Die SAS-Prozedur MIXED
|
|
- Julius Maurer
- vor 6 Jahren
- Abrufe
Transkript
1 Die SAS-Prozedur MIXED Hans-Peter Altenburg Deutsches Krebsforschungszentrum Heidelberg Inhalt: Prozedur MIXED verwandte SAS-Prozeduren: GLM, VARCOMP, NESTED Schätzverfahren Varianzkomponenten Syntax Beispiele 1 2 Feste Effekte: Faktoren, bei denen die Stufen der Faktoren diejenigen Stufen sind, die im Experiment gerade betrachtet werden. Modell mit festen Effekten Zufällige Effekte: Faktoren, bei denen die Stufen, die gerade betrachtet werden, eine Zufallsauswahl aus einer unendlichen Population von möglichen Stufen darstellen. Inferenzaussage für die gesamte Population der Faktorstufen. Modell mit zufälligen Effekten Gemischtes Modell (Mixed Model): enthält feste und zufällige (random) Effekte. Varianz-Schätzungen assoziiert mit den zufälligen Effekten werden als Varianzkomponenten bezeichnet. Kombination: gemischte (mixed) Modelle 3 4 Completely Random Model: Jeder erwartete MS (expected mean square) ist eine Funktion der Varianzen der zufälligen Effekte Mixed Model: Jeder erwartete MS (expected mean square) ist eine Funktion der Varianzen der zufälligen Effekte plus quadratische Funktionen der Parameter der festen Effekte. 5 Beispiel: Studie über die Wirkung einer Chemotherapie Effekte: Behandlung: Chemo- / Radio-Therapie fester Effekt Alter: Kind / Erwachsener fester Effekt Klinik: 5 beteiligte Kliniken fester Effekt: nur Interesse an der Variabil. der 5 Kl. zufälliger Effekt: falls Interesse an der Pop. der Klein. Patient: zufälliger Effekt, da zugrunde gelegt wird, daß die Patientenstichprobe aus einer unendlichen GG stammt. 6 SAS-Benutzertreff Heidelberg,
2 Konzept ist/war nicht unumstritten: z.b. die Kontroverse zwischen Yates und Nelder: Arbeit von Nelder (1977) wurde als The great mixed model muddle bezeichnet. Kommentar zu Mixed Models: To a Non-Baysian, all things are BLUPs. 7 Prozedur GLM: Feste Effekte Normalfall: feste Effekte Prozedur GLM Modell: y=xβ + ε y=vektor der beobachteten Daten X=bekannte Versuchsdesignmatrix β =Vektor der unbekannten festen Effektparameter ε =Vektor der nicht beobachtbaren Zufallsfehler Voraussetzung: Komponenten von ε sind unkorreliert, normal verteilt mit Varianz σ 2 und Erw. null 8 Prozedur GLM: Feste Effekte Prozedur MIXED: Modell: y=xβ + ε d.h. es gilt E[ε]=0 und VAR[ε]= σ 2 I, I=Einheitsmatrix und somit E[y] = Xβ und VAR[y] = σ 2 I Wichtig: Die Prozedur GLM modelliert stets alle Effekte als feste Effekte, auch wenn das RANDOM-Statement benutzt wurde. RANDOM liefert nur expected mean squares. CLASS- und MODEL-Statement spezifizieren gemeinsam X. 9 Erweitertes Modell: feste und zufällige Effekte Prozedur MIXED Modell: y=xβ + Zν + ε y=vektor der beobachteten Daten X, Z=bekannte Versuchsdesign-Matrizen β =Vektor der unbekannten festen Effektparameter ν = Vektor der unbek. zufälligen Effektparameter ε =Vektor der nicht beobachtbaren Zufallsfehler 10 Prozedur MIXED: Erweitertes Modell: y=xβ + Zν + ε ν und ε normal verteilt: (mit µ = (ν, ε ) T ) E[µ] = 0 und Var[µ] = Diag{G,R} Das allgemeine lineare Modell ist ein Spezialfall des gemischten Modells mit Z=0 und R= σ 2 I. Prozedur MIXED: SAS Proceduren mit RANDOM-Statement: GLM MIXED SAS Prozeduren assoziiert mit Random Effects: NESTED VARCOMP MIXED NLMIXED (Vs 8) Die Prozedur MIXED erlaubt es verschiedene Kovarianzstrukturen für G und R zu spezifizieren SAS-Benutzertreff Heidelberg,
3 Verallgemeinerung von GLM ähnliche Syntax gleiche Parametrisierung, manchmal unterschiedliche CLASS Level MIXED bietet nur die Typ III Teste für feste Effekte (dagegen GLM Typ I, II, III und IV) MIXED nur LSMEANS (GLM auch noch MEANS) RANDOM- und REPEATED-Statements werden unterschiedlich benutzt Varianzkomponentenschätzung: REML, ML, MM oder MIVQUE0, GLM dagegen nur Momentenmethode (MM) 13 Wahl der Prozedur: GLM oder MIXED Zufällige Effekte vorhanden: GLM: Standardfehler sind falsch SE der LS Means falsch Einfluß auf: Hypothesentesten, Schätzen der Differenzen von LS means / Konfidenzintervalle Schätzverfahren: GLM benutzt LS, Varianzkomponenten für zufällige Effekte müssen per Hand berechnet werden anhand der ausgegebenen GLM-Schätzwerte GLM: keine Unterscheidung zwischen festen und zuf. Effekten Hypothesenprüfung stets über F=MS/MSE Mixed Modell: erwartete MS um herauszufinden welcher MS im Zähler für die Prüfung eines best. Effektes erforderlich ist. Manchmal existiert kein geeigneter MS und muß entsprechend synthetisiert werden. 14 Wahl der Prozedur: GLM oder MIXED Zufällige Effekte vorhanden: GLM: Annahme alle Fehler iid GLM für Mixed Modelle: Annahme alle Var.-Komp. unabhängig und innerhalb VK ident. Verteilt, Verfeinerung durch Annahme einer sehr einfachen Abhängigkeitsstruktur unter den Fehlern (insbes. bei Repeated Measurements). MIXED dagegen, keine Annahme Fehler oder Var.-Komp. iid, Struktur und Beziehungen der Fehler und Var.-Komps werden ins Modell einbezogen. 15 Varianzkomponenten Eine Varianzkomponente ist, vereinfacht gesprochen, eine Quelle weißen Rauschens, die die Beobachtungswerte beeinflusst. Die Bezeichnung Varianzkomponente wird i.d.r. verwendet, wenn unterschiedliche Komponenten einer Variabilität unabhängig sind. Beispiel: Zweifache Varianzanalyse Reagentgruppe \ Wdh Teste \ y y33 y Varianzkomponenten - Beispiel Zwei Variationsursachen: Reagent- / Testeffekt Varianzkomponenten: assoziierte Varianzen Ziel eines statistischen Modells: Erfasse Struktur und Einfluß des Nicht-Beobachtbaren Varianzkomponenten Modell für die Struktur des Nichtbeobachtbaren: Zwei oder mehrere Variationskomponenten Praktische Fragen verlangen meist ein konzeptionelles Verständnis der Variations-Komponenten SAS-Benutzertreff Heidelberg,
4 Variationsursachen: Varianzkomponenten Messung: Kalibrierung, Operator-to-Operator Differenz, Variation bzgl. Temperaturschwankungen, Ablesefehler,... Stichprobenvariabilität: Unterscheidet sich das beobachtete Material vom nicht beobachteten? Kann z.b. reduziert werden durch Vergrößern der Stichprobe Wechselwirkung: zwischen Behandlung / Faktor und den äußeren Umständen Varianzkomponentenschätzung MM: Momentenmethode, vergleicht erwartete Werte mit den Stichprobenschätzwerten Varianzkomponenten: Varianzen, die mit der Variationsursache oder Zufälligkeit in den Daten assoziiert sind kann u.u. negative Schätzwerte der Varianz liefern Varianzkomponentenschätzung MIVQUE0: ein bestimmter Typ von Momentenmethode, Schätzer sind invariant bzgl. fester Effekte, Mittelwertquadrate, die mit den zufälligen Effekten assoziiert sind, werden nach den festen Effekten adjustiert Varianzkomponentenschätzung ML: Maximum Likelihood-Methode, iteratives Verfahren zur Schätzung von Parameterwerten, maximiert die Likelihoodfunktion negative Varianzen werden bei der Prozedur MIXED auf null gesetzt Varianzkomponentenschätzung REML: restricted / residual Maximum Likelihood, Likelihoodfunktion wird in zwei Teilen konstruiert (ein Teil feste Effekte, der andere frei von festen Effekten) liefert ML-Schätzung der Varianzkomponenten aus dem Anteil des Modells, der frei von festen Effekten ist negative Varianzen werden bei der Prozedur MIXED auf null gesetzt Beispiel 1: Prozedur MIXED Experiment zur Überprüfung der Wirksamkeit eines Antibiotikas, das zwei Jahre gelagert worden war. Aus acht Behältern wurden jeweils zwei Proben gezogen und die Konzentration der aktiven Komponente gemessen. Fragestellung: 1) Schätzung der (overall) mittleren Gesamtkonzentration. 2) Hat die zufällige Auswahl der Behälter einen Einfluß auf die Variabilität der Responsen? SAS-Benutzertreff Heidelberg,
5 Daten Beispiel 1 %HK½OWHU %DWFK Beispiel 1: Einfaktorielles Modell Start von Beispielprogramm Beispiel 1: Prozedur MIXED - zufällige Effekte Beispiel 1: Prozedur MIXED - feste Effekte Modell 1(Behälter: Zufallsauswahl aus allen Behältern): y ij = µ + β i + ε ij µ = overall Mittel (fixed Effekt), β i = zufälliger (random) Effekt, ε ij = Zufallsfehler für Beobachtung j in Batch i. β i ~ iid N(0, σ 2 b ) ε ij ~ iid N(0, σ 2 ), unabhängig voneinander E[y ij ]= µ, Modell 2 (Behälter sind alle möglichen gewesen): y ij = µ + β i + ε ij µ = overall Mittel (fixed Effekt), β i = Haupt-Effekt für Behälter i (fixed Effekt), ε ij = Zufallsfehler für Beobachtung j in Batch i. ε ij ~ iid N(0, σ 2 ), unabhängig voneinander E[y ij ]= µ+β i, i=1,...,8 (Jeder Behälter hat seinen speziellen Erwartungswert) 27 Varianzkomponenten: Var[y ij ]= σ 2 b + σ2 (σ 2 << σ 2 b ). Varianz: Var[y ij ]= σ 2 (Nur eine Quelle für die Variabilität) 28 Gegen die Prozedur VARCOMP: MIXED verallgemeinert VARCOMP VARCOMP berechnet auch Typ I ANOVA Varianzkomponenten beide erlauben als Schätzverfahren: REML, ML und MIVQUE0 beide erlauben feste und zufällige Effekte VARCOMP erlaubt keine stetigen unabh. Variabl. Std-Schätzverfahren: MIVQUE0 (MIXED:REML) 29 Verwende VARCOMP um Schätzungen für Varianzkomponenten zu erhalten, die assoziiert sind mit den zufälligen Effekten 30 SAS-Benutzertreff Heidelberg,
6 Die Prozedur NESTED: berechnet Varianzkomponenten und Schätzwerte nach der Momentenmethode erlaubt keine stetigen Effekte in X schätzt zufällige Effekte Modelle nur für Experimente mit einer geschachtelten Struktur 31 Weitere Prozeduren: CALIS: erlaubt nur feste Effekte ARIMA / AUTOREG: passen Zeitreihenfehlerstrukturen an aber keine Varianzkomponenten und nur feste Effekte RSCREG: Zeitreihenquerschnittmodelle, Park s Fehlerstruktur (nicht in MIXED möglich) 32 Einsatz der Prozedur MIXED Wann kann die Prozedur MIXED benutzt werden? Repeated Measurements (Wachstumskurvenmodell) Zufällige Effekte (Varianzkomponentenmodell, z.b. Split-Plot-Design) Zufällige Koeffizienten (spezielles Wachstumskurvenmodell bei dem die Spalten von Z stetige Variablen und keine Dummy-Variablen) Räumliche Daten (Landwirtschaft, Geostatistik) Heterogene Varianzen (Anova mit ungleichen Gruppenvarianzen) Metaanalyse (Studie als zufälliger Effekt) Verallgem. Lin. Mixed Models (Macros GLIMMIX, Syntax Prozedur MIXED PROC MIXED < options > ; BY variables ; CLASS variables ; ID variables ; MODEL dependent = < fixed-effects > < / options > ; RANDOM random-effects < / options > ; REPEATED < repeated-effect > < / options > ; PARMS (value-list)... < / options > ; PRIOR < distribution > < / options > ; CONTRAST 'label'< fixed-effect values...> < random-effect values...> < / options>; ESTIMATE 'label' < fixed-effect values... > < random-effect values...>< / options >; LSMEANS fixed-effects < / options > ; MAKE 'table' OUT=SAS-data-set ; WEIGHT variable ; NLINMIX / Vs 6.12, ab Vs 8: PROC NLMIXED) Statements Prozedur MIXED CLASS variables ; Spezifiziert die Namen der Klassifikationsvariablen; die Werte dieser Variablen identifizieren die Levels. MODEL dependent = < fixed-effects > < / options > ; Spezifiziert die Namen der abhängigen und unabhängigen Variablen (feste Effekte und Kovariablen). RANDOM random-effects < / options > ; Spezifiziert die zufälligen Effekte, die mit dem Vektor ν assoziiert sind, die Matrix Z sowie die Struktur der Matrix G. 35 Statements Prozedur MIXED REPEATED < repeated-effect > < / options > ; Spezifiziert die Wiederholungseffekte und die Matrix R; Effekte, die hier aufgelistet sind, müssen im CLASS- Statement auch gelistet sein. PARMS (value-list)... < / options > ; Spezifiziert die Anfangswerte für Kovarianzparameter PRIOR < distribution > < / options > ; Bayes Analyse für die Varianzkomponentenmodelle CONTRAST 'label'< fixed-effect values...> < random-effect values...> < / options>; Lineare Kontraste für Hypothsenteste 36 SAS-Benutzertreff Heidelberg,
7 Statements Prozedur MIXED ESTIMATE 'label' < fixed-effect values... > < random-effect values...>< / options >; Schätzt Linearkombinationen von festen und zufälligen Effekten LSMEANS fixed-effects < / options > ; Liefert verallgemeinerte Kleinste-Quadrate Mittelwerte für die festen Effekte. MAKE 'table' OUT=SAS-data-set ; Konvertiert jede Tabelle der Ausgabe in SAS-Data Set WEIGHT variable ; Beispiel 2: Zweifache Varianzanalyse Geprüft werden soll die Tauglichkeit von drei Wachstumsmethoden für fünf verschiedene Grassamensorten (n=6 Wdh.): Methoden: A, B, C Sorte: 1,2,3,4,5 Zielgröße: Ertrag nach vier Wochen Vollständig randomisiertes Experiment mit 2 Fakt. Unterschiede beim Ertrag? Unterschiede bei der Methode pro Sorte? Spezifiziert die Gewichtungsvariable für R Beispiel 2: Zweifache Varianzanalyse Sorte: zufälliger Effekt (Zufallsauswahl aus größerer Pop.) Methode: fester Effekt (nur die drei Methoden interessieren) gemischtes Modell Ziel: Hypothesenteste zum Vergleich der Methoden, die Sorte als zufälligen Effekt zulassen. 39 Beispiel 2: gemischtes Modell Mixed Modell: y ijk = µ + α i + β j + (αβ) ij + ε ijk µ = overall Mittel (fixed Effekt), α i = Effekt der i-ten Methode (fester Effekt), β i = Effekt der j-ten Sorte (zufälliger Effekt), (αβ) ij =Wechselwirkung zwischen i-ter Methode und j-ter W ε ijk = Zufallsfehler für Beobachtung j in Batch i. (αβ) ij ~ iid N(0, σ 2 ab ) β j ~ iid N(0, σ 2 b ) 40 ε ijk ~ iid N(0, σ 2 ), unabhängig voneinander Beispiel 2: gemischtes Modell Beispiel 2: gemischtes Modell Mixed Modell: y ijk = µ + α i + β j + (αβ) ij + ε ijk Erwartungswert von Methode i (über alle Sorten): E[y ijk ]= µ + α i, Varianzkomponenten: Var[y ijk ]= σ 2 b + σ2 ab + σ2. 41 Mixed Modell in Matrix-Schreibweise: y=xβ + Zν + ε y= 90 1 Vektor der beobachteten Erträge β= 4 1 Vektor (µ, α 1, α 2, α 3 ) ν=20 1Vektor der zufälligen Effekte (5 Sorten, 15 WW) ε= 90 1 Vektor der Fehler X=90 4 Design-Matrix (aufgeteilt in I 30 -Matrizen) Z= Design-Matrix (aufgeteilt in I 6 -Matrizen) G=Diag{σ 2 b I 5, σ2 ab I 15 } und R= σ2 I SAS-Benutzertreff Heidelberg,
8 Beispiel 2: gemischtes Modell Start von Beispielprogramm 2 Beispiel 3: Wachstumskurvenmodell Wachstumskurve mit zusammengesetzter Symmetrie (Compound symmetry): Gegeben: drei Wachstumskurvenmessungen bei s Individuen Problem: Anpassung eines overall linearen Trends in der Zeit (Lineares Regressionsmodell) Beispiel 3: Wachstumskurvenmodell Prozedur-Aufruf: PROC MIXED DATA=dset ; CLASS indiv ; MODEL y = time ; REPEATED / TYPE=cs SUBJECT=indiv ; RUN ; Option TYPE definiert dabei die Kovarianzstruktur: vc (=variance components, Default) cs (=compound symmetry) un (=unstructered) 45 Beispiel 3: Wachstumskurvenmodell -2- Alternative: spezifiziere die Matrizen Z und G wie auf der Folie angegeben und R= σ 2 I 3s 46 Beispiel 3: Wachstumskurvenmodell -2- Prozedur-Aufruf: Beispiel 3: Wachstumskurvenmodell -2- Prozedur-Aufruf: PROC MIXED DATA=dset ; CLASS indiv ; MODEL y = time ; RANDOM indiv ; RUN ; PROC MIXED DATA=dset ; CLASS indiv ; MODEL y = time ; RANDOM intercept / SUBJECT=indiv ; RUN ; SAS-Benutzertreff Heidelberg,
9 Beispiel 3: Wachstumskurvenmodell -2- Alle drei Prozedur-Aufrufe passen das gleiche Modell an: RANDOM-Statement: Einschänkung der Korrelationen auf positive Korr s REPEATED-Statement: Korr s nicht eingeschränkt 49 Zusammenfassung Verwende MIXED für Random Effekte: Varianzkomponentenmodelle Random Koeffizienten: best. Typ von Wachstumskurvenmodellen in denen die Spalten von Z stetige Variablen sind, nicht Dummyvariablen Repeated Measures: multiple Measurements bei Subjekten und Growth-Kurven-Modellen Heterogenenen Varianzen: ANOVA mit ungleichen Gruppen-Varianzen Meta-Analysen: Studie als random Effekt 50 MIXED: Literaturhinweise Gert Verbeke / Geert Molenberghs (eds.): Linear Mixed Models in Practice - A SASoriented Approach. Springer Lecture Notes in Statistics No 126, 1997 SAS V8 Online Dokumentation MIXED: Literaturhinweise - 2 Littell, R.C., Milliken, G.A., Stroup, W.W. and Wolfinger, R.D. (1996): SAS System for Mixed Models. SAS Institute Inc. Cary, NC, USA SUGI-Proceedings Zur Prozedur MIXED Any Questions? ;-) 53 SAS-Benutzertreff Heidelberg,
1 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
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
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrTHEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant
MehrMultivariate Lineare Modelle SS Varianzanalyse. 1. T -Statistiken. 2. ANOVA einfaktoriell. 3. ANOVA zweifaktoriell 4. MANOVA 5.
Multivariate Lineare Modelle SS 2010 3 Varianzanalyse 1. T -Statistiken 2. ANOVA einfaktoriell 3. ANOVA zweifaktoriell 4. MANOVA 5. ANCOVA 1 3.1 T -Statistiken Varianzanalyse kategorielle erklärende Variablen
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrOliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**
Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrDie Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
Mehro o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
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
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrWiederholung. Seminar für Statistik
Wiederholung 17.12.2014 1 Prüfung: 2 Kohorten 2 Kohorten alphabetisch nach Nachname sortiert: Kohorte 1: A bis und mit Müller Kohorte 2: Müllhaupt bis und mit Z 17.12.2014 2 Prüfung: 2 Kohorten Kohorte
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
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
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrNichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke
Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrPROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
Mehr5.8 Anpassungstests. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 389 / 419
5.8 8.1 Einführung empirische Verteilungsfunktion 8.2 EDF- Kolmogorov-Smirnov-Test Anderson-Darling-Test Cramer-von Mises-Test 8.3 Anpassungstest auf Normalverteilung - Shapiro-Wilk-Test 8.4. auf weitere
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
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
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrBestimmung von allgemeiner und spezifischer Kombinationseignung in diallelen Kreuzungen bei Erdbeeren
Bestimmung von allgemeiner und spezifischer Kombinationseignung in diallelen Kreuzungen bei Erdbeeren Jens Möhring, Markus Bestfleisch Dummerstorf, 8.06.01 1 Übersicht Problemstellung Zielvariablen Modell
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
Mehr30. März Ruhr-Universität Bochum. Methodenlehre II, SS Prof. Dr. Holger Dette
Ruhr-Universität Bochum 30. März 2011 1 / 46 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30 10.00
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
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrZweistufige Schätzung in der Meta-Analyse
Statistik Zweistufige Schätzung in der Meta-Analyse Annette Böckenhoff, Joachim Hartung Universität Dortmund Fachbereich Statistik 44221 Dortmund boecken@statistik.uni-dortmund.de hartung@statistik.uni-dortmund.de
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
Mehr3.1 Punktschätzer für Mittelwert µ und Varianz σ 2. Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden sind
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 3.1 3.1 Punktschätzer für Mittelwert µ und Varianz σ 2 Messungen x 1,..., x N, die unabhängig voneinander auf gleiche Weise gewonnen worden
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
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
MehrGemischte Modelle zur Schätzung geoadditiver Regressionsmodelle
Gemischte Modelle zur Schätzung geoadditiver Regressionsmodelle Thomas Kneib & Ludwig Fahrmeir Institut für Statistik, Ludwig-Maximilians-Universität München 1. Regressionsmodelle für geoadditive Daten
MehrStatistik für das Psychologiestudium
Dieter Rasch / Klaus D. Kubinger Statistik für das Psychologiestudium Mit Softwareunterstützung zur Planung und Auswertung von Untersuchungen sowie zu sequentiellen Verfahren ELSEVIER SPEKTRUM AKADEMISCHER
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
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
MehrMehr-Ebenen-Modelle. Übersicht. VL Forschungsmethoden. VPC/Intra-Class-Correlation. 1 Einführung Strukturierte Daten Einfache Lösungen
VL Forschungsmethoden Übersicht 1 Strukturierte Daten Einfache Lösungen 2 Random & Fixed Typen von Modellen 3 4 (Quelle: Kawachi/Subramanian 2007) VL Forschungsmethoden (MLA 1/27) Strukturierte Daten Einfache
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrEntscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 4.1 4. Statistische Entscheidungsverfahren Entscheidung zwischen zwei Möglichkeiten auf der Basis unsicherer (zufälliger) Daten Beispiel:
MehrMehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
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
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
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
Mehr1 (2π) m/2 det (Σ) exp 1 ]
Multivariate Normalverteilung: m=1: Y N(µ; σ 2 ) Erwartungswert: µ Varianz: σ 2 f Y (y) = f Y1 Y 2...Y m (y 1,y 2,...,y m ) = [ 1 exp 1 ] 2πσ 2 2 (y µ)2 /σ 2 Σ: m m-matrix, symmetrisch, positiv definit.
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrEinführung in Panel-Verfahren
Einführung in Panel-Verfahren Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Drei Arten von Datensätzen Cross-Section
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
Mehr