Was ist Regression? Übersicht. Statistik II
|
|
- Joseph Böhmer
- vor 6 Jahren
- Abrufe
Transkript
1 Was ist? Statistik II Übersicht Parameterschätzung für die lineare Literatur Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Parameterschätzung für die lineare Statistik II (1/35)
2 Parameterschätzung für die lineare Literatur Literatur für heute Berk (2004, S , 39-56) und Fox (1997, S , 101, , ) (beides im ReaderPlus) Statistik II (2/35) Parameterschätzung für die lineare Literatur Literatur für nächste Woche Agresti ch. 10 Statistik II (3/35)
3 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen male female Scores for factor Graphs by gender placement on left right scale Statistik II (4/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen male female placement on left right scale Bewertung Immigranten Mittelwert Graphs by gender Statistik II (5/35)
4 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen male female placement on left right scale Bewertung Immigranten Verbindung Mittelwerte Mittelwert Graphs by gender Statistik II (6/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen male female placement on left right scale Bewertung Immigranten Fitted values Mittelwert Graphs by gender Statistik II (7/35)
5 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist? ist der Oberbegriff für Verfahren,... die die konditionale Verteilung einer Variablen y... in Abhängigkeit von einer oder mehreren anderen Variablen x 1, x 2... x k beschreiben Was ist eine konditionale Verteilung? Verteilung von y (Mittelwert, Streuung etc.)... innerhalb von Subgruppen, die durch x 1, x 2... x k definiert sind Statistik II (8/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist? Die konditionalen Mittelwerte können durch eine glatte Linie beschrieben werden Übergang zum Modell: Annahmen über die Eigenschaften der Linie kommen von außen Abhängige / unabhängige Variable kommen ebenfalls von außen Das Beispiel zeigt u. a. Mehrere unabhängige Variablen Kategoriale unabhängige Variablen Interaktion Probleme mit der Linearitätsannahme Statistik II (9/35)
6 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen male female placement on left right scale Bewertung Immigranten Verbindung Mittelwerte Mittelwert Graphs by gender Statistik II (10/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Wie sieht das Standardmodell aus? y =α + β 1 x 1 + β 2 x 2 + ɛ =β 0 x 0 + β 1 x 1 + β 2 x 2 + ɛ mit x 0 = 1 für alle Einheiten Statistik II (11/35)
7 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Welche Symbole werden verwendet? oft wenig einheitlich Grundregeln: 1. y für abhängige Variable, x für unabhängige Variable 2. Variablen, Parameter und Untersuchungseinheiten kann man mit einem Index durchnumerieren: x 1, x 2... x k 3. Lateinische Buchstaben für Variablen und Parameter in der Stichprobe, 4. Griechische Buchstaben für die unbekannten Parameter der Grundgesamtheit 5. Variablen erkannt man am Kursivdruck 6. Für Vektoren verwendet man (griechische oder lateinische) Kleinbuchstaben in Fettdruck 7. Für Matrizen verwendet man (griechische oder lateinische) Großbuchstaben in Fettdruck 8. Ein Dach über einem Parameter (z. B. ˆβ) zeigt an, daß es Statistik II (12/35) sich um eine Schätzung handelt (wird oft weggelassen) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist eine Zufallsvariable? Zufallsvariablen Ergebnis von Zufallsexperimenten Zufallsvariablen im smodell Zufällige Einflüsse auf einen Fall Zufällige Variation der Schätzungen bei wiederholter Stichprobenziehung Zufallsexperimente Können theoretisch beliebig oft wiederholt werden Einzelergebnisse hängen vom Zufall ab, Verteilung der Ergebnisse ist aber bekannt Bei häufiger nähert sich die empirische Verteilung der theoretischen Verteilung an Ziehung einer Zufallsstichprobe ist ein Zufallsexperiment Deshalb sind Stichprobenkennwerte und Modellparameter ebenfalls Zufallsvariablen Statistik II (13/35)
8 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist eine Zufallsvariable? Im Einzelfall weiß man nicht, welchen Wert die Variable annimmt Aber: Ausprägungen von Zufallsvariablen sind nicht willkürlich, sondern höchst regelmäßig verteilt Die Form der Verteilung der Werte einer Zufallsvariablen ist in der Regel bekannt / wird angenommen Zufallsvariablen (und ihre Verteilungen) können diskret oder stetig sein Einfaches lineares smodell: stetige Zufallsvariablen wichtig Statistik II (14/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist der konzeptionelle Status eines smodells? To err is human, to forgive divine, but to include errors into your design is statistical (Leslie Kish) All models are wrong. Some are useful (George Box) smodell Hochgradig vereinfachte Nicht unbedingt realistische Mathematisch formalisierte Beschreibung der sozialen Wirklichkeit als Funktion von systematischen und zufälligen Einflüssen Statistik II (15/35)
9 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was will uns Kish sagen? Abhängige Variable kann niemals vollständig durch x 1, x 2... x k erklärt werden Zufällige/als zufällig betrachtete Einflüsse Bestandteil des Modells (im linearen Modell ɛ) Diese Art von Fehlern ist aus Sicht des Modells völlig unproblematisch Statistik II (16/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was will uns Box sagen? Modelle niemals eine vollständige Abbildung der Wirklichkeit, sondern immer extreme Vergröberung Z. B. Auswahl unabhängigen Variablen, Linearitätsannahme Ist das Modell dem Forschungsproblem angemessen? Instrumentalismus / Idealisierung (Friedman): Gute Prognosen, Problem: Stabilität der Randbedingungen? Realismus / Abstraktion: Realistische Beschreibung, Problem: Komplexität, Overfitting Statistik II (17/35)
10 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was ist der konzeptionelle Status eines smodells? To err is human, to forgive divine, but to include errors into your design is statistical (Leslie Kish) All models are wrong. Some are useful (George Box) smodell Hochgradig vereinfachte Nicht unbedingt realistische Mathematisch formalisierte Beschreibung der sozialen Wirklichkeit als Funktion von systematischen und zufälligen Einflüssen Statistik II (18/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was können wir mit den Parametern eines Modells anfangen? Beschreibung: Modell erfaßt wesentliche Aspekte einer konkreten Verteilung von Datenpunkten Keine weitergehenden Schlüsse, Mittel zur Verdichtung der Information Inferenz: Von den konkreten Daten soll auf etwas anderes geschlossen werden, aber auf was? (Fast völlig) unproblematisch im Fall einer Zufallsstichprobe aus einer großen Grundgesamtheit Klassische Inferenz, Standardfehler, Konfidenzintervalle, Signifikanztests Erfordert Annahmen über Zustandekommen der Daten klassische Inferenz Statistik II (19/35)
11 Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Was leistet die klassische Inferenz? Rückschlüsse auf die Verteilung der in der Stichprobe errechneten Schätzungen um die wahren Werte in der Grundgesamtheit wenn Stichprobenziehung unter essentiell identischen Bedingungen unendlich oft wiederholt wird Konfidenzintervall Ein Intervall, das nach dieser Regel konstruiert wird, wird in 95 von 100 Stichproben den wahren Wert des Parameters mit einschließen Habe ich eine der 95 glücklichen Stichproben gezogen? Nicht sehr intuitive, aber Statistikklare II Interpretation (20/35) Parameterschätzung für die lineare Was ist? : Standardmodell der linearen : Wahrscheinlichkeitsverteilungen Und wenn ich keine Zufallsstichprobe habe? Schulbezirke, OECD-Staaten, Studierende an einer bestimmten Universität Strategie I: Die Daten werden wie eine Grundgesamtheit behandelt dient nur zur Beschreibung Strategie II (mit Varianten): Annahmen über Natur, Superpopulation,... Standardfehler werden als ob berechnet Innerhalb des klassischen Ansatzes nicht ok Erfordert andere statistische Annahmen Extreme Vorsicht mit Standardfehlern bei Non-Samples Statistik II (21/35)
12 Parameterschätzung für die lineare Wie komme ich zu meinen Schätzungen? Wie lege ich die Gerade durch die Punkte (gute Beschreibung/gute Schätzung)? Standardmethode: Kleinste-Quadrate-Schätzung (Ordinary Least Squares, OLS) Abweichungsquadrate? Welche Koeffizienten minimieren die SAQ? Gute Beschreibung/Anpassung Und (in diesem Fall) auch gute Schätzung für Grundgesamtheit Statistik II (22/35) Parameterschätzung für die lineare Was sind die Abweichungen, die quadriert werden? y x Statistik II (23/35)
13 Parameterschätzung für die lineare Wie komme ich zu meinen Schätzungen? Für alle Datenpunkte i = 1, 2... n Differenz zwischen beobachtetem (y i ) und erwartetem Wert (ŷ i ) bestimmen, quadrieren und aufsummieren SAQ = = n (y i (b 0 + b 1 x 1i )) 2 (1) i=1 n (y i b 0 b 1 x 1i ) 2 (2) i=1 Die SAQ in (1) sind eine Funktion der Daten und der Parameterschätzungen Gesucht sind Parameterschätzungen, die SAQ minimieren Statistik II (24/35) Parameterschätzung für die lineare Wie minimiere ich die SAQ? Möglichkeit I: Durch systematisches Variieren der Parameter Entspricht in etwa den iterativen Verfahren Möglichkeit II: Es existiert eine analytische Lösung Funktion hat globales Minimum Notwendige Bedingung für einen Extremwert: 1. Ableitung gleich 0 (Tangente ist an dieser Stelle flach) Funktion hat zwei Variablen zwei partielle Ableitungen (nach b 0 und b 1 ) betrachten Normalgleichungen Statistik II (25/35)
14 Parameterschätzung für die lineare Wie sehen die Normalgleichungen aus? b 0 n + b 1 x1i + b 2 x2i + b k xki = y i (3) b 0 x1i + b 1 x 2 1i + b 2 x1i x 2i + b k x1i x ki = x 1i y i (4) b 0 xki + b 1 xki x 1i + b 2 xki x 2i + b k x 2 ki = x ki y i (5). Nur zur Illustration, muß nicht auswendig gelernt werden Statistik II (26/35) Parameterschätzung für die lineare Geht das auch etwas übersichtlicher? Schon bei zwei Variablen sehr unübersichtlich Für den multivariaten Fall Darstellung und Berechnung vorzugsweise in Matrix-Schreibweise Matrix: tabellenförmige Darstellung von Zahlen (Elementen der Matrix) A ist eine m n Matrix (m Zeilen, n Spalten): a 11 a 12 a 1n a 21 a 22 a 2n A =..... (6). a m1 a m2... a mn Matrix mit einer Spalte: Spaltenvektor; Matrix mit einer Zeile: Zeilenvektor weiter Statistik II (27/35)
15 Parameterschätzung für die lineare Wie kann man mit Matrizen rechnen? Der Stoff auf den nächsten Folien dient Ihrem Verständnis, ist aber nicht klausurrelevant Matrizen werden elementweise addiert (Rechenbeispiele aus Wikipedia) Setzt gleiche Zahl von Spalten Zeilen voraus ( ) ( ) ( ) = = ( 1 3 ) Statistik II (28/35) Parameterschätzung für die lineare Wie kann man mit Matrizen rechnen? Die Multiplikation mit einem Skalar ist einfach: 2 ( ) = ( ) = ( 2 6 ) Statistik II (29/35)
16 Parameterschätzung für die lineare Wie kann man mit Matrizen rechnen? Die Multiplikation von Matrizen ist spannender Nur möglich, wenn die Spaltenzahl der linken mit der Zeilenzahl der rechten Matrix übereinstimmt A B B A (normalerweise) ( ) = ( ) ( 1) ( 3) = ( 1) ( 3) ( ) Statistik II (30/35) Parameterschätzung für die lineare Was kann man sonst noch machen? Transponieren, d. h. Zeilen und Spalten vertauschen ( ) = Die Inverse suchen (entspricht etwa dem Kehrwert): A A 1 = I I ist die Einheitsmatrix Quadratische Matrix mit Einsen auf der Hauptdiagonale, sonst nur Nullen Inverse ermöglicht es, durch Matrix zu teilen; nicht alle Matrizen sind invertierbar Statistik II (31/35)
17 Parameterschätzung für die lineare Was hilft uns das? Das lineare Modell kann in Matrix-Schreibweise sehr kompakt formuliert werden y = Xβ + ɛ mit y : X : β : ɛ : Spaltenvektor mit Werten der abhängigen Variablen Matrix mit Werten der unabhängigen Variablen Spaltenvektor mit Koeffizienten Spaltenvektor mit zufälligen Einflüssen dabei ist y = y 1.. y n X = 1 x 11 x 1k x n1 x nk β = β 0 β 1.. β k ɛ = ɛ 1.. ɛ n (7) Statistik II (32/35) Parameterschätzung für die lineare Was hilft uns das? OLS-Schätzung: y = Xb + e (e ist der Spaltenvektor der Residuen, b ist der Spaltenvektor der Koeffizienten, X ist die Datenmatrix) Die Summe der quadrierten Residuen ist e e (warum? siehe Matrix-Multiplikation drei Folien vorher) SAQ = e e = (y Xb) (y Xb) (8) = y y y Xb b X y + b X Xb (9) = y y (2y X)b + b (X X)b (10) Muß nicht auswendig gelernt werden, aber Sie sollten es in groben Zügen verstehen Statistik II (33/35)
18 Parameterschätzung für die lineare Was hilft uns das? Die partielle Ableitung der SAQ nach b ist = 2X y + 2X Xb SAQ b Auf null setzen: 2X y + 2X Xb = 0 Vektorform der Normalgleichungen: X Xb = X y Nach b auflösen: b = (X X) 1 X y Muß nicht auswendig gelernt werden, aber Sie sollten es in groben Zügen verstehen Statistik II (34/35) Parameterschätzung für die lineare betrachtet konditionalen Mittelwert einer Variablen Mittelwert folgt in Abhängigkeit von unabhängigen Variablen einem Pfad Im klassischen Modell entspricht dieser Pfad einer Linie/Fläche/Hyperfläche, die die SAQ minimiert Das Gleichungssystem läßt sich analytisch lösen, um die optimalen Parameter zu finden Matrix muß genug unabhängige Informationen enthalten OLS gutes Mittel zur Datenverdichtung auch ein gutes Schätzverfahren? Statistik II (35/35)
Regressionsmodelle für Politikwissenschaftler: Seminarüberblick und Einführung
Regressionsmodelle für Politikwissenschaftler: Seminarüberblick und Einführung Überblick Formales zum Scheinerwerb Sie beteiligen sich am Seminargespräch. Voraussetzung dafür ist die Lektüre der Pflichttexte,
MehrWiederholung/Einführung Lineare Regression Zusammenfassung. Regression I. Statistik I. Sommersemester 2009
Sommersemester 2009 Wiederholung/Einführung Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist
MehrRegression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung
Sommersemester 2009 Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist ein Zusammenhang? Gemeinsame
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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 =
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrPopulation und Stichprobe Wahrscheinlichkeitstheorie II
Population und Stichprobe Wahrscheinlichkeitstheorie II 5. Sitzung 1 S. Peter Schmidt 2003 1 Stichprobenziehung als Zufallsexperiment Definition Stichprobe: Teilmenge der Elemente der Grundgesamtheit bzw.
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 207/8 2 Matrixalgebra / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrMatrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I
Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS Kapitel 2 Matrixalgebra Technologiematrix und wöchentliche Nachfrage (in Werteinheiten):
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrMessunsicherheiten und Matrizenrechnung
Physikalisch-Technische Bundesanstalt Braunschweig und Berlin Matrix Messunsicherheiten und Matrizenrechnung T. Funck Arbeitsgruppe.13 Wechsel-Gleich-Transfer, Impedanz 60. PTB Seminar am 1. Mai 011 Inhalt
MehrMaximum-Likelihood Schätzung
Maximum-Likelihood Schätzung VL Forschungsmethoden 1 Wiederholung Einführung: Schätzung 2 Likelihood-Schätzung und Generalisiertes Lineares Modell Zufallsverteilungen 3 Lernziele 1 Grundzüge der Likelihood-Schätzung
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Stetige und diskrete Wahrscheinlichkeitsverteilungen Lageparameter Streuungsparameter Diskrete und stetige Zufallsvariablen Eine Variable (oder Merkmal
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
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 71 Reelle Matrizen Prof Dr Erich Walter Farkas Mathematik I+II, 71 Reelle Matrizen 1 / 31 1 2 3 4 Prof Dr Erich
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrKapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrStichprobe vs. Vollerhebung
Stichprobe vs. Vollerhebung Seminar Inferenzstatistik Referent: Hannes Holtermann Dresden, 02.12.2008 Stichprobe vs. Vollerhebung Gliederung 1.Einleitung 2.Grundgesamtheit und Stichprobe 3.Beispiel Lotto
MehrNicht-kontinuierliche abhängige Variablen: Das generalisierte lineare Modell und die Parameterschätzung via Maximum Likelihood
Nicht-kontinuierliche abhängige Variablen: Das generalisierte lineare Modell und die Parameterschätzung via Maximum Likelihood Interaktionseffekte Varianz-Kovarianz-Matrix Interaktionseffekte Varianz-Kovarianz-Matrix
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrNur Matrizen gleicher Dimension können addiert oder subtrahiert werden. Zur Berechnung werden zwei Matrizen A und B in den Matrix-Editor eingegeben.
R. Brinkmann http://brinkmann-du.de Seite 1 14.02.2014 Casio fx-cg20 Operationen mit Matrizen Bei nachfolgend beschriebenen Matrizenoperationen wird davon ausgegangen, dass die Eingabe von Matrizen in
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrTutorium: Diskrete Mathematik. Matrizen
Tutorium: Diskrete Mathematik Matrizen Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de Definition I Eine Matrix ist eine rechteckige Anordnung (Tabelle) von Elementen, mit denen man in bestimmter
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrEinführung in die Matrixalgebra
Einführung in die Matrixalgebra Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Bachelor S. Garbade (SRH Heidelberg) Matrixalgebra Bachelor
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Wahrscheinlichkeitsfunktionen
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrWiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrKapitel 16. Invertierbare Matrizen
Kapitel 16. Invertierbare Matrizen Die drei Schritte des Gauß-Algorithmus Bringe erweiterte Matrix [A b] des Gleichungssystems A x auf Zeilenstufenform [A b ]. Das System A x = b ist genau dann lösbar,
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
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
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
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr