Multilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen
|
|
- Innozenz Heintze
- vor 6 Jahren
- Abrufe
Transkript
1 Multilevel Models for Change: Praktischer Umgang mit zeitlich nicht-äquidistanten Messungen Referat von Anna Zimmermann und Maria Engel Seminar Multilevel Models for Longitudinal Data (U. Altmann)
2 Gliederung 1. Wiederholung: Struktur von Quer- & Längsschnittdaten 2. Codierung der Zeit Beispiel für unterschiedliche Codierung 3. Welche Zeitcodierung ist die richtige? Anwendung verschiedener Zeitcodierungen 4. Datenbeispiel in SPSS 5. Zusammenfassung und Ausblick
3 1. Wiederholung: Struktur von Quer- & Längsschnittdaten Struktur von Querschnittsdaten Level 1: Y ij = 0 j + β1 j β Z + ε ij ij Level 2: β 0 j = γ 00 + u 0 j meist Annahme unkorrelierter Fehler β 1 j = γ 10 + u 1 j
4 1. Wiederholung: Struktur von Quer- & Längsschnittdaten Struktur von Längsschnittdaten (Growth Curve Models, GCM) Level 1: Y ij = 0 j + β1 j β t + ε ij ij Level 2: β β 0 j = γ 00 + u 0 1 j = γ 10 + u 1 j j Fehler können korrelieren Messfehler innerhalb einer Person zu verschiedenen Zeitpunkten können korrelieren z.b. Messung der Werte eines Kindes zu verschiedenen Zeitpunkten Was ist anders?
5 2. Codierung der Zeit Mögliche Probleme bei der Messung von Längsschnittdaten exakter Messzeitpunkt kann sich von Person zu Person unterscheiden die Anzahl der Erhebungswellen ist bei allen Personen gleich, aber der Abstand unterschiedlich außerdem sind die Abstände zwischen unterschiedlichen Messzeitpunkten nicht immer gleich zeitlich nicht-äquidistante Messungen
6 2. Codierung der Zeit Struktur zeitlich nicht-äquidistanter Messungen 3 temporale Variablen: Welle (WAVE) Alter (AGE) Altersgruppe (AGEGRP)
7 2. Codierung der Zeit temporale Variablen Welle: häufig verwendetes Maß meist äquidistante Zeitperioden angenommen (muss nicht erfüllt sein) besitzt wenig substantielle Bedeutung Alter: aktuelles Alter des Kindes variiert von Kind zu Kind Altersgruppe: erwartetes Alter zu diesem Messzeitpunkt
8 2. Codierung der Zeit Effekte der Zeitcodierung Abb.: Veränderung des PIAT-Wertes von 9 Probanden: + / Zielalter (AGEGRP) feste Zeitstruktur / beobachtetes Alter (AGE) keine feste Zeitstruktur (irregulär) liefert präzisere Informationen über das Kind zum Zeitpunkt des Tests
9 2. Codierung der Zeit Wie könnte man die Zeit codieren? Beispiel: mögliche Zeitcodierungen: Psychotherapie Erhebungswelle Mittlere Zeitabstände zwischen den Messungen Exakte Zeitabstände zwischen den Messungen Experiment Allgemeine Psychologie Erhebungswelle Mittlere Zeitabstände zwischen den Messungen Exakte Zeitabstände zwischen den Messungen
10 2.1 Beispiel für unterschiedliche Codierung Beispiel Klinik: idealer Therapieverlauf typischer Verlauf: Ankunft Entlassung Katamnese Welle 0 Welle 1 Welle 2 10 Wochen 1 Jahr Woche 0 Woche 10 Woche 62
11 2.1 Beispiel für unterschiedliche Codierung Beispiel Klinik: idealer Therapieverlauf β1j Codierung: Welle β1j Codierung: mittlerer Messzeitpunkt β1j Codierung: individueller Messzeitpunkt
12 2.1 Beispiel für unterschiedliche Codierung Beispiel Klinik: idealer Therapieverlauf Winkel entsprechen den Steigungskoeffizienten der Regressionsgeraden (β) mit unterschiedlicher Zeitcodierung ergeben sich unterschiedliche Winkel zwischen den Geraden unterschiedliche Steigungskoeffizienten gleiche Daten, aber unterschiedliche Interpretation (abhängig von Zeitcodierung)
13 3. Welche Zeitcodierung ist die richtige? Welche Zeitcodierung soll ich verwenden? Problem: es gibt keine Goldene Regel, mit der man DIE richtige Lösung herausfinden kann jede Zeitcodierung hat eigene Vor- und Nachteile:
14 3. Welche Zeitcodierung ist die richtige? Vor- und Nachteile der Zeitcodierungen Welle: äquidistante Zeitperioden angenommen Problem: meist liegen nicht-äquidistante Zeitperioden vor besitzt wenig substantielle Bedeutung Altersinformation liegt nicht vor oder ist nicht relevant relativ üblich bei Klinischen Daten (Ankunft Entlassung Katamnese) Altersgruppe (bzw. mittlerer Messzeitpunkt): theoriekonform (gleiche / feste Abstände zwischen den Messungen) Interpretationsschema vorhanden große Abweichung von empirisch vorhandenen Daten möglich Alter (bzw. individueller Messzeitpunkt): sehr gute Passung an die Daten kann von theoretischen Annahmen abweichen
15 3. Welche Zeitcodierung ist die richtige? Welche Zeitcodierung soll ich verwenden? Problem: es gibt keine Goldene Regel, mit der man DIE richtige Lösung herausfinden kann jede Zeitcodierung hat eigene Vor- und Nachteile überlegen, welche Variante am besten zu den Daten passt in den Diskussionsteil mit aufnehmen, was an der verwendeten Zeitcodierung problematisch ist! mögliche Hilfe: Modellvergleiche anwenden, um die Zeitcodierung zu finden, die den besten Modellfit aufweist trotzdem immer inhaltlich abwägen, welche Zeitcodierung im aktuellen Fall passend ist
16 3. Welche Zeitcodierung ist die richtige? Wichtig: Zentrierung der Zeitvariable wichtig: der Nullpunkt (t=0) muss in der Zeitcodierung enthalten sein und man muss wissen, was t=0 bedeutet nur dann sind die Parameter sinnvoll interpretierbar (Bsp.: Alter = 0 welche Lesefertigkeit hat ein Kind mit 0 Jahren?) Zentrierung der Zeitvariable (z.b. AGEGRP minus 6.5 zentriert auf erste Altersgruppe)
17 3.1 Anwendung verschiedener Zeitcodierungen Anwendung: Unconditional Growth Model Level 1: Y ij = 0i + π1 i π T + ε ij ij Yij PIAT-Score des Kindes i zur Messgelegenheit j Tij temporale Variable (zentriert auf Alter 6.5) Level 2: π + 0i = γ 00 ζ 0i 1i = γ 10 ζ 1i π + ε ij ~ N(0, 2 σ ε ) und ζ ζ 1 0i i ~ 0 σ 0 N, 0 σ 2 10 σ 01 2 σ 1
18 3.1 Anwendung verschiedener Zeitcodierungen y00 durchschnittlicher wahrer Anfangswert (mit 6.5 Jahren) y10 durchschnittliche jährliche Veränderungsrate 2 σ 0 2 σ 1 Variabilität in initialem Status (Anfangswert) Variabilität in jährlicher Veränderungsrate
19 3.1 Anwendung verschiedener Zeitcodierungen Ergebnisse unterschiedlicher Zeitcodierungen: > Varianz größer in AGEGRP-Modell warum? Grund: schlechtere Anpassung an Daten als bei Codierung AGE mehr unaufgeklärte Varianz Veränderungsrate bei AGEGRP höher Grund: bei Welle 2 & 3 frühere Zeitpunkte angenommen (8.5 J., 10.5 J.), als wirklich beobachtet wurden (AGE) selber Zuwachs in kürzerer Zeit ergibt steileren Steigungskoeffizienten > >
20 3.1 Anwendung verschiedener Zeitcodierungen Ergebnisse unterschiedlicher Zeitcodierungen: > > > > >
21 3.1 Anwendung verschiedener Zeitcodierungen Fazit: Modell mit Zeitcodierung AGE (genaues Alter bei Messung) ist in diesem Fall die geeignetere Codierung im Vergleich zur Codierung AGEGRP (erwartetes Alter zum Messzeitpunkt) man sollte Daten keine Struktur aufzwingen, die sie nicht haben
22 4. Datenbeispiel in SPSS SPSS Längsschnittliche Mehrebenenanalyse.1 Vorbereitung: Geschichtete Datenstruktur.2 Modellspezifikation und Auswahl Zeitvariable.3 Modellrechnung.4 Interpretation der Parameter
23 4. Datenbeispiel in SPSS.1 Datenstruktur Abbildung Datenfile Längsschnittdaten multivariat
24 4. Datenbeispiel in SPSS.1 Datenstruktur VARSTOCASES /MAKE INTIM FROM INTIM1 INTIM2 INTIM3 INTIM4 INTIM5 INTIM6 /MAKE EXCLU FROM EXCLU1 EXCLU2 EXCLU3 EXCLU4 EXCLU5 EXCLU6 /MAKE INTEN FROM INTEN1 INTEN2 INTEN3 INTEN4 INTEN5 INTEN6 /MAKE ALTER FROM ALTER1 ALTER2 ALTER3 ALTER4 ALTER5 ALTER6 /INDEX = WELLE /KEEP = PAAR_ID KIND_ID GENDER I_ALT
25 4. Datenbeispiel in SPSS.2 Modellspezifikation und Auswahl der Zeitvariable Modellspezifikation: Level 1: Yij = π0i + π1i (TIMEij) + rij Level 2: π0i = β00 + u0i π1i = β10 + u1i Variablen: Y ij ~ Intimität TIMEij ~ a. Welle_neu b. Alter_5
26 4. Datenbeispiel in SPSS.3 Modellrechnung a. MIXED INTIM WITH WELLE /PRINT = SOLUTION TESTCOV /METHOD = ML /FIXED = INTERCEPT WELLE /RANDOM = INTERCEPT WELLE SUBJECT(KIND_ID) COVTYPE(UN). b. MIXED INTIM WITH ALTER_5 /PRINT = SOLUTION TESTCOV /METHOD = ML /FIXED = INTERCEPT ALTER_5 /RANDOM = INTERCEPT ALTER_5 SUBJECT(KIND_ID) COVTYPE(UN).
27 4. Datenbeispiel in SPSS.4 Interpretation der Parameter s. WORD-Datei
28 5. Zusammenfassung und Ausblick Zusammenfassung Ausgangsproblem: Abstand zwischen den Messzeitpunkten unterschiedlich verschiedene Zeitcodierungen möglich jede Zeitcodierung hat eigene Vor- und Nachteile Trade-Off zwischen Passung an die Daten und Passung an die Theorie
29 5. Zusammenfassung und Ausblick Ausblick Referat beschäftigte sich mit zeitlich nichtäquidistanten Messungen weitere Herausforderungen: Kovariaten, die sich über die Zeit verändern ähnliche Überlegungen nötig unterschiedliche Anzahl an Messzeitpunkten bei unterschiedlichen Probanden Missing Data verschiedene Varianten der Zentrierung
30 Literatur: Judith D. Singer & John B. Willett (2003) Applied Longitudinal Data Analysis: Modeling Change and Event Occurrence (S ). Oxford: Oxford University Press. James L. Peugh & Craig K. Enders (2005) Using the SPSS Mixed Procedure to Fit Cross-Sectional and Longitudinal Multilevel Model. Educational and Psychological Measurement, Vol. 65, No. 5,
31 -lichen Dank für eure Aufmerksamkeit!
Referat von: Jan Bier, Constanze Neumann, Anika Matthes
Referat von: Jan Bier, Constanze Neumann, Anika Matthes 14.01.2010 Gliederung 1) Einführung in das Thema 2) Vorstellen der Multilevel Models for Change 3) Beispiel: Kinderfreundschaften 1. Einführung Längsschnittstudien/Longitudinal
MehrMixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrHierarchische lineare Modelle: Mehrebenenmodelle
Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr.
Mehr4 Longitudinaldaten und Repeated Measurements
4 Longitudinaldaten und Repeated Measurements Wir betrachten nun Versuche mit mehreren Individuen, an denen wiederholt Messungen durchgeführt werden. Wenn diese wiederholten Messungen über die Zeit hinweg
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
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrAfter Work Statistics
After Work Statistics Ulrike Grittner Annette Aigner Institute of Biometry and Clinical Epidemiology ulrike.grittner@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie
MehrInterdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09
Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
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
MehrOrdinale abhängige Variablen. Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
Kap. 6: Ordinale abhängige Variablen Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick 6.1 Einführung Typische ökonomische Beispiele für ordinale abhängige Variablen: Bildungsniveau
MehrImputation (Ersetzen fehlender Werte)
Imputation (Ersetzen fehlender Werte) Gliederung Nonresponse bias Fehlende Werte (missing values): Mechanismen Imputationsverfahren Überblick Mittelwert- / Regressions Hot-Deck-Imputation Row-Column-Imputation
MehrMeta-Regression in klinischen. Studien. Hintergrund und Anwendung in SAS. Meike Hastert Mareike Herrmann
Meta-Regression in klinischen Studien Hintergrund und Anwendung in SAS Meike Hastert Mareike Herrmann Gliederung Meta-Regression im Allgemeinen Statistischer Hintergrund Anwendung mit SAS Output Interpretation
MehrTreatment-Evaluationsproblematik
Treatment-Evaluationsproblematik Seminarvortrag Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten 23.01.2015 Betreuer: Prof. Dr. Thomas Augustin Institut für Statistik
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
MehrKorrelation, Regression und Signifikanz
Professur Forschungsmethodik und Evaluation in der Psychologie Übung Methodenlehre I, und Daten einlesen in SPSS Datei Textdaten lesen... https://d3njjcbhbojbot.cloudfront.net/api/utilities/v1/imageproxy/https://d15cw65ipcts
MehrMEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
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
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrMasse des Top-Quarks
Einleitung Masse des Top-Quarks Julius Förstel Fakultät für Physik und Astronomie, Ruprecht-Karls-Universität Heidelberg Seminar Präzisionsexperimente der Teilchenphysik 16. Mai 2014 Julius Förstel Masse
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrLängsschnittdaten und Mehrebenenanalyse
Köln Z Soziol (014) (Suppl) 66:189 18 DOI 10.1007/s11577-014-06-9 Längsschnittdaten und Mehrebenenanalyse Georg Hosoya Tobias Koch Michael Eid Springer Fachmedien Wiesbaden 014 Zusammenfassung In dem vorliegenden
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrKlassische Testtheorie (KTT) Klassische Testtheorie (KTT) Klassische Testtheorie (KTT)
Klassische Testtheorie (KTT) Die KTT stellt eine Sammlung von Methoden dar, die seit Beginn des vorigen Jahrhunderts zur exakten und ökonomischen Erfassung interindividueller Unterschiede entwickelt wurden.
MehrU N I V E R S I T Ä T S M E D I Z I N B E R L I N. After Work Statistics
U N I V E R S I T Ä T S M E D I Z I N B E R L I N After Work Statistics Institut für Biometrie und klinische Epidemiologie Wir sind Hilfsbereit und nett! als Wissenschaftler aktiv in der statistischen
MehrFreunde Dich mit Deinen Daten an (Making
Seminar 12644: Methoden theoriegeleiteter gesundheitspsychologischer Forschung Freunde Dich mit Deinen Daten an (Making friends with your data) Urte Scholz & Benjamin Schüz www.fu-berlin.de berlin.de/gesund/
MehrEin Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen
Ein Vergleich von 2-Stichproben-Verfahren mit Berücksichtigung von Baselinewerten bei ordinalen Zielvariablen Alexander Siemer Abteilung Medizinische Statistik Universität Göttingen 47. Biometrisches Kolloquium
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
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrEinfache lineare Regression. Statistik (Biol./Pharm./HST) FS 2015
Einfache lineare Regression Statistik (Biol./Pharm./HST) FS 2015 Wdh: Korrelation Big picture: Generalized Linear Models (GLMs) Bisher: Population wird mit einer Verteilung beschrieben Bsp: Medikament
MehrIst IQ = IQ? Vergleichbarkeit von Intelligenztestergebnissen bei Kindern. Dr. Priska Hagmann-von Arx, 29. Juni 2018
Ist IQ = IQ? Vergleichbarkeit von Intelligenztestergebnissen bei Kindern Dr. Priska Hagmann-von Arx, 29. Juni 2018 2 Übersicht 1 Theoretische Überlegungen 2 Studie (Hagmann-von Arx, Lemola & Grob, 2016)
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
MehrMessmodelle in der Lehrevaluation
Messmodelle in der Lehrevaluation Einfluss der hierarchischen Struktur auf den Modellfit für Instrumente der Lehrevaluation Erik Sengewald & Anja Vetterlein Zwischenbilanz Universitätsprojekt Lehrevaluation
MehrKlassische Testtheorie (KTT) Klassische Testtheorie (KTT) Klassische Testtheorie (KTT)
Klassische Testtheorie (KTT) Die KTT stellt eine Sammlung von Methoden dar, die seit Beginn des vorigen Jahrhunderts zur exakten und ökonomischen Erfassung interindividueller Unterschiede entwickelt wurden.
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrAnwendung von Multi-Level Moderation in Worst Performance Analysen
Anwendung von Multi-Level Moderation in Worst Performance Analysen Präsentation auf der FGME 2015 - Jena Gidon T. Frischkorn, Anna-Lena Schubert, Andreas B. Neubauer & Dirk Hagemann 16. September 2015
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
Mehr1 Matrixdarstellung von Strukturgleichungsmodellen
Matrixdarstellung von Strukturgleichungsmodellen. Einführung Ein in Mplus mit Hilfe der Syntax-Statements spezifiziertes Modell wird zur Modellschätzing in Matrizenform repräsentiert. Aus diesen Matrizen
Mehr2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrTesttheorie und Gütekriterien von Messinstrumenten. Objektivität Reliabilität Validität
Testtheorie und Gütekriterien von Messinstrumenten Objektivität Reliabilität Validität Genauigkeit von Messungen Jede Messung zielt darauf ab, möglichst exakte und fehlerfreie Messwerte zu erheben. Dennoch
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Mehriid N(0, σ 2 ), b i, ε ij unabhängig i, j
Aufgabe 2 Betrachten Sie erneut den Datensatz zum Blutdruck. Als Signifikanzniveau wird in dieser Aufgabe α = 5% verwendet. (a) Fitten Sie folgendes Modell in R, wobei gender i = 0, falls Person i weiblich
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
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
MehrAfter Work Statistics
After Work Statistics Maja Krajewska Institute of Biometry and Clinical Epidemiology maja.krajewska@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrLISREL-Beispiel zum Kapitel 15: Latent-State-Trait-Theorie
LISREL-Beispiel zum Kapitel 15: Latent-State-Trait-Theorie Augustin Kelava und Karin Schermelleh-Engel 22. Februar 2010 Inhaltsverzeichnis 1 Einleitung zum inhaltlichen Beispiel: Testängstlichkeit 1 2
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
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
MehrBerechnung von Strukturgleichungsmodellen mit Amos. Im folgenden kurze Einführung: Arbeiten mit Amos Graphics
Oliver Schiling Handout:: Amos 6.0 / Graphics 1 Berechnung von Strukturgleichungsmodellen mit Amos Was kann Amos? Klassische Strukturgleichungsmodelle (Kovarianzstrukturanalysen, Pfadmodelle mit/ohne latente
MehrGroße Fische im großen Teich? Die Veränderung des akademischen Selbstkonzepts bei Studienanfängern der Psychologie
Große Fische im großen Teich? Die Veränderung des akademischen Selbstkonzepts bei Studienanfängern der Psychologie Tom Rosman, Anne-Kathrin Mayer und Günter Krampen Leibniz-Zentrum für Psychologische Information
MehrMeta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien. Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011
Meta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011 Einführung Zunehmende Bedeutung von Meta-Analysen für
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrZufällige Tessellationen II: komplexere Modelle
Zufällige Tessellationen II: komplexere Modelle Seminar: Stochastische Geometrie und ihre Anwendungen Benjamin Lang Universität Ulm 15. Januar 2010 Ziel: Warum braucht man komplexere Modelle? angemessenes
MehrAnalysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: - Stichprobenziehung und Stichprobeneffekte Heute: -Gütekriterien I Rückblick Population und Stichprobe verschiedene Arten
MehrLineare Regression 2: Gute Vorhersagen
Lineare Regression 2: Gute Vorhersagen Markus Kalisch 23.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2,
MehrUli Monzel Universität des Saarlandes FR 5.3 Psychologie Seminar: Elektrophysiologie kognitiver Prozesse Dozentin: Nicola Ferdinand
Uli Monzel Universität des Saarlandes FR 5.3 Psychologie Seminar: Elektrophysiologie kognitiver Prozesse Dozentin: Nicola Ferdinand Definition EKP Extraktion von Komponenten aus dem EEG Identifikation
MehrTeil VIII Hypothesentests für zwei Stichproben
Woche 9: Hypothesentests für zwei Stichproben Teil VIII Hypothesentests für zwei Stichproben WBL 15/17, 22.06.2015 Alain Hauser Berner Fachhochschule, Technik und Informatik Berner
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
MehrDie Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrEmpirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrVerfahren zur Skalierung. A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie
Verfahren zur Skalierung A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie 1. Daten: z. Bsp. Rating-Skalen, sogenannte "Likert" - Skalen 2. Ziele 1. Eine Skalierung von Items
MehrMehr-Ebenen-Analyse II
Mehr-Ebenen-Analyse II Regressionsmodelle für Politikwissenschaftler Wie war das mit der Übung? Sie untersuchen den Zusammenhang zwischen der individuellen formalen Bildung (x), dem Ausländeranteil auf
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Datum Vorlesung 18.10.2006 Einführung 18.10.2006 Beispiele 25.10.2006 Daten 08.11.2006 Variablen Kontinuierliche
MehrForschungsmethoden VORLESUNG SS 2017
Forschungsmethoden VORLESUNG SS 2017 SOPHIE LUKES Überblick Letzte Woche: - Stichprobenziehung und Stichprobeneffekte Heute: -Gütekriterien I Rückblick Population und Stichprobe verschiedene Arten der
MehrÜberblick über die ProbabilistischeTesttheorie
Überblick über die ProbabilistischeTesttheorie Schwächen der Klassischen Testtheorie Axiome Theoretische Festlegungen nicht überprüfbar! Einige sind kontraintuitiv und praktisch nicht haltbar Stichprobenabhängigkeit
MehrKindern mit Leukämie in Deutschland,
Raum-zeitliche Analyse von Kindern mit Leukämie in Deutschland, 1987-2007 Arbeitstagung Bayes-Methodik, räumliche Statistik, Ökologie und Umwelt Sven Schmiedel, Peter Kaatsch, Maria Blettner, Joachim Schüz
MehrKinderbetreuung und die Erwerbstätigkeit von Müttern mit unterschiedlichen Bildungsabschlüssen. Ina Berninger
Kinderbetreuung und die Erwerbstätigkeit von Müttern mit unterschiedlichen Bildungsabschlüssen Ina Berninger Gliederung 1. Ausgangspunkt 2. Theorie 3. Daten a) Kinderbetreuung b) Individualdaten 4. Methode
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrEntwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis
Entwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis Ensio Hokka Problemstellung In vielen industriellen Regelapplikationen besteht die Notwendigkeit die Parametrisierung
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 6 2009 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den insendeaufgaben geprüften Lehrzielgruppen Lehrzielgruppe:
MehrAnalyse von Auswertungsserien mit mehrjährigen Fruchtarten
Analyse von Auswertungsserien mit mehrjährigen Fruchtarten Thomas Eckl-AVB VB-1 Ausgangslage Einjährig genutzte Fruchtarten Verfahren zur Serienauswertung (Hohenheim-Gülzower Methode) ausgelegt für einjährig
MehrMETHODENPRAKTIKUM II Kurs 1. Prof. Dr. Beat Fux SUZ Frühlingssemester 2009
METHODENPRAKTIKUM II Kurs 1 Prof. Dr. Beat Fux SUZ Frühlingssemester 2009 Ziel der Faktorenanalyse Struktur hinter den Korrelationen zwischen Variablen entdecken Reduzierung einer Vielzahl von Variablen
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrMehrebenenanalyse mit SPSS: Grundlagen und Erweiterungen
Fakultät für Humanwissenschaften Sozialwissenschaftliche Methodenlehre Prof. Dr. Daniel Lois Mehrebenenanalyse mit SPSS: Grundlagen und Erweiterungen Stand: April 2015 (V2.0) Inhaltsverzeichnis 1. Mehrebenenanalyse:
Mehr