Analyse von Querschnittsdaten. Statistische Inferenz
|
|
- Benedict Salzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Analyse von Querschnittsdaten Statistische Inferenz
2 Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum Vorlesung Einführung Beispiele Daten Variablen Bivariate Regression Kontrolle von Drittvariablen Multiple Regression Statistische Inferenz Signifikanztests I Signifikanztests II Spezifikation der unabhängigen Variablen Spezifikation der Regressionsfunktion Heteroskedastizität Regression mit Dummy-Variablen Logistische Regression
3 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
4 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
5 Rückblick: Deskriptive Modelle Ausgangsbasis Daten (egal ob Stichprobe oder Totalerhebung) Untersuchungsziel Beschreibung von Verteilungen einzelner Variablen oder von statistischen Zusammenhängen zwischen mehreren Variablen optimale Beschreibung Statistik, die das Typische der vorliegenden Daten beschreibt, so dass die einzelnen Daten möglichst wenig von dieser Statistik abweichen mehrere Variablen Überprüfung von Alternativerklärungen für statistische Zusammenhänge (induktives Vorgehen)
6 Rückblick: Theoretisches Modell Beispiel: Konsumausgaben (Keynes 1936) Aussagen über erklärende Variablen C = f(income, circumstances, needs/habits) Aussagen über deren Effekte je höher Einkommen, desto höher Konsum Aussagen über funktionale Form
7 Rückblick: Empirische Überprüfung Daten Konsumausgaben Einkommen circumstances? needs, habits? Aggregatdaten (Nation) oder Mikrodaten (Personen) Stichprobe (Personen) oder Totalerhebung (Nation) Statistisches Modell y β 0 + β x + = 1 Ergebnisse u geschätzte marginale Konsumquote: ˆβ 1
8 Statistisches Modell y = β0 + β1x1 + β 2x2 + K+ β k xk + u Modell: y = µ + u systematische Komponente µ Einflüsse der theoretisch und empirisch bekannten Determinanten x j (j=1,, k) stochastische Komponente u (unobserved) Einflüsse unbekannter Determinanten sowie Messfehler der abhängigen Variablen wahrer Effekt β j Effekt der Variablen, der sich ergibt, wenn u bekannt wäre und Informationen über alle Untersuchungseinheiten vorliegen würden
9 Problem einerseits kein induktives Vorgehen erklärende Variablen theoretisch und empirisch bekannt andererseits Teile des Modells sind unbekannt und über sie liegen prinzipiell keine empirischen Informationen vor häufig wird auch nur ein Teil der Untersuchungseinheiten betrachtet
10 Analyseziel Berechne die Effekte der (bekannten) unabhängigen Variablen so, dass die berechneten Werte möglichst mit den wahren Effekten übereinstimmen, obwohl weitere unbekannte Einflüsse und Messfehler existieren und eventuell nur Informationen für eine Teilmenge aller Untersuchungseinheiten vorliegen. Man spricht von Schätzen. Ziel ist, den Schätzfehler zu minimieren.
11 Inferenzstatistik "wahre" Welt β j beobachtete Welt ˆ β Stichprobe, Minimiere Schätzfehler ( β βˆ ) j Totalerhebung Schätzung j j Deskriptivstatistik L beobachtete Welt ˆ β Berechnung Maximiere Datenfit n i= 1 Daten ( yˆ i y i 2 ) j
12 Folgende Fragen Liefert ein bestimmtes Berechnungsverfahren (wie z.b. OLS) Schätzwerte, die mit den wahren Effekten übereinstimmen? unverzerrter Schätzer (unbiased estimator) Welche vereinfachenden Annahmen muss man dabei machen: über unbekannte Einflüsse und Messfehler? über nicht beobachtete Untersuchungseinheiten?
13 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler a. Grundgesamtheit b. Illustration des Stichprobenfehlers c. Stichprobenverteilung eines Regressionskoeffizienten 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
14 Analyse der Lebenszufriedenheit St. Regression: eine kleine Insel im Südpazifik mit 665 Einwohnern Lebenszufriedenheit (Index 1-20) Determinanten: Haushaltseinkommen, Berufsprestige, Ausbildungsdauer, Kirchgangshäufigkeit, Ortsgröße Messfehler und weitere Einflüsse sind unabhängig von diesen Determinanten: u korreliert mit keiner der fünf Variablen Frage: Ist der folgende in der Grundgesamtheit gültige Zusammenhang zwischen Lebenszufriedenheit und Einkommen, Prestige usw. auch in einer Zufallsstichprobe beobachtbar? y = x x x x x5 + u
15 Grundgesamtheit: Korrelationen satisfac income prestige educ attend size error satisfac 1.00 income prestige educ attend size error n=665 (gss1978.dta) Die unabhängigen Variablen x j (j=1,, k) korrelieren unterschiedlich hoch miteinander. Die stochastische Komponente u (Variable error) korreliert nicht mit den unabhängigen Variablen.
16 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler a. Grundgesamtheit b. Illustration des Stichprobenfehlers c. Stichprobenverteilung eines Regressionskoeffizienten 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
17 Geschätzter Einkommenseffekt aus 10 Zufallsstichproben 2 Stichprobenfehler in Stp 2 y Wert in der GG: 0, _b[income] Man liegt im Mittel richtig, wenn der Durchschnitt aller geschätzten Werte 0,065 beträgt (Erwartungstreue der Schätzung) Schließt aber Abweichung im Einzelfall nicht aus: Schätzfehler = geschätzter Wert 0,065 (Stichprobenfehler) Daher wünscht man sich möglichst geringe Stichprobenfehler, also eine möglichst geringe Streuung der Schätzwerte (Effizienz der Schätzung)
18 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler a. Grundgesamtheit b. Illustration des Stichprobenfehlers c. Stichprobenverteilung eines Regressionskoeffizienten 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
19 Simulation der Stichprobenverteilung des geschätzten Einkommenseffektes 1000 Stichproben (Replikationen) jeweils mit n=300 Empirische Stichprobenverteilung Einkommenseffekt s. unten Arithmetisches Mittel = 0,061 (noch kleiner Bias), Std.abw. = 0,110 (Theoretische) Stichprobenverteilung: # Replikationen = Bei erwartungstreuem Schätzverfahren: Arithm. Mittel = 0,065 (Bias=0) Density Arithm. Mittel = 0,061 (Bias = 0,061 0,065) Std.abw. = 0, _b[income]
20 Definitionen Stichprobenfehler Die Abweichung eines Schätzwertes vom wahren Wert bezeichnet man als Stichprobenfehler (engl.: sampling error). Stichprobenverteilung Die Verteilung einer Stichprobenstatistik über alle möglichen Stichproben bezeichnet man als Stichprobenverteilung (engl.: sampling distribution). Standardfehler Der Standardfehler (engl.: standard error) ist ein Maß für die Streuung einer Stichprobenstatistik über alle möglichen Zufallsstichproben aus der Grundgesamtheit. Vereinfachend gesagt: Er ist ein Maß für die durchschnittliche Größe des Stichprobenfehlers der Stichprobenstatistik.
21 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
22 Erwartungstreue (Unbiasedness) unbiased/biased x Ein erwartungstreues Schätzverfahren liefert Schätzwerte, die im Mittel dem Parameter der Grundgesamtheit entsprechen (in dem Beispiel 0,065) 0,065 (unbiased) 0,150 (biased)
23 Effizienz (Efficiency) largesd/smallsd sd=0,05 sd=0,05 sd=0,11 sd=0, x Das Schätzverfahren ist effizienter, dessen Schätzwerte eine kleinere Varianz aufweisen. Das Schätzverfahren mit der kleinsten Varianz der Schätzer heißt absolut effizient (oder kurz: effizient).
24 Konsistenz (Consistency) n10/n50/n100/n x 0,065 n=300 n=100 n=50 n=10 Ein Schätzverfahren ist dann konsistent, wenn die Schätzwerte mit zunehmendem Stichprobenumfang mit dem Parameter der Grundgesamtheit übereinstimmen. Ein konsistentes Schätzverfahren kann bei kleinen Stichproben verzerrt sein.
25 Ein optimales Schätzverfahren sollte unverzerrt und möglichst effizient sein. sollte zumindest mit zunehmendem Stichprobenumfang Schätzwerte liefern, die immer mehr mit dem Parameter der Grundgesamtheit übereinstimmen (also ein konsistentes Schätzverfahren sein). In Ausnahmefällen kann es sinnvoll sein, ein (leicht) verzerrtes Schätzverfahren zu akzeptieren, wenn es effizienter ist als andere (unverzerrte) Schätzverfahren.
26 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
27 OLS-Schätzungen immer unverzerrt? Die vorherige Simulation mit n=1000 Replikationen scheint das nahe zu legen. Gegenbeispiel Man vernachlässigt fälschlicherweise den Einkommenseffekt und spezifiziert folgendes Modell: y = β K β + * 0 + β 2x2 + β3x3 + β 4x4 + 5x5 u u * enthält jetzt neben Messfehlern und sonstigen Einflüssen den wichtigen Einkommenseffekt. Da das Einkommen mit allen anderen Variablen (Berufsprestige, Ausbildungsdauer, Kirchgangshäufigkeit, Ortsgröße) zusammenhängt, korreliert auch u * mit den im Modell verbliebenen Variablen.
28 Simulationsergebnisse minimale Verzerrung max. 5% erhebliche Verzerrung max. 182% Simulation: 100 Replikationen mit n=50 (Quelle: Berry / Feldman 1985) (i) richtiges Modell: alle fünf unabhängigen Variablen berücksichtigt (ii) fehlspezifiziertes Modell: Einkommen vernachlässigt
29 Schlußfolgerung OLS-Schätzungen sind nur dann unverzerrt, wenn unabhängige Variablen x j (j=1,, k) und stochastische Komponente u unabhängig voneinander sind. Anders ausgedrückt: Wenn man Determinanten unberücksichtigt lässt, dann dürfen diese nicht mit den im Modell berücksichtigten Variablen zusammenhängen. Gleiches gilt für Messfehler.
30 Annahme: E( u x, x, K, x ) = 1 2 k 0 Im Allgemeinen kennt man nicht alle relevanten Determinanten der Zielvariablen. Beispiel (St. Regression) ist daher eigentlich unrealistisch und dient nur der Verdeutlichung des Problems. Die stochastische Komponente u ist per Definition unbekannt! Man muss daher annehmen, dass u und alle x j (j=1,, k) unabhängig voneinander sind (s. oben).
31 OLS-Schätzungen sind BLUE! Erinnern Sie sich noch einmal! Erwartungstreue (Unbiasedness) Effizienz (Efficiency) Konsistenz (Consistency) Unter bestimmten Annahmen sind OLS-Schätzungen (i) unverzerrt und die berechneten Schätzwerte weisen (ii) die kleinste Varianz von allen linearen Schätzverfahren auf (Gauß-Markov-Theorem). - Best - Linear - Unbiased - Estimator
32 Notwendige Annahmen
33 Gliederung 1. Philosophie von Inferenzstatistik 2. Zufallsstichproben und Stichprobenfehler 3. Kriterien zur Beurteilung von Schätzverfahren 4. Eigenschaften von OLS-Schätzungen 5. Schätzverfahren bei Totalerhebungen?
34 Schätzverfahren notwendig bei Totalerhebungen? Beispiele für Totalerhebungen Zeitreihe der Arbeitslosenquote Kindersterblichkeit 1990 für jeden Bundesstaat der USA Wie kann es einen vom Parameter der Grundgesamtheit abweichenden Schätzwert geben, wenn man Daten über alle Elemente der Grundgesamtheit hat?
35 Schätzverfahren bei Totalerhebungen? Gedankenexperiment Daten zur Kindersterblichkeit (Arbeitslosigkeit) werden nach Abschluss erneut überprüft. Ergebnis Wegen Erfassungsproblemen ergeben sich leicht abweichende Werte der Zielvariablen. Schlussfolgerung Messfehler gibt es auch bei Totalerhebungen.
36 Schätzverfahren bei Totalerhebungen? Gedankenexperiment Erhebung zur Lebenszufriedenheit wird eine Woche später wiederholt. Messfehler seien ausgeschlossen. Ergebnis Sonstige Determinanten der Lebenszufriedenheit (z.b. subjektive Stimmungen), die man wegen ihrer Zufälligkeit zunächst vernachlässigt hat, können andere Werte aufweisen. Schlussfolgerung Auch bei Totalerhebungen ist von weiteren Einflüssen auszugehen, die man jedoch nicht weiter modelliert und statt dessen als Zufallsvariable betrachtet.
37 Stochastischer Prozess systematische Komponente µ i x x x x x 3 + stochastische Komponente u i Universum der sonstigen Einflüsse und Messfehler Zufallszahlengenerator u i ~ N(0, σ ) = Zielvariable y i immer gleiche Werte, wenn u i =0 verschiedene Werte, wenn u i 0
38 Schlussfolgerungen Analysiere die stochastischen Eigenschaften des datengenerierenden Prozesses Zufallsstichprobe u: Messfehler und unbekannte Determinanten Auswahl einer Teilstichprobe aus einer endlichen Grundgesamtheit Totalerhebung u: Messfehler und unbekannte Determinanten Auswahl einer Teilstichprobe aus einer hypothetischen Grundgesamtheit Auch bei Totalerhebungen ist Schätzen (und Testen) sinnvoll!
39 Zum Schluss
40 Zusammenfassung OLS- Schätzung Zufallsstichproben Inferenzstatistik Totalerhebungen Generalisierung: Rückschluss von der beobachteten auf die wahre Welt Minimiere den Schätzfehler, am besten auf Null Stichprobenfehler Stichprobenverteilung Standardfehler BLUE: best linear unbiased estimator Voraussetzung: Annahmen gegeben unverzerrt, wenn stochastische Komponente unabhängig Auswahl einer Teilstichprobe aus einer hypothetischen Grundgesamtheit auch hier sind Schätzverfahren sinnvoll
41 Wichtige Fachausdrücke Deutsch Englisch Deutsch Englisch Stichprobenverteilung Grundgesamtheitsparameter population parameter sampling distribution Geschätzter Regressionskoeffizient estimated regression coefficient Verzerrung bias Stichprobenfehler sampling error Effizienz efficiency Standardfehler standard error Konsistenz consistency
42 Weiterführende Literatur Die Annahmen werden in Kapitel 1 bei Berry und Feldman (BF 10-11) kurz aufgezählt, ohne sie im Einzelnen statistisch abzuleiten. Wooldridge behandelt in Kapitel 3 (WO ) die einzelnen Annahmen ausführlich und zeigt, wie sich auf dieser Basis die BLUE-Eigenschaft ableiten lässt. Er bezeichnet die Annahmen mit MLR.1 bis MLR.6 (MLR steht für multiple linear regression ).
43 Stata-Befehle sample 50 sample 300, count Ziehe eine Zufallsstichprobe von 50% aus dem im Speicher befindlichen Datensatz Ziehe eine Zufallsstichprobe von n=300 Fällen aus dem im Speicher befindlichen Datensatz
Analyse 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
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
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
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
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
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
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse III: Diagnostik
Institut für Soziologie Methoden 2 Regressionsanalyse III: Diagnostik Wiederholung Regressionsanalyse beruht auf verschiedenen Annahmen Sind Annahmen verletzt, sind bestimmte Eigenschaften der Schätzer
MehrTeil II. Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten. StatSoz 127
Teil II Der Weg zur schließenden Statistik: Von den Daten zu Wahrscheinlichkeiten StatSoz 127 6 Zufallsstichprobe und Parameter 6.1 Parameter einer Grundgesamtheit 6.2 Zufallsstichprobe und Bias 6.3 Stichprobenfehler
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
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
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrModell (Konstante) 0,411 0,155 male 0,212 0,13 job 0,119 0,131 alcohol 0,255 0,05 a. Abhängige Variable: skipped
Aufgabe 1 [14 Punkte] Sie möchten untersuchen, wovon die Abwesenheit der Studierenden in den Vorlesungen an einer Universität abhängt. Sie verfügen über einen Datensatz zu 282 Studierenden mit folgenden
MehrBeschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit
Beschreibende Statistik Deskriptive Statistik Schließende Statistik Inferenzstatistik Beschreibung der Stichprobe Schluss von der Stichprobe auf die Grundgesamtheit Keine Voraussetzungen Voraussetzung:
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
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
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
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
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
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
Mehr3 Konfidenzintervalle
3 Konfidenzintervalle Konfidenzintervalle sind das Ergebnis von Intervallschätzungen. Sicheres Wissen über Grundgesamtheiten kann man anhand von Stichproben nicht gewinnen. Aber mit Hilfe der Statistik
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
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrPrüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrHerzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrRegression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung
Sommersemester 2009 Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist ein Zusammenhang? Gemeinsame
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrAnalyse von Querschnittsdaten. Einführung
Analyse von Querschnittsdaten Einführung Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung 5. Übung Gliederung 1. Einordnung
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrINFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
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
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
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
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
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
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
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
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrHinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet.
11.01.2012 Prof. Dr. Ingo Klein Klausur zur VWA-Statistik Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. Aufgabe 1:
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrAnhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen
Anhang 4 Bias durch Überdiagnose von papillären Mikrokarzinomen Bias durch Überdiagnose von papillären Mikrokarzinomen H. Bertelsmann AG Epidemiologie und Medizinische Statistik Universität Bielefeld Dezember
MehrTHEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: "STATISTIK IN DER PRAXIS TESTEN IST BESSER ALS VERMUTEN" TORSTEN SCHOLZ EINLEITENDES BEISPIEL SAT: Standardisierter Test, der von Studienplatzbewerbern an amerikanischen Unis gefordert
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
MehrPflichtlektüre: Kapitel 12 - Signifikanztest Wie funktioniert ein Signifikanztest? Vorgehensweise nach R. A. Fisher.
Pflichtlektüre: Kapitel 12 - Signifikanztest Überblick Signifikanztest Populationsparameter Ein Verfahren zur Überprüfung von Hypothesen, Grundlage bilden auch hier Stichprobenverteilungen, das Ergebnis
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrBachelorprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2015
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)
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
MehrSchließende Statistik
Schließende Statistik Die schließende Statistik befasst sich mit dem Rückschluss von einer Stichprobe auf die Grundgesamtheit (Population). Die Stichprobe muss repräsentativ für die Grundgesamtheit sein.
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrHydrologie und Flussgebietsmanagement
Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik
MehrExperimentelle und quasiexperimentelle
Experimentelle und quasiexperimentelle Designs Experimentelle Designs Quasi- experimenttel Designs Ex- post- facto- Desingns Experimentelle Designs 1. Es werden mindestens zwei experimentelle Gruppen gebildet.
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
Mehr