Das Rasch-Modell und seine zentralen Eigenschaften
|
|
- Maria Heinrich
- vor 6 Jahren
- Abrufe
Transkript
1 Das Rasch-Modell und seine zentralen Eigenschaften Stella Bollmann Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU München München, 27. Mai 2014 Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 1/31
2 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 2/31
3 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 2/31
4 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 2/31
5 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 2/31
6 Die klassische Testtheorie Personen werden im Vergleich zu ihrer Gruppe gesehen Summenwert über alle Items stellt wahren Wert plus Fehler dar: x ga = τ ga + e ga Annahmen: metrische Daten, Normalverteilung, linearer Zusammenhang Probleme: Voraussetzungen fast nie gegeben Kennwerte stichprobenabhängig Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 3/31
7 Vorschlag: Guttman-Modell ξ Betrachtung von dichotomen Items (z.b. Intelligenztest) Probleme: Deterministische Funktion (Sprungfunktion) Größe des Unterschieds spielt keine Rolle kein statistisches Modell da kein Zufall Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 4/31
8 probabilistisches Modell kein Determinismus probabilistischer Zusammenhang von Itemlösung und Personenfähigkeit P(Person mit Fähigkeit ξ löst Item i) = P (+ i, ξ ) = f i (ξ) mit f i (ξ) = nicht-lineare Funktion Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 5/31
9 Das Rasch-Modell Grundidee der Test sollte folgende Eigenschaften haben: 1. alle Aufgaben sprechen selbe Eigenschaft ξ an Homogenität 2. Aufgabencharakteristik f i (ξ) monoton steigend und f i (ξ) 0, 1; lim ξ f i (ξ) = 0; lim ξ f i (ξ) = 1 3. lokale stochastische Unabhängigkeit vorausgesetzt 4. Zahl der gelösten Items ist suffiziente Statistik für Leistungsparameter ξ Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 6/31
10 Das Rasch-Modell Grundidee der Test sollte folgende Eigenschaften haben: 1. alle Aufgaben sprechen selbe Eigenschaft ξ an Homogenität 2. Aufgabencharakteristik f i (ξ) monoton steigend und f i (ξ) 0, 1; lim ξ f i (ξ) = 0; lim ξ f i (ξ) = 1 3. lokale stochastische Unabhängigkeit vorausgesetzt 4. Zahl der gelösten Items ist suffiziente Statistik für Leistungsparameter ξ Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 7/31
11 lokale stochastische Unabhängigkeit Formalisierung in probabilistischer Testtheorie: Formalisierung in KTT: f ij (ξ) = f i (ξ) f j (ξ) (1) ρ(e i, E j ) = 0 (2) bzw. je homogener eine Stichprobe desto geringer Korrelationen zwischen Items Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 8/31
12 Das Rasch-Modell Grundidee der Test sollte folgende Eigenschaften haben: 1. alle Aufgaben sprechen selbe Eigenschaft ξ an Homogenität 2. Aufgabencharakteristik f i (ξ) monoton steigend und f i (ξ) 0, 1; lim ξ f i (ξ) = 0; lim ξ f i (ξ) = 1 3. lokale stochastische Unabhängigkeit vorausgesetzt 4. Zahl der gelösten Items ist suffiziente Statistik für Leistungsparameter ξ Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 9/31
13 Das Rasch-Modell Grundidee Notation: ξ v Personenparameter (v = 1,..., n) σ i Itemparameter (i = 1,..., k) n = Anzahl der Personen, die Test bearbeitet haben k = Anzahl der Items im Test Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 10/31
14 Das Rasch-Modell Grundidee 1. Wie fließt Itemschiwierigkeit in Funktion ein? 2. Wie wird aus dieser latenten Differenz Lösungswahrscheinlichkeit gemacht? Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 11/31
15 Das Rasch-Modell Grundidee 1. Wie fließt Itemschiwierigkeit in Funktion ein? P (+ σ, ξ ) = f i (ξ σ) 2. Wie wird aus dieser latenten Differenz Lösungswahrscheinlichkeit gemacht? mit der logistischen Funktion f (x) = ex 1+e x 2.1 Streng monotone Abbildung, stetig, differenzierbar 2.2 Ausgangswert (x) zwischen und Ergebnis (f(x)) stetig aber nur zwischen 0 und 1 Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 11/31
16 Die logistische Funktion für eine Person und ein Item: F (ξ σ) = exp(ξ σ) 1+exp(ξ σ) ξ σ Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 12/31
17 Monotonieeigenschaft strenge Monotonie: für zwei verschiedene Werte der Parameterdifferenz nimmt Lösungswahrscheinlichkeit auch verschiedene Werte an doppelte Monotonie: Lösungswahrscheinlichkeit ist monoton mit sowohl ξ v als auch σ i verknüpft ändert sich einer der Parameter, ändert sich auch die Lösungswahrscheinlichkeit Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 13/31
18 zentrale Eigenschaften des Rasch-Modells 1. suffiziente Statistik 2. Parameterseparierbarkeit 3. spezifische Objektivität Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 14/31
19 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 15/31
20 Suffiziente Statistik a v0 = k a vi ist suffiziente Statistik für Personenfähigkeit bzw. a 0i = i=1 n v=1 a vi ist suffiziente Statistik für Itemschwierigkeit + die Likelihood der gesamten Datenmatrix hängt nur von den Parametern und von den Randsummen, aber nicht vom Inneren der Matrix ab wenn alle Randsummen bekannt, enthalten Daten keine weitere Info, die relevant ist zur Schätzung der Parameter Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 16/31
21 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 17/31
22 Parameterseparierbarkeit 1. Schätzung der Itemparameter unabhängig von Personenparametern, da L = P(a 0i a v0 ) unabhängig von Personenparametern 2. Schätzung der Personenparameter unabhängig von Itemparametern, da L = P(a v0 a 0i ) unabhängig von Itemparametern 3. gemeinsame Verteilung aller Bernoulli Variablen aller Einträge ist unabhängig von allen Parametern, da P(A a v0, a 0i, ξ, σ) = const. Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 18/31
23 Parameterseparierbarkeit 1. Schätzung der Itemparameter unabhängig von Personenparametern, da L = P(a 0i a v0 ) unabhängig von Personenparametern Anwendung in cml-schätzung 2. Schätzung der Personenparameter unabhängig von Itemparametern, da L = P(a v0 a 0i ) unabhängig von Itemparametern 3. gemeinsame Verteilung aller Bernoulli Variablen aller Einträge ist unabhängig von allen Parametern, da P(A a v0, a 0i, ξ, σ) = const. Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 18/31
24 Parameterseparierbarkeit 1. Schätzung der Itemparameter unabhängig von Personenparametern, da L = P(a 0i a v0 ) unabhängig von Personenparametern Anwendung in cml-schätzung 2. Schätzung der Personenparameter unabhängig von Itemparametern, da L = P(a v0 a 0i ) unabhängig von Itemparametern 3. gemeinsame Verteilung aller Bernoulli Variablen aller Einträge ist unabhängig von allen Parametern, da P(A a v0, a 0i, ξ, σ) = const. Anwendung für exakte Tests (Modelltestung) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 18/31
25 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 19/31
26 spezifische Objektivität Vergleich zweier Items: dazu: Untersuchung der Personen, die genau eines der beiden Items gelöst haben Aus der Parameterseparierbarkeit folgt exp( σ 1 ) exp( σ 2 ) = n 12 n 21 mit: n= Anzahl der Personen, die genau ein Item gelöst haben, n 12 = Anzahl der Personen, die nur das erste Item gelöst haben, n 21 = Anzahl der Personen, die nur das zweite Item gelöst haben d.h. der Unterschied zweier Items hängt nur von der Anzahl der gelösten Items ab Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 20/31
27 spezifische Objektivität Unterschied zwischen Itemparameter unabhängig davon, welche Person es gelöst hat (=Stichprobenunabhängigkeit) genauso: Unterschied zwischen Personenparameter unabhängig davon, welche Items gelöst wurden (Itemseparierbarkeit) außerdem: Unterschied zweier Personenparameter unabhängig von den anderen Personen + Unterschied zweier Itemparameter unabhängig von den anderen Items Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 21/31
28 Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 22/31
29 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 23/31
30 unconditional maximum likelihood (uml) auch joint ML genanntälle Parameter werden gleichzeitig geschätzt Neyman-Scott Problem Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 24/31
31 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 25/31
32 marginal maximum likelihood (mml) Versuch der Lösung des Nyman-Scott-Problems Annahme der Normalverteilung der Personenfähigkeit Weniger zu schätzende Parameter, aber verzerrte Schätzung Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 26/31
33 Gliederung Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Suffiziente Statistik Parameterseparierbarkeit spezifische Objektivität Parameterschätzung unconditional maximum likelihood (uml) marginal maximum likelihood (mml) conditional maximum likelihood (cml) Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 27/31
34 conditional maximum likelihood (cml) Anwendung der Parameterseparierbarkeit Normalverteilung muss nicht gegeben sein + Nyman-Scott-Problem gelöst Item- und Personenparameter werden getrennt geschätzt Vorteil: keine Verteilungsannahme, unverzerrte Schätzung, auf Repräsentativität kann bei Parameterschätzung verzichtet werden Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 28/31
35 Anhang Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 29/31
36 Likelihood einer Matrix mit den selben Randvektoren L = P(A θ, ɛ) = v v θ a v0 v ɛ a 0i i i (1+θ v ɛ i ) i Stella Bollmann Das Rasch-Modell und seine zentralen Eigenschaften 30/31
37 d.h. der Unterschied zweier Items hängt nur von der Anzahl der gelösten Stella Bollmann Das Rasch-Modell Itemsund abseine zentralen Eigenschaften 31/31 Hinleitung Das Rasch-Modell seine zentralen Eigenschaften Parameterschätzung spezifische Objektivität Vergleich zweier Items: dazu: Untersuchung der Personen, die genau eines der beiden Items gelöst haben Aus der Parameterseparierbarkeit folgt mit: exp( σ 2 ) exp( σ 1 ) n exp( σ 1 )+exp( σ 2 ) = n 21 und n exp( σ 1 )+exp( σ 2 ) = n 12: exp(σ 1 ) exp(σ 2 ) = n 12 n 21 mit: n= Anzahl der Personen, die genau ein Item gelöst haben, n 12 =Anzahl der Personen, die nur das erste Item gelöst haben, n 21 =Anzahl der Personen, die nur das zweite Item gelöst haben
Einführung in die Theorie psychologischer Tests
Gerhard H. Fischer Einführung in die Theorie psychologischer Tests Grundlagen und Anwendungen VERLAG HANS HUBER BERN STUTTGART WIEN Inhaltsverzeichnis Vorwort 9 Die Notation 12 Teil 1: Abriss der klassischen
MehrWas ist eine Testtheorie? Grundlagen der Item-Response. Response-Theorie. Modelle mit latenten Variablen
Was ist eine Testtheorie? Eine Testtheorie beschäftigt sich also mit dem Zusammenhang zwischen Testverhalten und dem zu erfassenden Merkmal. Testauswertung Persönlichkeitsmerkmal (z.b. Emotionalität, Fähigkeit)
MehrVorlesung Testtheorien. Dr. Tobias Constantin Haupt, MBA Sommersemester 2007
Vorlesung Testtheorien Dr. Tobias Constantin Haupt, MBA Sommersemester 2007 Probabilistische Testtheorie # 2 Itemcharakteristische Funktionen (Itemcharakteristiken, IC - Funktion): Diese beschreibt die
MehrPersonenparameter + Itemparameter
9.Testtheorie: Probabilistische Testtheorie PTT - Grundideen Grundgedanke: Item-Response-Theory IRT probabilistischer Zusammenhang! Wie wahrscheinlich ist es, dass sich eine bestimmte Merkmalsausprägung
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrTests der Annahmen des Rasch-Modells
Tests der Annahmen des Rasch-Modells Seminar Psychometrische Modelle: Theorie und Anwendungen Ender Celik Institut für Statistik Ludwig-Maximilians-Universität München Juni 2014 Ender Celik (LMU) Modellannahmenprüfung
MehrItem-Response-Theorie Probabilistische Testtheorie. Christian Stroppel
Item-Response-Theorie Probabilistische Testtheorie Referat von: Christian Stroppel Testtheorie Personenparameter Latente Variable ξ Testtheorie Manifeste Variable Xvi Eine Testtheorie beschreibt in welchem
MehrPsychometrie. Lena Straub
Psychometrie Lena Straub 02.12.2011 1 Allegmeine Beschreibung Die Psychometrie beschäftigt sich damit, mathematische bzw. statistische Methoden zu entwickeln, um psychologische Messungen zu analysieren.
MehrPISA-Studie. Ausgewählte Aspekte der Wirtschafts- und Sozialstatistik. Jenny Steindl. LMU München, Institut für Statistik
PISA-Studie Ausgewählte Aspekte der Wirtschafts- und Sozialstatistik Jenny Steindl LMU München, Institut für Statistik 22.05.2015 Jenny Steindl (LMU München, Institut für Statistik) PISA-Studie 22.05.2015
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
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
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
Mehr5.1. Die Itemcharakteristik als zentrales Konzept probabilistischer Testmodelle
5. Die probabilistische Testtheorie (PTT) 1 5. Die probabilistische Testtheorie (PTT) 1 5.1. Die Itemcharakteristik als zentrales Konzept probabilistischer Testmodelle... 1 5.2. Das Rasch-Modell... 4 5.2.1.
MehrEinführung in die Test- und Fragebogenkonstruktion
Markus Bühner 1 Einführung in die Test- und Fragebogenkonstruktion 2., aktualisierte und erweiterte Auflage PEARSON Studium ein Imprint von Pearson Education München Boston San Francisco Harlow, England
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
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
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...
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
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
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
MehrSOZIALWISSENSCHAFTLICHE FORSCHUNGSMETHODEN
SOZIALWISSENSCHAFTLICHE FORSCHUNGSMETHODEN Carolin Strobl Das Rasch-Modell Eine verständliche Einführung für Studium und Praxis Band 2 Rainer Hampp Verlag Inhaltsverzeichnis 1 Bedeutung des Rasch-Modells
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrPartial Credit Model und Tutz Model
November 22, 2011 Item Response Theory - Partial Credit Model Einleitung IRT-Einteilung Datenstruktur PCM - Herleitung Parameterschätzung Goodness of Fit Beispiel Sequential Models for Ordered Responses
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
Mehr4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion
4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion L(θ x) = f(x θ) = n f(x i θ). Falls L(θ x) > L(θ x), für θ, θ Θ,
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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.
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable nicht direkt beobachtbare Größe die beobachtbare Variablen ( Indikatoren
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrImputationsverfahren
Minh Ngoc Nguyen Betreuer: Eva Endres München, 09.01.2015 Einführung 2 / 45 Einführung 3 / 45 Imputation Prinzip: fehlende Werte sollen durch möglichst passenden Werte ersetzt werden Vorteil Erzeugen den
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrBildungsurlaub-Seminare: Lerninhalte und Programm
Bildungsurlaub-Seminare: Lerninhalte und Programm Seminartitel Einführung Testtheorie und Testkonstruktion für Psychologen/innen (BH16116) Termin Mo, den 30.05. bis Fr, den 03.06.2016 Kursgebühr: 179,-
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
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
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
MehrZeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
Algebra, Analytische Geometrie. 1. Sei 1, 0, 9 A := 1, 2, 3,. 2, 2, 2, Zeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrUnivariate Analysis. Analysis und nichtlineare Modelle Sommersemester
Analysis und nichtlineare Modelle Sommersemester 9 5 Univariate Analysis C. Berechnen Sie ohne Taschenrechner(!). Runden Sie die Ergebnisse auf ganze Zahlen. (a) 7 :, (b) 795 :.. Berechnen Sie ohne Taschenrechner(!):
MehrDas Partial Credit Modell
Ludwig-Maximilians-Universität Institut für Statistik Das Partial Credit Modell Bachelorarbeit Autor: Anna Theresa Stüber Betreuung: Prof. Dr. Gerhard Tutz Dr. Gunther Schauberger München, 25. Juli 2016
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrBiostatistik, Sommer 2017
1/39 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Gesetz der großen Zahl, Zentraler Grenzwertsatz Schließende Statistik: Grundlagen Prof. Dr. Achim Klenke http://www.aklenke.de 9. Vorlesung: 16.06.2017
MehrWas ist eine Testtheorie?
Was ist eine Testtheorie? Eine Testtheorie bezeichnet eine Gesamtheit von Methoden zur Behandlung der Fragestellungen, welche sich bei der Testkonstruktion und -auswertung ergeben. Dieser Begriff ist nicht
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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.
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
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
MehrDiskrete Wahrscheinlichkeitstheorie
SS 2013 Diskrete Wahrscheinlichkeitstheorie Javier Esparza Fakultät für Informatik TU München http://www7.in.tum.de/um/courses/dwt/ss13 Sommersemester 2013 Teil V Induktive Statistik Induktive Statistik
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
MehrStatistik. Andrej Depperschmidt. Sommersemester 2016
Statistik Andrej Depperschmidt Sommersemester 2016 Schätzen der Varianz mit Stichprobenmittel Sei X = (X 1,..., X n ) eine Stichprobe u.i.v. ZV mit E[X i ] = µ R, Var[X i ] = σ 2 (0, ) und µ 4 = E[(X i
MehrFreisetzen und Fixieren von Parametern in Strukturgleichungsmodellen
Freisetzen und Fixieren von Parametern in Strukturgleichungsmodellen 1 Variablen und Parameter Variablen haben für verschiedene Personen unterschiedliche Werte. Parameter haben für eine gegebene Population
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrangetex,v 18 01/11/09 14:07:08 hk Exp $ $Id: untermfgtex,v 14 01/11/1 10:00:34 hk Exp hk $ Extrema unter Nebenbedingungen Lagrange-Multiplikatoren In der letzten Sitzung hatten wir begonnen die
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
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
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrRechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse
Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse Karlsruher Institut für Technologie Ulrich Husemann Institut für Experimentelle Kernphysik, Karlsruher Institut für Technologie
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrRekodierung invertierter Items
16.Testkonstruktion Items analysieren (imrahmen der KTT) Pretest Aussortieren / Umschreiben von unverständlichen, uneindeutigen oder inakzeptablen Items empirische Prüfung Kennwerte: Itemschwierigkeit
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Reliabilität in der klassischen (psychometrischen) Testtheorie Statistisches Modell Realisierung mit der SPSS-Prozedur Reliability Klassische Testtheorie:
Mehr1. Einführung in die induktive Statistik
Wichtige Begriffe 1. Einführung in die induktive Statistik Grundgesamtheit: Statistische Masse, die zu untersuchen ist, bzw. über die Aussagen getroffen werden soll Stichprobe: Teil einer statistischen
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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrNachteile: STD existiert nur für Verteilungen mit E(FL 2 ) <, d.h. nicht ansetzbar bei leptokurtischen ( fat tailed ) Verlustverteilungen;
Risikomaße basierend auf die Verlustverteilung Sei F L := F Ln+1 die Verteilung der Verlust L n+1. Die Parameter von F Ln+1 werden anhand von historischen Daten entweder direkt oder mit Hilfe der Risikofaktoren
Mehr