Interpretation SPPS Output mit PROCESS - Beispiele für parallele Mediatoren Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
|
|
|
- Leonard Weber
- vor 6 Jahren
- Abrufe
Transkript
1 Interpretation SPPS Output mit PROCESS - Beispiele für parallele Mediatoren Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: Die folgenden Beispiele verdeutlichen die Interpretation des PROCESS-Outputs zur Prüfung mehrerer paralleler Mediatoren. Vorab zwei wichtige Punkte: 1. Voraussetzungen Die sonstigen diversen Voraussetzungen für die Durchführung einer Regressionsanalyse sollen für alle folgenden Beispiele und Aufgaben gegeben sein. In Ihrer Bachelorarbeit oder Masterarbeit müssten Sie das aber vorher natürlich prüfen. 2. Aufruf von PROCESS Bei den Beispielen und Aufgaben wurde jeweils das l 4 mit den folgenden Zusatzoptionen (Dialogfenster Options) aufgerufen: - Effect size - Total effect model - Sobel Test - Compare indirect effects 1
2 Beispiel 1 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über zwei parallele Mediatoren M1 und M2 einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Ist der totale indirekte Effekt von X auf Y signifikant? b. Sind beide indirekte Effekte (über M1 bzw. über M2) signifikant? c. Unterscheiden sich die beiden indirekten Effekte (über M1 bzw. über M2) signifikant voneinander? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,5815,3381, ,2042 1, ,0000,0000 constant 4,0002,5432 7,3641,0000 2,9153 5,0850 x 1,0376,1801 5,7623,0000,6780 1,3972 Outcome: m2 Summary,6206,3851, ,7064 1, ,0000,0000 constant 2,9392,3644 8,0664,0000 2,2115 3,6669 x,7706,1208 6,3802,0000,5294 1,
3 Summary,8398,7053, ,2646 3, ,0000,0000 constant 6,7159,8149 8,2412,0000 5,0874 8,3444 m1,5338,1148 4,6503,0000,3044,7632 m2,5989,1711 3,4998,0009,2569,9409 x,7458,2359 3,1611,0024,2743 1,2172 ************************** TOTAL EFFECT MODEL **************************** Summary,7270,5285, ,8625 1, ,0000,0000 constant 10,6115, ,0488,0000 9, ,8546 x 1,7612,2063 8,5360,0000 1,3491 2,1732 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,7612,2063 8,5360,0000 1,3491 2,1732 Direct effect of X on Y,7458,2359 3,1611,0024,2743 1,2172 Indirect effect of X on Y TOTAL 1,0154,2084,6542 1,4661 m1,5539,1481,3122,8996 m2,4615,1572,1982,8198 (C1),0923,2232 -,3301,5545 Partially standardized indirect effect of X on Y TOTAL 1,4010,2327,9735 1,8790 m1,7642,1851,4569 1,1865 m2,6368,2018,2695 1,0662 Completely standardized indirect effect of X on Y TOTAL,4191,0674,2985,5643 m1,2286,0544,1392,3567 m2,1905,0590,0836,
4 Ratio of indirect to total effect of X on Y TOTAL,5766,1013,3925,7825 m1,3145,0763,1895,4937 m2,2621,0852,1093,4458 Ratio of indirect to direct effect of X on Y TOTAL 1,3616 1,4934,6454 3,5936 m1,7427,7658,3437 2,0172 m2,6189,7750,1967 1,8782 Normal theory tests for specific indirect effects Effect se Z p m1,5539,1544 3,5863,0003 m2,4615,1518 3,0399,0024 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX Schritt 1. Ablesen des Konfidenzintervalls für den totalen indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 2. Ablesen des Konfidenzintervalls für die indirekten Effekte, prüfen ob jeweils 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des Konfidenzintervalls für den Kontrast zwischen beiden indirekten Effekten, prüfen ob es jeweils 0 enthält (nicht signifikant) oder ob es 0 nicht enthält (=signifikant) 4
5 Lösung Beispiel 1 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,5815,3381, ,2042 1, ,0000,0000 constant 4,0002,5432 7,3641,0000 2,9153 5,0850 x 1,0376,1801 5,7623,0000,6780 1,3972 Outcome: m2 Summary,6206,3851, ,7064 1, ,0000,0000 constant 2,9392,3644 8,0664,0000 2,2115 3,6669 x,7706,1208 6,3802,0000,5294 1,
6 Summary,8398,7053, ,2646 3, ,0000,0000 constant 6,7159,8149 8,2412,0000 5,0874 8,3444 m1,5338,1148 4,6503,0000,3044,7632 m2,5989,1711 3,4998,0009,2569,9409 x,7458,2359 3,1611,0024,2743 1,2172 ************************** TOTAL EFFECT MODEL **************************** Summary,7270,5285, ,8625 1, ,0000,0000 constant 10,6115, ,0488,0000 9, ,8546 x 1,7612,2063 8,5360,0000 1,3491 2,1732 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,7612,2063 8,5360,0000 1,3491 2,1732 Direct effect of X on Y,7458,2359 3,1611,0024,2743 1,2172 Indirect effect of X on Y TOTAL 1,0154,2084,6542 1,4661 m1,5539,1481,3122,8996 m2,4615,1572,1982,8198 (C1),0923,2232 -,3301,5545 Partially standardized indirect effect of X on Y TOTAL 1,4010,2327,9735 1,8790 m1,7642,1851,4569 1,1865 m2,6368,2018,2695 1,0662 Completely standardized indirect effect of X on Y TOTAL,4191,0674,2985,5643 m1,2286,0544,1392,3567 m2,1905,0590,0836,3190 Totaler indirekter Effekt KI [0.654, 1.466], enthält nicht 0, also signifikant Indirekte Effekte m1 und m2, Konfidenzintervalle enthalten nicht 0, also beide signifikant Kontrast C1 ist hier der Pfad m1 minus m2. Das KI [-0.330, 0.555] enthält den Wert 0, also ist der Unterschied zwischen beiden Mediationspfaden nicht signifikant 6
7 Ratio of indirect to total effect of X on Y TOTAL,5766,1013,3925,7825 m1,3145,0763,1895,4937 m2,2621,0852,1093,4458 Ratio of indirect to direct effect of X on Y TOTAL 1,3616 1,4934,6454 3,5936 m1,7427,7658,3437 2,0172 m2,6189,7750,1967 1,8782 Normal theory tests for specific indirect effects Effect se Z p m1,5539,1544 3,5863,0003 m2,4615,1518 3,0399,0024 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX
8 Beispiel 2 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über zwei parallele Mediatoren M1 und M2 einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Ist der totale indirekte Effekt von X auf Y signifikant? b. Sind beide indirekte Effekte (über M1 bzw. über M2) signifikant? c. Unterscheiden sich die beiden indirekten Effekte (über M1 bzw. über M2) signifikant voneinander? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,9525,9073, ,1103 1, ,0000,0000 constant 3,9049, ,0856,0000 3,2596 4,5502 x,9896, ,2212,0000,9112 1,0680 Outcome: m2 Summary,7576,5739, ,5469 1, ,0000,0000 constant 2,9250,3108 9,4115,0000 2,3043 3,5457 x,3531,0377 9,3567,0000,2778,
9 Summary,8294, , ,2983 3, ,0000,0000 constant 4,4849 5,1590,8693,3880-5, ,7945 m1 1,6103,8856 1,8183,0738 -,1594 3,3801 m2 2,8214,9207 3,0644,0032,9815 4,6612 x,5501 1,0085,5455,5874-1,4652 2,5655 ************************** TOTAL EFFECT MODEL **************************** Summary,7942, , ,0007 1, ,0000,0000 constant 19,0256 2,4542 7,7521, , ,9270 x 3,1400, ,5357,0000 2,5448 3,7352 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 3,1400, ,5357,0000 2,5448 3,7352 Direct effect of X on Y,5501 1,0085,5455,5874-1,4652 2,5655 Indirect effect of X on Y TOTAL 2,5899,8985,7047 4,2251 m1 1,5936,8273 -,1195 3,1168 m2,9963,4209,2054 1,8487 (C1),5972,9570-1,3250 2,3587 Partially standardized indirect effect of X on Y TOTAL,2929,0987,0768,4716 m1,1802,0923 -,0176,3425 m2,1127,0478,0211,2097 Completely standardized indirect effect of X on Y TOTAL,6550,2262,1848 1,0832 m1,4030,2099 -,0326,7838 m2,2520,1044,0518,
10 Ratio of indirect to total effect of X on Y TOTAL,8248,2870,2250 1,3726 m1,5075,2628 -,0414,9808 m2,3173,1374,0653,6054 Ratio of indirect to direct effect of X on Y TOTAL 4, ,1309, ,4316 m1 2, ,1245, ,0965 m2 1, ,4010, ,1383 Normal theory tests for specific indirect effects Effect se Z p m1 1,5936,8793 1,8122,0700 m2,9963,3439 2,8973,0038 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX Schritt 1. Ablesen des Konfidenzintervalls für den totalen indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 2. Ablesen des Konfidenzintervalls für die indirekten Effekte, prüfen ob jeweils 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des Konfidenzintervalls für den Kontrast zwischen beiden indirekten Effekten, prüfen ob es jeweils 0 enthält (nicht signifikant) oder ob es 0 nicht enthält (=signifikant) 10
11 Lösung Beispiel 2 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,9525,9073, ,1103 1, ,0000,0000 constant 3,9049, ,0856,0000 3,2596 4,5502 x,9896, ,2212,0000,9112 1,0680 Outcome: m2 Summary,7576,5739, ,5469 1, ,0000,0000 constant 2,9250,3108 9,4115,0000 2,3043 3,5457 x,3531,0377 9,3567,0000,2778,4285 Summary,8294, , ,2983 3, ,0000,0000 constant 4,4849 5,1590,8693,3880-5, ,7945 m1 1,6103,8856 1,8183,0738 -,1594 3,3801 m2 2,8214,9207 3,0644,0032,9815 4,6612 x,5501 1,0085,5455,5874-1,4652 2,
12 ************************** TOTAL EFFECT MODEL **************************** Summary,7942, , ,0007 1, ,0000,0000 constant 19,0256 2,4542 7,7521, , ,9270 x 3,1400, ,5357,0000 2,5448 3,7352 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 3,1400, ,5357,0000 2,5448 3,7352 Direct effect of X on Y,5501 1,0085,5455,5874-1,4652 2,5655 Indirect effect of X on Y TOTAL 2,5899,8985,7047 4,2251 m1 1,5936,8273 -,1195 3,1168 m2,9963,4209,2054 1,8487 (C1),5972,9570-1,3250 2,3587 Partially standardized indirect effect of X on Y TOTAL,2929,0987,0768,4716 m1,1802,0923 -,0176,3425 m2,1127,0478,0211,2097 Completely standardized indirect effect of X on Y TOTAL,6550,2262,1848 1,0832 m1,4030,2099 -,0326,7838 m2,2520,1044,0518,4641 Ratio of indirect to total effect of X on Y TOTAL,8248,2870,2250 1,3726 m1,5075,2628 -,0414,9808 m2,3173,1374,0653,6054 Totaler indirekter Effekt KI [0.705, 4.225], enthält nicht 0, also signifikant Indirekter Effekt m1: KI enthält 0, also nicht signifikant Indirekter Effekt m2: KI enthält nicht 0, also signifikant Kontrast C1 ist hier der Pfad m1 minus m2. Das KI [-1.325, 2.359] enthält den Wert 0, also ist der Unterschied zwischen beiden Mediationspfaden nicht signifikant Ratio of indirect to direct effect of X on Y TOTAL 4, ,1309, ,4316 m1 2, ,1245, ,0965 m2 1, ,4010, ,
13 Normal theory tests for specific indirect effects Effect se Z p m1 1,5936,8793 1,8122,0700 m2,9963,3439 2,8973,0038 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX
14 Beispiel 3 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über zwei parallele Mediatoren M1 und M2 einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Ist der totale indirekte Effekt von X auf Y signifikant? b. Sind beide indirekte Effekte (über M1 bzw. über M2) signifikant? c. Unterscheiden sich die beiden indirekten Effekte (über M1 bzw. über M2) signifikant voneinander? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,9446,8922, ,8583 1, ,0000,0000 constant 3,7673, ,0263,0000 3,0850 4,4497 x,9954, ,1918,0000,9097 1,0811 Outcome: m2 Summary,7798,6081, ,8786 1, ,0000,0000 constant 3,0355, ,9803,0000 2,4834 3,5876 x,3488, ,0438,0000,2795,
15 Summary,9715,9438, ,7334 3, ,0000,0000 constant 16,4389, ,5498, , ,0374 m1,5386,1417 3,7997,0003,2553,8218 m2,3742,1752 2,1361,0366,0241,7242 x,8977,1538 5,8380,0000,5904 1,2050 ************************** TOTAL EFFECT MODEL **************************** Summary,9615,9245 1, ,2285 1, ,0000,0000 constant 19,6037, ,4216, , ,4850 x 1,5643, ,2175,0000 1,4536 1,6751 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,5643, ,2175,0000 1,4536 1,6751 Direct effect of X on Y,8977,1538 5,8380,0000,5904 1,2050 Indirect effect of X on Y TOTAL,6666,1838,3011 1,0048 m1,5361,1728,1960,8699 m2,1305,0705,0036,2799 (C1),4056,1894,0252,7630 Partially standardized indirect effect of X on Y TOTAL,1836,0496,0821,2740 m1,1477,0478,0523,2367 m2,0360,0191,0006,0753 Completely standardized indirect effect of X on Y TOTAL,4097,1075,1899,6021 m1,3295,1032,1206,5210 m2,0802,0423,0024,
16 Ratio of indirect to total effect of X on Y TOTAL,4261,1134,1959,6345 m1,3427,1085,1239,5466 m2,0834,0442,0026,1765 Ratio of indirect to direct effect of X on Y TOTAL,7426,3758,2437 1,7360 m1,5972,3308,1619 1,4833 m2,1454,0935,0015,3696 Normal theory tests for specific indirect effects Effect se Z p m1,5361,1431 3,7464,0002 m2,1305,0628 2,0795,0376 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX Schritt 1. Ablesen des Konfidenzintervalls für den totalen indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 2. Ablesen des Konfidenzintervalls für die indirekten Effekte, prüfen ob jeweils 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des Konfidenzintervalls für den Kontrast zwischen beiden indirekten Effekten, prüfen ob es jeweils 0 enthält (nicht signifikant) oder ob es 0 nicht enthält (=signifikant) 16
17 Lösung Beispiel 3 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = y X = x M1 = m1 M2 = m2 Sample size 67 Outcome: m1 Summary,9446,8922, ,8583 1, ,0000,0000 constant 3,7673, ,0263,0000 3,0850 4,4497 x,9954, ,1918,0000,9097 1,0811 Outcome: m2 Summary,7798,6081, ,8786 1, ,0000,0000 constant 3,0355, ,9803,0000 2,4834 3,5876 x,3488, ,0438,0000,2795,
18 Summary,9715,9438, ,7334 3, ,0000,0000 constant 16,4389, ,5498, , ,0374 m1,5386,1417 3,7997,0003,2553,8218 m2,3742,1752 2,1361,0366,0241,7242 x,8977,1538 5,8380,0000,5904 1,2050 ************************** TOTAL EFFECT MODEL **************************** Summary,9615,9245 1, ,2285 1, ,0000,0000 constant 19,6037, ,4216, , ,4850 x 1,5643, ,2175,0000 1,4536 1,6751 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,5643, ,2175,0000 1,4536 1,6751 Direct effect of X on Y,8977,1538 5,8380,0000,5904 1,2050 Indirect effect of X on Y TOTAL,6666,1838,3011 1,0048 m1,5361,1728,1960,8699 m2,1305,0705,0036,2799 (C1),4056,1894,0252,7630 Partially standardized indirect effect of X on Y TOTAL,1836,0496,0821,2740 m1,1477,0478,0523,2367 m2,0360,0191,0006,0753 Completely standardized indirect effect of X on Y TOTAL,4097,1075,1899,6021 m1,3295,1032,1206,5210 m2,0802,0423,0024,1690 Totaler indirekter Effekt KI [0.301, 1.005], enthält nicht 0, also signifikant Indirekte Effekte m1 und m2, Konfidenzintervalle enthalten nicht 0, also beide signifikant Kontrast C1 ist hier der Pfad m1 minus m2. Das KI [0.025, 0.763] enthält nicht den Wert 0 und ist positiv, also ist der Pfad über m1 signifikant stärker als der Pfad über m
19 Ratio of indirect to total effect of X on Y TOTAL,4261,1134,1959,6345 m1,3427,1085,1239,5466 m2,0834,0442,0026,1765 Ratio of indirect to direct effect of X on Y TOTAL,7426,3758,2437 1,7360 m1,5972,3308,1619 1,4833 m2,1454,0935,0015,3696 Normal theory tests for specific indirect effects Effect se Z p m1,5361,1431 3,7464,0002 m2,1305,0628 2,0795,0376 Specific indirect effect contrast definitions (C1) m1 minus m2 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95, END MATRIX
20 Copyrighthinweis: * SPSS ist ein geschütztes Warenzeichen von IBM. Impressum: Arndt Regorz Alemannenstraße Bochum mail@regorz-statistik.de Wie kann ich Sie weiter unterstützen? Nachhilfe & Prüfungsvorbereitung Statistik Statistik kann man umständlich und formel-lastig erklären, wie es viele Hochschulen leider tun. Und man kann Statistik so erklären, dass es verständlich ist. Wenn Ihnen mein Erklärungs-Stil liegt und Sie Nachhilfe in Statistik benötigen, finden Sie auf meiner Seite zu Statistik-Nachhilfe weitere Infos. Beratung für Datenauswertung bei Bachelorarbeit oder Masterarbeit Welche Auswertungen sind für Ihre Fragestellung richtig und was müssen Sie dabei beachten? Schon in einer Stunde (Telefon/Skype/vor Ort) kann man viele Fragen klären. Auf meiner Seite zu Statistik-Beratung finden Sie weitere Informationen. 20
Interpretation SPPS Output Mann-Whitney U-Test Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
Interpretation SPPS Output Mann-Whitney U-Test Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: 01.12.2017 Mit dem folgenden Tutorial lernen Sie die sichere Interpretation
Tutorial. Mediationsanalyse mit PROCESS. stefan.pfattheicher@uni-ulm.de. Das Konzept Mediation
Tutorial Mediationsanalyse mit PROCESS stefan.pfattheicher@uni-ulm.de Das Konzept Mediation Ein Mediator (folgend M) erklärt den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen
Forschungslücken finden: Checkliste
Forschungslücken finden: Checkliste Arndt Regorz, Dipl. Kfm. & BSc (Psychologie) Stand: 08.12.2017 0 Einleitung Diese Checkliste soll Ihnen das Auffinden einer Forschungslücke für Ihre Bachelorarbeit,
Mediatioranalyse & Moderatoranalyse How to do
Mediatioranalyse & Moderatoranalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Mediatoranalyse bzw. eine Moderatoranalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem
Aufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
Übungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
Webergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
Statistischer 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
Vergleich 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
Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden
Aufgaben 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
Erwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht in R in R In R gibt es eine Reihe von Funktionen zur : lm(): lineare Regression glm(): allgemeines lineares Modell aov(): manova(): multivariate gam():
Aufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
Aufgaben 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:
Lernziele Experimentelles Praktikum
Lernziele Experimentelles Praktikum Inhaltsverzeichnis 1. Theoretischer Hintergrund des Artikels 2. Grundlagen des Experimentierens 3. Schritte der allgemeinen Versuchsplanung 4. Unabhängige Variablen
Kapitel 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
FRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
Übung zur Logistischen Regression Juli 2011
Lehrveranstaltung Empirische Forschung und Politikberatung Sommersemester 2011 Übung zur Logistischen Regression - - - - - 1.Juli 2011 Anja Hall, Bundesinstitut für Berufsbildung, AB 2.2: Qualifikation,
Literatur: Rudolf & Müller, S Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung SEM Folie Nr. 1
1 Korrelation und Kausalität 2 Grundsätzliches 3 Pfaddiagramme und lineare Strukturgleichungen 4 Struktur- und Messmodell 5 Modellspezifikation 6 Parameterschätzungen 7 Beurteilung der Schätzergebnisse
1. 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
Im ersten Schritt müssen die Daten in die Datenansicht eingelesen werden.
Kapitel 2 FRAGESTELLUNG 1 Im ersten Schritt müssen die Daten in die Datenansicht eingelesen werden. Dazu muss man auf den Menüpunkt Datei / Öffnen / Daten gehen und die Datei commercial.sav laden. Nun
Aufgaben 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
Musterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Kapitel 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
Webergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
Vorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Auswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
SPDS-Problem - proc summary auf View mit by-variable - Sortierung wird verlangt
News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren Allgemeine Fragen zu SAS SPDS-Problem - proc summary auf View mit by-variable - Sortierung wird verlangt
Lineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
Multivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
Güteanalyse. 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
Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
Grundlagen der Varianzanalyse
Grundlagen der Varianzanalyse Frank Huber Frederik Meyer Michael Lenzen Grundlagen der Varianzanalyse Konzeption Durchführung Auswertung Frank Huber LS für Marketing I Universität Mainz Mainz, Deutschland
Biometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
X =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
FERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
Aufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
Metrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
Statistik mit R, Sitzung am
Statistik mit R, Sitzung am 19.06.07 Mike Kühne 1 R-Kurs INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Bivariate Statistik 3 1.1 Tabellen.............................. 3 1.2 Zusammenhangsmaße für nominal skalierte
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ
Systematische Reviews und Meta-Analysen
Systematische Reviews und Meta-Analysen Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Szenario Sollen wir Julians Mittelohrentzündung
Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r
Dr. Wolfgang Langer - Methoden V: Explorative Faktorenanalyse SoSe 1999-1 Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala Für die Schätzung der Zuverlässigkeit einer additiven Itemskala,
INFERENZSTATISTISCHE 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
Logistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
Kapitel 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
Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
![Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***](/thumbs/76/73817896.jpg "Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***")
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Biostatistik. Eine Einführung für Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Eine Einführung für Biowissenschaftler ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City
Kapitel 3. FRAGESTELLUNG 1 und 2. Öffne die Datei commercial.sav. Folgende Darstellung sollte in der Datenansicht erscheinen:
Kapitel 3 FRAGESTELLUNG 1 und 2 Öffne die Datei commercial.sav. Folgende Darstellung sollte in der Datenansicht erscheinen: Wenn in der SPSS Datenansicht bis nach unten gescrollt wird, kann festgestellt
Prüfungsliteratur: Rudolf & Müller S , 342
1 Korrelations- und Regressionsanalyse 1.1 Grundlagen und allgemeiner Überblick 1.2 Einfache lineare Regression 1.2.1 Modell 1.2.2 Methode der kleinsten Quadrate 1.2.3 Voraussetzungen 1.2.4 Varianzzerlegung
Tutorial. Moderationsanalyse mit PROCESS
Tutorial Moderationsanalyse mit PROCESS stefan.pfattheicher@uni-ulm.de Das Konzept Moderation Ein Moderator verändert den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen Variable
Parasoziale Interaktionen mit Sportlern in sozialen Medien. Eine Untersuchung mit Blick auf Nutzungsgewohnheiten und Sportinteresse.
Parasoziale Interaktionen mit Sportlern in sozialen Medien. Eine Untersuchung mit Blick auf Nutzungsgewohnheiten und Sportinteresse. Für Sportlerinnen und Sportler haben sich mit den sozialen Medien völlig
ANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
Inhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
Log-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
library(lattice) source(file.path(pfadu, "proben.r")) form = read.table(file.path(pfadu, "bet.txt")) e.df = read.table(file.path(pfadu, "e.
library(lattice) source(file.path(pfadu, "proben.r")) form = read.table(file.path(pfadu, "bet.txt")) e.df = read.table(file.path(pfadu, "e.txt")) 1. SE (Standard Error) und Konfidenzintervall (Siehe Vorlesung,
Aufgaben 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
Faire Führung = gesunde Führung?
Torsten J. Holstad Kathleen Otto Christiane R. Stempel Thomas Rigotti Präsentation auf dem 7. Kongress der Fachgruppe für Arbeits-, Organisations-, und Wirtschaftspsychologie der DGPs Was ist gesundheitsförderliche
Statistik 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
Multivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 5 bis 8 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
Inhaltsverzeichnis. 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
Hypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
Nachschreibklausur im Anschluss an das SS 2009
Nachschreibklausur im Anschluss an das SS 2009 08. Oktober 2009 Lehrstuhl: Prüfungsfach: Prüfer: Hilfsmittel: Klausurdauer: Wirtschaftspolitik Empirische Wirtschaftsforschung Prof. Dr. K. Kraft Nicht-programmierbarer
iid N(0, σ 2 ), b i, ε ij unabhängig i, j
Aufgabe 2 Betrachten Sie erneut den Datensatz zum Blutdruck. Als Signifikanzniveau wird in dieser Aufgabe α = 5% verwendet. (a) Fitten Sie folgendes Modell in R, wobei gender i = 0, falls Person i weiblich
6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
Karsten Paul & Klaus Moser University of Erlangen-Nuremberg
Employment status incongruence - meta-analyses Seite 1 Incongruence as an explanation for the negative mental health effects of unemployment: Metaanalytic evidence Karsten Paul & Klaus Moser University
Spitzner Arzneimittel. Statistik in der Stabilitätsprüfung von. Phytopharmaka. DPhG Marburg 04./ Dr. H. Höwer-Fritzen
Statistik in der Stabilitätsprüfung von Phytopharmaka? Statistik eine wissenschaftliche Methode zur zahlenmäßigen Erfassung, Untersuchung und Darstellung von Massenerscheinungen Eine geeignete Methode
Quantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
Biometrische und Ökonometrische Methoden I! Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 98/99 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 9 1. a) MTB > name c1 'DM'
Anhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
Teil: 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
ANNEX A - PROTOCOL IMPLEMENTATION CONFORMANCE STATEMENT (NORMATIVE)
ANNEX A - PROTOCOL IMPLEMENTATION CONFORMANCE STATEMENT (NORMATIVE) BACNET STANDARDIZED DEVICE PROFILE (ANNEX K): LIST ALL BACNET INTEROPERABILITY BUILDING BLOCKS SUPPORTED (ANNEX K): SEGMENTATION CAPABILITY:
SozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker Prof. Dr. Dieter Hauschke Köln, den 18.06.2010 Klinische Relevanz,
Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
Crashkurs Einführung Biostatistik
Crashkurs Einführung Biostatistik Prof. Burkhardt Seifert Abteilung Biostatistik, ISPM Universität Zürich Deskriptive Statistik Wahrscheinlichkeitsrechnung, ersuchsplanung Statistische Inferenz Prinzip
Quantitative Methoden (Vertretung für Prof. Th. Pechmann)
Quantitative Methoden (Vertretung für Prof. Th. Pechmann) Inferenzstatistik III: Varianzanalyse (ANOVA) Andreas Opitz Universität Leipzig Institut für Linguistik Fragen, die Sie nach der letzten Sitzung
Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
Inhaltsverzeichnis. I. Theorieteil...31
Inhaltsverzeichnis 1. Einleitung...13 1.1 Forschungshintergrund, Problemstellung und Zielsetzung... 13 1.2 Aktueller Forschungsstand... 14 1.3 Forschungslücke... 27 1.4 Forschungsfragen... 28 1.5 Aufbau
Methodenlehre. 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 II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
Zwei kategoriale Merkmale. Homogenität Unabhängigkeit
121 Zwei kategoriale Merkmale Homogenität Unabhängigkeit 122 Beispiel Gründe für die Beliebtheit bei Klassenkameraden 478 neun- bis zwölfjährige Schulkinder in Michigan, USA Grund für Beliebtheit weiblich
Tabellen und Abbildungen Dr. Z. Shi Wiss. Arbeiten
Tabellen und Abbildungen 23.11.16 Dr. Z. Shi Wiss. Arbeiten Tree of Knowledge 1.Zweck von Tabellen & Abbildungen 2. Leitfragen 3. Regeln für Tabellen & Abbildungen 4. Tabellen 5. Abbildungen 6. Checklist
Statistik 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
Einführung in SPSS. Sitzung 5: Faktoranalyse und Mittelwertsvergleiche. Knut Wenzig. 22. Januar 2007
Sitzung 5: Faktoranalyse und Mittelwertsvergleiche 22. Januar 2007 Verschiedene Tests Anwendungsfall und Voraussetzungen Anwendungsfall Mehrere Variablen, die Gemeinsamkeiten haben, werden gebündelt. (Datenreduktion)
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien Mandy Hildebrandt 1,2, Ralf Bender 1 und Maria Blettner 2 1 Institut für Qualität und Wirtschaftlichkeit im