Einführung in die Statistik zur Tierversuchsplanung
|
|
- Babette Bieber
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich
2 Statistik Schließende Statistik Statistische Tests: H 0 H 1 Z.B.: wirkt mein Medikament? Poweranalyse Effektstärke Fallzahlen Biometrisches Gutachten
3 Statistischer Test: Hypothesen Bsp.: 2 Gruppen, Kontrolle & Behandlung Frage: Behandlung Unterschied? Hypothesen Null-Hypothese H 0 : kein Unterschied Alternativ-Hypothese H 1 : Unterschied Blutdruck (mm Hg) H 0 annehmen, wenn Irrtumswahrscheinlichkeit für H 1 >0.05 H 1 annehmen, wenn Irrtumswahrscheinlichkeit p 0.05
4 Statistischer Test: Prinzip H1/ Effekt wenn: t = + Effekt hoch - Variation niedrig + Stichprobe hoch Testprinzip: je höher t (F, r, Chi², U ), desto kleiner p aa bb SSSSSSSSSS pppppppp NN Bsp. (t* (10) =2.2): t (10) = 2.3 p< 0.05 H 1 t (10) = 1.9 p> 0.05 H 0
5 Fehler 1. Art oder alpha-fehler p = α-fehler = Irrtumswahrscheinlichkeit in 5% der signifikanten Funde irre ich mich! p klein, üblich ist 5% möglichst keine falsche Behauptung
6 Fehler 1. Art oder alpha-fehler p = α-fehler = Irrtumswahrscheinlichkeit in 5% der signifikanten Funde irre ich mich! Viele Tests: alpha-fehler addieren sich z.b. 7 Gruppen, 21 statistische Vergleiche 1 signifikantes Ergebnis erwartet bei 5% Irrtumswahrscheinlichkeit damit alpha gesamt <5% Bonferroni-Korrektur α = α/21 im Bsp. α = 0.05 /21= nur wenn p< signifikant f g e a p=0.012 b c d
7 Statistik Schließende Statistik Statistische Testgröße (Beispiel t) steigt mit: Mittelwerts-Unterschied 1/Variation Stichprobenumfang (Richtiger Test mehr Power) Ggf.: Bonferroni-Korrektur p*=5% Irrtum in 5% der Fälle = alpha-fehler
8 alpha & beta-fehler Alpha-Fehler (α=p): 5% Irrtumswahrscheinlichkeit = 5% Wahrscheinlichkeit dass man sich irrt (Zufall) β-fehler: Wahrscheinlichkeit, Effekt nicht zu finden H1 = Alternativhypothese: es gibt Effekt bzw. MW sind verschieden v? Pharmakon wirkt wirkt nicht Statistischer (H1 stimmt) (H1 falsch) Test o.k. Typ 1 Fehler H1 akzeptiert α (p) (wirkt) Typ 2 Fehler H0 akzeptiert o.k. β (wirkt nicht) Alpha: Gesellschaft trägt Risiko. Wirkungslos = gefährlich alpha klein wählen Beta: Versuchsträger Risiko. (Tabletten)wirkung nicht entdeckt = schade, Einkommensverlust beta kann etwas größer sein
9 Power Statistische Power = Wahrscheinlichkeit (vorhandenen) Effekt zu finden = Wahrscheinlichkeit, falsche H 0 zurückzuweisen = 1 - β Beispiel: Blutdrucksenker wirkt (vgl. zu Placebo) z.b.: β = 0.2 Power = 1- β = 0.8 => In 80% der Fälle statistische Signifikanz => In ß=20% keine Signifikanz (trotz Wirksamkeit)
10 Vier statistische Größen Wenn 3 Größen bekannt, 4. berechenbar: α N (i.a. p=0.05) (z.b. N=10+10=20) β-fehler bzw. Power = 1-ß Effektstärke (z.b. d ) d = Beispiel Blutdruck Placebo = 150 mmhg Medikament = 135 mmhg SD = 30 mmhg Effektstärke = = (SD) Effektstärke aa bb SSSSSSSSSS pppppppp
11 β und Power Blutdruck (mm Hg) Placebo Fehler: Stabw. d=0.5 Medikament 20% ß - Fehler ß = H1 nicht gefunden. 60% 50% 40% 30% 20% 10% 0% 50% d=0.5 (r=0.24), α= % 10% 5% 1% Häufigkeit Stichprobenumfang n d=0.5 (r=0.24), ß=0.2 *** ** * ns Signifikanz
12 Underpowered Neurobiologie: durchschnittliche Power war = viel zu niedrig nur in 21% finde ich den Effekt, in 79% finde ich den Effekt nicht! Grund: i.a. Tierzahl zu niedrig Beispiel: Geschlecht im Watermaze d=0.49 Notwendige Tiere bei Power von 0.8: 134 Im Mittel eingesetzte Tiere: 22 flickr.com 1 : Butten et al. 2013, Nat Neurosc Rev.
13 β-fehler Post-hoc, also nach dem Experiment: Gegeben: d und n sowie alpha Berechenbar: Power = 0.19 (ß=0.81) t-tests Means: Difference between two independent means Post hoc: Compute achieved power given α, sample size and effect size Effect size d 0.5 α err prob 0.05 Sample size group 1 10 Sample size group 2 10 Power (1-ß err prob)
14 Zwischenstand Poweranalyse 2 Fehlermöglichkeiten, α + β Effektgröße: bei ttest d= ΔMittelwerte / Standardabweichung 4 Werte α, β, d und n: Wenn drei davon bekannt, ist der vierte berechenbar α (bzw. p) i.a. auf 0.05 festsetzen Nach Experiment ist Effektgröße d bekannt Nach Experiment ist n bekannt Power = 1- β: Wahrscheinlichkeit, Effekt zu finden
15 Vier Rechengrößen Wenn drei davon gegeben α = 0.05! ß = 0.2?? d z.b. aus Vorversuchen dann ist N bestimmbar Biometrisches Gutachten: α, ß, d N
16 Beispiel Effektgröße N gesamt Effekt d 1-ß= ß= ß=0.95 klein mittel groß Tierversuch Keine kleinen Effekte in einzelnen Tierversuchen suchen Standard mittlere Effekte ist i.a. immer noch zu gering Größere Effekte als d=1.0 sind erlaubt und erwünscht 1-ß = 0.95 ist i.a. zu hoch
17 Power = 0.8? Wahl Power ist arbiträr, zwischen 80 und 95% 80% Power heißt 1. Wahrscheinlichkeit für "signifikantes Ergebnis" 80% 2. 20% KEIN "signifikantes Ergebnis". Risiko-Kosten-Abwägung: was kostet Experiment (Zeit, Geld und Leid der Tiere)? wie wichtig ist es, Effekt zu finden? Was passiert, wenn Effekt mit Risiko =20% verpasst Beispiel: Power = 0.8 n = 28 Power = 0.9 n = 36, also 30% mehr Tiere Risiko halbiert, Signifikanz zu verpassen, also -50% Power = 0.8, nur begründet ev. 0.9
18 Beispiel Biometrische Planung ttest: N=34, U-Test: N=36 t-tests Means: Difference between two independent means A priori: Compute required sample size given α, power and effect size Effect size d 1 α err prob 0.05 Power (1-ß err prob) 0.80 Total sample size 34
19 Biometrische Planung Statistische Hypothesen H0 und H1 Welcher Test? (vor Experiment ) ein- oder zweiseitig? parametrisch (MW) oder nicht-parametrisch (Median) wie viele Gruppen (Dosierungen) Versuchsdesign wichtige Neben-Variablen, Messwiederholungen Blockdesign, Abfolge, Randomisieren, N-Zahl (Poweranalyse) Avisierte Effektstärke d 1 bei Tierversuchen, höher = besser 1-ß=0.8 bei Tierversuchen Standard.
20 Ich brauche wenig Tiere, wenn großer Unterschied zwischen Mittelwerten Streuung der Daten klein Signifikanzniveau α hoch (5% statt 1%) Power nicht so hoch (80% statt 95%) einseitiger Test (~20% weniger Tiere) Parametrische Tests ~1 Tier/Gruppe weniger Gutes Versuchsdesign (z.b. Messwiederholung) wenig Gruppen
21 Formblatt Biometrische Planung 1. Primäre Zielgröße 2. Verteilungsform der Zielgröße 3. Planungsgrößen 4. Statistisches Test-Verfahren 5. Annahmen zum Fehler 1. Art (alpha) und 2. Art (beta) 6. Falls verwendet: Bei der Berechnung durchgeführte Korrekturen 7. Richtung von Hypothese und Test 1. (zu untersuchendes Haupt-Zielmerkmal des Versuches, anhand dessen die Stichprobe berechnet wurde; ggf. inkl. der Transformation dieser Zielgröße). 2. (soweit anhand der Vordatendichte Angabe möglich; in diesem Fall inkl. des Testverfahrens mit dem die Verteilungsform bestimmt wurde) 3. (erwarteter Unterschied (z.b. erwartete relevante Mittelwertsdifferenz und Standardabweichung oder zu detektierende Veränderung der Ereignisrate, i.a. mit Begründung für diese Erwartung anhand von Vordaten) & verwendete Effektgröße mit Angabe ihrer Berechnung) 4. mit welchem die Tierzahlplanung durchgeführt wird (z.b. t-test, Anova, Wilcoxon-Test). 5. (falls alpha ungleich 0,05 und beta ungleich 0,2 bitte begründen) 6. (z.b. Bonferroni-Korrektur --> in diesem Fall inkl. Angabe, welche Gruppen jeweils gegeneinander getestet werden und Angabe des geänderten alpha- Werts). 7. (ein- oder zweiseitig? --> 2-seitiges Testen bitte begründen).
22 Zusammenfassung Schließende Statistik: Prüfgröße (t) Effektumfang, 1/Varianz, N Poweranalyse Statistische Effektstärke Blutdrucksenkung geteilt durch SD, d=0.5 Effekt = ½ SD Power = 1-ß Biometrisches Gutachten = 0.8 (Power soll hoch sein) α =0.05, ß=0.2, d aus Vorversuchen möglichst 1.0 damit kann man N schätzen
23 Anhang Poweranalyse: GPower = Opensource-Programm A. Field: Discovering statistics using SPSS. Meistverkauftes Statistikbuch, nette Beispiele, manchmal Geschwafel. v. Zupthen et al. Versuchstierkunde, Kapitel 12 Planung von Tierversuchen. (Planung Stichprobenumfang = veraltet. Bei mir eine um veraltete Inhalte gekürzte Version erhältlich peter.pilz@uni-tuebingen.de) erläutert Power, viele Tipps, Power von Experimenten zu erhöhen. Glaser, W. Varianzanalyse. UTB. Erläutert, warum man ab n=10 fast immer die Normalverteilung annehmen darf. Tabachnik, BG, Fidell LS. Using Multivariate Statistics. Pearson. Erläutert, warum man ab 7 Stufen bei ordinalen Daten kontinuierliche Datenform annehmen darf. Schlägt vor, dass diskrete und stetige Daten nicht unbedingt unterschieden werden müssen.
Einführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie Universität Tübingen So viele Tiere wie nötig, so wenig Tiere wie möglich Gliederung 1. Deskriptive
MehrStatistische Grundlagen für die Versuchstierkunde
Statistische Grundlagen für die Versuchstierkunde Prof. Peter Pilz Fachbereich Biologie Universität Tübingen So viele Tiere wie nötig, so wenig Tiere wie möglich Gliederung 1. Deskriptive Statistik & Power
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrGüteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrBiometrie im neuen Antragsverfahren
8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
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)?
MehrPlanung von Humanstudien Fallzahlberechnung
Planung von Humanstudien Fallzahlberechnung Hans-Peter Helfrich Universität Bonn 5. November 2015 H.-P. Helfrich (Universität Bonn) Planung von Humanstudien 5. November 2015 1 / 15 Einführung 1 Einführung
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
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
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
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
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
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)
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrAnalyse 2: Hypothesentests
Analyse 2: Hypothesentests Ashkan Taassob Andreas Reisch Inhalt Motivation Statistischer Hintergrund Hypothese Nullhypothesen Alternativhypothesen Fehler beim Hypothesentesten Signifikanz-LEVEL und P-value
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrSoftware oder Tabellen (nicht Thema dieser Veranstaltung).
p-wert p-wert Der p-wert ist die Wahrscheinlichkeit, dass die Testgröße den beobachteten Wert oder einen noch extremeren Wert (,,weiter weg von H 0 ) annimmt unter der Bedingung, dass H 0 wahr ist. Bemerkungen
Mehr2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
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
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 I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
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
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
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
MehrEinführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen
Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie 25.10.2016 Seite 1 Klinische Prüfung Biomedizinisches
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.
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
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:
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
MehrZur Statistik im neuen Genehmigungsantrag
Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
Mehrt-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrInferenzstatistik Vortrag: Alpha und Beta Fehler
Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen
MehrAufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
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
Mehrdas Kleingedruckte...
Gepaarte t-tests das Kleingedruckte... Datenverteilung ~ Normalverteilung QQ-plot statistischer Test (Shapiro-Wilk, Kolmogorov-Smirnov) wenn nicht : nicht-parametrische Tests gleiche Varianz (2-Proben
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
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrProf. Dr. Rainer Koch Juli 1997, Februar 2008
Prof. Dr. Rainer Koch Juli 1997, Februar 2008 Hinweise zur biometrischen Planung der notwendigen Anzahl Patienten in klinischen Studien oder Anzahl Versuchstiere im Fall a) des Vergleichs von prozentualen
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
MehrHypothesen über die Grundgesamtheit. Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder
Hypothesen über die Grundgesamtheit Aufgabenstellung der Testtheorie Hypothesen (Annahmen, Vermutungen oder Behauptungen) über die unbekannte Grundgesamtheit anhand einer Stichprobe als richtig oder falsch
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
MehrStatistisches Testen
Statistisches Testen Universität Duisburg-Essen, Fak. 4, FG Instrumentelle Analytik 7. Juni 2007 Statistisches Testen Inhaltsverzeichnis Schätzverfahren und Testverfahren sind Anwendungen der Stichprobentheorie.
MehrHypothesenbasierende Untersuchungen. Hypothesenbasierende Untersuchungen
Hypothesenbasierende Untersuchungen Hypothesenbasierende Untersuchungen Unterschiedshypothesen Zusammenhangshypothesen Veränderungshypothesen Äquivalenzhypothesen PD Dr. Sven Reese, LMU München 1 Definition:
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrMögliche Fehler beim Testen
Mögliche Fehler beim Testen Fehler. Art (Irrtumswahrscheinlichkeit α), Zusammenfassung: Die Nullhypothese wird verworfen, obwohl sie zutrifft. Wir haben uns blamiert, weil wir etwas Wahres abgelehnt haben.
MehrStichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40
283 Stichwortverzeichnis a Alpha-Wert 76, 91 Alter 256 Alternativhypothese 68, 70 ANOVA siehe einfache Varianzanalyse, zweifache Varianzanalyse Anpassung 178 Anpassungstest siehe Chi-Quadrat-Anpassungstest
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrMacht des statistischen Tests (power)
Macht des statistischen Tests (power) Realer Treatment ja Ergebnis der Studie H 0 verworfen statistisch signifikant O.K. Macht H 0 beibehalten statistisch nicht signifikant -Fehler Effekt nein -Fehler
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrZweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
MehrKapitel III: Einführung in die schließende Statistik
Kapitel III: Einführung in die schließende Statistik Das zweite Kapitel beschäftigte sich mit den Methoden der beschreibenden Statistik. Im Mittelpunkt der kommenden Kapitel stehen Verfahren der schließenden
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
MehrUnterschiedshypothesen Vergleiche von Häufigkeiten bzw. Mittelwerten zwischen (mindestens) zwei Gruppen Zusammenhangshypothesen Korrelationsanalysen
Statistische Überprüfung von Hypothesen Hypothesen sind allgemeine Aussagen über Zusammenhänge zwischen empirischen und logischen Sachverhalten.Allgemein bezeichnet man diejenigen Aussagen als Hypothesen,
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
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrKATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert
KATA LOGO Mathematik Statistik Roadmap: Von der Hypothese zum p-wert 0. Das eigentliche Forschungsziel ist: Beweis der eigenen Hypothese H 1 Dafür muss Nullhypothese H 0 falsifiziert werden können Achtung!
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
MehrStatistik für Psychologen
Peter Zöfel Statistik für Psychologen Im Klartext Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney a part of Pearson plc worldwide Statistik für Psychologen
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrStatistik II Übung 3: Hypothesentests
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
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
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
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
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrBiometrisches Tutorial II
Biometrisches Tutorial II Datenaufbereitung / beschreibende Statistik Statistisches Testen Auswertungsverfahren Statistische Analyse Qualitative/Quantitative Merkmale Die Wahl des gewählten statistischen
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
MehrVII. Inhaltsverzeichnis
VII Inhaltsverzeichnis Vorwort XIII Teil 1 Datentypen 1 Datentypen 3 1.1 Kommt es wirklich darauf an? 3 1.2 Daten auf einer Intervallskala 3 1.3 Daten auf einer Ordinalskala 4 1.4 Daten auf einer Nominalskala
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStatistik: Planung, Auswertung, Lesen von Meta-Studien
Grundlage: Effektgrößen Statistik: Planung, Auswertung, Lesen von Meta-Studien Forschungsseminar für Fortgeschrittene für Planung, Auswertung und Meta-Studien relevant Bekannte: r = Pearson Korrelation
Mehr