Schrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination
|
|
- Victor Lange
- vor 6 Jahren
- Abrufe
Transkript
1 TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS /1 Verfahren und Kriterien Partielle Korrelationskoeffizienten Partieller F-Test Standardisierte partielle Regressionskoeffizienten und partieller t-test F-to-enter und F-to-remove t- und F-Verteilung bei einem Zählerfreiheitsgrad Multikollinearität Vorwärtsauswahl und Rückwärtselimination
2 Preis Gewicht Leistung Drehmoment Hubraum Zins Hersteller Modell [DM] [kg] [kw] [Nm] [cm ] [%] Audi A Audi A Audi A Audi A BMW 16i BMW 18i BMW 2i BMW 2i BMW 28i Wie viele Regressoren sind nötig, um den Preis mit hinreichender Genauigkeit zu schätzen? Welche Regressoren sollen in das lineare Modell aufgenommen werden? Erhöht die Aufnahme eines zusätzlichen Regressors das Bestimmtheitsmaß signifikant? Verfahren: Sukzessive Aufnahme von Variablen, die das Bestimmtheitsmaß signifikant erhöhen oder Sukzessive Entfernung von Variablen, die keinen signifikanten Einfluß auf die Regression haben Kriterien: Partielle Korrelationskoeffizienten Partieller F-Test Standardisierte partielle Regressionskoeffizienten und partieller t-test
3 über partielle Korrelationen Aufnahme der Variablen mit dem größten Korrelationskoeffizienten Sukzessive Aufnahme der Variablen mit dem betragsmäßig größten partiellen Korrelationskoeffizienten über partiellen F-Test Aufnahme der Variablen mit dem größten Korrelationskoeffizienten Aufnahme der Variablen mit dem größten F -Wert des par- tiellen F-Tests Aufnahme von Variablen, solange F > F-to-enter und Elimi- nation, wenn F < F-to-remove Faustregel: F-to-enter = F-to-remove bei " = 5% ca. 4 über standardisierte Regressionskoeffizienten und partiellen t-test Aufnahme der Variablen mit dem größten Korrelationskoeffizienten Aufnahme der Variablen mit dem größten t -Wert des par- tiellen t-tests oder dem kleinsten p-wert Aufnahme von Variablen, solange t > t bzw. p-wert n-m-1;1-"/2 <.5 Faustregel: Kritische t-fraktile ungefähr 2 bei " = 5%, da t ' F und t n&m&1;1&"/2 ' F 1,n&m&1;1&" 1. Schritt: Aufnahme der Motorleistung in die Gleichung Partieller Korrelationskoeffizient: r x,y.z ' r x,y &r y,z (1&r 2 x,z )@(1&r 2 y,z ) r DM,kg.kW r DM,Nm.kW ' ' Autopreise Partielle Korrelationen MTB > Correlation 'DM'-'%'. Correlations (Pearson) DM kg kw Nm cm^ kg.975 kw Nm cm^ % &.985@.948 '.751 (1& )@(1& ).965&.985@.98 '&.1 (1& )@(1&.98 2 ) r DM,cm.kW '.99&.985@.947 '.112 (1& )@(1& ) r DM,%.kW ' &.184&.985@(&.58) '&,76 (1& )@(1&(&.58) 2 ) 2. Schritt: Aufnahme des Gewichts in die Gleichung usw.
4 Partieller F-Test Autopreise Partieller t-test MTB > Center 'DM'-'%'. MTB > Correlation 'DM'-'%'. Correlations (Pearson) DM kg kw Nm cm^ kg.975 kw Nm cm^ % MTB > Regress 'DM' 2 'kw' '2. Variable'. seq SQ MQRest F F1,6;.95 kg Nm cm % MTB > Regress 'DM' 'kw' 'kg' '. Variable'. seq SQ MQRest F F1,5;.95 Nm cm % Regressionsgleichung: DM = kw kg MTB > Center 'DM'-'%'. MTB > Correlation 'DM'-'%'. Correlations (Pearson) DM kg kw Nm cm^ kg.975 kw Nm cm^ % MTB > Regress 'DM' 2 'kw' '2. Variable'. Koeffizient t t p 6;.975 kg!.45! Nm!.78! cm!.64! %!.128! MTB > Regress 'DM' 'kw' 'kg' '. Variable'. Koeffizient t t p 5;.975 Nm!.496! cm!.199! %!.78! Regressionsgleichung: DM = kw kg
5 Regression DM(kW,kg) - standardisiert Autopreise Multiple Regression MTB > Regress 'DM' 2 'kw' 'kg'. Regression Analysis The regression equation is DM = kw +.45 kg Predictor Coef StDev T P Constant kw kg S =.18 R-Sq = 98.7% R-Sq(adj) = 98.2% Analysis of Variance Source DF SS MS F P Regression Error Total 8 8. Source DF Seq SS kw kg MTB > Regress 'DM' 5 'kg' - '%'. Regression Analysis The regression equation is DM = kg kw Nm cm^ % Predictor Coef StDev T P Constant kg kw Nm cm^ % S = R-Sq = 99.7% R-Sq(adj) = 99.1% Analysis of Variance Source DF SS MS F P Regression Error Total Source DF Seq SS kg kw Nm cm^ 1 17 %
6 MTB > Stepwise 'DM' 'kg' - '%'. Stepwise Regression F-to-Enter: 4. F-to-Remove: 4. Response is DM on 5 predictors, with N = 9 Step 1 2 Constant kw T-Value kg 55 T-Value 2.72 S R-Sq More? (Yes, No, Subcommand, or Help) SUBC> fenter ; SUBC> fremove. Step 4 Constant kw -12 T-Value -.12 kg T-Value Nm 64 6 T-Value S R-Sq More? (Yes, No, Subcommand, or Help) SUBC> no Betriebseinkommen MTB > Retrieve "BEINKOMM.MTW". Retrieving worksheet from file: BEINKOMM.MTW Worksheet was saved on :55:2 Current worksheet: BEINKOMM.MTW MTB > Print 'BE'-'GV'. Data Display Row BE LN AK FamAK FreAk GV : : : : : : : : : : : : : :
7 Betriebseinkommen MTB > Stepwise 'BE' 'LN'-'GV'; SUBC> FEnter 4; SUBC> FRemove 4; SUBC> Constant. Stepwise Regression F-to-Enter: 4. F-to-Remove: 4. Response is BE on 5 predictors, with N = 8 Step 1 2 Constant GV T-Value LN T-Value AK 5156 T-Value 4.8 S R-Sq More? (Yes, No, Subcommand, or Help) SUBC> no Vorwärtsauswahl und Rückwärtselimination Vorwärtsauswahl Aufnahme der Variablen mit dem höchstem Korrelationskoeffizienten Schrittweise Aufnahme von Variablen, deren F -Wert größer ist als F-to-enter Variable, die bereits in der Gleichung ist, wird nicht wieder entfernt F-to-remove = Rückwärtselimination Aufnahme aller Variablen Schrittweise Elimination von Variablen, deren F -Wert klei- ner ist als F-to-remove Variable, die einmal entfernt wurde, wird nicht wieder aufgenommen F-to-enter extrem groß Regressionsgleichung: BE = GV LN AK
Clusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
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
MehrFORD RANGER Ranger_2013.5_Cover_V2.indd 1 12/02/2013 12:59
FORD RANGER 1 2 3 4 5 1.8 m3 6 7 8 9 10 11 3 7 8 5 1 2 4 6 9 10 12 13 3500kg 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 [Nm] 475 450 425 400 375 350 325 [kw] [PS] 180 245 165 224 150 204 135 184
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
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
Mehr2 3 4 5 6 7 8 9 10 11 [Nm] 350 330 310 290 270 250 230 210 190 170 150 130 110 90 70 [Nm] 400 380 360 340 320 130 PS 110 PS 85 PS 50 1000 1500 2000 2500 3000 3500 4000 RPM [kw] [PS] 100 136 0 4500 90 122
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrDarstellung der Rotation 2,85 / 0,08 1 / 3,5 3,62 / 0,40. α = 67,76 -1 / -1 -2,08 / 0,23-1,30 / 0,55
Darstellung der Rotation 2,85 /,8 1 / 3,5 3,62 /,4 α = 67,76-1 / -1-2,8 /,23-1,3 /,55 Material für die Übungen zur Hauptkomponenten- und Faktoranalyse Principal Components Analysis Analysis Summary Data
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrLufft UMB Sensor Overview
Lufft Sensor Overview Wind Radiance (solar radiation) Titan Ventus WS310 Platinum WS301/303 Gold V200A WS300 WS400 WS304 Professional WS200 WS401 WS302 Radiance (solar radiation) Radiation 2 Channel EPANDER
MehrEtherNet/IP Topology and Engineering MPx06/07/08VRS
EtherNet/IP Topology and Engineering MPx06/07/08VRS 3 1. Engineering via free EtherNet/IPTM-Port of a device on Bus from MPx07V10 2. Engineering via optional Industrial-Ethernet-Switch 3. Engineering via
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
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrAuswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0
Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0??? Curt Ronniger 2007 Bei Neueinstieg in das Programm, sollte zunächst die Dokumentation XSelDoE10.pdf gelesen werden.
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
Mehr3 Zusammenhangsmaße Zusammenhangshypothesen
3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
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
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
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
Mehr10. Datenbanken und DBI Ties BerkeleyDB Datenbanken und DBI Oracle, Mysql und Proxy Server Ties tie
tie TIESCALAR, FETCH, STORE, DESTROY FIRSTKEY, NEXTKEY... tie $var, $class, @args; $class->tiescalar @args; # constructor $var untie $var; Tie::Scalar, Tie::Hash, Tie::DBI DB_File, BerkeleyDB perldoc perltie
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrAssessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM)
Assessment of disgn-flows in water management, Classical methods, nonstationary and multidimensional extensions of Extreme Value Modeling (EVM) Dr. Winfried Willems, IAWG Outline Classical Approach, short
MehrPCIe, DDR4, VNAND Effizienz beginnt im Server
PCIe, DDR4, VNAND Effizienz beginnt im Server Future Thinking 2015 /, Director Marcom + SBD EMEA Legal Disclaimer This presentation is intended to provide information concerning computer and memory industries.
MehrManagement Information System SuperX status quo and perspectives
Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting
MehrVortrag von Wolny B. am 4.11.2009
PHOTOSYNTHESE Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE (SCHÜLLER, TEIGE WS2008) Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE (SCHÜLLER, TEIGE WS2008) Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE
MehrEinleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25
Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen
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
MehrVorlesung 15.11.2013 Inhaltsverzeichnis. Einfache Rechnungen
Vorlesung 15.11.2013 Inhaltsverzeichnis 1. 2. 3. 4. 5. 6. 7. Einfache Rechnungen Hilfe! Gleitkommazahlen Formales Rechnen Polynome Lösen von Gleichungen Endliche Körper Einfache Rechnungen Sage kann alles,
MehrAM 25 Parameter / Basic data
AM 25 Parameter / Basic data MB-brzdný moment / holding torque / Haltemoment J - moment setrvaènosti / moment of inertia / Trägheitsmoment m- hmotnost / weigth / Gewicht n - max. otáèky / max. speed /
MehrJENOPTIK. Geschwindigkeitsmessungen mit Lasertechnologie. Referent: Wolfgang Seidel
JENOPTIK Geschwindigkeitsmessungen mit Lasertechnologie Referent: Wolfgang Seidel Jenoptik-Konzern Überblick Konzernstruktur Corporate Center Laser & Materialbearbeitung Optische Systeme Industrielle Messtechnik
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
Mehrlogin: password: exit logout Strg+Alt+Backspace passwd passwd $ passwd Changing password for user (current) UNIX password: New UNIX password: Retype new UNIX password: passwd: all authentication tokens
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
MehrVirtual PBX and SMS-Server
Virtual PBX and SMS-Server Software solutions for more mobility and comfort * The software is delivered by e-mail and does not include the boxes 1 2007 com.sat GmbH Kommunikationssysteme Schwetzinger Str.
MehrProbabilistic LCF - investigation of a steam turbine rotor under transient thermal loads
Probabilistic LCF - investigation of a steam turbine rotor Dipl. -Ing. David Pusch TU Dresden Professur für Turbomaschinen und Strahlantriebe Prof. Konrad Vogeler Dr. Ralf Voß Siemens AG Steam Turbines
MehrSAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2)
SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2) Karl Verfondern Research Center Jülich, Germany 2 nd European Summer School on Hydrogen Safety Belfast, July 30 August 8, 2007 Types of Cryogen Release
MehrPLUG & PLAY PERFORMANCE TUNING
PLUG & PLAY PERFORMANCE TUNING Die Elektronik des REMUS Powerizers verbessert in Echtzeit die Motorsteuerung. Sie optimiert die Kennfelder mehrmals pro Sekunde und sorgt dadurch für eine deutliche Steigerung
MehrPrädikatenlogik in der Praxis. Richard Cubek (Teil der Master Thesis, 2011)
Richard Cubek (Teil der Master Thesis, 2011 Übersicht Symbolische Repräsentationen in der KI Planning Domain Definition Language (PDDL Anwendungsbeispiel aus der Servicerobotik Symbolische Repräsentationen
MehrMMI 2: Mobile Human- Computer Interaction Übung 3
MMI 2: Mobile Human- Computer Interaction Übung 3 Prof. Dr. michael.rohs@ifi.lmu.de Mobile Interaction Lab, LMU München Motor System: Fitts Law Directed movement as an information processing task Not limited
Mehr2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) Lernziele TQU BUSINESS GMBH 1
TQU BUSINESS GMBH 2K-VOLLFAKTORIELLE VERSUCHSPLÄNE (FULL FACTORIALS) 2 Lernziele Sie kennen die Nomenklatur für 2k-faktorielle Versuche (Versuchsdesigns mit zwei Faktorstufen). Sie können in Minitab 2k-vollfaktorielle
MehrBiostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH
Biostatistische Studienplanung II Dr. Matthias Kohl SIRS-Lab GmbH Inhalt Lineare Modelle: Definition und Beispiele KQ- und robuste Schätzer Diagnostik Ausblick: Mixed-Effects Definition des linearen Modells
MehrWas wollen wir mit den statistischen Methoden erreichen?
Was wollen wir mit den statistischen Methoden erreichen? Lösung betrieblicher Probleme: enkung der Kosten, Erhöhung der Fähigkeiten durch statistische Prozessanalyse und Prozessverbesserung, Qualifizierung
MehrMonod-Kinetik. Peter Bützer
Monod-Kinetik Peter Bützer Inhalt 1 Einleitung... 1 1.1 Modell... 1 1.2 Modellannahmen... 2 1. Gleichung... 2 1.4 Drei Fälle... 2 Simulation, Systemdynamik... 2.1 Simulationsdiagramm (Typ 1)... 2.2 Dokumentation
MehrAccounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe
Accounting course program for master students Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe 2 Accounting requires institutional knowledge... 3...but it pays: Lehman Bros. Inc.,
Mehr3 4 5 6 7 8 9 2 63 10 11 12 13 14 15 16 17 18 19 20 21 85 PS 22 23 [Nm] 350 330 310 290 270 250 230 210 190 170 150 130 130 PS 110 110 PS 90 70 50 1000 1500 2000 2500 3000 3500 4000 RPM [Nm] 400 380 360
MehrPower-Efficient Server Utilization in Compute Clouds
Power-Efficient Server Utilization in Compute Clouds 1/14 Overview 1. Motivation 2. SPECpower benchmark 3. Load distribution strategies 4. Cloud configuration 5. Results 6. Conclusion 2/14 1. Motivation
MehrVersteckte Effizienz. Audi A4 ultra und Audi A5 ultra.
Versteckte Effizienz. Audi A4 ultra und Audi A5 ultra. Verborgene Qualitäten. Effizienz, die Sie erleben müssen. Sie müssen ultra nicht sehen, um ultra zu erleben. Denn ultra arbeitet im Verborgenen. ultra
MehrKlausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Matrikelnummer Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Prof. Dr. Marco Wilkens
MehrSönke Albers Bernd Skiera Regressionsanalyse Februar 1998
Sönke Albers Bernd Skiera Regressionsanalyse Vorabversion des Beitrags: Albers, S. / Skiera, B. (1999), "Regressionsanalyse", in: Herrmann, A. / Homburg, C. (Hrsg.), "Marktforschung. Grundlagen - Methoden
MehrMercedes-Benz E 220 CDI BlueEFFICIENCY Cabriolet
Mercedes-Benz E 220 CDI BlueEFFICIENCY Cabriolet Hubraum cm³ 2143 Bohrung x Hub mm 83,0 x 99,0 Nennleistung kw (PS) 125 (170) bei 3000-4200/min Nenndrehmoment Nm 400 bei 1400-2800/min Verdichtungsverhältnis
MehrEffizienz im Vor-Ort-Service
Installation: Anleitung SatWork Integrierte Auftragsabwicklung & -Disposition Februar 2012 Disposition & Auftragsabwicklung Effizienz im Vor-Ort-Service Disclaimer Vertraulichkeit Der Inhalt dieses Dokuments
MehrPRO SCAN WASSERANALYSE PER SMARTPHONE WATER ANALYSIS BY SMARTPHONE ANALYSE DE L EAU PAR SMARTPHONE
N02 WASSERANALYSE PER SMARTPHONE WATER ANALYSIS BY SMARTPHONE ANALYSE DE L EAU PAR SMARTPHONE NO 2 NO 3 ph Cl 2 CO 2 ANALYSE DIAGNOSE LÖSUNG ANALYSIS DIAGNOSIS SOLUTION THE NEW GENERATION ph KH GH N03
MehrIntegration of a CO 2 separation process in a coal fired power plant
Integration of a CO 2 separation process in a coal fired power plant, Hans Fahlenkamp, Bernhard Epp Technische Universität Dortmund *AiF 15234 N: CO 2 Druckgaswäsche mit Membrankontaktoren Forschungsstellen:
MehrDTS Systeme. IT Dienstleistungen das sind wir! Joseph Hollik. Tech. Consulting, Projektmanagement DTS Systeme GmbH
DTS Systeme IT Dienstleistungen das sind wir! Joseph Hollik Tech. Consulting, Projektmanagement DTS Systeme GmbH Warum virtualisieren? Vor- und Nachteile Agenda Was ist Virtualisierung? Warum virtualisieren?
MehrThe Single Point Entry Computer for the Dry End
The Single Point Entry Computer for the Dry End The master computer system was developed to optimize the production process of a corrugator. All entries are made at the master computer thus error sources
Mehrhttp://www.stud.uni-potsdam.de/~hoeffi/gdb.html#wozu
gdb: debugging code In der Vorlesung hatte ich Teile von http://www.stud.uni-potsdam.de/~hoeffi/gdb.html#wozu und ein eigenes Beispiel diskutiert. Ein Debugger soll helfen Fehler im Programm, die sich
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
MehrDescription of version PASO MD2
Deutscher Text folgt nach dem englischen Text ----------------------------------------------------------------------- English text Description of version PASO MD2 Version 2.1.0.2 (25.11.2015) - Error with
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrDie Datenmanipulationssprache SQL
Die Datenmanipulationssprache SQL Daten eingeben Daten ändern Datenbank-Inhalte aus Dateien laden Seite 1 Data Manipulation Language A DML statement is executed when you Add new rows to a table Modify
MehrEinsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation
Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme
MehrAlgorithmische Modelle als neues Paradigma
Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN
MehrLINGO: Eine kleine Einführung
LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrRestschmutzanalyse Residual Dirt Analysis
Q-App: Restschmutzanalyse Residual Dirt Analysis Differenzwägeapplikation, mit individueller Proben ID Differential weighing application with individual Sample ID Beschreibung Gravimetrische Bestimmung
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrGefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrPraktikum Entwicklung von Mediensystemen mit ios
Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp
MehrInstallation mit Lizenz-Server verbinden
Einsteiger Fortgeschrittene Profis markus.meinl@m-quest.ch Version 1.0 Voraussetzungen für diesen Workshop 1. Die M-Quest Suite 2005-M oder höher ist auf diesem Rechner installiert 2. Der M-Lock 2005 Lizenzserver
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrEinführung in QtiPlot
HUWagner und Julia Bek Einführung in QtiPlot 30. Juni 2011 1/13 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Inhaltsverzeichnis 1 Programmeinführung
MehrAgilo [1] ist ein auf Trac [2] basierendes Scrum [3] Tool. Im Folgenden soll eine kurze Überischt gegeben werden, wie Agilo benutzt wird.
AGILO HOWTO Agilo [1] ist ein auf Trac [2] basierendes Scrum [3] Tool. Im Folgenden soll eine kurze Überischt gegeben werden, wie Agilo benutzt wird. ROLLEN IM TEAM In Scrum hat jedes Teammitglied eine
MehrMehrgleichungsmodelle
Mehrgleichungsmodelle Stichwörter: Typen von Mehrgleichungsmodellen multivariates Regressionsmodell seemingly unrelated Modell interdependentes Modell Schätzen der Parameter Bestimmtheitsmass Spezifikationstests
MehrMul$media im Netz (Online Mul$media) Wintersemester 2014/15. Übung 02 (Nebenfach)
Mul$media im Netz (Online Mul$media) Wintersemester 2014/15 Übung 02 (Nebenfach) Mul=media im Netz WS 2014/15 - Übung 2-1 Organiza$on: Language Mul=ple requests for English Slides Tutorial s=ll held in
MehrFragen und Antworten zu Kapitel 18
Fragen und Antworten zu Kapitel 18 (1) Nennen Sie verschiedene Zielsetzungen, die man mit der Anwendung der multiplen Regressionsanalyse verfolgt. Die multiple Regressionsanalyse dient der Kontrolle von
MehrSAP Predictive Challenge - Lösung. DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015
SAP Predictive Challenge - Lösung DI Walter Müllner, Dr. Ingo Peter, Markus Tempel 22. April 2015 Teil II - Lösung Teil II-1: Fachbereich (automated mode) Teil II-2: Experte (PAL HANA) Teil II-3: Vergleich
Mehrleave: mov flag, 0 ; 0 in flag speichern: Lock freigeben ret
Sep 19 14:20:18 amd64 sshd[20494]: Accepted rsa for esser from ::ffff:87.234.201.207 port 61557 Sep 19 14:27:41 amd64 syslog-ng[7653]: STATS: dropped 0 Sep 20 01:00:01 amd64 /usr/sbin/cron[29278]: (root)
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrShock pulse measurement principle
Shock pulse measurement principle a [m/s²] 4.0 3.5 3.0 Roller bearing signals in 36 khz range Natural sensor frequency = 36 khz 2.5 2.0 1.5 1.0 0.5 0.0-0.5-1.0-1.5-2.0-2.5-3.0-3.5-4.0 350 360 370 380 390
Mehr