Quantitative Methoden (Vertretung für Prof. Th. Pechmann)
|
|
- Jakob Fried
- vor 6 Jahren
- Abrufe
Transkript
1 Quantitative Methoden (Vertretung für Prof. Th. Pechmann) Inferenzstatistik III: Varianzanalyse (ANOVA) Andreas Opitz Universität Leipzig Institut für Linguistik
2 Fragen, die Sie nach der letzten Sitzung beantworten können sollten Welche Arten von t-tests kennen Sie? Wann kann ein t-test angewandt werden (Was sind die Voraussetzungen, die für einen t-test gegeben sein müssen?) In einem Experiment wurden der Blutdruck von 100 Patienten gemessen a) vor der Gabe eines Medikaments, b) nach der Gabe eines Medikaments. Welchen t-test würden Sie anwenden, um die Daten zu untersuchen? Angenommen Sie erhalten folgendes Ergebnis: Was bedeutet das? t(99) = 5.89, p<.001
3 Varianzanalyse (ANOVA) diese Woche
4
5 Vergleich von mehr als 2 Stichproben
6 Beispiel Unser Rosenzüchter von letzter Woche:
7 Beispiel Er führte ein Experiment mit 120 seiner Rosen durch. 60 bekamen nur Wasser, 60 zusätzlich Zucker. Er misst die Blühdauer in Einheiten zu 0.5Tagen (1 Tag, 1.5 Tage, 2 Tage, 2.5 Tage ) Wasser Zucker
8 Beispiel Messwerte: Wasser- Gruppe Zucker- Gruppe Kennwerte: Wasser-Gruppe Zucker-Gruppe Mittelwert Standardabweichung
9 Beispiel Messwerte: Wasser- Gruppe Zucker- Gruppe
10 Beispiel T-Statistik: T = ² ² + 60 = , 294 = df = 118 p = 0.12 Wasser-Gruppe Zucker-Gruppe Mittelwert Standardabweichung
11 Beispiel Die Zugabe von 10g Zucker zum Blumenwasser führte zu keiner signifikanten Verlängerung der Blühdauer. Karl entwickelt ein neues Mittel (Substanz X) und möchte wissen, ob es besser als reines Wasser oder Wasser mit Zuckerzusatz wirkt. Er möchte also 3 verschiedene Bedingungen miteinander vergleichen: Wasser Zucker Substanz X
12 Warum nicht viele t-tests? Wie viele paarweise Vergleiche wären bei 3 Gruppen nötig? Antwort: 3 Wasser Zucker Wasser Substanz X Zucker Substanz X
13 Problem: Jeder dieser t-tests macht eine Aussage mit einer bestimmten Irrtumswahrscheinlichkeit. Wir erinnern uns: Wir wollen mindestens zu 95% sicher sein, dass wir keinen alpha-fehler begehen. Das heißt, die Gesamtwahrscheinlichkeit, einen alpha-fehler im Experiment zu machen, setzt sich aus den Irrtumswahrscheinlichkeiten dieser drei t-tests zusammen. Wie verrechnet man mehrere Wahrscheinlichkeiten miteinander? Erinnerung: Axiome der Wahrscheinlichkeitstheorie
14 Axiome der Wahrscheinlichkeitstheorie (Kolmogorov) (1) Der Wahrscheinlichkeit p für ein zufälliges Ereignis E wird ein Wert zwischen 0 und 1 zugewiesen. (2) Das sichere Ereignis erhält den Wert 1. (3) Die Wahrscheinlichkeit der Summe zufälliger Ereignisse, die einander wechselseitig ausschließen, ist gleich der Summe der Wahrscheinlichkeiten dieser Ereignisse. Beispiel: Wie ist die Wahrscheinlichkeit, mit einem sechsseitigen Würfel, eine 1 oder eine 2 zu würfeln? p (eine 1 zu würfeln) = 1/6 p (eine 2 zu würfeln) = 1/6 p (eine 1 oder eine 2 zu würfeln) = 2/6
15 Axiome der Wahrscheinlichkeitstheorie (Kolmogorov) Bei zwei voneinander unabhängigen Ereignissen (Eintreten oder Nichteintreten des einen Ereignisses hat keinen Einfluss auf das Eintreten oder Nichteintreten des anderen Ereignisses) gilt der Multiplikationssatz: Die Wahrscheinlichkeit des Durchschnitts von wechselseitig voneinander unabhängigen Ereignissen (E1 und E2) ist gleich dem Produkt ihrer Wahrscheinlichkeiten die Wahrscheinlichkeit mit zwei Würfeln beim einmaligen Werfen eine 1 und eine 2 zu würfeln: 1/6 * 1/6 = 1/36 p (eine 1 zu würfeln) = 1/6 p (eine 2 zu würfeln) = 1/6 p (mit 2 Würfeln eine 1 und eine 2 zu würfeln) = 1/36
16 Alpha-Fehler Kumulierung Das heißt für unser Beispiel also: Wir wollen bei einem t-test mindestens eine Wahrscheinlichkeit von 0.95 (95%), dass wir keinen alpha-fehler begehen. Haben wir drei solche Vergleiche (t-tests), dann ist die Gesamtwahrscheinlichkeit über alle drei Vergleiche hinweg: p = 0.95*0.95*0.95 = Das heißt, selbst wenn jeder der t-tests die Wahrscheinlichkeit eines alpha-fehlers mit 95%iger Wahrscheinlichkeit zurückweist, haben wir im Gesamtexperiment nur eine 85.7%ige Wahrscheinlichkeit, dass kein alpha-fehler vorliegt. In anderen Worten: Die Irrtumswahrscheinlichkeit ist auf ca. 14.3% gestiegen. Man spricht auch von der Alpha-Fehler-Kumulierung (familywise error): familywise error = 1 (0.95) n
17 Alpha-Fehler Kumulierung Warum nicht viele t-tests? Wasser Zucker Wasser Substanz X Zucker Substanz X Wahrscheinlichkeit, keinen alpha-fehler zu begehen: 0.95*0.95 = *0.95 = 0.86
18 Alpha-Fehler Kumulierung Der Alpha-Fehler steigt also mit der Anzahl der Vergleiche dramatisch an. Beispiel: bei 5 experimentellen Bedingungen, sind es schon 10 mögliche Vergleiche für 10 Vergleiche ergibt sich eine Alpha-Fehler-Kumulation von: 1-(0.95) 10 = 0.40 Es gibt also eine Wahrscheinlichkeit von 40% (!), dass mindestens einer der Tests einen Alpha-Fehler enthält!
19 Daher: Wenn wir mehr als 2 Stichproben (Bedingungen) miteinander vergleichen wollen, brauchen wir ein anderes statistisches Verfahren. Varianzanalyse
20 ANOVA ANOVA ANalysis Of VAriance Der Einfachheit halber verzichten wir hier (fast) ganz auf Formeln und Berechnungen per Hand. Ziel: Die Logik des Verfahrens verstehen. Wir betrachten dazu zunächst exemplarisch den einfachsten Fall einer ANOVA (einfaktorielle ANOVA ohne Messwiederholung).
21 ANOVA F-Wert Ähnlich wie der t-test vergleicht auch eine ANOVA die systematische Variation in den Daten mit der unsystematischen Variation. Wir bestimmen das Verhältnis von systematischer zu unsystematischer Varianz: test statistic = variance explained by the model variance not explained by the model = effect error Bei der ANOVA ist dieses Verhältnis der F-Wert.
22 ANOVA Erinnerung: Der t-test testet die Nullhypothese, dass zwei Mittelwerte sich nicht unterscheiden. Eine ANOVA ist ein sogenannter Omnibus-Test, das heißt, die Nullhypothese ist, dass sich alle Mittelwerte der Gruppen nicht unterscheiden: X 1 = X 2 = X 3 Kann durch eine ANOVA diese Nullhypothese zurückgewiesen werden, wissen wir nur, dass unsere experimentelle Manipulation erfolgreich war: ( X 1 = X 2 = X 3 ) Dafür genügt, dass sich mindestens zwei der Werte unterscheiden. Wir wissen aber nicht, welche der Mittelwerte das sind: X 1 X 2 X 3 X 1 ( X 2 = X 3 ) ( X 1 = X 2 ) X 3 ( X 1 = X 3 ) X 2
23 Rosen-Beispiel: ANOVA (Logik der F-Ratio) Karl möchte drei unabhängige Stichproben miteinander vergleichen: Wasser Zucker Substanz X
24 ANOVA (Logik der F-Ratio) In jeder Gruppe sind 5 Rosen*. Er misst wie gehabt die Blühdauer. *Diese Stichproben sind natürlich viel zu klein! Diese übersichtliche Zahl wurde hier nur der besseren Darstellbarkeit halber gewählt.
25 ANOVA (Logik der F-Ratio)
26 ANOVA (Logik der F-Ratio)
27 ANOVA (Logik der F-Ratio)
28 ANOVA (Logik der F-Ratio)
29 ANOVA (Logik der F-Ratio)
30 ANOVA (Logik der F-Ratio)
31 ANOVA (Logik der F-Ratio)
32 ANOVA (Logik der F-Ratio)
33 ANOVA (Logik der F-Ratio)
34 ANOVA (Logik der F-Ratio)
35 ANOVA (Logik der F-Ratio) Der F-Wert errechnet sich nun aus dem Verhältnis der Variation zwischen den Bedingungen (Modell) und der (Summer der) Variation innerhalb der Bedingungen (Fehler): F = variance explained by the model = effect = MS M variance not explained by the model error MS R MS bedeutet mean of squares und errechnet sich aus der jeweiligen Summe der Abweichungsquadrate (sum of squares) geteilt durch die jeweiligen Freiheitsgrade: MS M = SS M df M = MS R = SS R df R = n k( x k x grand )² df M (x ik x k )² df R (Model Mean Squares) (Residual Mean Squares)
36 ANOVA (Logik der F-Ratio) außerdem gilt: SS total = SS M + SS R SS T Total Variance in the Data ANOVA SS M Variance Explained by the Model SS R Unexplained Variance
37 ANOVA Logik dahinter (mit anderen Worten): Wenn sich die einzelnen Stichproben nicht unterscheiden (d.h. wenn sie aus derselben Grundgesamtheit stammen) sollten sich die Varianzen der einzelnen Stichproben nicht unterscheiden und somit sollten die Varianzen innerhalb der Stichproben gleich der Varianz der Grundgesamtheit sein. Dasselbe gilt für die Varianz zwischen den Stichproben. Das heißt: unter der Nullhypothese sollten sowohl die Varianz innerhalb der Stichproben als auch die Varianz zwischen den Stichproben gleich der Varianz der Grundgesamtheit sein.
38 Zurück zum Rosen-Beispiel: ANOVA (Logik der F-Ratio)
39 ANOVA (Logik der F-Ratio) Zurück zum Rosen-Beispiel: Wasser Zucker Substanz X Mittelwert sd
40 ANOVA (Logik der F-Ratio) Mittelwert sd
41 ANOVA (Logik der F-Ratio) Mittelwert sd
42 ANOVA (Logik der F-Ratio) ANOVA Cond DF SumSq MeanSq F p p<.05? Bedingung * Residuals Freiheitsgrade bei einfaktorieller ANOVA (ohne Messwiederholung): 2 Werte (Modell, Fehler) df M =k-1 wobei k = Anzahl der Faktorenstufen df R =df t -df M bzw. df R = N-k wobei N = Anzahl der VP / Items
43 ANOVA Bericht: Eine Varianzanalyse (ANOVA) mit dem dreistufigen Faktor Bedingung wurde signifikant: F(2,12) = 6.468, p<.05. Dies deutet auf einen Unterschied der Mittelwerte. Aber: Welche Mittelwerte unterscheiden sich von welchen?
44 ANOVA Erinnerung: Eine ANOVA ist ein sogenannter Omnibus-Test, das heißt, die Nullhypothese ist, dass sich alle Mittelwerte der Gruppen nicht unterscheiden: X 1 = X 2 = X 3 Kann durch eine ANOVA diese Nullhypothese zurückgewiesen werden, wissen wir nur, dass unsere experimentelle Manipulation erfolgreich war: ( X 1 = X 2 = X 3 ) Dafür genügt, dass sich mindestens zwei der Werte unterscheiden. Wir wissen aber nicht, welche der Mittelwerte das sind: X 1 X 2 X 3 X 1 ( X 2 = X 3 ) ( X 1 = X 2 ) X 3 ( X 1 = X 3 ) X 2
45 ANOVA (Logik der F-Ratio) Mittelwert sd
46 ANOVA Verschiedene Strategien: post hoc Tests allgemeiner Geplante Vergleiche planned contrasts / planned comparisions spezifische Hypothese(n) über Richtung des Effekts
47 ANOVA Verschiedene Strategien: post hoc Tests allgemeiner Geplante Vergleiche planned contrasts / planned comparisions spezifische Hypothese(n) über Richtung des Effekts
48 ANOVA Post Hoc Tests zum Beispiel: Scheffé-Test Rosen-Beispiel: critical difference: Mittelwert sd groups a a b b
49 ANOVA Bericht: Eine Varianzanalyse (ANOVA) mit dem dreistufigen Faktor Bedingung wurde signifikant: F(2,12) = 6.468, p<.05. Ein post hoc Test (Scheffé, p<.05, kritische Differenz: 1.158) ergab, dass sich die mit Substanz X behandelte Gruppe signifikant von der Wasser- Gruppe unterschied (4.20 vs Tag). Die Gruppe der mit Zucker behandelten Pflanzen (4.76 Tage) unterschied sich nicht von den beiden anderen Gruppen.
50 ANOVA
51 mehrfaktorielle Versuchspläne (mehrfaktorielle Varianzanalysen)
52 Oft wird in Experimenten mehr als eine unabhängige Variable untersucht. Beispiel-Fragestellung: Wie wirkt sich der Konsum von Alkohol auf das Reaktionsvermögen von Männern und Frauen aus. UV: Geschlecht: Mann / Frau Alkoholkonsum: nein / ja (150 mg / 1 kg Körpergewicht) AV: Reaktionszeit, gemessen in ms 2x2 Design (4 Bedingungen / Stichproben)
53 Wie verteilen sich die möglichen Ursachen für Varianzen? Einfaktorielles Design: SS T Total Variance in the Data SS M Variance Explained by the Model SS R Unexplained Variance
54 Wie verteilen sich die möglichen Ursachen für Varianzen? Einfaktorielles Design: SS T Total Variance in the Data SS M Variance Explained by the Model = Indep. Variable SS R Unexplained Variance
55 Wie verteilen sich die möglichen Ursachen für Varianzen? Mehrfaktorielles Design: SS T Total Variance in the Data SS M Variance Explained by the Model = Indep. Variables SS R Unexplained Variance SS A Variance Explained by Variable A SS B Variance Explained by Variable B SS A+B Variance Explained by the Interaction of A and B
56 Beispiel-Fragestellung: Wie wirken sich zwei verschiedene Medikamente auf den Blutdruck von Männern und Frauen aus. UV: AV: Geschlecht: Mann / Frau Medikament: Med.A / Med.B Blutdruck, systolisch (gemessen in mm Hg) 2x2 Design (4 Bedingungen / Stichproben) Hinweis: Hierbei handelt es sich nur um ein illustratives, theoretisches Beispiel. Bei tatsächlichen med. Experimenten würde man ein anderes Design (inkl. Kontrollgruppen) wählen.
57 1 Haupteffekt: Faktor Medikament Male Female Drug A Drug B
58 1 Haupteffekt: Faktor Medikament Male Female Drug A Drug B
59 1 Haupteffekt: Faktor Geschlecht Male Female Drug A Drug B
60 1 Haupteffekt: Faktor Geschlecht Male Female Drug A Drug B
61 2 Haupteffekte Male Female Drug A Drug B
62 2 Haupteffekte Male Female Drug A Drug B
63 Haupteffekte & Interaktion Male Female Drug A Drug B
64 Haupteffekte & Interaktion Male Female Drug A Drug B
65 Interaktion aber keine Haupteffekte Male Female Drug A Drug B
66 Interaktion aber keine Haupteffekte Male Female Drug A Drug B
67
68 Mehrfaktorielle Varianzanalyse Interagieren die Faktoren miteinander? Wirken mehrere Faktoren unabhängig voneinander, oder gibt es einen Effekt der Kombination mehrerer Faktoren? Howell (2002), p. 431
69 Mehrfaktorielle Varianzanalyse Interagieren die Faktoren miteinander? Wirken mehrere Faktoren unabhängig voneinander, oder gibt es einen Effekt der Kombination mehrerer Faktoren? Howell (2002), p. 431
70 Reale Anwendung in der Linguistik / Psycholinguistik Weitere methodische Probleme: In der Regel verwenden wir keine unabhängigen Stichproben (Probanden) sondern abhängige.
71 Messwiederholungsverfahren Sonderfall der abhängigen Stichproben mehrere Messungen an einer Stichprobe (repeated measures) Ziel: Variation zwischen Stichproben kontrollieren Latin Square Design Beispiel mit 4 Bedingungen A-D items Liste 1 Liste 2 Liste 3 Liste 4 VP1, 5... VP2, 6... VP3, 7... VP4, A B C D 2 B C D A 3 C D A B 4 D A B C 5 A B C D...
72 Messwiederholungsverfahren Grundidee der Varianzanalyse effect error = MS M MS R = MS treatment MS error Aber auch Versuchspersonen tragen zum Rauschen (error) in den Daten bei. Die manipulierten Variablen sind Faktoren mit festen Effekten. Die Versuchspersonen sind Zufallsvariablen. Lösung Verrechnung von 3 Varianzen: MS treat "mean square treatment" MS e "mean square error" "mean square between subjects MS between subjects/vp Es gibt verschiedene Verrechnungsmethoden.
73 Ohne Messwiederholung SS T Total Variance in the Data SS M Variance Explained by the Model SS R Unexplaine d Variance
74 Messwiederholungsverfahren SS T total variance in the data SS b variance between participants SS w variance within participants SS M effect of experiment SS R variance not explained by the experiment
75 Messwiederholungsverfahren Howell (2002), p
76 Reale Beispiele
77 Experiment zum Genus im Deutschen Genuszuweisung im Deutschen ist sehr komplex Es gibt phonologische, semantische und morphologische Regeln aber jeweils mit vielen Ausnahmen Unter phonologischen Aspekten lassen sich gewissen Tendenzen aufzeigen: Monomorphematische Nomen mit konsonantischer Endung sind Maskulina oder Neutra: Kopf, Apfel, Baum, Haus, Garten Monomorphematische Nomen auf e sind Feminina: Nase, Lampe, Tasche Es gibt aber Ausnahmen (geringere Anzahl an Fällen): Auge, Hase, Stadt, Nacht
78 Experiment zum Genus im Deutschen Es gibt also genus-typische Formen (f): Nase, Vase ambige Formen (m-n): Fenster, Knopf, genus-untypische Formen: Auge, Käse, Stadt, Butter
79 Experiment zum Genus im Deutschen Frage: Werden diese drei Gruppen bei der Sprachverarbeitung bezüglich Einfachheit von Genuszuweisungen unterschiedlich behandelt? Gibt es unterschiedliche Reaktionszeiten bei Benennung von Objekten dieser unterschiedlichen Kategorien.
80 Experiment zum Genus im Deutschen Methode: 18 Deutschlerner auf B2-Niveau L1: Englisch
81 Experiment zum Genus im Deutschen Methode: Bildbenennung: AV RT Faktoren (UV): Genus-Typikalität: typisch, ambig, untypisch Länger der Phrase: kurz (nur Nomen), lang (Adjektiv+Nomen) 3 x 2 Design
82 Experiment zum Genus im Deutschen Methode:
83 Experiment zum Genus im Deutschen Methode:
84 Experiment zum Genus im Deutschen Ergebnisse
85 Experiment zum Genus im Deutschen Ergebnisse
86 Experiment zum Genus im Deutschen Haupteffekte? Länge : F1 (1, 17) =26.28, MSE = , p < 0.001; F2 (1, 30) = , MSE = , p < 0.001; Gruppe : F1 (2, 34) = 10.08, MSE = , p < 0.001; F2 (2, 62) = 4.36, MSE = , p < Post Hoc Scheffé: crit.diff. = 84, nur atypisch und typisch unterscheiden sich Interaktion? F1 (2, 34) = 7.68, MSE = , p < 0.01; F2 (2, 62) = 1.83, MSE = , p = 0.17
87 Experiment zum Genus im Deutschen
88 F-Verteilung 88
89
90
91
92
93 Literatur Clauss, G. & Ebner, H. (1967). Grundlagen der Statistik. Berlin: Volk und Wissen. Field, A. (200). Discovering Statistics Using SPSS, third edition, London: SAGE publications Ltd. Howell, D.C. (2009). Statistical methods for psychology. Belmont, CA: Wadsworth. Zimbardo, P.G. (2004). Psychologie. München: Pearson Studium.
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
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
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
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
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
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
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:
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrMethodenlehre. Vorlesung 5. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 5 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ 20.2.13 Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 6-6) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Mehrmethodenlehre ll ALM und Mehrfaktorielle ANOVA Mehrfaktorielle ANOVA methodenlehre ll ALM und Mehrfaktorielle ANOVA
15.04.009 Das Allgemeine lineare Modell Post hoc Tests bei der ANOVA Mehrfatorielle ANOVA Thomas Schäfer SS 009 1 Das Allgemeine lineare Modell (ALM) Varianz als Schlüsselonzept "The main technical function
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II
ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrAufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
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
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrBeobachtung und Experiment II
Beobachtung und Experiment II Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Was ist ein Experiment? kontrollierte
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
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 II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
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
MehrMethodik für Linguisten
Claudia Methodik für Linguisten Eine Einführung in Statistik und Versuchsplanung narr VERLAG 1 Reisevorbereitungen und Wegweiser 2 Linguistik als empirische Wissenschaft 15 2.1 Karl Popper und der Falsifikationismus
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
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrGlossar. Cause of Effects Behandelt die Ursache von Auswirkungen. Debriefing Vorgang der Nachbesprechung der experimentellen Untersuchung.
Abhängige Variable Die zu untersuchende Variable, die von den unabhängigen Variablen in ihrer Ausprägung verändert und beeinflusst wird (siehe auch unabhängige Variable). Between-Subjects-Design Wenn die
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Statistik & 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
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 12
Übung zur Vorlesung Statistik I WS 2013-2014 Übungsblatt 12 20. Januar 2014 Die folgenden ufgaben sind aus ehemaligen Klausuren! ufgabe 38.1 (1 Punkt: In einer Studie werden 10 Patienten therapiert. Die
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
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
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
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
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
Mehr(Repeated-measures ANOVA) path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/"))
Varianzanalyse mit Messwiederholungen (Repeated-measures ANOVA) Jonathan Harrington Befehle: anova2.txt path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Messwiederholungen:
MehrAnwendungsaufgaben. Effektgröße bei df Zähler = df A = 1 und N = 40 (zu berechnen aus df Nenner ): Der aufgedeckte Effekt beträgt also etwa 23 %.
Anhang A: Lösungen der Aufgaben 39 beiden Kombinationen sehr hoch ist. (Dieses Ergebnis wäre aber in diesem Beispiel nicht plausibel.) 5. Der Faktor A und die Wechselwirkung werden signifikant: Lärm hat
MehrVarianzanalyse mit Messwiederholungen. (Repeated-measures (M)ANOVA)
Varianzanalyse mit Messwiederholungen (Repeated-measures (M)ANOVA) Jonathan Harrington Befehle: anova2.txt pfad = "Verzeichnis wo Sie anovaobjekte gespeichert haben" attach(paste(pfad, "anovaobjekte",
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
MehrPrüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
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
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrGestaltungsempfehlungen
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Lehren und Lernen mit Medien I Gestaltungsempfehlungen Überblick Auswahl der Empfehlungen Gestaltungseffekte Empirische
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
MehrDie Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden
Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
Mehr1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. In diesem Kapitel behandeln wir die Varianzanalyse (ANOVA). Varianzanalysen kommen in sehr sehr vielen verschiedenen Gestalten einher. Das Ziel
MehrModul G.1 WS 07/08: Statistik 31.01.2008 1
Modul G.1 WS 07/08: Statistik 31.01.2008 1 Varianzanalyse Als Varianzanalyse bezeichnet man eine große Gruppe datenanalytischer und mustererkennender statistischer Verfahren, die zahlreiche unterschiedliche
MehrKapitel 7: Varianzanalyse mit Messwiederholung
Kapitel 7: Varianzanalyse mit Messwiederholung 7.1 Einfaktorielle Varianzanalyse mit Messwiederholung 1 Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 2 Teststärkebestimmung a posteriori
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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;
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrAnhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
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 I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
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
MehrUnsystematische Störvariablen
wirken auf AV, variieren aber nicht mit UV haben keinen Einfluss auf Unterschiede zwischen den Bedingungen Unsystematische Störvariablen (Eid, Gollwitzer & Schmitt, 2010, S. 56f) Es gibt individuelle Unterschiede
MehrExperimentalpsychologisches Praktikum
Experimentalpsychologisches l i h Praktikum Prof. Dr. Adrian Schwaninger Fachhochschule Nordwestschweiz Hochschule für Angewandte Psychologie +41 (0) 76 393 24 46 Adrian.Schwaninger@fhnw.ch 3. Sitzung
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
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. 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
MehrSTATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
MehrLernziele Experimentelles Praktikum
Lernziele Experimentelles Praktikum Inhaltsverzeichnis 1. Theoretischer Hintergrund des Artikels 2. Grundlagen des Experimentierens 3. Schritte der allgemeinen Versuchsplanung 4. Unabhängige Variablen
Mehr# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
MehrSitzung 4: Übungsaufgaben für Statistik 1
1 Sitzung 4: Übungsaufgaben für Statistik 1 Aufgabe 1: In einem Leistungstest werden von den Teilnehmern folgende Werte erzielt: 42.3; 28.2; 30.5, 32.0, 33.0, 38.8. Geben Sie den Median, die Spannweite
MehrGrundlagen sportwissenschaftlicher Forschung Untersuchungsplanung 2 und Grundlagen des Messens
Grundlagen sportwissenschaftlicher Forschung Untersuchungsplanung 2 und Grundlagen des Messens Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 AUFGABE 1. Beschreibe einen experimentellen
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 21. Januar 2016 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Punkte: 15, 15, 12, 14, 16, 18 ; Summe der Punkte: 90 Aufgabe 1 15 Punkte Bei
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
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
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrBiomathematik für Mediziner, Klausur SS 2000 Seite 1
Biomathematik für Mediziner, Klausur SS 2000 Seite 1 Aufgabe 1: Bei der Diagnose einer bestimmten Krankheit mit einem speziellen Diagnoseverfahren werden Patienten, die tatsächlich an der Krankheit leiden,
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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)
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
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
Mehr