b Example: Shrinked blood vessels Y : shrinked: yes (1) / no (0) erkl.: Breath Volume (Vol) and Frequency (Rate) Ziel: P Y = 1 Vol,Rate modellieren!
|
|
- Gitta Tiedeman
- vor 6 Jahren
- Abrufe
Transkript
1 Logstc Regresson. Introducton Only partally translated at ths tme b Example: Shrnked blood vessels Y : shrnked: yes () / no () erkl.: Breath Volume (Vol) and Frequency (Rate) Zel: P Y = Vol,Rate modelleren!
2 c P Y= = h x (), x (2),..., x (m)
3 Rate Vol 2
4 3 P Y= = h x (), x (2),..., x (m) d Why s an ordnary lnear regresson nadequate? Y = β + βx () + β2x (2) βmx (m) + E What s the error term E? E Y = β + βx () + β2x (2) βmx (m) We have P Y= = E Y. Same form o.k. But: Estmated values may become < and >! Transformaton of Y? 2 values reman 2 values! Transformaton of E Y = P Y=!
5 4. e Modell. Logt-Funkton g π = log π π = log π log π g P Y= = log P Y = log P Y= = η η = β + βx () + β2x (2) βmx (m). η: lnearer Prädktor. f Bespel: g P Y = = Vol Rate.
6 5 Y
7 6. g Dskrmnanzanalyse: Y Gruppen-Zugehörgket X (j) multvarate Beobachtungen. Logstsche Regresson:. Schätzen: ˆπ 2. Zuordnen: Ŷ =, wenn ˆη > (ˆπ >.5)
8 . h Further Applcatons: 7 Toxkology: Toxc matter deadly for mce? What concentraton? Medcne: Treatment successful? Falure of (techncal) devces, Bugs n (techncal) products, Occurence of characterstcs n anmals or plants, clent scorng, General: 2 Groups.
9 8.2 Consderatons about the Model a Same flexblty as lnear regresson. Frequently: factors (nomnal varables) as explanatory v. b Example: Assessment of work stuaton. Y happy (), unhappy () X (j) Regon, Age, Gender, Race Only factor 2 k-cross table
10 NE Md-Atl. S Mdwest NW SW Pacfc total 9 unzufreden zufreden total
11 Hgher dmenson log-lnear models c Grupperte Daten: ml Beob. Y zu glechen x = xl: Ỹl = : x = xl Y Ỹk B mk, πk E Ỹl/ml = πl Logstsche Regresson: g πl = ηl
12 d Bespel Überleben von Frühgeburten. 247 Säuglnge. Erklärende Varable: Geburtsgewcht. Klassen von je g n Surv.no Surv.yes Weght
13 Y log(gewcht)
14 .2 e Transformerte Beobachtungen. E Ỹl/ml = πl, g πl = lnearer Prädktor. g Ỹl/ml lnearer Prädktor. 3 Was tun mt Yl/ml = oder =? g =, g =. Abhlfe: Emprsche Logts Zl = log Ỹl +.5 ml Ỹl +.5. Gewöhnlche multple Regresson mt Zl? Näherung.
15 emp.logt(y) 2 2 Max.Lkelhood Klenste Quadrate log(gewcht) Y
16 .2 f Interpretaton of Coeffcents? Need followng concepts: odds odds = P Y = P Y= π = /4 : odds :3 ( falure s 3 more frequent ) 5 log(odds)= g Y =, g: Logt-Funkton. log(odds)= η Wahrsch. π = g η = exp η +exp η. G : logstsche Funkton. Logstsche Regresson: log(odds) = lnearer Prädktor j β jx (j). π = logstsche Funkton j β jx (j).
17 .2 g Odds rato (Doppelverhältns): Verglech zweer Beobachtungen odds x log = log odds x log odds x2 odds x2 = η η2 = (x x2)β Koeffzent βj: Vergrösserung von x (j) um erhöht odds rato um Faktor e β j. 6 h Bespel Ader-Verengung: Wert für Vol =.5, Rate =.75 log(odds) = = 2.85 odds =.578, g ( 2.85) =.546 Verglech Vol =.5, Rate =.75: odds rato: e 3.88 = 48.4 odds = = 2.8, 2.8/3.8 =.73
18 7.2 Model wth Latent Varable = Schwellenwert-Modell x latente V. c
19 8 Z = x T β + E π = P Y= = P Z c = P = F E c x T β c ( ) β + β jx (j) j F : kumulatve Vertelungsfunkton des Zufallsfehlers E β = [ β c, β,..., βm] P Y= = g x T β mt g η = F η E logstsche Vt.: logstsche Regresson E Normal-Vt.: Probtmodell E Extremwertvt.: Komplementäres log-log Modell
20 9.3 Estmaton and Tests a Method of Maxmal Lkelhood. There are programs! b Log-Lkelhood: (m ) ll ỹ; β = log P Ỹ l = yl = log l π y l l l l ( π l) m l yl yl (m ) = log l + (y l log πl + (ml yl)log πl ) l l mt logt πl = x T β yl Ungrupp. Daten: ml =. ll ỹ; β = y= log π + y= log π.
21 .3 c* Schätzung: l ỹ; β / βj = y log πl l l βj = l = l ( yl πl + (ml yl) log π l βj ) πl (ml yl) πl βj yl( πl) (ml yl)πl πl( πl) = (y l mlπl) x (j) l l da dg η /dη = exp η /( + exp η ) 2 = π( π). 2 dg ηl x (j) l dηl Schätzglechung: l (y l ml πl) xl =
22 .3 f Bespel Ader-Verengung. Call: glm(formula = Y ~ Vol + Rate, famly = bnomal, data = d.adern) Devance Resduals:... Coeffcents: Value Std. Error z_appr. Pr(> z ) Sgnf (Intercept) ** Vol ** Rate ** 2 (Dsperson Parameter for Bnomal famly taken to be ) Null Devance: 54.4 on 38 degrees of freedom Resdual Devance: on 36 degrees of freedom Number of Fsher Scorng Iteratons: 5 Correlaton of Coeffcents: (Intercept) Vol Vol Rate
23 22.3 g Resduen-Devanz ( ) D y ; π = 2 ll (M) ll ỹ ; β. Maxmale errechbare Log-Lkelhood ( πl = yl/ml): ll (M) = l ( log (m ) l + yl log yl yl +(ml yl)log ml yl mllog ml ). h Modelle verglechen: Lkelhood-Rato-Tests. Test-Statstk: D y; π (K), π (G) = D y; π (K) D y; π (G) = 2(ll (G) ll (K) ) asymptotsch chquadrat-vertelt, wenn das klene Modell stmmt.
24 .3 Resduen-Devanz verglecht geschätztes Modell mt max. Mod. Anpassungstest Achtung: Geht nur be ncht zu klenen ml grupp. Daten. 23 j Klenstes Modell: π für alle Beobachtungen glech. ll () = (m l log ) l + log yl π l y l + nlog π mt π = l y l/n. Null-Devanz: D y; π = 2 ( ll (M) ll ()) Gesamt-Test für das Modell. (H: alle βs =!)
25 24.4 Resduen-Analyse a Rohe Resduen (response resduals) Rl = Ỹl/ml πl, πl = g x T l β Pearson resduals: R (P) l = Rl/ π l( πl)/ml Devance resduals: Betrag der -ten Beobachtung zur Devanz Workng resduals: Berechnung der logst. Regr. va teratv gewchtete Kl.Qu. (vgl. nchtln. Regr.) lneare Näherung Resduen : workng resduals. b Grafsche Darstellungen: Q-Q- (normal) plot mest unnütz!
26 Response Resduen geschätztes π lnearer Prädktor.5..5 Arbets Resduen 5 5 () () c Tukey-Anscombe-Dagramm: Rohe Res. / geschätzte π oder Arbetsres. / ln. Prädktor braucht Glättung..4 25
27 Response Resduen geschätztes π
28 .4 e 27 Partal resdual plots : Effekte von x(j) (= βjx (j) Konst.) plus geegnete Resduen gegen x (j).
29 28 Resduals 5 5 Resduals Apgar ph Resduals Gewcht Alter Resduals 5 5 Y ~ log(gewcht) + Alter + Apgar Jul 2,/2:34
30 29 regr regr(formula = Survval ~ Weght + Age + Apgar, data = t.d, famly = bnomal) Terms: coef stcoef t.rato df Ch2 p.value (Intercept) NA NA NA NA Weght Age Apgar devance df p.value Model Resdual NA Null NA Dsperson parameter taken to be. Famly s bnomal. AIC: Number of Fsher Scorng teratons: 5
31 3 res( Y ) res( Y ) sequence Gewcht Resduals Lnear Predctor hat dagonal st.res( Y ) Y~Gewcht + Alter + Apgar Jul 5,/5:4
32 3 Resduals Resduals Apgar ph Resduals Alter Apgar Resduals Y ~ Gewcht + Alter + Apgar Jul 5,/5:5
33 32 Call: regr(formula = cbnd(survval., Survval.) ~ Weght, data = t.d, famly = bnomal) Terms: coef stcoef t.rato df F p.value (Intercept) NA NA NA NA Weght devance df p.value Model Resdual Null NA Dsperson parameter estmated to be.555. Famly s bnomal. AIC: Number of Fsher Scorng teratons: 4
34 33 res( Y ) res( Y ) sequence Weght Resduals ftted hat dagonal 8 st.res( Y ) cbnd(survval., Survval.)~Weght Jun 4,/:43
EINFÜHRUNG IN DIE POISSON REGRESSION
INTERDISZIPLINÄRES SEMINAR STATISTISCHE VERFAHREN IN DEN GEOWISSENSCHAFTEN EINFÜHRUNG IN DIE POISSON REGRESSION VON MARGRET OELKER BETREUT DURCH VIOLA SVEJDAR MÜNCHEN, 5. NOVEMBER 2009. EINLEITUNG BEISPIEL
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrNormalisierung. 8. Expressionsdaten: Normalisierung. Normalisierung
ormalserung 8. Expressonsaten: ormalserung 1. Bologsche Frage. Expermentelles Desgn 3. Mcroarray-Experment 4. Blanalyse 5. ormalserung 6. Statstsche Analyse 7. Bologsche Verfkaton an Interpretaton Globale
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
Mehr3 Multiple lineare Regression
3 Multple lneare Regresson 3.1 Modell und Statstk a De Abhänggket ener Zelgrösse von ener Ausgangsgrösse kann n enem enfachen Streudagramm dargestellt werden. Oft wrd dadurch das Wesentlche des Zusammenhangs
MehrVerallgemeinerte Lineare Modelle
Verallgemenerte Lneare Modelle Tel des Weterbldungs-Lehrgangs Statstk der ETH Zürch Werner Stahel Semnar für Statstk, ETH Zürch und Lsa Prtscher Ma 2004 Inhaltsverzechns 1 Ene und zwe kategorelle Varable
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrStatistische Regressionsmodelle
Statstsche Regressonsmodee Te II: Veragemenerte Lneare Modee Werner Stahe Semnar für Statstk, ETH Zürch März 2005 / Ma 2008 Zweter Te der Unteragen zu enem Kurs über Regressonsmodee, gehaten vom 4.-6.
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrStatistische Regressionsmodelle
Statstsche Regressonsmodelle Tel II: Verallgemenerte Lneare Modelle Werner Stahel Semnar für Statstk, ETH Zürch März 2005 / Ma 2008 Zweter Tel der Unterlagen zu enem Kurs über Regressonsmodelle, gehalten
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,...,
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
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:
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........................................
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrInequality Utilitarian and Capabilities Perspectives (and what they may imply for public health)
Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) 1 Utilitarian Perspectives on Inequality 2 Inequalities matter most in terms of their impact onthelivesthatpeopleseektoliveandthethings,
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStatistische Regressionsmodelle
Statstsche Regressonsmodelle Tel I: Lneare Regresson Werner Stahel Semnar für Statstk, ETH Zürch Ma 2008 Unterlagen zu enem Kurs über Regressonsmodelle, gehalten vom 4.-6. Jun 2008, veranstaltet von der
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrMitglied der Leibniz-Gemeinschaft
Methods of research into dictionary use: online questionnaires Annette Klosa (Institut für Deutsche Sprache, Mannheim) 5. Arbeitstreffen Netzwerk Internetlexikografie, Leiden, 25./26. März 2013 Content
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehrp^db=`oj===pìééçêíáåñçêã~íáçå=
p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for
MehrLineare Regression. Werner Stahel Seminar für Statistik, ETH Zürich. Januar 2006. Unterlagen zum Block Rg1 des Kurses in Angewandter Statistik
Lneare Regresson Werner Stahel Semnar für Statstk, ETH Zürch Januar 2006 Unterlagen zum Block Rg1 des Kurses n Angewandter Statstk 2 3 Inhaltsverzechns 1 Enführung n de statstsche Regressonsrechnung 1
Mehr9 Diskriminanzanalyse
9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe
MehrDr. rer.nat. Matthias Rudolf Diplom-Mathematiker Professur Methoden der Psychologie
Dr. rer.nat. Matthas Rudolf Dplom-Mathematker Professur Methoden der Pschologe Dr. Matthas Rudolf: M3 Multvarate Statstk Vorlesung ERA Fole Nr. Dr. rer.nat. Matthas Rudolf Büro BZW A 37 Telefon: 463 3666
Mehr4. Tobit Model Schätzproblem Truncierung Zensierung Schätzverfahren stufiges Heckman-Verfahren
4. Tobt Model 4.1. Schätzproblem 4.1.1. Truncerung 4.1.. Zenserung 4.. Schätzverfahren 4..1. -stufges Heckman-Verfahren 4... ML-Verfahren 4.3. Interpretaton der Parameter 4.4. Test der Tobt-Annahme Emprsches
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrStatistische Datenanalyse und Optimierung
Statstsche Datenanalyse und Optmerung.0.00 Glederung Vertelungsfunktonen Normalvertelung Normalvertelung mehrerer Vayrablen Abgeletete Vertelungen: χ -Vertelung, Student-t-Vertelung Statstsche ests Fehlerfortpflanzung
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
MehrPhysikalisches Praktikum PAP 1 für Physiker (B.Sc.) September 2010
Physkalsches Praktkum PAP 1 für Physker (B.Sc.) September 010 (Kurze) Enführung n de Grundlagen der Fehlerrechnung oder besser: Bestmmung von Messunscherheten Step nsde, lades & gentlemen, sad the museum
MehrBesetzt - Kassa-Frei
Bedenungsanletung Mod. Besetzt - Kassa-Fre Das Taxameter arbetet mt 3 Arbetsmod: BESETZT In jedem Modus haben de 5 Taxametertasten ene ander Funkton (zumest Abhaengg vom Tarf) Tasten: - - - -. ACHTUNG
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
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
MehrKapitel 1: Einführung in die Mikroökonometrie. 1.1 Allgemeine Bemerkungen zur Veranstaltung Ziele der Veranstaltung Mikroökonometrie
Kaptel : Enführung n de Mkroökonometre. Allgemene Bemerkungen zur Veranstaltung. Was st Mkroökonometre?. Allgemene Bemerkungen zur Veranstaltung.. Zele der Veranstaltung Mkroökonometre () Vermttlung anwendungsrelevanter
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrKursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten
Kursthemen 2. Stzung Fole I - 2-1 Tabellarsche und graphsche Darstellung dskreter Daten Tabellarsche und graphsche Darstellung dskreter Daten A) Nomnalskalen (Fole 2 bs 7) A) Nomnalskalen (Fole 2 bs 7)
Mehr2 German sentence: write your English translation before looking at p. 3
page Edward Martin, Institut für Anglistik, Universität Koblenz-Landau, Campus Koblenz 2 German sentence: write your English translation before looking at p. 3 3 German sentence analysed in colour coding;
MehrMultidimensionale Paarvergleiche. Experten
Multidimensionale Paarvergleiche V l i h d Ri ik h h Kl i l d Vergleich der Risikowahrnehmung von Kleinanlegern und Experten Agenda Theoretischer Hintergrund Studiendesign Forschungsergebnisse 2 Überblick
MehrAlgorithms for graph visualization
Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum
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?
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
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
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrIDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz
IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007
Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt
MehrPARAMETERSTABILITÄT IN HEDONISCHEN BODENPREISMODELLEN
PARAMETERSTABILITÄT IN HEDONISCHEN BODENPREISMODELLEN ROBERT WIESER Fachberech Fnanzwssenschaft und Infrastrukturpoltk Department für Raumentwcklung, Infrastruktur- und Umweltplanung Technsche Unverstät
Mehreigentlich gilt, ist für die Fehler Annahme (a) verletzt.
4 Resduen-Analyse 4.1 Problemstellung a b c d e De engeführten Schätz- und Testmethoden beruhen auf Modellannahmen: Für de Fehler wurde E N 0, σ 2 (unabhängg) angenommen. Das kann man aufspalten: (a) Der
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
MehrGRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem
GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrBeispiel zur Conjoint-Analyse (Vorlesung):
Beispiel zur Conjoint-Analyse (Vorlesung): Aufgabe : Entwicklung einer Service-Strategie für technische Konsumgüter Festlegung der Eigenschaften (Faktoren) und ihrer Ausprägungen (Stufen der Faktoren)
MehrModellauswahl in Generalisierten Linearen Modellen PROC GENMOD effizient nutzen
Modellauswahl n Generalserten Lnearen Modellen PROC GENMOD effzent nutzen 199 Modellauswahl n Generalserten Lnearen Modellen PROC GENMOD effzent nutzen Dr. Olaf Kruse VST Gesellschaft für Verscherungsstatstk
MehrKapitel 3: Interpretation und Vergleich von Regressionsmodellen
Kaptel 3: Interpretaton und Verglech von Regressonsmodellen 3. Interpretaton des lnearen Modells 3. Auswahl der unabhänggen Varablen 3.3 Fehlspezfkaton der funktonalen Form 3.4 Illustraton: De Erklärung
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
MehrEinführung in Origin 8 Pro
Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten
MehrStatistik mit Excel und SPSS
Stattk mt Excel ud SPSS G. Kargl Grudbegrffe Grudgeamthet Erhebugehet Merkmale Werteberech Stchprobe Telbereche der Stattk: Dekrtpve Stattk Iduktve Stattk Exploratve Stattk U- / B- / Multvarate Stattk
MehrMultiple Regression (1) - Einführung I -
Multple Regreo Eführug I Mt eem Korrelatokoeffzete ud der efache leare Regreo köe ur varate Zuammehäge zwche zwe Varale uterucht werde. Beutzt ma tatt dee mehrere Varale zur Vorherage, egt ma ch auf da
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
Mehr10. Übung (Korrelation und lineare Regressionsanalyse)
10. Übung (Korrelation und lineare Regressionsanalyse) Es wird untersucht, ob ein linearer Zusammenhang zwischen zwei Variablen besteht. Mit anderen Worten: ob ein solcher Zusammenhang gibt, wenn der beobachteter
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrAnpassungstest für Copulas
Anpassngstest für Coplas Anwenngen af nanzmarktaten Semnar für Wrtschafts- n Sozalstatstk Dpl. math. oec. Jaran Dobrć Überblck. Defntonen, Enführng n Bespele. Inferenz 3. Vorhanene Anpassngstest 4. Dobrć
MehrBoost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
MehrÜbung zur Vorlesung Statistik II SoSe Übungsblatt 7
Übung zur Vorlesung Statistik II SoSe 2014 Übungsblatt 7 2. Juni 2014 ufgabe 24 (4 Punkte): (1.5 Punkte) Berechnen Sie für die folgenden Wahrscheinlichkeiten die zugehörigen Odds: (a) 0.6 (b) 0.2 (c) 0.02
MehrPraxisbeispiel: Schätzung von intergenerationellen Zusammenhängen
Albert-Ludwgs-Unverstät Freburg Ökonometre (Bachelor) Lehrstuhl Prof. Ftzenberger, Ph.D. WS 2011/12 Praxsbespel: Schätzung von ntergeneratonellen Zusammenhängen Motvaton Postver Zusammenhang zwschen Ausbldung
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrMan unterscheidet zwischen gewichteten und ungewichteten Faktorwerten.
Faktorwerte Da es das Zel der Faktorenanalyse st, de Zahl der Kennwerte zu reduzeren (aus velen Items sollen deutlch wenger Faktoren resulteren, st es nötg, Kennwerte für de Ausprägungen der Personen n
MehrDIE NEUORGANISATION IM BEREICH DES SGB II AUSWIRKUNGEN AUF DIE ZUSAMMENARBEIT VON BUND LNDERN UND KOMMUNEN
DIE NEUORGANISATION IM BEREICH DES SGB II AUSWIRKUNGEN AUF DIE ZUSAMMENARBEIT VON BUND LNDERN UND KOMMUNEN WWOM537-PDFDNIBDSIAADZVBLUK 106 Page File Size 4,077 KB 16 Feb, 2002 COPYRIGHT 2002, ALL RIGHT
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrLineare Regression. Werner Stahel Seminar für Statistik, ETH Zürich. Mai 2008 / Sept. 2013
Lneare Regresson Werner Stahel Semnar für Statstk, ETH Zürch Ma 2008 / Sept. 2013 Unterlagen zum Tel 1 der Vorlesung / des Kurses n Angewandter Regresson 1 Enführung n de statstsche Regressonsrechnung
MehrHochstrom-Druckkontakte für Dauerströme bis 400 A. High Current Probes up to 400 amps cont. Ausgabe 7/2009 DE EN. Edition 7/2009 DE EN
Hochstrom-Druckkontakte für Dauerströme bis 400 usgabe 7/2009 DE EN High Current Probes up to 400 amps cont. Edition 7/2009 DE EN Impressum und Bestellhinweise Company and Ordering Information Unsere
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
MehrRegressionsanalyse in R
Regressionsanalyse in R Session 6 1 Einfache Regression Lineare Regression ist eines der nützlichsten Werkzeuge in der Statistik. Regressionsanalyse erlaubt es Zusammenhänge zwischen Parametern zu schätzen
MehrLevel 2 German, 2013
91126 911260 2SUPERVISOR S Level 2 German, 2013 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 9.30 am Monday 11 November 2013 Credits: Five
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
MehrPrediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.
Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance
MehrTechnical Thermodynamics
Technical Thermodynamics Chapter 1: Introduction, some nomenclature, table of contents Prof. Dr.-Ing. habil. Egon Hassel University of Rostock, Germany Faculty of Mechanical Engineering and Ship Building
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
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
Mehr3 Varianzanalyse und Versuchsplanung
Numersche und statstsche Methoden für Chemengeneure, Nov 2008 3 Varanzanalyse und Versuchsplanung Vorbemerkung. De Themen Varanz-Analyse und Versuchsplanung füllen be ener engermassen angemessenen Behandlung
Mehr