Verhalten verbessert Vorhersage von Intentionen und nachfolgendem Verhalten
5 Design der Studie Längsschnittliche Untersuchung Zwei Monate Intervall Eltern werden bei einer Follow-up Untersuchung in der Augenklinik angesprochen Erster Drop-out: Familien, die diesen Termin nicht wahrnehmen Zweiter Drop-out: Familien, die nicht an T2 teilnehmen. Maße Pilotstudie für Items Skalenwerte als Indikatoren für PMT- Variablen Protection Motivation, Severity, Vulnerability, Response Efficacy, Costs: Distress, Prohibit, Stigma; Self-Efficacy Effekte von Itemanzahl auf Skalen? Bilden der Skalen? Maß für Verhalten? Methode: Hierarchische lineare sanalyse Vorhersage von Intentionen (PM) Blockweiser Aufbau der Gleichung: Alter, Geschlecht, Zeit seit Verschreibung Severity, Vulnerability, Response Efficacy, Distress, Prohibition, Stigma, Self-Efficacy Verhalten zu T1 Interpretation der Gleichung, die als letzte signifikanten Zuwachs in R² bringt Die srechnung ist ein Verfahren für die Berechnung von Zusammenhängen, das die Vorhersage eines Merkmals durch ein anderes Merkmal erlaubt. So lässt sich möglicherweise die Dauer der Zeit, die man für das Lernen von Vokabeln aufbringt, für die Vorhersage der Vokabelkenntnis nutzen. Die Genauigkeit der Vorhersage ist von der Höhe des Zusammenhangs zwischen den Variablen abhängig. Je größer die Korrelation ist, desto genauere Vorhersagen sind möglich. Vorhersagen setzen kausale Zusammenhänge zwischen den Variablen voraus, die theoretisch begründet werden können. Achtung: Eine Korrelation zwischen Variablen lässt nicht auf einen kausalen Zusammenhang schließen.
6 Die Variable, von der ausgehend eine Vorhersage getroffen werden soll, ist die Prädiktorvariable. Die vorhergesagte Variable ist die Kriteriumsvariable. Bei der linearen beruht die Vorhersage auf einer Funktionsgleichung vom Typ: y = a + bx Die Funktionsgleichung bestimmt eine Gerade, die bei einer graphischen Darstellung empirisch erhobener Werte durch den Punkteschwarm verläuft. Um eine möglichst genaue zu ermöglichen, muss die Gerade die Verteilung der Werte im Koordinatensystem optimal repräsentieren. Mathematisch wird die sgleichung bestimmt über die Methode der kleinsten Quadrate. Dabei wird die Gerade bestimmt, bei der die Summe der quadrierten Differenzen zwischen den vorhergesagten (auf der Linie liegenden) y- Werten und den empirischen y-werten minimal ist. Die Differenzen sind hier durch rote Linien markiert: Beispiel Es soll geprüft werden, ob das Nettoeinkommen sich durch die Arbeitszeit pro Monat vorhersagen lässt S Arbeitszeit Nettoeinkommen x² x*y Der skoeffizient b gibt den Zusammenhang zwischen den Variablen an. Graphisch wird das durch die Steigung der Geraden ausgedrückt: Der skoeffizient b lässt folgende Interpretation zu: Pro Stunde mehr geleisteter Arbeit steigt das Nettoeinkommen um 8,25. n n xiyi xi * yi i= 1 i= 1 i= 1 b = n 2 n xi xi ² i= 1 n 8 * * 4700 b = = 8,25 8 * ² n
7 Um die sgleichung vollständig bestimmen zu können, muss der konstante Term a bestimmt werden, der eine kontinuierliche Verschiebung zwischen den Werteverteilungen anzeigt. Dabei wird der Umstand genutzt, dass sich die sgerade mit dem Schnittpunkt der Mittelwerte beider Variablen trifft: a = y bx a = 587,5 8,25 37,5 = 278,125 Die komplette sgleichung lautet demnach: y = 278, ,25x Sofern zwei standardisierte Variablen in die srechnung eingehen (gleicher Mittelwert; gleiche Standardabweichung) ist der skoeffizient gleich dem Korrelationskoeffizienten r. Das gilt nur für die einfache (eine unabhängige, eine abhängige Variable). Dieser standardisierte skoeffizient heißt β. Wenn zwei Variablen mit ungleicher Messskala in die Berechnung eingegangen sind, wird β folgendermaßen berechnet: s 28,53 x β = b β = 8,25 = 0, 89 sy 264,24 Interpretation des Ergebnisses Für die Signifikanzprüfung des Zusammenhangs kann wie bei der Korrelation die t-statistik verwendet werden: Ausgabe in SPSS β * n 2 0,89* 8 2 t = t = = 4, 78 1 β² 1 0,89² df = n 2 df = 8 2 = 6 Der kritische t-wert bei 6 Freiheitsgraden und 5% Signifikanzniveau liegt bei 2,45. Der empirische t-wert liegt deutlich darüber und damit in einem Bereich, dessen zufällige Eintrittswahrscheinlichkeit unter 5% liegt. Der durch die belegte Zusammenhang ist statistisch signifikant.
8 Methode: Hierarchische lineare sanalyse Hierarchische Bekannte Variablen werden zuerst in die Gleichung gegeben Neue Prädiktoren in einem zweiten Block Gut zum Theorien testen! Zuwachs an aufgeklärter Varianz für jede neue Variable, weil die anderen konstant gehalten werden Beispiel: Zahnseidennutzung Beispiel: Zahnseidennutzung Modell 1 2 Korrigiertes Modellzusammenfassung Standardf ehler des Änderung in Änderungsstatistiken Änderung in Signifikanz R R-Quadrat R-Quadrat Schätzers R-Quadrat Änderung in F df1 df2 von F,536 a,287,284 2,1845,287 77, ,000,558 b,311,304 2,1533,024 6, ,011 a. Einflußvariablen : (Konstante), Intentionen T1 b. Einflußvariablen : (Konstante), Intentionen T1, Task Self-Efficacy T1 R² Modell 1: Intentionen klären 28,7% Varianz auf (Korrigiert: Adjustiert für Anzahl Prädiktoren R² Modell 2: Zuwachs an aufgeklärter Varianz durch Selbstwirksamkeit (inkl. Signifikanz dieses Zuwachses) Modell 1 2 (Konstante) Intentionen T1 (Konstante) Intentionen T1 Task Self-Efficacy T1 Nicht standardisierte Koeffizienten Koeffizienten a a. Abhängige Variable: Flossing gedeckelt auf 7/wöchentlich Standardi sierte Koeffizien ten Kollinearitätsstatistik Standardf B ehler Beta T Signifikanz Toleranz VIF -1,935,496-3,899,000 1,482,168,536 8,823,000 1,000 1,000-3,433,760-4,516,000 1,242,190,449 6,528,000,758 1,319,756,294,177 2,575,011,758 1,319 B (nicht standardisiert): Veränderung in der AV durch Änderung der UV um eine Einheit Standardisiertes Beta: Dasselbe als Standardabweichung
9 Methode: Hierarchische lineare sanalyse Vorhersage von Verhalten: Blockweiser Aufbau: Alter, Geschlecht, Zeit seit Verschreibung Protection Motivation (Intention) Severity, Vulnerability, Response Efficacy, Distress, Prohibition, Stigma, Self-Efficacy Verhalten zu T1 Suppressor-Effekt wirkt auf Protection Motivation Suppressor-Effekte Korrelieren unabhängige Variablen hoch miteinander, kann dies zu einem Suppressoreffekt führen Auswirkung: größere Betas als die bivariaten Korrelationen Umgekehrte Vorzeichen als bivariate Korrelation Suppressor-Effekte Es gibt keinen Test, der aussagt, wie sehr sich Korrelation und Beta unterscheiden müssen Suppressorvariable erhöht die Vorhersageleistung, weil irrelevante Varianz anderer Variablen unterdrückt wird Kaum mit dem Kriterium, dafür hoch mit anderen Prädiktoren korreliert Suppressor-Effekte Abhängige Variable Unabhängige Variable 1 Unabhängige Variable 2 (Suppressorvariable)
10 Suppressor-Effekt Durch die hohe Korrelation der Suppressorvariable mit der UV1 wird irrelevante Varianz abgezogen Bei mehreren UV ist die Suppressorvariable schwer zu identifizieren Effekt zeigt sich im Prädiktionsmuster (hier Vorzeichenumkehr) Interpretation: Ignorieren der suprimierten Variable Beispiel: Klassische Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Testausfüllfähigkeit AV: Bauchtanzen Erster Test sagt AV schlecht vorher, zweiter überhaupt nicht Beide gemeinsam: AV wird gut durch Test 1 vorhergesagt Zweiter Test zieht Varianz, die der Testausfüllfähigkeit geschuldet ist, ab Klassische Suppressorvariable (suprimiert irrelevante Varianz) Beispiel: Reziproke Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Frühere musikalische Erziehung AV: Bauchtanzen Beide positiv mit AV korreliert, negativ miteinander Beide gemeinsam: Bessere Vorhersage der AV durch beide Tests als erwartet Unterdrücken gemeinsamer irrelavanter Varianz Reziproke Suppressorvariablen (suprimieren sich gegenseitig) Beispiel: Negative Suppression UV: Tests für Fähigkeit, Tanzschritte aufzuzählen Früher Tanzen gelernt AV: Bauchtanzen Beide positiv mit AV korreliert, positiv miteinander Beide gemeinsam: Negatives Betagewicht für früheres Tanztraining Tanzschritte aufzählen als negative Suppressorvariable für Tanztraining
11 Wie kommt das? Grundgleichung: y = b 1 x 1 +b 2 x 2 wobei: b 1 = r yx1 -r yx2 *r x1x2 1-r² x1x2 und b 2 = r yx2 -r yx1 *r x1x2 1-r² x1x2 Wie kommt das? Wenn nun z.b. r yx1 =.60, r ys =.00 und r x1s =.50, dann: y = b 1 x 1 + b 2 s Eingesetzt in b 2 = r ys -r yx1 *r x1s 1-r² x1s ergibt sich für b 1 =.80 und für b 2 =-.40 Negatives b immer dann, wenn r ys < r yx1 *r x1x2, v.a. wenn r ys ~0. Diskussion PMT kann Intentionen mit R²=30% und Verhalten mit R²=23% vorhersagen Protection Motivation ist zu Verhalten T2 nicht korreliert Prohibition Barrier: Eltern, die ihre Kinder patchen, nehmen dieses Hindernis als weniger gravierend wahr Diskussion Vulnerability: Eltern sind mehr davon überzeugt, dass auf Patching zu verzichten negative Konsequenzen hat PMT kann die Effekte von früherem Verhalten nicht mediieren Gemeinsame Methodenvarianz von T1 und T2-Verhalten PMT sollte um postintentionale Variablen angereichert werden
12 Diskussion: Früheres Verhalten Wir erinnern uns: Wenn früheres Verhalten einen signifikanten Einfluss neben oder über die Prädiktoren des Modells hinaus hat, sind nicht im Modell enthaltene Faktoren wichtig Welche Faktoren könnten hier noch fehlen? Diskussion Empfehlungen für Interventionen: Kombination von Risikokommunikation mit Handlungsalternativen Vulnerabilität (i.e. negative Situations- Ergebnis-Erwartungen) mit Barrierenreduktion kombinieren Früheres Verhalten Vorhersage von Verhaltensänderungen: Baseline (T1-Maß) zwingend im Modell erforderlich Prädiktion darüber hinaus sagt Verhaltensänderung (Residualised Change Scores) voraus Alternative: Vergleich von früher inaktiven und aktiven Teilnehmern Aufgabe: Entwerft eine PMT-Intervention für Körperliche Aktivität bei Herzinfarktpatienten Darmspiegelung als Krebsvorsorge Rauchabstinenz Evaluation der Intervention?
Volitionale Faktoren und Theory of Planned Behaviour: Moderatoranalysen
Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Volitionale Faktoren und Theory of Planned Behaviour: Moderatoranalysen Urte Scholz & Benjamin Schüz www.fu-berlin.de berlin.de/gesund/
Mehrrungsversuche des Safersexverhaltens der Risikogruppe Gay Erklärungsversuche tsgenese Identitätsgenese Identitäskrise
Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Vorhersage von Dentalhygiene: TRA und Selbstwirksamkeit Urte Scholz & Benjamin Schüz www.fu-berlin.de berlin.de/gesund/ /gesund/schuezschuez
MehrSeminar 12665: Einführung in die Psychologie des Gesundheitsverhaltens
Seminar 12665: Einführung in die Psychologie des Gesundheitsverhaltens Benjamin Schüz www.fu-berlin.de berlin.de/gesund/ /gesund/schuezschuez Theorien des Gesundheitsverhaltens: Kernfragen Was motiviert
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
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
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
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
MehrActivity Behaviors: Personal Agency. Warum Heranwachsende? Erweiterung der Theory of Planned Behaviour
Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Predicting Adolescent Eating and Activity Behaviors: The Role of Social Norms and Personal Agency Urte Scholz & Benjamin Schüz
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
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
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
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrMotivationale und volitionale Interventionen in der PMT
Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Motivationale und volitionale Interventionen in der PMT Urte Scholz & Benjamin Schüz www.fu-berlin.de berlin.de/gesund/ /gesund/schuezschuez
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
MehrKreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:
Kreuzvalidierung. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS: SPSS erzeugt eine neue Variable Filter_$. Die herausgefilterten Fälle werden im Datenfenster angezeigt
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
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
MehrPsychologie des Gesundheitsverhaltens
Psychologie des Gesundheitsverhaltens von Prof. Dr. Ralf Schwarzer 2., überarbeitete und erweiterte Auflage Hogrefe Verlag für Psychologie Göttingen Bern Toronto Seattle Vorwort Inhalt Theoretische Konzepte
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme 1 Korrelationen 3 Lineare Regression 6 Zusammenhang zwischen Korrelation, Regression und t-test 8 Streudiagramme SPSS bietet die Möglichkeit, verschiedene
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrProjekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?
AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei
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
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrKorrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrHeinz Holling & Günther Gediga. Statistik - Deskriptive Verfahren
Heinz Holling & Günther Gediga Statistik - Deskriptive Verfahren Übungen Version 15.12.2010 Inhaltsverzeichnis 1 Übung 1; Kap. 4 3 2 Übung 2; Kap. 5 4 3 Übung 3; Kap. 6 5 4 Übung 4; Kap. 7 6 5 Übung 5;
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
MehrSeminar 12665: Einführung in die Psychologie des Gesundheitsverhaltens
Aufgabe: Seminar 12665: Einführung in die Psychologie des Gesundheitsverhaltens Benjamin Schüz www.fu-berlin.de berlin.de/gesund/ /gesund/schuezschuez Entwurf stadienspezifischer Interventionen für Zahnpflege,
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
MehrRegression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung
Sommersemester 2009 Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist ein Zusammenhang? Gemeinsame
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,
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
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)
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 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
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrKorrelation, Regression und Signifikanz
Professur Forschungsmethodik und Evaluation in der Psychologie Übung Methodenlehre I, und Daten einlesen in SPSS Datei Textdaten lesen... https://d3njjcbhbojbot.cloudfront.net/api/utilities/v1/imageproxy/https://d15cw65ipcts
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
MehrGeschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3
Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193
MehrQuantitative Methoden (Vertretung für Prof. Th. Pechmann)
Quantitative Methoden (Vertretung für Prof. Th. Pechmann) Inferenzstatistik I: Zusammenhänge (Korrelationen) Logik inferenzstatistischer Verfahren Andreas Opitz Universität Leipzig Institut für Linguistik
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrKorrelation und Regression
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Korrelation und Regression Überblick Kovarianz und Korrelation Korrelation und Kausalität
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
MehrFaktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduktion. Interpretation des SPSS-Output s
Explorative Faktorenanalyse als Instrument der Dimensionsreduktion Beispiel: Welche Dimensionen charakterisieren die Beurteilung des sozialen Klimas in der Nachbarschaft? Variablen: q27a bis q27g im Datensatz
Mehr4.5 Mediatormodell: Zusammenhang zwischen subjektiven Krankheitstheorien (T1), Bewältigung (T3) und Depressivität bzw. Lebensqualität (T4)
Zusammenhänge 81 Zwischen Lebensqualität zu T1 und Anzahl der Kausalattributionen zu T3 und T4 traten signifikante Beziehungen im längsschnittlichen Verlauf auf. Bedeutsame Zusammenhänge fanden sich für
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrGerechtigkeit in Partnerschaften
Gerechtigkeit in Partnerschaften Distributive Gerechtigkeit Gliederung Grundlagen der Equity-Theorie Merkmale intimer Beziehungen Matching-Hypothese Messmethoden und probleme Empirische Überprüfung Aufteilung
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
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
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
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
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
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
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrHypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
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
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
MehrAnhang A: Fragebögen und sonstige Unterlagen
Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben
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
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
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
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
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
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrSonderanhang: Manuelle Berechnungen der Statistikaufgaben
Albert/Marx 0: Empirisches Arbeiten Sonderanhang: Manuelle Berechnungen der Statistikaufgaben Kaum jemand führt heutzutage statistische Berechnungen noch von Hand durch, weil es sehr viele Computerprogramme
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
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheorie Januar 2009 HS MD-SDL(FH) Prof. Dr. GH Franke Kapitel 5 Vertiefung: Reliabilität Kapitel 5 Vertiefung: Reliabilität 5.1 Definition Die Reliabilität eines Tests beschreibt
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrRegressionsanalysen mit Stata
Regressionsanalysen mit Stata Wiederholung: Deskriptive Analysen - Univariate deskriptive Analysen (Häufigkeitsauszählungen einer Variablen) - Multivariate deskriptive Analysen (Untersuchung gemeinsamer
MehrTESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Reliabilität 1. Überblick 2. Berechnung
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrTestplanung zur statistischen Prüfung psychologischer Hypothesen
Testplanung zur statistischen Prüfung psychologischer Hypothesen Die Ableitung von Vorhersagen und die Kontrolle der Determinanten des statistischen Tests von Willi Hager Hogrefe Verlag für Psychologie
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
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrLineare Regression. Y = b 0
Lineare Regression 2 Lineare Regression 2 Lineare Regression 2 Bei der linearen Regression wird eine Kriteriumsvariable Y auf die Prädiktorvariable X zurückgeführt, indem die beste lineare Gleichung Y
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
Mehr