Vorlesung: Multivariate Statistik für Psychologen
|
|
- Gretel Bretz
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 6. Vorlesung: Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, , Uhr, IfP SR 9 neuer Termin: Mittwoch, , Uhr,??? Gruppe 6 alter Termin: Donnerstag, , Uhr, ABF SR 9 neuer Termin: Dienstag, , Uhr,??? 2
2 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene Verallgemeinerung der multiplen Regression auf k Prädiktoren v. Techniken der multiplen Regression vi. Techniken/Typen der Modellschätzung bei der multiplen Regression Interaktionseffekte bei multiplen Prädiktoren Annahmen und Voraussetzungen der multiplen Regression Annahmen und Voraussetzungen Test der Annahmen und Voraussetzungen 3 was man/frau schon immer wissen wollte Interpolation und Extrapolation Signalentdeckungstheorie 4
3 Zusammenfassung der letzten Sitzung Multiple Regression Ziele und Grundlagen der multiplen Regression Beispiele zur multiplen Regression Statistisches Modell, Modellgleichung Schätzung und Interpretation der Modellparameter Varianzzerlegung Modellgüte, Determinationskoeffizient Verallgemeinerung des Stichprobenmodells auf Populationsebene 5 Verallgemeinerung der multiplen Regression auf k Prädiktoren I Zahl der Prädiktoren im Regressionsmodell Vorhersage der abhängigen Variablen durch beliebig viele Prädiktoren möglich Grenzen des statistisch Sinnvollen jeder Prädiktor mit zusätzlichem Beitrag zur Varianzaufklärung Unabhängigkeit der Prädiktoren Grenzen des inhaltlich Sinnvollen Interpretierbarkeit von Modellen mit sehr vielen Prädiktoren eingeschränkt inhaltliche Überlappung der Prädiktoren Modellgleichung der multiplen Regression mit k Prädiktoren ausführliche Gleichung Y = a+ bx + bx + + bx ˆi 1 1 i 2 2 i k k i alternative Darstellung k Yˆi = a+ b j=1 j Xj i 6
4 Verallgemeinerung der multiplen Regression auf k Prädiktoren II Modellgleichung der multiplen Regression mit k Prädiktoren (Fortsetzung) Matrix-Schreibweise y= Xß+ e β0 β 1 y = ( 1 X1 X2 Xk ) β2 + e β k Literaturempfehlung zur Matrizendarstellung und rechnung: Steyer, R. (2003). Wahrscheinlichkeit und Regression. Berlin: Springer. (Kapitel 13, S ) Modellschätzung Least-Square Ansatz ( ) 2 Q N ˆ 2 N k i 1 Y i Y i i 1 Y = = i a j=1 b j X ji = ( ) = + min 7 Verallgemeinerung der multiplen Regression auf k Prädiktoren III Berechnung der Modellparameter Formeln zur Berechnung der Modellparameter bei >2 Prädiktoren sehr komplex (siehe Literatur) Grundprinzip: Verrechnung der Korrelation des Prädiktors mit der abhängigen Variablen Korrelation aller anderen Prädiktoren mit der abhängigen Variablen Korrelation der Prädiktoren untereinander Berechnung der Modellgüte Multipler Determinationskoeffizient R 2 Anteil der erklärten Varianz an der Gesamtvarianz Grundlage: Multiple Korrelation R (Korrelation vorhergesagter Wert beobachteter Wert) 2 SSR Ryx i 1... x = = b k 1 ryx + b 1 2 ryx b 2 k ryx k SSTO 8
5 Verallgemeinerung der multiplen Regression auf k Prädiktoren IV Verallgemeinerung des Stichprobenmodells auf Populationsebene Modellprüfung siehe Modellprüfung der einfachen/zweifachen Regression F = = MSE SSE Parameterprüfung siehe Prüfung der Parameter bei der zweifachen Regression t b = s MSR j bj SSR/df /df s b1 R E = s 2 yx i 1...k df R E = k df = N k 1 2 syx i 1... xk N 2 i= 1 2 ( Xi1 X1) ( 1 Rx 1ix2...k ) = SSE /(N k 1) df = N k 1 9 Verallgemeinerung der multiplen Regression auf k Prädiktoren V Interpretation der Ergebnisse Regressionsmodell Modellpassung abhängig von Vorhersagekraft der Prädiktoren, Anzahl und Korrelation der im Modell berücksichtigten Prädiktoren Beispiel Parameter Vorhersagekraft der Prädiktoren abhängig von anderen im Modell berücksichtigten Prädiktoren und gewählter Regressionstechnik Beispiel 10
6 Techniken/Typen der multiplen Regression I Techniken zur Parameterschätzung Testlogik verschiedene Prädiktoren erklären evtl. gleichen Anteil der Varianz der abhängigen Variablen mehrfach erklärte Varianz wird nur einmal im Modell berücksichtigt Frage, welchem Prädiktor mehrfach erklärte Varianz zugeschrieben wird Auswahl der Regressionstechnik abhängig von der inhaltlichen Fragestellung entscheidend dafür, welche Prädiktoren welchen Teil der aufgeklärten Varianz "erklären" 11 Techniken/Typen der multiplen Regression II Techniken zur Parameterschätzung (Fortsetzung) Veranschaulichung der Problemstellung Gesamtvarianzaufklärung der Prädiktoren X1, X2, X3 entspricht a+b+c+d+e Frage: Varianzaufklärung der einzelnen Prädiktoren? abhängig von Regressionstechnik X 2 X 1 X3 a b Y c d e Vorsicht bei Interpretation von Venn-Diagrammen! Diese dienen ausschließlich zur Veranschaulichung, und haben keine statistische Aussagekraft. Varianzen und Kovarianzen können nicht als Flächen bzw. Flächenüberschneidungen verstanden werden. 12
7 Techniken/Typen der multiplen Regression III Überblick über Regressionstechniken Standard Multiple Regression Beurteilung der einzelnen Prädiktoren nach zusätzlicher Varianzaufklärung (bzw. Aufklärung der Ausprägung der abhängigen Variablen) zu allen anderen Prädiktoren Hierarchische (Sequentielle) Regression Vergleich mehrerer Prädiktoren im Bezug auf ihre Vorhersagekraft hinsichtliche der Ausprägung der abhängigen Variablen inhaltlich theoriegeleitet Statistische (Schrittweise) Regression Explorative Suche der besten Prädiktoren für die Ausprägung der abhängigen Variablen kein Test inhaltlichen Theorien, sondern exploratives Vorgehen nach statistischen Kriterien 13 Standard Multiple Regression I Schätzprinzip simultane Schätzung und Beurteilung der Regressionskoeffizienten (und damit der Varianzaufklärung) aller Prädiktoren Beurteilung der Parameter zusätzliche Varianzaufklärung durch einzelne Prädiktoren, nachdem alle anderen Prädiktoren im Modell aufgenommen sind von mehreren Prädiktoren gemeinsam aufgeklärte Varianz berücksichtigt bei der Gesamtbeurteilung im Modell (Determinationskoeffizient), aber nicht bei Beurteilung der einzelnen Prädiktoren (bzw. Parameter der Prädiktoren) potentielle Unterschätzung der Bedeutung von Prädiktoren mit hoher Korrelation mit anderen Prädiktoren 14
8 Standard Multiple Regression II Veranschaulichung der Standard Multiplen Regression bei Parameterbeurteilung berücksichtigte Anteile der aufgeklärten Varianz der einzelnen Prädiktoren X 2 X 1 X3 Y 15 Hierarchische (Sequentielle) Regression I Schätzprinzip Schätzung und Beurteilung der Regressionskoeffizienten (und damit der Varianzaufklärung) aller Prädiktoren nacheinander, in vorgegebener (theoriegeleiteter) Reihenfolge einzelne Variablen vs. Blöcke von Variablen Beurteilung der Parameter zusätzliche Varianzaufklärung durch einzelne Prädiktoren, gegeben aller bereits vorher ins Modell aufgenommener Prädiktoren von mehreren Prädiktoren gemeinsam aufgeklärte Varianz wird nur bei Beurteilung des ersten, diesen Varianzanteil erklärenden Prädiktors (bzw. Parameters der Prädiktoren) berücksichtigt potentielle Unterschätzung der Bedeutung später ins Modell aufgenommener Prädiktoren 16
9 Hierarchische (Sequentielle) Regression II Veranschaulichung der Hierarchischen (Sequentiellen) Regression bei Parameterbeurteilung berücksichtigte Anteile der aufgeklärten Varianz der einzelnen Prädiktoren (Reihenfolge der Aufnahme ins Modell: X 1, X 2, X 3 ) X 2 X 1 X3 Y 17 Hierarchische (Sequentielle) Regression III Modellbeurteilung Beurteilung des Gesamtmodells nach jeder Aufnahme eines Prädiktors (bzw. einer Gruppe von Prädiktoren) Frage: welche (Gruppen von) Prädiktoren verbessern signifikant die Varianzaufklärung des Modells (gegeben der steigenden Komplexität des Modells) Test mittels R 2 -Differenzentest Test der zusätzlich aufgeklärten Varianz im Modell gegen Null ( i ) yxx 1 2 yx = 1 yxx 1 2 yx i 1 R R R R entspricht der Differenz der aufgeklärten Varianz im eingeschränkten Modell (ohne den nächsten Prädiktor) vs. im uneingeschränkten Modell (mit Prädiktor) Yˆ ˆ i = a+ bx 1 1i vs. Yi = a+ bx 1 1i + bx 2 2i 18
10 Hierarchische (Sequentielle) Regression IV Modellbeurteilung (Fortsetzung) Nullhypothese: keine zusätzliche Varianzaufklärung bzw. Regressionskoeffizient des zusätzlichen Prädiktors gleich Null ( Ryxx Ryx i ) H : = 0 H 0: β 2 = Test Errechnen der F-verteilten Prüfgröße 2 2 ( Ryxx i R ) ( ) 1 2 yx i / k 1 1 k2 F = 2 (1 Ryxx i )/( N k1 1) Freiheitsgrade: df = k k df = N k 1 k1 k2 Anzahl der Prädiktoren im vollständigen Modell Anzahl der Prädiktoren im eingeschränkten Modell 19 Hierarchische (Sequentielle) Regression V Modellbeurteilung (Fortsetzung) Test (Fortsetzung) Entscheidung F < F H F F a,df 1,df2 0 H a,df 1,df2 1 20
11 Statistische (Schrittweise) Regression I Schätzprinzip Schätzung und Beurteilung der Regressionskoeffizienten (und damit der Varianzaufklärung) aller Prädiktoren durch schrittweise Aufnahme und Entfernung der Prädiktoren aus dem Modell Grundlage sind statistischen Kriterien (Varianzaufklärung) Beurteilung der Parameter zusätzliche Varianzaufklärung durch einzelne Prädiktoren, gegeben aller bereits vorher ins Modell aufgenommener Prädiktoren bzw. Verlust an aufgeklärter Varianz durch Entfernung einzelner Prädiktoren aus dem Modell potentielle Unterschätzung der Bedeutung einzelner Prädiktoren durch andere Prädiktoren im Modell keine inhaltliche Fundierung, ausschließlich induktives Vorgehen (explorativ) 21 Statistische (Schrittweise) Regression II Veranschaulichung der Statistischen (Schrittweisen) Regression bei Parameterbeurteilung berücksichtigte Anteile der aufgeklärten Varianz der einzelnen Prädiktoren (Vorwärts-Technik) X 2 X 1 X3 Y 22
12 Statistische (Schrittweise) Regression III Typen der Statistischen (Schrittweisen) Regression Aufnahme bzw. Löschen einzelner Prädiktoren mittels verschiedener Typen der Statistischen Regression Aufnahme einzelner Prädiktoren bei signifikanter Verbesserung der aufgeklärten Varianz durch einen Prädiktor Löschen durch nicht signifikante Verschlechterung der aufgeklärten Varianz durch einen Prädiktor Typen: Vorwärts (Foward Selection) Rückwärts (Backward Deletion) Schrittweise (Stepwise Regression) 23 Statistische (Schrittweise) Regression IV Vorwärts (Forward Selection) Anfangsmodell Modell ohne Prädiktoren Auswahl der statistisch relevanten Prädiktoren sukzessive Aufnahme einzelner Prädiktoren ins Modell, die Vorhersagekraft des Modells signifikant verbessern Vorgehen Auswahl des Prädiktors mit größter erklärter Varianz (größte SSR größter F-Wert) Test auf Signifikanz des Modells (mit diesem F-Wert) Auswahl weiterer Prädiktoren nach maximalem Zugewinn an erklärter Varianz, gegeben der bereits ins Modell aufgenommenen Prädiktoren Test der R 2 -Differenz gegen Null; Abbruchkriterium: vorbestimmter F-Wert, der gleichbedeutend mit keiner signifikanter Verbesserung des R 2 einmal ins Modell aufgenommene Prädiktoren bleiben im Modell 24
13 Statistische (Schrittweise) Regression V Rückwärts (Backward Deletion) Anfangsmodell Modell mit allen Prädiktoren Auswahl der statistisch relevanten Prädiktoren sukzessiver Ausschluss einzelner Prädiktoren aus Modell, ohne die sich Vorhersagekraft des Modells nicht signifikant verschlechtert Vorgehen Bestimmung der multiplen Regression mit allen k Prädiktoren, und aller multiplen Regressionen mit k-1 Prädiktoren Auswahl des Prädiktors mit kleinster R 2 - bzw. F-Wert-Verschlechterung Test auf Signifikanz der Modellverschlechterung (mit diesem F-Wert) Auswahl weiterer Prädiktoren nach minimalem Verlust an erklärter Varianz Test der R 2 -Differenz gegen Null; Abbruchkriterium: vorbestimmter F-Wert, der gleichbedeutend mit signifikanter Verschlechterung des R 2 einmal aus Modell ausgeschlossene Prädiktoren kommen nicht mehr ins Modell 25 Statistische (Schrittweise) Regression VI Schrittweise (Stepwise Regression) Kombination aus Vorwärts- und Rückwärts-Technik Anfangsmodell Modell ohne Prädiktoren Auswahl der statistisch relevanten Prädiktoren sukzessive Aufnahme einzelner Prädiktoren ins Modell, die Vorhersagekraft des Modells signifikant verbessern (Kriterium der Vorwärts-Technik) nach Aufnahme eines Prädiktors: Prüfung, ob Löschen einzelner Prädiktoren im Modell möglich ohne signifikante Verschlechterung der Vorhersagekraft (Kriterium der Rückwärts-Technik) schrittweises Aufnehmen/Löschen von Prädiktoren bis keine weitere Veränderung keine Aufnahme eines nicht im Modell berücksichtigten Prädiktors bewirkt eine signifikante R 2 -Verbesserung des Modells kein Löschen eines im Modell aufgenommenen Prädiktors möglich ohne signifikante Verschlechterung des R 2 im Modell 26
14 Praktische Hinweise I SPSS-Kurzanleitung Spezifikation der verschiedenen Techniken der multiplen Regression in SPSS Bestimmung der Kriterien zur Aufnahme und Löschung einzelner Prädiktoren Modellbewertung 27 Praktische Hinweise II Auswahl der Standard Multiplen Regression in SPSS 28
15 Praktische Hinweise III Auswahl der Hierarchischen (Sequentiellen) Regression in SPSS 29 Praktische Hinweise IV Auswahl der Statistischen (Schrittweisen) Regression in SPSS 30
16 Praktische Hinweise V Auswahl der statistischen Kriterien für Aufnahme und Löschen in SPSS 31 Praktische Hinweise VI Hinweise zur Interpretation der Ergebnisse Regressionsmodelle und Bewertung einzelner Prädiktoren mit denselben Daten teilweise sehr unterschiedlich, abhängig von gewählter Regressionstechnik Kriterien zur Aufnahme/Löschung einzelner Prädiktoren im Modell berücksichtigte Prädiktoren Alternative: Best-Subset-Modell vollständige Permutation aller Kombinationen von Prädiktoren Wahl des Modells mit der statistisch besten Vorhersagekraft Problem: mehrere, ähnlich gute Modelle mit verschiedenen Sets von Prädiktoren absolute Interpretation ausgewählter und nicht-ausgewählter Prädiktoren nicht möglich 32
17 Praktische Hinweise VI Hinweise zur Interpretation der Ergebnisse (Fortsetzung) zur Interpretation (zusätzlich zu Parameterschätzungen, z.b. der Schrittweisen Regression) Angabe der: Parameterschätzungen der Standard Multiplen Regression mit den ausgewählten Prädiktoren Parameterschätzungen der Einfachen Regression (z.b. in Form der Korrelationsmatrix) Einfluss der Stichprobengröße viele im Modell berücksichtigte Prädiktoren erfordern eine große Stichprobe (ca Personen pro Prädiktor) Explorativer Charakter der Schrittweisen Regression Hypothesengenerierung und prüfung nicht an derselben Stichprobe möglich Kreuzvalidierung erforderlich (neue Stichprobe vs. Subsamples) 33 Ausblick Multiple Regression Annahmen und Voraussetzungen der multiplen Regression Annahmen und Voraussetzungen Test der Annahmen und Voraussetzungen Varianzanalyse (ANOVA) 34
Das 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
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
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
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
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
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
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...
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
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
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
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
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,
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrAuswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0
Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0??? Curt Ronniger 2007 Bei Neueinstieg in das Programm, sollte zunächst die Dokumentation XSelDoE10.pdf gelesen werden.
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
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
MehrAusgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0
1 Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0 Text: grund1_spss20.doc Daten: grund1_?.sav Lehrbuch: W. Timischl, Biostatistik.
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
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrV 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,
Mehr6.2 Regressionsanalyse
c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des
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
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
MehrKommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)
R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:
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
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
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
Mehr3 Zusammenhangsmaße Zusammenhangshypothesen
3 Zusammenhangsmaße Zusammenhangshypothesen Zusammenhänge (zwischen 2 Variablen) misst man mittels Korrelationen. Die Wahl der Korrelation hängt ab von: a) Skalenniveau der beiden Variablen: 1) intervallskaliert
MehrStrukturgleichungsmodelle
Strukturgleichungsmodelle Seminar: Multivariate Verfahren Dozent: Dr. Thomas Schäfer Dozenten: Bernadette Kloke, Teresa Hastedt, Nadine Markstein Datum: 15.06.2010 Überblick 1. Grundlegendes zum SGM 1.1
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)
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrKapitel 23 Lineare Regression
Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche
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
MehrFragen und Antworten zu Kapitel 18
Fragen und Antworten zu Kapitel 18 (1) Nennen Sie verschiedene Zielsetzungen, die man mit der Anwendung der multiplen Regressionsanalyse verfolgt. Die multiple Regressionsanalyse dient der Kontrolle von
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
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
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
MehrEinführung in statistische Testmethoden
Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
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?...
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
MehrInhalt. Vorwort... 1 Einführung... 1. 2 Ausgewählte Begriffe... 11. 3 Vorgehensweise im Überblick... 17
Inhalt Vorwort.................................................................. V Inhalt.................................................................... VII 1 Einführung..........................................................
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
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
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
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,
MehrDie Einflußgrößenrechnung in Theorie und Praxis
Ernst Haller-Wedel Die Einflußgrößenrechnung in Theorie und Praxis Anwendung mehrdimensionaler statistischer Untersuchungs- Verfahren in Industrie, Wirtschaft und Verwaltung Mit 90 Bildern und 144 Tafeln
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)
MehrAnalyse von Tabellen und kategorialen Daten
Hans-Jürgen Andreß Jacques A. Hagenaars Steffen Kühnel Analyse von Tabellen und kategorialen Daten Log-lineare Modelle, latente Klassenanalyse, logistische Regression und GSK-Ansatz Mit 32 Abbildungen
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
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
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
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
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
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...
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
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
MehrEINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000
INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2 MODUL 13 EINFACHE LINEARE REGRESSION Erziehungswissenschaft/Haider
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
MehrInhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3
I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von
MehrEinführung in die Grundlagen der explorativen Pfadanalyse nach Wright
Dr. Wolfgang Langer - Methoden V: LISREL - SoSe 2002 - Einführung in die Grundlagen der explorativen Pfadanalyse nach Wright Wenden wir uns zunächst dem Wrightschen Pfadfinderspiel zu. Ausgangspunkt: Pfaddiagramm
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
MehrMÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN
MÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN Mario Ziller Friedrich-Loeffler-Institut Bundesforschungsinstitut für Tiergesundheit Institut für Epidemiologie Seestr. 55,
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
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Kapitel 6 Einführung in die Test- und Fragebogenkonstruktion, Pearson Education 2003, Markus Bühner, 1 6.1 Grundkonzeption Die konfirmatorische Faktorenanalyse (CFA) dient
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrParametrische Statistik
Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
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
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
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
MehrCommercial Banking Übung 1 Kreditscoring
Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse
MehrVeranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen
Bildungsurlaub-Seminare: Lerninhalte und Programm Seminartitel SPSS für Psychologen/innen (BH15113) Termin Mo, den 18.05.bis Fr, den 22.05.2015 (40 UStd.) Veranstaltungsort Bildungsherberge der Studierendenschaft
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
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
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
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
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
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
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
MehrRegressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose
Informatik Philipp von der Born Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose Bachelorarbeit Universität Bremen Studiengang Informatik Regressionsanalyse zur
MehrGrundlagen von Versuchsmethodik und Datenanalyse
Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
Mehr