Einführung Nichtparametrische Verfahren. Ereignisanalyse. Marcel Noack. 7. Mai 2008
|
|
- Linda Maurer
- vor 6 Jahren
- Abrufe
Transkript
1 7. Mai 2008
2 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2
3 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1
4 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 P (T t) + P (T t) = P (Ω) = 1
5 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 P (T t) + P (T t) = P (Ω) = 1 t 0 f(u)du + t f(u)du = 0 f(u)du = 1
6 Mathematische Grundlagen Der Datensatz Verteilungsfunktion F (t) & Survivalfunktion S(t)
7 Mathematische Grundlagen Der Datensatz Verteilungsfunktion F (t) & Survivalfunktion S(t)
8 Variablen Mathematische Grundlagen Der Datensatz Variable id noj tstart tfin sex ti tb te tmar pres presn edu Beschreibung Identifiziert jede einzelne Befragungsperson im Datensatz Laufende Nummer der Jobepisode Anfangszeit der Jobepisode in Monaten seit Beginn des Jahrhunderts (1=1900) Endzeit der Jobepisode in Monaten seit Beginn des Jahrhunderts Geschlecht: 1=Männer, 2=Frauen Interviewzeitpunkt in Monaten seit Beginn des Jahrhunderts Geburtsdatum Eintritt in den Arbeitsmarkt in Monaten seit Beginn des Jahrhunderts Eintritt in die Ehe in Monaten seit Beginn des Jahrhunderts, 0 wenn unverheiratet Prestigewert des Jobs Prestigewert des darauf folgenden Jobs, -1 falls kein weiterer Job Höchster Bildungsabschluss vor Eintritt in den Arbeitsmarkt in Jahren
9 Beispiel: 1. Fall Mathematische Grundlagen Der Datensatz list id noj tstart tfin sex ti tb te tmar pres presn edu in 1/9, sepby(id)
10 Beispiel: 1. Fall Mathematische Grundlagen Der Datensatz list id noj tstart tfin sex ti tb te tmar pres presn edu in 1/9, sepby(id)
11 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination :
12 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt
13 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti.
14 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti.
15 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti. Erstellung der Variablen tf für finish time :
16 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti. Erstellung der Variablen tf für finish time : Bildet die Differenz aus den Variablen tfin und tstart.
17 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti. Erstellung der Variablen tf für finish time : Bildet die Differenz aus den Variablen tfin und tstart. Auf diese Weise wird die Verweildauer in einer Jobepisode für jede Befragungsperson in Monaten gemessen.
18 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti. Erstellung der Variablen tf für finish time : Bildet die Differenz aus den Variablen tfin und tstart. Auf diese Weise wird die Verweildauer in einer Jobepisode für jede Befragungsperson in Monaten gemessen. destination & finish time gen des = tfin ~= ti
19 Arbeitsvariablen Mathematische Grundlagen Der Datensatz Erstellung der Variable des für destination : des misst, ob eine Episode mit einem Ereignis endet oder eine Rechtszensierung vorliegt Rechtszensiert, wenn tfin=ti; Episode beendet, wenn tfin ~= ti. Erstellung der Variablen tf für finish time : Bildet die Differenz aus den Variablen tfin und tstart. Auf diese Weise wird die Verweildauer in einer Jobepisode für jede Befragungsperson in Monaten gemessen. destination & finish time gen des = tfin ~= ti gen tf = tfin - tstart + 1
20 sind Verfahren, bei denen keine Annahmen über die Verteilung der Wartezeit gemacht wird.
21 sind Verfahren, bei denen keine Annahmen über die Verteilung der Wartezeit gemacht wird. Hierzu zählen die Life-Table-Methode ( Sterbetafelschätzung ) als auch die Kaplan-Meier-Schätzung (Product-Limit Estimation).
22 sind Verfahren, bei denen keine Annahmen über die Verteilung der Wartezeit gemacht wird. Hierzu zählen die Life-Table-Methode ( Sterbetafelschätzung ) als auch die Kaplan-Meier-Schätzung (Product-Limit Estimation). Die Life-Table Methode hat ihren Ursprung in der Demographie und zählt zu den bekanntesten und lange Zeit beliebtesten Methoden der.
23 sind Verfahren, bei denen keine Annahmen über die Verteilung der Wartezeit gemacht wird. Hierzu zählen die Life-Table-Methode ( Sterbetafelschätzung ) als auch die Kaplan-Meier-Schätzung (Product-Limit Estimation). Die Life-Table Methode hat ihren Ursprung in der Demographie und zählt zu den bekanntesten und lange Zeit beliebtesten Methoden der. Der wesentlicher Unterschied zwischen diesen beiden nichtparametrischen explorativen Verfahren ist, dass die Sterbetafel-Schätzung für gruppierte Wartezeiten und die Produkt-Limit-Schätzung für exakte Wartezeiten konzipiert ist.
24 Life Table Methode: Verweildauer in Intervallen Wie bereits erwähnt, sind bei der Life-Table Methode keine Annahmen über die Verteilung von T notwendig.
25 Life Table Methode: Verweildauer in Intervallen Wie bereits erwähnt, sind bei der Life-Table Methode keine Annahmen über die Verteilung von T notwendig. Errechnet werden die Survivorfunktionen zu Beginn des jeweiligen Intervalls sowie für jedes Intervall die Dichte- und Hazardfunktion (und deren Standardfehler).
26 Life Table Methode: Verweildauer in Intervallen Wie bereits erwähnt, sind bei der Life-Table Methode keine Annahmen über die Verteilung von T notwendig. Errechnet werden die Survivorfunktionen zu Beginn des jeweiligen Intervalls sowie für jedes Intervall die Dichte- und Hazardfunktion (und deren Standardfehler). Nachteile dieser Methode sind, dass diskrete Zeitintervalle nötig sind und dass sie eine grosse Anzahl an events benötigt, um reliable zu sein.
27 Life Table Methode: Verweildauer in Intervallen Wie bereits erwähnt, sind bei der Life-Table Methode keine Annahmen über die Verteilung von T notwendig. Errechnet werden die Survivorfunktionen zu Beginn des jeweiligen Intervalls sowie für jedes Intervall die Dichte- und Hazardfunktion (und deren Standardfehler). Nachteile dieser Methode sind, dass diskrete Zeitintervalle nötig sind und dass sie eine grosse Anzahl an events benötigt, um reliable zu sein. Um die diskreten Intervalle zu erhalten, wird die Zeitachse punktweise aufgesplittet.
28 Life Table Methode: Verweildauer in Intervallen Wie bereits erwähnt, sind bei der Life-Table Methode keine Annahmen über die Verteilung von T notwendig. Errechnet werden die Survivorfunktionen zu Beginn des jeweiligen Intervalls sowie für jedes Intervall die Dichte- und Hazardfunktion (und deren Standardfehler). Nachteile dieser Methode sind, dass diskrete Zeitintervalle nötig sind und dass sie eine grosse Anzahl an events benötigt, um reliable zu sein. Um die diskreten Intervalle zu erhalten, wird die Zeitachse punktweise aufgesplittet.
29 Life Table Methode: Notation
30 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte.
31 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L
32 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie:
33 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie: N l Zahl der Fälle, die in Intervall I l eintreten.
34 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie: N l Zahl der Fälle, die in Intervall I l eintreten. E l Zahl der Ereignisse / Übergänge im Intervall I l,ausfälle
35 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie: N l Zahl der Fälle, die in Intervall I l eintreten. E l Zahl der Ereignisse / Übergänge im Intervall I l,ausfälle Z l Zahl der Zensierungen im intervall I l
36 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie: N l Zahl der Fälle, die in Intervall I l eintreten. E l Zahl der Ereignisse / Übergänge im Intervall I l,ausfälle Z l Zahl der Zensierungen im intervall I l R l Risk Set / Risikomenge im Intervall I l,noch lebende
37 Life Table Methode: Notation Mit der Konvention: τ L+1 = existieren L Intervalle, von denen jedes die linke Grenze beinhaltet, aber nicht die Rechte. I l = {t τ l T τ l+1 }, l = 1,, L Terminologie: N l Zahl der Fälle, die in Intervall I l eintreten. E l Zahl der Ereignisse / Übergänge im Intervall I l,ausfälle Z l Zahl der Zensierungen im intervall I l R l Risk Set / Risikomenge im Intervall I l,noch lebende R l Zahl der Elemente in R l
38 Life Table Methode: Grundidee Rekursive Bestimmung von N l. Es gilt für das erste Intervall: N 1 = N
39 Life Table Methode: Grundidee Rekursive Bestimmung von N l. Es gilt für das erste Intervall: N 1 = N Für das zweite Intervall: N 2 = N 1 E 1 Z 1 usw.
40 Life Table Methode: Grundidee Rekursive Bestimmung von N l. Es gilt für das erste Intervall: N 1 = N Für das zweite Intervall: N 2 = N 1 E 1 Z 1 usw. Zur Berechnung der Risikomenge sind nun Annahmen über die Verteilung der zensierten Fälle während des Intervalls zu machen.
41 Life Table Methode: Grundidee Rekursive Bestimmung von N l. Es gilt für das erste Intervall: N 1 = N Für das zweite Intervall: N 2 = N 1 E 1 Z 1 usw. Zur Berechnung der Risikomenge sind nun Annahmen über die Verteilung der zensierten Fälle während des Intervalls zu machen. Üblicherweise wird angenommen, dass die Zensierungen gleichmäßig über das gesamte Intervall verteilt sind.
42 Life Table Methode: Grundidee Rekursive Bestimmung von N l. Es gilt für das erste Intervall: N 1 = N Für das zweite Intervall: N 2 = N 1 E 1 Z 1 usw. Zur Berechnung der Risikomenge sind nun Annahmen über die Verteilung der zensierten Fälle während des Intervalls zu machen. Üblicherweise wird angenommen, dass die Zensierungen gleichmäßig über das gesamte Intervall verteilt sind. R l = N l 1 2 Z l
43 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable.
44 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen.
45 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen. Der Befehl ltable tf des, intervals(30) su f h zerlegt die Zeit in 30-Monats-Intervalle und führt zu 3 Tabellen. Die Optionen führen zu folgendem Output:
46 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen. Der Befehl ltable tf des, intervals(30) su f h zerlegt die Zeit in 30-Monats-Intervalle und führt zu 3 Tabellen. Die Optionen führen zu folgendem Output: su survival: Verteilungsfunktion der Überlebenswahrscheinlichkeiten
47 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen. Der Befehl ltable tf des, intervals(30) su f h zerlegt die Zeit in 30-Monats-Intervalle und führt zu 3 Tabellen. Die Optionen führen zu folgendem Output: su survival: Verteilungsfunktion der Überlebenswahrscheinlichkeiten f failure: Dichtefunktion
48 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen. Der Befehl ltable tf des, intervals(30) su f h zerlegt die Zeit in 30-Monats-Intervalle und führt zu 3 Tabellen. Die Optionen führen zu folgendem Output: su survival: Verteilungsfunktion der Überlebenswahrscheinlichkeiten f failure: Dichtefunktion h hazard: Risikofunktion
49 : Stata Der Befehl, um Sterbetafeln in Stata zu berechnen lautet ltable. Einen Überblick könne wir uns mit help ltable verschaffen. Der Befehl ltable tf des, intervals(30) su f h zerlegt die Zeit in 30-Monats-Intervalle und führt zu 3 Tabellen. Die Optionen führen zu folgendem Output: su survival: Verteilungsfunktion der Überlebenswahrscheinlichkeiten f failure: Dichtefunktion h hazard: Risikofunktion Da Sterbetafeln recht unübersichtlich sein können, bietet es sich an, die in ihnen enthaltene Information graphisch darzustellen.
50 Survival
51 Failure
52 Hazard
53 ltable tf des, intervals(30) gr
54 ltable tf des, intervals(30) by(sex) gr
55 ltable tf des, intervals(30) by(sex) gr overlay
56 ltable tf des, intervals(30) by(sex) gr overlay ci
57 Graph Editor
58 Der Unterschied zu der Life-Table Methode ist die direkte Verwendung der Wartezeiten.
59 Der Unterschied zu der Life-Table Methode ist die direkte Verwendung der Wartezeiten. Es ist also unnötig, eine Zusammenfassung der Zeit in Intervallen vorzunehmen.
60 Der Unterschied zu der Life-Table Methode ist die direkte Verwendung der Wartezeiten. Es ist also unnötig, eine Zusammenfassung der Zeit in Intervallen vorzunehmen. Statt dessen wird die Risikomenge für jeden Zeitpunkt, an dem ein Ereignis statt findet, berechnet.
61 Der Unterschied zu der Life-Table Methode ist die direkte Verwendung der Wartezeiten. Es ist also unnötig, eine Zusammenfassung der Zeit in Intervallen vorzunehmen. Statt dessen wird die Risikomenge für jeden Zeitpunkt, an dem ein Ereignis statt findet, berechnet. Eine Sortierung der Zeitpunkte mit Ereignissen ist erforderlich: τ 1 < τ 2 < τ 3 < < τ L
62 Der Unterschied zu der Life-Table Methode ist die direkte Verwendung der Wartezeiten. Es ist also unnötig, eine Zusammenfassung der Zeit in Intervallen vorzunehmen. Statt dessen wird die Risikomenge für jeden Zeitpunkt, an dem ein Ereignis statt findet, berechnet. Eine Sortierung der Zeitpunkte mit Ereignissen ist erforderlich: τ 1 < τ 2 < τ 3 < < τ L wobei τ 1 den Zeitpunkt bezeichnet, an dem das erste Ereignis stattfindet, τ 2 den Zeitpunkt, an dem das zweite Ereignis staffindet, und so weiter.
63 : Notation E l Zahl der Episoden mit Ereignissen zum Zeitpunkt τ l. Es gilt: τ 0 = 0 Hierbei handelt es sich um die Anzahl der Personen, die in diesem Intervall ausfallen
64 : Notation E l Zahl der Episoden mit Ereignissen zum Zeitpunkt τ l. Es gilt: τ 0 = 0 Hierbei handelt es sich um die Anzahl der Personen, die in diesem Intervall ausfallen Z l Zahl der Zensierugen im Intervall τ l 1 t < τ l. Dies bedeutet, dass wenn Zensierung und Ereigniss zum selben Zeitpunkt stattfinden wird angenommen, dass die Zensierung etwas später statt findet.
65 : Notation E l Zahl der Episoden mit Ereignissen zum Zeitpunkt τ l. Es gilt: τ 0 = 0 Hierbei handelt es sich um die Anzahl der Personen, die in diesem Intervall ausfallen Z l Zahl der Zensierugen im Intervall τ l 1 t < τ l. Dies bedeutet, dass wenn Zensierung und Ereigniss zum selben Zeitpunkt stattfinden wird angenommen, dass die Zensierung etwas später statt findet. R l Risikomenge zum Zeitpunkt τ l, d.h.: mit einer Startzeit t Start < t l und einer Endzeit t Ende t l. Also die Personen die noch leben
66 : Notation E l Zahl der Episoden mit Ereignissen zum Zeitpunkt τ l. Es gilt: τ 0 = 0 Hierbei handelt es sich um die Anzahl der Personen, die in diesem Intervall ausfallen Z l Zahl der Zensierugen im Intervall τ l 1 t < τ l. Dies bedeutet, dass wenn Zensierung und Ereigniss zum selben Zeitpunkt stattfinden wird angenommen, dass die Zensierung etwas später statt findet. R l Risikomenge zum Zeitpunkt τ l, d.h.: mit einer Startzeit t Start < t l und einer Endzeit t Ende t l. Also die Personen die noch leben Es gilt für einen Zeitpunkt mit Ereignis: q l = E l R l p l = 1 q l = 1 E l R l
67 Product-Limit-Estimator Der Product-Limit-Estimator für S(t) ist definiert als: Ŝ(t) = p 1 p 2 p 3 p l 1 = p l = 1 E l R l l:τ l <t l:τ l <t
68 Product-Limit-Estimator Der Product-Limit-Estimator für S(t) ist definiert als: Ŝ(t) = p 1 p 2 p 3 p l 1 = p l = 1 E l R l l:τ l <t l:τ l <t Ŝ(t) = (1 q 0 ) (1 q 1 ) (1 q 2 ) (1 q 3 )
69 Product-Limit-Estimator Der Product-Limit-Estimator für S(t) ist definiert als: Ŝ(t) = p 1 p 2 p 3 p l 1 = p l = 1 E l R l Ŝ(t) = l:τ l <t l:τ l <t Ŝ(t) = (1 q 0 ) (1 q 1 ) (1 q 2 ) (1 q 3 ) ( 1 E ) ( 0 1 E ) ( 1 1 E ) ( 2 1 E ) 3 R 0 R 1 R 2 R 3
70 Product-Limit-Estimator Der Product-Limit-Estimator für S(t) ist definiert als: Ŝ(t) = p 1 p 2 p 3 p l 1 = p l = 1 E l R l wobei: Ŝ(t) = Ŝ(t) = l:τ l <t l:τ l <t Ŝ(t) = (1 q 0 ) (1 q 1 ) (1 q 2 ) (1 q 3 ) ( 1 E ) ( 0 1 E ) ( 1 1 E ) ( 2 1 E ) 3 R 0 R 1 R 2 R 3 ( 1 0 ) ( 1 1 ) ( 1 1 ) ( 1 1 ) ( 1 2 ) ( 1 1 )
71 Product-Limit-Estimator Der Product-Limit-Estimator für S(t) ist definiert als: Ŝ(t) = p 1 p 2 p 3 p l 1 = p l = 1 E l R l wobei: Ŝ(t) = Ŝ(t) = l:τ l <t l:τ l <t Ŝ(t) = (1 q 0 ) (1 q 1 ) (1 q 2 ) (1 q 3 ) ( 1 E ) ( 0 1 E ) ( 1 1 E ) ( 2 1 E ) 3 R 0 R 1 R 2 R 3 ( 1 0 ) ( 1 1 ) ( 1 1 ) ( 1 1 ) ( 1 2 ) ( 1 1 ) Ŝ(t) = 1 0, 992 0, , , , 99167
72 in Stata Um eine Kaplan-Meier Schätzung in Stata durchzuführen müssen wir Stata ein paar Angaben mitteilen.
73 in Stata Um eine Kaplan-Meier Schätzung in Stata durchzuführen müssen wir Stata ein paar Angaben mitteilen. Als Ereignisdaten deklarieren stset tf, f(des)
74 in Stata Um eine Kaplan-Meier Schätzung in Stata durchzuführen müssen wir Stata ein paar Angaben mitteilen. Als Ereignisdaten deklarieren stset tf, f(des)
75 Ereignisdatensatz definieren Definieren über stset, Informationen durch stdes und stsum.
76 Schätzung Der Stata Befehl für die Kaplan-Meier Schätzung lautet sts list
77 sts graph
78 sts graph, by(sex)
79 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung.
80 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen.
81 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden.
82 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank
83 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank Wilcoxon Test (Breslow) : sts test varlist, wilcoxon
84 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank Wilcoxon Test (Breslow) : sts test varlist, wilcoxon Tarone-Ware Test : sts test varlist, tware
85 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank Wilcoxon Test (Breslow) : sts test varlist, wilcoxon Tarone-Ware Test : sts test varlist, tware Peto-Peto-Prentice Test : sts test varlist, peto
86 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank Wilcoxon Test (Breslow) : sts test varlist, wilcoxon Tarone-Ware Test : sts test varlist, tware Peto-Peto-Prentice Test : sts test varlist, peto Fleming-Harrington Test : sts test varlist, fh()
87 Signifikanztests Die Teststatistiken folgen nährungsweise einer χ 2 -Verteilung. H 0 geht davon aus, dass keine Unterschiede zwischen den Subgruppen bestehen. H 1 nimmt an, dass sich die Überlebensfunktionen unterscheiden. Log-Rank Test(Savage) : sts test varlist, logrank Wilcoxon Test (Breslow) : sts test varlist, wilcoxon Tarone-Ware Test : sts test varlist, tware Peto-Peto-Prentice Test : sts test varlist, peto Fleming-Harrington Test : sts test varlist, fh() Cox Test : sts test varlist, cox
Berechnung 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
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrFormelsammlung zur Vorlesung Lebensdaueranalyse
Lebensdauer- und Ereignisanalyse WiSe 9/ Michael Höhle Formelsammlung zur Vorlesung Lebensdaueranalyse erstellt von Susanne Konrath Einführung. Hazardrate und Survivalfunktion T stetig mit Verteilungsfunktion
MehrEreignisanalyse. Petra Stein / Marcel Noack
Ereignisanalyse Petra Stein / Marcel Noack 12. Juli 2007 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen 6 2.1 Regression für Längschnittdaten?................ 6 2.2 Unterscheidungen: A vs. B....................
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrKaplan-Meier-Schätzer
Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall
MehrGrundzüge der Ereignisdatenanalyse
Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Wiederholung Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle
MehrÜbersicht. VL Forschungsmethoden. Ereignisdatenanalyse
VL Forschungsmethoden Ereignisdatenanalyse 1 2 3 4 5 Übersicht VL Forschungsmethoden Event Data (1/45) Harold Macmillan, PM 1957-1963 The greatest challenge in politics: events, my dear boy, events Was
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
MehrStetige Verteilungen. A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch
6 Stetige Verteilungen 1 Kapitel 6: Stetige Verteilungen A: Beispiele Beispiel 1: a) In den folgenden Abbildungen sind die Dichtefunktionen von drei bekannten Verteilungen graphisch dargestellt. 0.2 6
MehrSurvival Analysis. Rene.Boeheim@jku.at. December 2008
Survival Analysis René Böheim Rene.Boeheim@jku.at December 2008 Basierend auf Cleves, Gould, and Gutierrez (2004), An Introduction to Survival Analysis using Stata, Revised Edition, Stata Press, Texas.
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
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
MehrNicht-parametrische Statistik Eine kleine Einführung
Nicht-parametrische Statistik Eine kleine Einführung Überblick Anwendung nicht-parametrischer Statistik Behandelte Tests Mann-Whitney U Test Kolmogorov-Smirnov Test Wilcoxon Test Binomialtest Chi-squared
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
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:
MehrSchätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse
Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 14. Mai 2013 c Roland Rau Survival-Analyse 06. Sitzung 1 / 23 Hinweis: Interview mit Prof. Matthias
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
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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete
MehrTesten von Hypothesen:
Testen von Hypothesen: Ein Beispiel: Eine Firma produziert Reifen. In der Entwicklungsabteilung wurde ein neues Modell entwickelt, das wesentlich ruhiger läuft. Vor der Markteinführung muss aber auch noch
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrA: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen:
5 Diskrete Verteilungen 1 Kapitel 5: Diskrete Verteilungen A: Beispiele Beispiel 1: Zwei Zufallsvariablen X und Y besitzen die beiden folgenden Wahrscheinlichkeitsfunktionen: 5 0.6 x 0.4 5 x (i) P x (x)
MehrLaden des Datensatzes und erstellen eines Survival-Objektes. Laden des Datensatzes und Data Cleaning
Laden des Datensatzes und erstellen eines Survival-Objektes Laden des Datensatzes und Data Cleaning Das Laden des Datensatzes sollte wenig Schwierigkeiten verursachen. Nachdem Sie mittels setwd("c:/sommer2015/survival")
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 19. Januar 2011 1 Nichtparametrische Tests Ordinalskalierte Daten 2 Test für ein Merkmal mit nur zwei Ausprägungen
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrÜbung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung
Übung Statistik I Statistik mit Stata SS07-21.05.2007 6. Grafiken und Wiederholung Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: Di. 15-16 Uhr Andrea.Kummerer@sowi.uni-goettingen.de Statistik mit Stata
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
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
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
MehrÜbung Statistik I Statistik mit Stata SS Probeklausur, Wiederholungen und Übungen
Übung Statistik I Statistik mit Stata SS07 11.06.2007 8. Probeklausur, Wiederholungen und Übungen Andrea Kummerer (M.A.) Oec R. I-53 Sprechstunde: n.v. Andrea.Kummerer@sowi.uni-goettingen.de Statistik
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrLebensdauer eines x-jährigen
Lebensdauer eines x-jährigen Sabrina Scheriau 20. November 2007, Graz 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Einleitung 3 2 Sterbewahrscheinlichkeiten 4 2.1 Definition und Ermittlung....................
MehrTumorregister München
Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English P-NET: Neuroendokr. Pankreastu. Survival Diagnosejahr 1998-14 Patienten 368 Erkrankungen 368 Fälle in Auswertung 292 Erstellungsdatum
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrEinige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrTutorial: Vergleich von Anteilen
Tutorial: Vergleich von Anteilen Die Sicherung des Pensionssystems ist in vielen Ländern ein heikles Thema. Noch stärker als der Streit, wer wann welche Pension beziehen können soll, tobt ein Streit, welche
MehrSimulation von Zufallsversuchen mit dem Voyage 200
Simulation von Zufallsversuchen mit dem Voyage 00 Guido Herweyers KHBO Campus Oostende K.U.Leuven 1. Entenjagd Zehn Jäger, alle perfekte Schützen, lauern vor einem Feld auf Enten. Bald landen dort 10 Enten.
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrKapitel 8 Einführung der Integralrechnung über Flächenmaße
8. Flächenmaße 8.1 Flächenmaßfunktionen zu nicht negativen Randfunktionen Wir wenden uns einem auf den ersten Blick neuen Thema zu, der Ermittlung des Flächenmaßes A von Flächen A, die vom nicht unterhalb
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 10. November 2010 1 Bedingte Wahrscheinlichkeit Satz von der totalen Wahrscheinlichkeit Bayessche Formel 2 Grundprinzipien
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrBiometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1
Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
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
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
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 19. Mai 2015 Roland Rau Survival Analysis 1 / 26 Nächste & übernächste Woche Nächste Woche: Projektwoche
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrBiometrieübung 5 Spezielle Verteilungen. 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen
Biometrieübung 5 (Spezielle Verteilungen) - Aufgabe Biometrieübung 5 Spezielle Verteilungen Aufgabe 1. Anzahl von weiblichen Mäusen in Würfen von jeweils 4 Mäusen Anzahl weiblicher Mäuse (k) Anzahl Würfe
MehrStochastik und Statistik für Ingenieure Vorlesung 4
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Stochastik und Statistik für Ingenieure Vorlesung 4 30. Oktober 2012 Quantile einer stetigen Zufallsgröße Die reelle Zahl
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Taubertsberg R. 0-0 (Persike) R. 0-1 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet0.sowi.uni-mainz.de/
MehrComputergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrVorwort Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße Erwartungswert und Varianz...
Inhaltsverzeichnis Vorwort... 2 Zum Einstieg... 3 1 Zufallsvariable X, Erwartungswert E(X), Varianz V(X) 1.1 Zufallsvariable oder Zufallsgröße... 5 1.2 Erwartungswert und Varianz... 7 2 Wahrscheinlichkeitsverteilungen
MehrKategoriale Daten. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/17
Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/17 Übersicht Besitzen die Daten, die statistisch ausgewertet werden sollen, kategoriales Skalenniveau, unterscheidet man die folgenden Szenarien:
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
MehrTumorregister München
Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD- C92: Myeloische Leukämie Survival Diagnosejahr 1988-1997 1998-14 Patienten 436 3 653 Erkrankungen 436 3 667 Fälle in Auswertung
MehrZweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz
Grundlage: Zweiseitiger Test für den unbekannten Mittelwert µ einer Normalverteilung bei unbekannter Varianz Die Testvariable T = X µ 0 S/ n genügt der t-verteilung mit n 1 Freiheitsgraden. Auf der Basis
MehrTumorregister München
Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD-1 C91.: Akute lymphat. Leukämie Survival Diagnosejahr 1988-1997 1998-14 Patienten 179 752 Erkrankungen 179 752 Fälle in
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrNonparametric estimation of the probability of default 1
probability of default 1 probability of default 2 probability of default 3 Fixierte Studienzeit Fixierter Anteil an Toten (z.b. 80%) Fixierte Beobachtungsz. A B C D E 10 20 30 A B C D E 10 20 35 A B C
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrTumorregister München
Tumorregister München Inzidenz und Mortalität Auswahlmatrix Homepage English ICD-1 C9: Plasmozytom Survival Diagnosejahr 1988-1997 1998-14 Patienten 445 3 754 Erkrankungen 445 3 757 Fälle in Auswertung
MehrDefinition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion
Kapitel 2 Erwartungswert 2.1 Erwartungswert einer Zufallsvariablen Definition 2.1 Der Erwartungswert einer diskreten Zufallsvariablen mit Wahrscheinlichkeitsfunktion È ist definiert als Ü ÜÈ Üµ Für spätere
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
MehrEIN AUSWERTUNGSTOOL FÜR DIE EXPLORATIVE ANALYSE VON ÜBERLEBENSZEITEN
114 1. Konferenz der SAS-Benutzer in Forschung und Entwicklung, Humboldt-Universität zu Berlin, 20./21.02.1997 EIN AUSWERTUNGSTOOL FÜR DIE EXPLORATIVE ANALYSE VON ÜBERLEBENSZEITEN Hans-Peter Altenburg
MehrRentenbeginn und Lebenserwartung
Rentenbeginn und Lebenserwartung Sebastian Jeworutzki 23.04.2009 Sebastian Jeworutzki Rentenbeginn und Lebenserwartung 1/31 Gliederung 1 Einleitung 2 Informationen zum SOEP 3 Das Kalendarium des SOEP Das
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
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
MehrFrailty Models in Survival Analysis
Aus dem Institut für Medizinische Epidemiologie, Biometrie und Informatik (Direktor: Prof. Dr. Johannes Haerting) Frailty Models in Survival Analysis Habilitation zur Erlangung des akademischen Grades
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheorie Januar 2009 HS MD-SDL(FH) Prof. Dr. GH Franke Kapitel 5 Vertiefung: Reliabilität Kapitel 5 Vertiefung: Reliabilität 5.1 Definition Die Reliabilität eines Tests beschreibt
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge Tabellenanalyse: Kreuztabellierung und Kontingenzanalyse Philosophische Fakultät Institut für Soziologie Berufsverläufe und Berufserfolg von Hochschulabsolventen Dozent: Mike Kühne
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens 1 Organisatorisches Freitag, 05. Mai 2006: keine Vorlesung! aber Praktikum von 08.00 11.30 Uhr (Gruppen E, F, G, H; Vortestat für Prototyp)
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
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 22. April 2014 c Roland Rau Survival Analysis 1 / 23 Erinnerung: Prüfungsmodalitäten Nr. Termine evtl.
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
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
Mehr4 Diskrete Wahrscheinlichkeitsverteilungen
4 Diskrete Wahrscheinlichkeitsverteilungen 4.1 Wahrscheinlichkeitsräume, Ereignisse und Unabhängigkeit Definition: Ein diskreter Wahrscheinlichkeitsraum ist ein Paar (Ω, Pr), wobei Ω eine endliche oder
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
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrEreignisanalyse. Sterbetafel-Methode Kaplan-Meier-Verfahren Cox-Regression. Kurt Holm. Almo Statistik-System
Ereignisanalyse Sterbetafel-Methode Kaplan-Meier-Verfahren Cox-Regression Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 2013 1 Im Text wird häufig auf das
MehrChi-Quadrat Verfahren
Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz
MehrKaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall
Kaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall Christian Reichlin Michael Stadelmann 29. Mai 26 Statistik-Seminar bei Frau Prof. Dr. Sara van de Geer, Herrn Dr. Prof. Barbour,
MehrMathematische und statistische Methoden II
Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-206 Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de lordsofthebortz.de lordsofthebortz.de/g+
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Mehr