Die Analyse von unvollständigen Kontingenztabellen im MZ-Panel: Statistische Methodik
|
|
- Gabriel Maier
- vor 6 Jahren
- Abrufe
Transkript
1 Die Analyse von unvollständigen Kontingenztabellen im MZ-Panel: Statistische Methodik Edin Basic Freie Universität Berlin 12.Oktober 2005
2 Überblick
3 Überblick Y = Untersuchungsvariable - Missing, falls R = 0 R= Indikator für Beobachtbarkeit von Y X = immer beobachtbare Kovariaten Gemeinsames Modell: P(Y, R X ) = P(Y X )P(R Y, X ) Missing completely at Random (MCAR) P(R Y, X ) = P(R) Folgerung: P(Y, R) = P(Y )P(R)
4 Missing at Random (MAR) P(R Y, X ) = P(R X ) Folgerung: P(Y, R X ) = P(Y X )P(R X ) Not Missing at Random (NMAR) P(R Y, X ) P(R X ) Folgerung: P(Y, R X ) P(Y X )P(R X )
5 MAR: Maximiere Likelihood der beobachteten Daten MAR: Test auf P(Y X, R = 1) = P(Y X ) braucht externe Info NMAR: Gemeinsames Modell P(Y, R X ) schätzen NMAR: Externe Info notwendig für Modellidentifikation
6 Untersuchungsmerkmal: Arbeitsmarktmobilität 3 Zustände: Erwerbstätig (E), Arbeitslos (U), Nichterwerbsperson (N) Schätzung von bedingter Verteilung P(B A) A=Zustand 1996, B=Zustand 1997, 1998, 1999 Bias-Hypothesen: - Übergang von U nach E wird unterschätzt - Übergang von N nach E wird ebenfalls unterschätzt Schätzer für Bias: Alle vs Immobile (SOEP!)
7 Bias-Abschätzung im SOEP AB E Alle Immo Mob E U N = P Alle (B A) P Immo (B A)
8 Mobilität MZ/SOEP im Vergleich Sample Übergang MZ in % in % in % SOEP in % in % in % SOEP* in % in % in % SOEP*: gewichtete Ergebnisse
9 Längsschnittvergleich: SOEP vs MZ (Immobile) AB E MZ SOEP SOEP* E U N SOEP*: gewichtete Ergebnisse
10 MAR impliziert Suche X, so dass MAR gilt. P(Y X, R) = P(Y X ) zum Beispiel: Kontrolle nach Alter Biasreduktion in jeder Altersgruppe
11 Übergang UE NE Alle Immo Alle Immo Alter Alter> Insgesamt
12 Variable Alle Immo Diff. Konstante (0.0003) (0.0009) (0.9058) Alter (0.0001) (0.0001) (0.1915) Bildung keine Ausbildung (0.2272) (0.4530) (0.5840) Hochschule (0.0931) (0.3114) (0.4231) Region West-Deutschland (0.4651) (0.4592) (0.8246) Schule kein Schulabschluß (0.7860) (0.8384) (0.3990) Abitur (0.4150) (0.6972) (0.5463) Geschlecht männlich (0.0135) (0.1566) (0.1617) Dauer der AL > 1 Jahr (0.0001) (0.0001) (0.4479) Obs Abhängige: Indikator für Übergang U E Quelle:SOEP, Wellen: 1996, 1998; p-werte in Klammern
13 Variable Alle Immo Diff. Konstante (0.0001) (0.0001) (0.4781) Alter (0.0001) (0.0001) (0.8636) Bildung keine Ausbildung (0.4733) (0.6636) (0.7644) Hochschule (0.7214) (0.8639) (0.2805) Region West-Deutschland (0.0427) (0.0163) (0.1950) Schule kein Schulabschluß (0.3706) (0.4643) (0.9544) Abitur (0.0671) (0.1627) (0.8300) Geschlecht männlich (0.0001) (0.0025) (0.5876) Anzahl der Kinder im HH (0.0001) (0.0001) (0.4197) Obs Abhängige: Indikator für Übergang N E Quelle:SOEP, Wellen: 1996, 1998; p-werte in Klammern
14 Überblick Logit-Modell: Score-Gleichung: ln P(Y i = 1 A i ) 1 P(Y i = 1 A i ) = A iβ A i (Y i P(Y i = 1 A i )) = 0 i Problem: Y i nicht beobachtbar für mobile Personen
15 : (Robins, Rotnitzky and Zhao (1995)) 1) Schätze (Im-)Mobilitätsmodell 2) Löse Score-Gleichung i Konsistenz gewährleistet, falls P(R i = 1 A i, X i ) R i ˆP(R i = 1 A i, X i ) A i(y i P(Y i = 1 A i )) = 0 P(R i = 1 Y i, A i, X i ) = P(R i = 1 A i, X i ) d.h. Y i unabhängig von R i, gegeben X i und A i.
16 (Im-)Mobilitätsmodell Überblick - Logit Modell: log P(R h = 1) P(R h = 0) = X h β (1) - unabhängige Variablen (basierend auf 1996) - Haushaltsgröße - Haushaltseinkommen - Anzahl Haushaltsmitglieder bzgl. Altersgruppe, Bildung, Erwerbsstatus, Schulabschluss und Region - Variation des Zeitintervals: 1-3 Jahre
17 (Im-)Mobilitätsmodell Überblick
18 Ratio = Korrektur(MZ) Bias(SOEP) Annahme: Bias(SOEP)=Bias(MZ) = (ˆP GEW ˆP IMMO ) MZ (ˆP ALLE ˆP IMMO ) SOEP t Bias Biaskorrektur/Bias SOEP MZ UE NE
19 Überblick
20 A, B: Untersuchungsvariablen R, S {0, 1}: Indikatoren für Beobachtbarkeit von A bzw. B Gemeinsames Modell: Response Patterns Tabelle R=1 S=1 Immobile R=1 S=0 Fortgezogene R=0 S=1 Zugezogene R=0 S=0 Leer P(A, B, R, S) = P(A, B)P(R, S A, B)
21 Modell nur über Restriktionen identifiziert Restriktionen: P(R = 1, S = 0 A, B) = P(R = 0, S = 1 A, B) Fortzug=Zuzug Gruppe 1 (hohe Mobilität): U E, N E, N U Gruppe 2 (niedrige Mobilität): alle anderen Übergänge
22 Ratio = Korrektur(MZ) Bias(SOEP) t Bias Biaskorrektur/Bias UE NE Schätzung mit LEM (Freeware) durchgeführt.
23 Überblick Bias vorhanden bei Arbeitsmarktmobilität arbeitslos/nichterwerbsperson erwerbstätig SOEP nützliches Instrument für Bias-Abschätzung Kontrolle nach Standardvariablen wie Alter: großer Einfluß auf Biasreduktion Biasreduktion von ca. 50% durch Gewichtung Starke Biasreduktion durch loglineare Modellierung Aber: Gefahr von Überkorrekturen
Tabelle 3: Anteil der gew. Energieausgaben am Nettoäquivalenzeinkommen München
Tabelle 3: Anteil der gew. Energieausgaben am Nettoäquivalenzeinkommen München Variable Fälle 10% höchste Baujahr vor 1919 818 0,154 (0,363) Baujahr 1919-1948 818 0,256*** (0,440) Baujahr 1949 1971 818
MehrBildungsverläufe im Mikrozensuspanel: Besuch der gymnasialen Oberstufe bis zum Abitur
Bildungsverläufe im Mikrozensuspanel: Besuch der gymnasialen Oberstufe bis zum Abitur Bernhard Schimpl-Neimanns 4. Nutzerkonferenz Forschung mit dem Mikrozensus: Analysen zur Sozialstruktur und zum Arbeitsmarkt
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
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
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
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
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrPflegegerechte Ausstattungsmerkmale Hilfsmitteldefizit Altersklasse Hilfe- und Pflegebedürftige (= H/P) Geschlecht H/P Familienstand H/P
Kapitelanhang Logit-Modellanalyse 1 zu Abbildung 2.10: Pflegebedürftige in Privathaushalten Inanspruchnahme von Sachleistungen der Pflegeversicherung (Sach- vs. Geldleistungen) Gesamtmodell Signifikante
MehrBehandlung fehlender Werte
Halle/Saale, 8.6.2 Behandlung fehlender Werte Dipl.-Psych. Wilmar Igl - Methodenberatung - Rehabilitationswissenschaftlicher Forschungsverbund Bayern Einleitung () Fehlende Werte als allgegenwärtiges Problem
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrGesundheitliche Ungleichheit am Beispiel psychischer Erkrankungen
Gesundheitliche Ungleichheit am Beispiel psychischer Erkrankungen Eine Mikroanalyse am Datensatz Abgeschlossene Rehabilitation im Versicherungsverlauf 2009 FDZ-RV Workshop, 14. und 15. Juni 2012 Julia
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
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
MehrErwerbslosigkeit, Gesundheit und Präventionspotenziale
in VS VERLAG Alfons Hollederer Erwerbslosigkeit, Gesundheit und Präventionspotenziale Ergebnisse des Mikrozensus 2005 Inhaltsverzeichnis Vorwort 10 Zusammenfassung 13 1 Stand der Forschung zu Arbeitslosigkeit
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrArmutsquotenberechnung aus gerundeten Einkommensangaben
Armutsquotenberechnung aus gerundeten Einkommensangaben Jörg Drechsler, IAB Nürnberg Hans Kiesl, OTH Regensburg Statistik Tage Bamberg Fürth 2016 20.7.2016 S. 1 Panelerhebung PASS (Panel Arbeitsmarkt und
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
MehrAnhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen
Anhang 4 Bias durch Überdiagnose von papillären Mikrokarzinomen Bias durch Überdiagnose von papillären Mikrokarzinomen H. Bertelsmann AG Epidemiologie und Medizinische Statistik Universität Bielefeld Dezember
MehrEinkommen und seine Verteilung
Einkommen und seine Verteilung Ausgewählte Indikatoren: 1. Nettonationaleinkommen (Nettosozialprodukt) pro Einwohner in konstanten Preisen (Indikator I001) Definition: Nettonationaleinkommen/Wohnbevölkerung
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
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
MehrWahrscheinlichkeitstheorie und Naive Bayes
Wahrscheinlichkeitstheorie und Naive Bayes Caroline Sporleder Computational Linguistics Universität des Saarlandes Sommersemester 2011 12.05.2011 Caroline Sporleder Naive Bayes (1) Elementare Wahrscheinlichkeitstheorie
MehrDeckungslücken in der Alterssicherung
Deckungslücken in der Alterssicherung Christina Benita Wilke Mannheimer Forschungsinstitut Ökonomie und Demographischer Wandel (MEA) Vorläufige Projektergebnisse Bitte nicht ohne Zustimmung der Autorin
MehrLEO. LEVEL-ONE-STUDIE ALPHA-LEVELS KONKRET. Prof. Dr. Anke Grotlüschen Dr. Wibke Riekmann
LEO. LEVEL-ONE-STUDIE ALPHA-LEVELS KONKRET Prof. Dr. Anke Grotlüschen Dr. Wibke Riekmann LEO. LEVEL ONE STUDIE / ALPHA-LEVELS KONKRET leo. im Überblick: Die Forschungsergebnisse Ursachen: Individuell und
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete
MehrKategorielle Daten. Seminar für Statistik Markus Kalisch
Kategorielle Daten Markus Kalisch 1 Phase 3 Studie: Wirksamer als Placebo? Medikament Placebo Total Geheilt 15 9 24 Nicht geheilt 10 11 21 Total 25 20 45 Grundfrage: Sind Heilung und Medikamentengabe unabhängig?
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrVorlesung. Informationsökonomik und die Theorie der Firma
Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007
MehrFormular zur TeilnehmerInnenerfassung an einer ESF-geförderten Maßnahme im Land Berlin Förderperiode
Die Angaben beziehen sich vom Stichtag her auf das Datum der erstmaligen Teilnahme am ESF-Projekt am. (Datum Projekteintritt). Bei Fragen zu den Kernindikatoren Arbeitsmarktstatus Alter Geschlecht Bildungsabschlüssen
MehrMultiplizitätskorrektur bei Variablenselektion
Multiplizitätskorrektur bei Variablenselektion Seminar: Multiples Testen Dozent: Prof. Dr. T. Dickhaus Referent: Maximilian Mönch - 22.11.2010 - Überblick 1) Einleitung 2) Multiplizitätskorrektur 3) Median
MehrLaborchemische Referenzwerte in der klinischen Versorgung
Laborchemische Referenzwerte in der klinischen Versorgung Dr. Robin Haring Institut für Klinische Chemie und Laboratoriumsmedizin Universitätsmedizin Greifswald Wozu Referenzwerte? Vor allem in der Laboratoriumsmedizin
MehrUnterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression. Robin Ristl. Wintersemester 2012/13
Unterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression Robin Ristl Wintersemester 2012/13 1 Exakter Test nach Fisher Alternative zum Chi-Quadrat Unabhängigkeitstest
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
MehrMöglichkeiten und Grenzen des Vergleichs Europäischer Übergangssysteme
Möglichkeiten und Grenzen des Vergleichs Europäischer Übergangssysteme Dr. Hans Dietrich IAB 6. Forum der AGBFN, Erfurt,.9.5 Einleitung Übergangssysteme von heterogenen Mustern des Übergangs innerhalb
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrSoziales Kapital als Ressource im Kontext von Migration und Integration
Soziales Kapital als Ressource im Kontext von Migration und Integration Dr. Sonja Haug Bundesamt für Migration und Flüchtlinge Nürnberg Sektion Soziale Ungleichheit und Sozialstrukturanalyse der DGS, Tagung
MehrPreferred citation style for this presentation
Preferred citation style for this presentation Simma, A. (2002) Ziel- und Verkehrsmittelwahl für Wege zum Skifahren in der Schweiz, 3. AMUS-Konferenz, Aachen, Juli 2002. 1 Ziel - und Verkehrsmittelwahl
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrZeit zum Kochen [in min] [10, 20[ [20, 30[ [30, 40[ [40, 50[ [50,60[ [60, 100] Hi
1. Susi und Fritzi bereiten ein Faschingsfest vor, dazu gehört natürlich ein Faschingsmenü. Ideen haben sie genug, aber sie möchten nicht zu viel Zeit fürs Kochen aufwenden. In einer Zeitschrift fanden
MehrMa 13 - Stochastik Schroedel Neue Wege (CON)
Bedingte Wahrscheinlichkeiten S. 70, Nr. 5 Richtiges Anwenden der Multiplikationsregel A: Abonnement liest Werbeanzeige B: Produkt wird gekauft S. 70, Nr. 6 Übersetzung von Daten in ein Baumdiagramm A
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
Mehrwie in statischen Bayesianischen Spielen... doch dann ziehen die Spieler sequentiell
KAP 18. Dynamische Spiele unter unvollständiger Information Betrachten nun folgende Situation: wie in statischen Bayesianischen Spielen...... wählt zunächst Natur die Typen der Spieler doch dann ziehen
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrMethodenverbund Aufbereitung und Bereitstellung des Mikrozensus als Panelstichprobe. Arbeitspapier Nr.: 6
Zentrum für Umfragen, Methoden und Analysen Methodenverbund Aufbereitung und Bereitstellung des Mikrozensus als Panelstichprobe Arbeitspapier Nr.: 6 Sandra Rohloff Statistisches Bundesamt, Gruppe II A
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
MehrBewertung von Kosten und Nutzen in der gesetzlichen Krankenversicherung
Bewertung von Kosten und Nutzen in der gesetzlichen Krankenversicherung Mathias Kifmann, Universität Augsburg Marlies Ahlert, Universität Halle-Wittenberg Konferenz Kommunales Infrastruktur-Management
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrChapter 1 : þÿ b w i n p o k e r a n d r o i d t a b l e t c h a p t e r
Chapter 1 : þÿ b w i n p o k e r a n d r o i d t a b l e t c h a p t e r þÿ 1 8. a p r. 2 0 1 0 b w i n d a r f n i c h t m e h r a u f d e n w e r d e r - b r e m e n - t r i k o t s w e r b e n f o t
MehrStaatsbürgerschaft oder Geburtsland?
Max-Planck-Institut für Bildungsforschung Staatsbürgerschaft oder Geburtsland? Unterschiedliche Operationalisierungen und ihre Implikationen für Aussagen zur Bildungsbeteiligung verschiedener Zuwanderergruppen
MehrDie Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen
Die Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen Beitrag für den RatSWD-Nachwuchsworkshop: Längsschnittanalysen auf der Basis amtlicher Sozial- und Wirtschaftsdaten, Berlin, 25.-26.
MehrPersonenbezogene Teilnehmendendaten zur Generierung der ID (Separate Tabelle) Weitere personenbezogene Teilnehmendendaten (Separate Tabelle)
Personenbezogene Teilnehmendendaten zur Generierung der ID (Separate Tabelle) Name, Vorname des Teilnehmenden Geburtsdatum Weitere personenbezogene Teilnehmendendaten (Separate Tabelle) Straße, Hausnummer
MehrChapter 1 : þÿ b e t a t h o m e A p p s c h w e i z c h a p t e r
Chapter 1 : þÿ b e t a t h o m e A p p s c h w e i z c h a p t e r þÿ u n d T e n n i s w e t t b e w e r b e, a u f d i e O n l i n e - W e t t e n a b g e g e b e n w e r d e n k ö n n e n.. e n t f
MehrPsychische Gesundheit von älteren türkischen Migrantinnen und Migranten. Fidan Sahyazici Dr. Oliver Huxhold
Psychische Gesundheit von älteren türkischen Migrantinnen und Migranten Fidan Sahyazici Dr. Oliver Huxhold Gliederung Bedeutung Theoretischer Hintergrund Fragestellungen Hypothesen Methode Ergebnisse Interpretation/Diskussion
MehrBildsegmentierung mit Level Sets
Bildsegmentierung mit Level Sets Seminar Bildsegmentierung und Computer Vision im Wintersemester 2005 Übersicht 1 Übersicht 2 Definitionen Ausbreitungsgeschwindigkeit Übersicht 3 Inter-Frame-basierte Modellierung
MehrRegionale Besonderheiten des Übergangs von der Schule in Ausbildung
Regionale Besonderheiten des Übergangs von der Schule in Ausbildung Empirische Befunde lokaler DJI-Panelstudien Fachtagung "Chancen und Risiken aus der demografischen Entwicklung für die Berufsbildung
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrJan A. Fuhse. Ethnizität, Akkulturation und persönliche Netzwerke von italienischen Migranten, Leverkusen, Barbara Budrich-Verlag 2008.
Jan A. Fuhse Ethnizität, Akkulturation und persönliche Netzwerke von italienischen Migranten, Leverkusen, Barbara Budrich-Verlag 2008. Dissertation an der Universität Stuttgart Anhang B: Hintergrund der
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 =
MehrEINLEITUNG: EINFÜHRUNG IN WISSENSCHAFTLICHES ARBEITEN 1 WIE ENTSTEHT WISSEN? 7 METHODISCHE GRUNDLAGEN DER MEDIZINISCHEN WISSENSCHAFTEN...
INHALTSÜBERSICHT EINLEITUNG: EINFÜHRUNG IN WISSENSCHAFTLICHES ARBEITEN 1 Motivation I Durchführung in drei Speziellen StudienModulen (SSMs) 2 SSM I: Wissenschaft und Medizin 3 VORLESUNG WIE ENTSTEHT WISSEN?
MehrWas kann die Statistik zur Bankenkrise beitragen?
Was kann die Statistik zur Bankenkrise beitragen? Rafael Weißbach Lehrstuhl für Statistik, insbesondere demografischer Wandel Institut für Volkswirtschaftslehre Wirtschafts- und Sozialwissenschaftliche
MehrIntegrationsprofil Gelsenkirchen. Daten zu Zuwanderung und Integration. Ausgabe
Integrationsprofil. Daten zu Zuwanderung und Integration. Ausgabe 2014. www.mais.nrw.de Seite 1 Bevölkerung / Demografie 1.1 Bevölkerung mit Migrationshintergrund und 2013 nach Geschlecht 2 1.2 Bevölkerung
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung
MehrFlüchtlinge in Deutschland
Flüchtlinge in Deutschland Bevölkerungsbefragung mit Ergebnissen für Hamburg Durchführung, Auswertung, Aufbereitung: Trend Research Gesellschaft für Markt- und Kommunikationsforschung mbh 222 Hamburg,
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes- Entscheidungsfunktionen
MehrTestverfahren. 1. Pepsi vs. Coca-Cola
1. Pepsi vs. Coca-Cola Testverfahren Über Geschmack lässt sich bekanntermaßen streiten. Häufig stellt sich nämlich die Frage, ob der Unterschied zwischen zwei Produkten überhaupt feststellbar ist. Einer
Mehr950 Interviews gesamt, Bereinigte Brutto-Stichprobe: Adressen Ausschöpfungsquote: 45,6
Methodenbeschreibung Befragungsart Befragungsgebiet Stichprobe Repräsentativität Feldzeit Anzahl Interviews Prozentuierung/ Gewichtung Schriftliche Mehrthemen-Befragung mit zwei Nachfassaktionen Bayern
MehrKontingenztabelle: Führerschein Ja Nein Ja Nein Auto. Wie viel Prozent der Studierenden besitzen kein Auto?
Aufgabe 1: Eine (nicht repräsentative) Umfrage unter 200 Studierenden auf dem Campus der Ruhr-Universität ergab: 130 Studierende besitzen ein Auto, 160 einen Führerschein und 128 sowohl Auto als auch Führerschein.
MehrDie binäre Logistische Regression ein vielseitiges und robustes Analyseinstrument sozialwissenschaftlicher Forschung
Die binäre Logistische Regression ein vielseitiges und robustes Analyseinstrument sozialwissenschaftlicher Forschung Eine Einführung für Anwender - Marcel Erlinghagen - Gelsenkirchen, Oktober 2003 Gliederung
MehrSeminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
MehrGrundlagen der Versuchsmethodik. Datenauswertung. Datenvisualisierung
Grundlagen der Versuchsmethodik Datenauswertung Datenvisualisierung Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu
MehrKap. 9: Regression mit einer binären abhängigen Variablen
Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:
MehrInstitut für angewandte Datenanalyse GmbH
Institut für angewandte Datenanalyse GmbH 2 Conjoint-Verfahren im Vergleich Das erwartet Sie nachfolgend: 1. Motivation 2. Wichtigste Conjoint-Verfahren 3. Bisherige Vergleichs-Studien und Erkenntnisse
MehrIntegrationsprofil. Gelsenkirchen.
Integrationsprofil.. www.mais.nrw.de - - Seite 1 Bevölkerung / Demografie 1.1 Bevölkerung 2012 nach Zuwanderungsstatus und Geschlecht 2 1.2 Bevölkerung 2012 nach Altersgruppen 2 1.3 Top 10 der nichtdeutschen
MehrJonas Poskowsky / Maren Kandulla. Deutsches Zentrum für Hochschul- und Wissenschaftsforschung (DZHW)
Papier- versus Online-Erhebungen bei Langzeituntersuchungen Methodische und forschungspragmatische Aspekte einer Umstellung von Paper-Pencil auf Online-Survey am Beispiel der Sozialerhebung Jonas Poskowsky
MehrGliederung. Analyses of Elite Swimming Performances and Their Respective Between-Gender Dierences over Time. Jasmin Abedieh. Statistik im Sport 2009
Gliederung Analyses of Elite Swimming Performances and Their Respective Between-Gender Dierences over Time Jasmin Abedieh Betreut von Manuel Eugster Statistik im Sport 2009 Institut für Statistik Ludwig-Maximilians-Universität
MehrChapter 1 : þÿ e r f a h r u n g e n m i t b e t a t h o m e c h a p t e r
Chapter 1 : þÿ e r f a h r u n g e n m i t b e t a t h o m e c h a p t e r þÿ L i v e w e t t e n o d e r W e t t k o n t o A u s z a h l u n g e n : B e t - a t - h o m e B e t - a t - h o m e e i n z
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrBivariater Zusammenhang in der Mehrfeldertafel PEΣO
Bivariater Zusammenhang in der Mehrfeldertafel PEΣO 9. November 2001 Bivariate Häufigkeitsverteilungen in Mehrfeldertabellen In der Mehrfeldertabelle werden im Gegensatz zur Vierfeldertabelle keine dichotomen
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrDemografie / Langfristige Entwicklung
Demografie / Langfristige Entwicklung Entwicklung des inländischen Erwerbspersonenpotenzials unter Status-quo Bedingungen, 2010-2050 (Konstante Erwerbsbeteiligung, keine Wanderungen) Quelle: Johann Fuchs,
MehrIntegrationsprofil Gelsenkirchen. Daten zu Zuwanderung und Integration. Ausgabe
Integrationsprofil. Daten zu Zuwanderung und Integration. Ausgabe 2015. www.mais.nrw.de Seite 1 Bevölkerung / Demografie 1.1 Bevölkerung mit Migrationshintergrund und 2014 nach Geschlecht 2 1.2 Bevölkerung
Mehrmeinungsraum.at September 2014 Radio Wien Schulischer Umgang mit Schwächen und Stärken
meinungsraum.at September 2014 Radio Wien Schulischer Umgang mit Schwächen und Stärken Seite 1 Inhalt 1. Studienbeschreibung 2. Ergebnisse 3. Summary 4. Stichprobenbeschreibung 5. Rückfragen/Kontakt Seite
MehrVerbessert Bildung den Gesundheitszustand? Ergebnisse für die Bildungsexpansion in West-Deutschland
Verbessert Bildung den Gesundheitszustand? Ergebnisse für die Bildungsexpansion in West-Deutschland Hendrik Jürges, MEA Steffen Reinhold, MEA Martin Salm, Universität Tilburg Siebte Jahreskonferenz des
MehrArbeitszeitwünsche von Frauen und Männern wovon hängen sie ab?
WSI-Herbstforum 2014 Arbeitszeiten der Zukunft: Selbstbestimmt, geschlechtergerecht, nachhaltig! Herausforderungen für die Arbeitszeitpolitik Arbeitszeitwünsche von Frauen und Männern wovon hängen sie
MehrMai Pensionsvorsorge
Mai 2014 Pensionsvorsorge Umfrage-Basics/ Studiensteckbrief: _ Methode: Computer Assisted Web Interviews (CAWI) _ Instrument: Online-Interviews über die Marketagent.com research Plattform _ Respondenten:
MehrBLAST. Datenbanksuche mit BLAST. Genomische Datenanalyse 10. Kapitel
Datenbanksuche mit BLAST BLAST Genomische Datenanalyse 10. Kapitel http://www.ncbi.nlm.nih.gov/blast/ Statistische Fragen Datenbanksuche Query Kann die globale Sequenzähnlichkeit eine Zufallsfluktuation
MehrKapitel ML:IV (Fortsetzung)
Kapitel ML:IV (Fortsetzung) IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-18 Statistical Learning c STEIN 2005-2011 Satz 3 (Bayes)
MehrChapter 1 : þÿ b e t a t h o m e a k t i e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e a k t i e c h a p t e r þÿ W i l l & n b s p ;. b e t - a t - h o m e b i e t e t m i t s e i n e m C a s i n o B o n u s C o d e e i n e n i n t e r e s s a n t e n b
Mehr