Vorlesung: Multivariate Statistik für Psychologen
|
|
- Brigitte Geisler
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 11. Vorlesung: Agenda. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Uni- vs. multivariate Varianzanalyse Statistisches Modell Hypothesentestung v. Varianzzerlegung vi. Multivariate Prüfgrößen Prüfgrößen bei der MANOVA Exkurs: Eigenwerte und Eigenvektoren Kriterien zur Auswahl der Multivariaten Prüfgröße vii. Beispielanalyse mit SPSS Daten und Fragestellung SPSS-Analyse und Interpretation des Outputs viii. Post-hoc Tests bei der MANOVA 2
2 Zusammenfassung der letzten Vorlesung: MANOVA I Grundidee der multivariaten Varianzanalyse gleichzeitige Testung von Mittelwertsunterschieden verschiedener Gruppen auf mehreren abhängigen Variablen Vermeidung kumulierter Alpha-Fehler bei multipler ANOVA (Multiple Univariate Fragestellung) Berücksichtigung der Zusammenhänge der abhängigen Variablen Testung von Gruppenmittelwertsunterschieden auf Konstruktebene ("Instrinsische" Multivariate Fragstellung) Statistisches Modell Verrechnung der Variablenvektoren der aller abhängigen Variablen Personenvektoren, Gruppenmittelwertsvektoren, Gesamtmittelwertsvektor Bildung einer Linearkombination der abhängigen Variablen (gewichtete Summe) zur optimalen Darstellung der vorhandenen Mittelwertsunterschiede Zusammenfassung der letzten Vorlesung: MANOVA II Hypothesen der multivariaten Varianzanalyse Nullhypothese keine Unterschiede der Mittelwertsvektoren der abhängigen Variablen zwischen den Gruppen Interpretation: keine Gruppenunterschiede auf irgendeiner abhängigen Variablen und auf allen Linearkombinationen der abhängigen Variablen Alternativhypothese Gruppenunterschiede auf Mittelwertsvektoren der abhängigen Variablen Interpretation: Unterschiede auf mindestens einer abhängigen Variable (oder einer Linearkombination der abhängigen Variablen) zwischen mindestens zwei Gruppen Problem: keine Information über Art, Größe, Richtung der Unterschiede; unterschiedliche Gruppen; "verantwortliche" Variablen Post-hoc Tests
3 Varianzzerlegung bei der MANOVA III Betrachtung der Varianz-Kovarianz-Matrizen Zusammenhänge der abhängigen Variablen untereinander berücksichtigt durch Faktor erklärte Varianz der einzelnen abhängigen Variablen: Varianzen ohne Berücksichtigung der Zusammenhänge der abhängigen Variablen Überschätzung der durch Faktor erklärten Varianz durch Faktor erklärte gemeinsame Varianz aller abhängigen Variablen: Kovarianzen Varianzzerlegung / Quadratsummenzerlegung Gesamtquadratsumme Quadratsumme der abhängigen Variablen Abweichung aller Personenvektoren vom Gesamtmittelwertsvektor SSCP TO bzw. Matrix T (Sum of Squares and Cross Products) Varianzzerlegung bei der MANOVA IV Varianzzerlegung / Quadratsummenzerlegung Treatmentquadratsumme Zwischengruppen- bzw. systematische Effekte Abweichung der Gruppenmittelwertsvektoren vom Gesamtmittelwertsvektor (pro Person) SSCP BG bzw. Matrix B Fehlerquadratsumme Innergruppen- bzw. unsystematische Effekte (im Sinne der Faktoren) Abweichung der Personenvektoren vom Mittelwertsvektor der jeweiligen Gruppe SSCP WG bzw. Matrix W Additivität der Varianzen / Quadratsummen Quadratsummen der systematischen und unsystematischen Effekte ergeben Gesamtquadratsumme SSCP TO = SSCP BG + SSCP WG bzw. T = B + W
4 Multivariate Prüfgrößen I Grundprinzip der Prüfgrößen Prüfgrößen sind Kennwerte, deren Verteilung bekannt ist bei Erfüllung der Voraussetzungen, z.b. Normalverteilung der Residuen Beispiel: F-Wert ist F-verteilt Berechnung aus Kennwerten der Daten, z.b. Standardfehler, Varianzen, Mittelwerte, Mittelwertsdifferenzen Prüfgrößen bei der MANOVA Wilk's Lambda Hotelling-Lawley's Spurkritierium Pillai-Bartlett's V Roy's größter Eigenwert Grundprinzip: Verhältnis erklärter zu nicht-erklärter Varianz-Kovarianz-Matrix alle vier Prüfgrößen umrechenbar in F-Wert (zur Berechnung des p-werts) 7 Multivariate Prüfgrößen II Beispiel: Wilk's Lambda Verrechnung der Matrix der Zwischengruppeneffekte B und Innergruppeneffekte W Formel: W W Λ = = T B+ W Umrechnung der Prüfgröße Λ in F-Wert Grund: bekannte Verteilung der Prüfgröße (unter Annahme der Nullhypothese) Vergleich des F-Werts mit kritischem F-Wert auf Alpha-Fehler-Niveau statistische Entscheidung Gütemaß zur Vorhersagekraft der Prädiktoren Bestimmung des durch alle Faktoren erklärten Varianzanteils 2 Formel: η = 1 λ Interpretation analog zu Determinationskoeffizient R 2 2 η einzelner Faktoren nicht additiv (vgl. Multiple Regression) 8
5 Multivariate Prüfgrößen III Berechnung der multivariaten Prüfgrößen Wilk's Lambda Formel: entspricht dem Produkt der Eigenwerte der Matrix Hotelling-Lawley's Spurkriterium entspricht der Summe der Eigenwerte von Pillai-Bartlett's V entspricht der Summe der Eigenwerte von Roy's größter Eigenwert W W Λ = = T B+ W entspricht dem größten Eigenwert der Matrix 1 BW 1 BT 1 BW 1 WT 9 Exkurs: Eigenwerte und Eigenvektoren I Charakteristik der Kennwerte Eigenwert und Eigenvektor Eigenwerte und Eigenvektoren als statistische Kennwerte bestimmbar für jede quadratische Matrix Berechnung quadratische Matrizen bei MANOVA: Varianz-Kovarianz-Matrizen der abhängigen Variablen T bzw. der erklärten und nicht-erklärten Varianzanteile der abhängigen Variablen B, W eine (n x n)-matrix hat i.d.r. n reele Zahlen als Eigenwerte und n reelwertige Vektoren als Eigenvektoren Definition: a11 λ1 a12 v11 0 = a21 a22 λ 1 v 12 0 Legende: λ,, λ v,, v 1 n 1 n Eigenwerte (n Stück) Eigenvektoren (n Stück) 10
6 Exkurs: Eigenwerte und Eigenvektoren II Berechnung (Fortsetzung) Aufgabe: Finden der n möglichen Eigenwerte und Eigenvektoren für eine gegebene (n x n)-matrix Beispiel: Ursprungsmatrix A: Eigenwerte: Eigenvektoren: 1 2 λ = λ = v1 = v2 = 1 Beweis (für ersten Eigenwert und ersten Eigenvektor): Eigenwert subtrahieren: = mit Eigenvektor multiplizieren: = Exkurs: Eigenwerte und Eigenvektoren III Berechnung (Fortsetzung) Berechnung der Eigenwerte und Eigenvektoren durch Lösung des Gleichungsystems det( A λi) = 0 oder: 1 λ = 0 λ 12
7 Multivariate Prüfgrößen IV Auswahl der Multivariaten Prüfgröße Kriterien Ziel der Analyse (siehe Fragestellungen der MANOVA) Gruppenunterschiede auf einzelnen abhängigen Variablen vs. Linearkombinationen der abhängigen Variablen (Konstruktebene) Gültigkeit der Annahmen und Voraussetzungen der MANOVA unterschiedliche Robustheit gegen Voraussetzungsverletzungen Unterschiede in statistischer Power (Größe des Beta-Fehlers, d.h. der Wahrscheinlichkeit der Entdeckung von Unterschieden) Einsatz der Multivariaten Prüfgrößen Pillai-Bartlett's V Ziel: gleichzeitige Testung der Gruppenunterschiede auf einzelnen abhängigen Variablen sehr robust bei Verletzungen der Annahmen und Voraussetzungen große statistische Power (besonders bei kleinen Stichproben, ungleichen Stichprobengrößen in Gruppen und Heteroskedastizität) 1 Multivariate Prüfgrößen V Auswahl der Multivariaten Prüfgröße (Fortsetzung) Einsatz der Multivariaten Prüfgrößen (Fortsetzung) Wilk's Lambda Ziel: Test aller Diskriminanzfunktionen (siehe Diskriminanzanalyse) mittlere Robustheit bei Verletzungen der Annahmen und Voraussetzungen Roy's größter Eigenwert Gruppenunterschiede der besten Linearkombination zur Trennung der Gruppen (entspricht 1. Diskriminanzfaktor, siehe Diskriminanzanalyse) weniger robust bei Voraussetzungsverletzungen größte statistische Power bei erfüllten Annahmen und Voraussetzungen (bei Verletzung größerer Beta-Fehler nur Entdeckung großer Gruppenunterschiede) Hinweis: bei MANOVA mit einem Faktoren mit zwei Faktorstufen (2 Gruppen): Wilk's Lambda = Hotelling-Lawley's Spurkriterium = Pillai-Bartlett's V 1
8 Multivariate Prüfgrößen VI Simulationsstudie zum Einsatz der Multivariaten Prüfgrößen Quelle: Olson, C.L. (197). On Choosing a Test Statistic in Multivariate Analysis of Variance. Psychological Bulletin, 8, Ergebnisse und Empfehlungen hinsichtlich der statistischen Power in Abhängigkeit von Eindimensionalität (hohe Korrelation) der abhängigen Variablen (d.h. Abbildung eines Konstrukts) 1 = am empfehlenswertesten = am wenigsten emfehlenswert Noncentrality structure concentrated diffuse Prüfgröße Roy's größter Eigenwert 1 Hotelling-Lawley's Spurkriterium 2 Wilks Lambda 2 Pillai-Bartlett's V 1 1 Multivariate Prüfgrößen VII Simulationsstudie (Fortsetzung) Ergebnisse und Empfehlungen hinsichtlich der Robustheit gegen Verletzungen der Annahmen und Voraussetzungen keine multivariate Normalverteilung konservativeres Testen (kleiner Alpha-Fehler, geringere statistische Power) keine Varianzhomogenität (Heteroskedastizität) progressiveres Testen (größerer Alpha-Fehler) Prüfgröße Beurteilung Roy's größter Eigenwert Hotelling-Lawley's Spurkriterium 2 Wilk's Lambda 2 Pillai-Bartlett's V 1 1
9 Beispielanalyse zur MANOVA I Daten aus Bortz, J. ( 1999). Statistik für Sozialwissenschaftler. Berlin: Springer. S. 17ff. Fragestellung Zusammenhang zwischen sozialer Herkunft und verbaler Ausdrucksfähigkeit bei Kindern Operationalisierung Faktor soziale Herkunft Faktorstufen/Gruppen: Unterschicht vs. Mittelschicht vs. Oberschicht abhängige Variablen Index für Satzlängen (Y 1 ) Index für Vielfalt der Wortwahl (Y 2 ) Index für Komplexität der Satzkonstruktionen (Y ) 17 Beispielanalyse zur MANOVA II Datensatz Unterschicht Mittelschicht Oberschicht Y 1 Y 2 Y Y 1 Y 2 Y Y 1 Y 2 Y Mittelwert,0,0,8..,,2,2..,2,8,8 Mittelwertsvektoren,0 + 1 =,0 +,8, =,2 y y 2,2 y+,2 =,8,8 y ++, =,7,27 18
10 Beispielanalyse zur MANOVA III Analyse Nullhypothese: keine Mittelwertsunterschiede der Gruppen auf den abhängigen Variablen (bzw. einer Linearkombination der abhängigen Variablen) Alternativhypothese (unspezifisch): Mittelwertsunterschiede zwischen mindestens 2 Gruppen auf mindestens einer abhängigen Variablen (bzw. einer gewichteten Summe der abhängigen Variablen Linearkombination) Auswahl der Prüfgröße Pillai-Bartlett's V pro: stabile Schätzungen trotz kleiner Stichprobe (potentielle Nichterfüllung der Annahmen) contra: geringere statistische Power; Vergleich der Einzelvariablen Roy's größter Eigenwert pro: Test der Gruppenunterschiede auf Konstruktebene contra: kein guter Schätzer bei kleinen Stichproben 19 Beispielanalyse zur MANOVA IV SPSS-Bedienung 20
11 Beispielanalyse zur MANOVA V Output Modellbewertung Multivariate Tests c Effect Intercept GRUPPE Pillai's Trace Wilks' Lambda Hotelling's Trace Interpretation Roy's Largest Root Pillai's Trace a. Exact statistic Wilks' Lambda Hotelling's Trace Roy's Largest Root Value F Hypothesis df Error df Sig.,990 7,87 a,000 10,000,000,010 7,87 a,000 10,000,000 10,2 7,87 a,000 10,000,000 10,2 7,87 a,000 10,000,000,717 2,09,000 22,000,102,297 2,78 a,000 20,000,09 2,21,81,000 18,000,018 2,00 8, b,000 11,000,00 b. The statistic is an upper bound on F that yields a lower bound on the significance level. c. Design: Intercept+GRUPPE Verwerfung der Nullhypothese abhängig von gewählter Prüfgröße evtl. Post-hoc Tests erforderlich (Empfehlung hier: Diskriminanzanalyse) 21 Beispielanalyse zur MANOVA VI Output Test der Zwischensubjekteffekte (univariate Varianzanalysen) Tests of Between-Subjects Effects Source Corrected Model Intercept GRUPPE Error Total Corrected Total Dependent Variable SATZLÄNG WORTVIEL SATZKOMP SATZLÄNG WORTVIEL SATZKOMP SATZLÄNG WORTVIEL SATZKOMP SATZLÄNG WORTVIEL SATZKOMP SATZLÄNG WORTVIEL SATZKOMP SATZLÄNG WORTVIEL SATZKOMP a. R Squared =,222 (Adjusted R Squared =,092) b. R Squared =, (Adjusted R Squared =,92) c. R Squared =,11 (Adjusted R Squared =,009) Type III Sum of Squares df Mean Square F Sig.,9 a 2 1,97 1,710,222 9,78 b 2,892 7,77,007 2,0 c 2 1,27 1,0,7 18,9 1 18,9 11,,000 20, ,112 08,788,000 09, ,10 1,1,000,9 2 1,97 1,710,222 9,78 2,892 7,77,007 2,0 2 1,27 1,0,7 1, ,10 7,0 12,29 1,8 12 1,199 20,000 1,000 1, ,7 1 17, 1 1,9 1 22
12 Post-hoc Tests für die MANOVA I Voraussetzung Verwerfung der Nullhypothese der MANOVA Interpretation: Unterschiede der Mittelwertsvektoren der abhängigen Variablen (Unterschiede bei mindestens einer abhängigen Variablen oder einer Linearkombination der abhängigen Variablen) zwischen mindestens zwei Gruppen Post-hoc Tests bei nicht-signifikantem Ergebnis der MANOVA nur sehr bedingt interpretierbar Fragestellungen Gruppenunterschiede aufgrund welcher abhängigen Variablen bzw. welcher Linearkombination von abhängigen Variablen (Beitrag der einzelnen Variablen zur Linearkombination)? Unterschiede zwischen welchen Gruppen? 2 Post-hoc Tests für die MANOVA II Übersicht der Post-hoc Tests Univariate Varianzanalyse Stepdown Analysis Diskriminanzanalyse Beitrag abhängiger Variablen Multivariate Kontraste 2
13 Post-hoc Tests für die MANOVA III Möglichkeit 1: Univariate Varianzanalyse Ziel Identifizierung der abhängigen Variablen mit Gruppenunterschieden Vorgehen siehe ANOVA Vorteil einfache Interpretierbarkeit Nachteile Alpha-Fehler-Kumulierung bei multiplen Tests (ein Test pro abhängiger Variable) vs. Bonferroni-Korrektur mit geringer statistischer Power keine Berücksichtigung der Korrelation zwischen abhängigen Variablen (effekte auf Linearkombinationen der abhängigen Variablen bei MANOVA) keine Aussage, welche Gruppen unterschiedlich Standard-Post-hoc Test in SPSS 2 Post-hoc Tests für die MANOVA IV Möglichkeit 2: Stepdown Analysis Ziel Identifizierung der für Gruppenunterschiede verantwortlichen abhängigen Variablen Voraussetzung a priori Folge der abhängigen Variablen (hypothesengeleitet) Vorgehen konzeptionelle Ähnlichkeit zur hierarchischen Regression ANOVA für erste abhängige Variable mit allen Faktoren (Test des F-Werts) Bestimmung der Veränderung des F-Werts durch Hinzunahme weiterer abhängiger Variablen (unter Berücksichtigung vorher ins Modell aufgenommener Variablen) Probleme eingeschränkter Geltungsbereich, nur bei a priori Hypothesen Interpretation der (Nicht-)Effekte 2
14 Post-hoc Tests für die MANOVA V Möglichkeit : Diskriminanzanalyse Ziel Finden der optimalen Linearkombination(en) der abhängigen Variablen zur optimalen Unterscheidung der Gruppen Vorgehen Gruppierungsvariable (Faktor) als abhängige Variable bei DA, abhängige Variablen der MANOVA als unabhängige Variable Suche der optimalen Linearkombination(en) Diskriminanzfaktoren Test der Gruppenunterschiede auf Diskriminanzfaktoren (siehe ANOVA) Ergebnis Vorhandensein von Linearkombinationen zur Unterscheidung der Gruppen Beitrag der abhängigen Variablen zu dieser/n Variable(n) Probleme Anwendungsbereich beschränkt auf Fall, dass abhängige Variablen eine latente Dimension (ein Konstrukt) bilden 27 Post-hoc Tests für die MANOVA VI Möglichkeit : Beitrag abhängiger Variablen Ziel Bestimmung der für signifikantes MANOVA-Ergebnis maßgeblichen abhängigen Variablen Vorgehen Berechnung mehrerer MANOVAs mit Weglassen einzelner abhäng. Variablen Bestimmung der Veränderung des multivariaten F-Werts in jedem Einzelmodell gegenüber Gesamtmodell Ergebnis Identifizierung der für MANOVA-Effekt im vollständigen Modell unerlässlichen abhängigen Variablen Probleme Betrachtung des Effekts einzelner abhängiger Variablen; keine Berücksichtigung gemeinsamer Effekte (Konstruktebene) exploratives Vorgehen 28
15 Post-hoc Tests für die MANOVA VII Möglichkeit : Multivariate Kontraste Ziel Bestimmung der sich im Mittelwertsvektor unterscheidenden Gruppen keine Suche nach für Effekt verantwortlichen abhängigen Variablen, sondern nach sich unterscheidenden Gruppen Vorgehen paarweiser Vergleich der Mittelwertsvektoren aller Gruppen (Hotelling's T 2 = multivariater T-Test) Möglichkeit kombinierter Vergleiche mehrerer Gruppen mit einzelnen Gruppen oder Kombinationen anderer Gruppen (siehe Konstrastkodierung) Möglichkeit der Bestimmung der Gruppenunterschiede für einzelne abhängige Variablen oder Linearkombinationen abhängiger Variablen Probleme (kumuliertes) Alpha-Fehler-Niveau und statistische Power Interpretation a priori vs. post-hoc Kontrasten (konfirmatorisch vs. explorativ) 29 Ausblick Multivariate Varianzanalyse Annahmen und Voraussetzungen der MANOVA Kovarianzanalyse Einführung in die Kovarianzanalyse Anwendungsbeispiele Statistisches Modell und Hypothesentestung Interpretation der Ergebnisse der Kovarianzanalyse Beispielanalysen in SPSS Annahmen und Voraussetzungen der Kovarianzanalyse 0
V A R I A N Z A N A L Y S E
V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 30.04.2014 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Was sind multivariate Analysemethoden? Vorlesung Übung/Tut Prüfung Verfahrensdarstellung in Überblick
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrBeispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav
Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,
MehrKapitel 7: Varianzanalyse mit Messwiederholung
Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
MehrMultivariate Statistik mit Mathematica und SPSS
Multivariate Statistik mit Mathematica und SPSS von Dipl.-Math. Marco Schuchmann Dipl.-Math. Werner Sanns Seite 2 Varianzanalyse Die Informationen in diesem Buch entstammen langjähriger Erfahrung in Praxis
Mehr(2) Mittels welcher Methode ist es im ALM möglich kategoriale Variablen als Prädiktoren in eine Regressionsgleichung zu überführen?
Beispielaufgaben LÖSUNG (1) Grenzen Sie eine einfache lineare Regression von einem Random Intercept Modell mit nur einem Level1-Prädiktor ab! a. Worin unterscheiden sich die Voraussetzungen? - MLM braucht
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrGrundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
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
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrI. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrVarianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)
Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrDie Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden
Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrE ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen
DAS THEMA: EFFEKTGRÖßEN UND METAANALYSE E ektgrößen Metaanalysen Zusammenhänge und Unterschiede quantifizieren E ektgrößen Was ist ein E ekt? Was sind E ektgrößen? Berechnung von E ektgrößen Interpretation
MehrVarianzanalyse. Seminar: Multivariate Verfahren Dr. Thomas Schäfer. Datum: 25. Mai 2010
Varianzanalyse Seminar: Multivariate Verfahren Dozent: Dr. Thomas Schäfer Referenten: Ralf Hopp, Michaela Haase, Tina Giska Datum: 25. Mai 2010 Gliederung I Theorieteil 1. Das Prinzip der Varianzanalyse
MehrAnhang A: Fragebögen und sonstige Unterlagen
Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrInhaltsverzeichnis. Vorwort 1. Kapitel 1 Einführung 3. Kapitel 2 Messtheorie und deskriptive Statistik 13
Inhaltsverzeichnis Vorwort 1 Kapitel 1 Einführung 3 1.1 Ziele... 4 1.2 Messtheorie und deskriptive Statistik... 8 1.3 Grundlagen der Wahrscheinlichkeitsrechnung... 9 1.4 Inferenzstatistik... 9 1.5 Parametrische
MehrDr. Frank Piontek Statistik III + VPLG.doc SS 2008 Multivariate Statistik und Versuchsplanung
1. Regressionsanalyse [RA] 1.1. Einfache lineare Regression Lineares Modell & Regressionsrechnung Gütemaße Signifikanzprüfung Grafische Darstellung: [Punktwolke/ Streudiagramm / Scatterplot, Regressionsgerade
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
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
MehrNichtparametrische statistische Verfahren
Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrBitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:..
Institut für Erziehungswissenschaft der Philipps-Universität Marburg Prof. Dr. Udo Kuckartz Arbeitsbereich Empirische Pädagogik/Methoden der Sozialforschung Wintersemester 004/005 KLAUSUR FEBRUAR 005 /
MehrUnivariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen
Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen
MehrEvaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am 03.08.2007 (1.Termin)
Evaluation & Forschungsmethoden (Multivariate Analyse Hauptdiplom-Prüfungsklausur am 03.08.007 (1.Termin Name: Matrikel-Nr.: Aufgabe 1: (3 Punkte Es seien zwei Vektoren a und b (mit mehr als Koordinaten
MehrEinleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25
Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrBehandlung fehlender Werte
Halle/Saale, 8.6.2 Behandlung fehlender Werte Dipl.-Psych. Wilmar Igl - Methodenberatung - Rehabilitationswissenschaftlicher Forschungsverbund Bayern Einleitung () Fehlende Werte als allgegenwärtiges Problem
MehrVon der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und
Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrGestaltungsempfehlungen
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Lehren und Lernen mit Medien I Gestaltungsempfehlungen Überblick Auswahl der Empfehlungen Gestaltungseffekte Empirische
MehrKOMPLEXE STATISTISCHE VERFAHREN
1 1. THEORETISCHES: KOMPLEXE STATISTISCHE VERFAHREN Wofür braucht man komplexe statistische Verfahren? um objektivere Antworten auf Fragen (z.b. Schadet Rauen?) geben zu können Im Alltag hier oft Heranziehung
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,
MehrInhalt 1 Einführung... 1 2 Ausgewählte Begriffe... 10 3 Vorgehensweise im Überblick... 14
VII 1 Einführung... 1 1.1 Warum Versuche?... 1 1.2 Warum Statistik?... 1 1.3 Warum Versuchsplanung?... 4 1.4 Welche Art von Ergebnissen kann man erwarten?... 6 1.5 Versuche oder systematische Beobachtung?...
MehrVarianzanalyse. Einleitung - 1 -
- 1 - Varianzanalyse Einleitung Die Varianzanalyse ist ein sehr allgemein einsetzbares multivariates Analyseverfahren, mit dessen Hilfe Meßwerte einer abhängigen Variablen Y, die in der Regel von mehreren
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrInhalt. Vorwort... 1 Einführung... 1. 2 Ausgewählte Begriffe... 11. 3 Vorgehensweise im Überblick... 17
Inhalt Vorwort.................................................................. V Inhalt.................................................................... VII 1 Einführung..........................................................
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner Carl Hanser Verlag München Wien VII Inhalt 1 Einführung 1 1.1
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
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
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
Mehr3. Der t-test. Der t-test
Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene
MehrTaschenbuch Versuchsplanung Produkte und Prozesse optimieren
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren ISBN-10: 3-446-41595-5 ISBN-13: 978-3-446-41595-9 Inhaltsverzeichnis Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41595-9
MehrBEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)
AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehr14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler
DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
Mehr3. Der t-test. Der t-test
3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Taschenbuch Versuchsplanung Produkte und Prozesse
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........................................
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrMultivariate Zeitreihenanalyse mit EViews 4.1
Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrDie Technik und Logik von linearen Strukturgleichungsmodellen
Die Technik und Logik von linearen Strukturgleichungsmodellen Empfehlenswerte Einführungen in die Arbeit mit Strukturgleichungsmodellen ( structural equation modeling ) finden sich in Byrne (1994) (spezifisch
MehrTutorial. Mediationsanalyse mit PROCESS. stefan.pfattheicher@uni-ulm.de. Das Konzept Mediation
Tutorial Mediationsanalyse mit PROCESS stefan.pfattheicher@uni-ulm.de Das Konzept Mediation Ein Mediator (folgend M) erklärt den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen
MehrDr. A. Yassouridis Max-Planck-Institut für Psychiatrie AG: Statistik
Statistische Analyse von Genexpress ions daten Dr. A. Yassouridis Max-Planck-Institut für Psychiatrie AG: Statistik Die exakten Wissenschaften Die schönste Forschungsaufgabe in einer Wissenschaft ist,
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrStrukturgleichungsmodellierung
Rolf Weiber Daniel Mühlhaus Strukturgleichungsmodellierung Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS ^J Springer ABKÜRZUNGS- UND SYMBOL VERZEICHNIS
Mehr