AMOS/SPSS output. One-factor model (9-item version)
|
|
|
- Sylvia Lange
- vor 5 Jahren
- Abrufe
Transkript
1 One-factor model (9-item version) Fit Summary AMOS/SPSS output Default model ,639 27,000 67,320 Saturated model 45,000 0 Independence model ,254 36, ,868 Default model,872,830,874,832,874 Default model,163,156,169,000 Independence model,397,391,402,000
2 One-factor model (5-item version) Standardized factor loadings Estimates (Group number 1 - Default model) Standardized Regression Weights: (Group number 1 - Default model) Estimate q5301 <--- pos,822 q5302 <--- pos,835 q5303 <--- pos,858 q5304 <--- pos,825 q5308 <--- pos,741 Fit Summary Default model 10 41,373 5,000 8,275 Saturated model 15,000 0 Independence model ,291 10, ,629 Default model,995,990,995,991,995 Default model,054,039,070,309 Independence model,562,552,572,000
3 Tests of measurement invariance Unstandardized factor loadings and unstandardized item intercepts for men and women Regression Weights: (Group number 1 - Unconstrained) q5301 <--- pos,692,021 33,420 *** a1_1 q5302 <--- pos,761,021 35,678 *** a2_1 q5303 <--- pos,747,021 36,125 *** a3_1 q5304 <--- pos,709,021 34,063 *** a4_1 q5308 <--- pos,650,022 29,248 *** a5_1 Intercepts: (Group number 1 - Unconstrained) q5301 2,189,025 88,707 *** i1_1 q5302 2,193,026 84,293 *** i2_1 q5303 2,029,025 80,062 *** i3_1 q5304 2,011,025 80,489 *** i4_1 q5308 1,888,025 74,411 *** i5_1 Regression Weights: (Group number 2 - Unconstrained) q5301 <--- pos,671,019 35,814 *** a1_2 q5302 <--- pos,724,020 35,352 *** a2_2 q5303 <--- pos,728,019 37,971 *** a3_2 q5304 <--- pos,683,019 35,439 *** a4_2 q5308 <--- pos,609,020 30,160 *** a5_2 Intercepts: (Group number 2 - Unconstrained) q5301 2,196,022 98,783 *** i1_2 q5302 2,139,024 88,307 *** i2_2 q5303 2,002,023 86,139 *** i3_2 q5304 1,959,023 85,928 *** i4_2 q5308 1,882,023 82,890 *** i5_2
4 Unstandardized factor loadings and unstandardized item intercepts for six age groups Regression Weights: (Group number 1 - Unconstrained) q5301 <--- pos,721,035 20,572 *** a1_1 q5302 <--- pos,796,039 20,612 *** a2_1 q5303 <--- pos,764,037 20,577 *** a3_1 q5304 <--- pos,744,039 19,246 *** a4_1 q5308 <--- pos,686,038 17,858 *** a5_1 Intercepts: (Group number 1 - Unconstrained) q5301 2,462,042 58,598 *** i1_1 q5302 2,534,046 54,707 *** i2_1 q5303 2,255,045 50,637 *** i3_1 q5304 2,314,045 51,050 *** i4_1 q5308 2,199,044 50,014 *** i5_1 Regression Weights: (Group number 2 - Unconstrained) q5301 <--- pos,664,035 18,715 *** a1_2 q5302 <--- pos,707,039 18,358 *** a2_2 q5303 <--- pos,735,036 20,225 *** a3_2 q5304 <--- pos,677,036 18,804 *** a4_2 q5308 <--- pos,655,041 16,104 *** a5_2 Intercepts: (Group number 2 - Unconstrained) q5301 2,239,043 52,110 *** i1_2 q5302 2,272,046 49,083 *** i2_2 q5303 2,098,045 46,322 *** i3_2 q5304 2,091,044 47,944 *** i4_2 q5308 1,953,047 41,715 *** i5_2
5 Regression Weights: (Group number 3 - Unconstrained) q5301 <--- pos,671,033 20,459 *** a1_3 q5302 <--- pos,687,034 20,066 *** a2_3 q5303 <--- pos,763,033 23,249 *** a3_3 q5304 <--- pos,680,032 20,976 *** a4_3 q5308 <--- pos,630,034 18,333 *** a5_3 Intercepts: (Group number 3 - Unconstrained) q5301 2,238,039 57,869 *** i1_3 q5302 2,152,040 53,675 *** i2_3 q5303 2,039,040 50,380 *** i3_3 q5304 2,009,039 52,088 *** i4_3 q5308 1,892,039 48,343 *** i5_3 Regression Weights: (Group number 4 - Unconstrained) q5301 <--- pos,641,030 21,341 *** a1_4 q5302 <--- pos,732,032 23,183 *** a2_4 q5303 <--- pos,718,031 23,261 *** a3_4 q5304 <--- pos,684,030 23,053 *** a4_4 q5308 <--- pos,588,032 18,607 *** a5_4 Intercepts: (Group number 4 - Unconstrained) q5301 2,078,036 58,514 *** i1_4 q5302 2,042,038 53,151 *** i2_4 q5303 1,932,038 51,358 *** i3_4 q5304 1,872,036 51,953 *** i4_4 q5308 1,780,036 49,767 *** i5_4
6 Regression Weights: (Group number 5 - Unconstrained) q5301 <--- pos,646,033 19,547 *** a1_5 q5302 <--- pos,713,035 20,327 *** a2_5 q5303 <--- pos,670,033 20,122 *** a3_5 q5304 <--- pos,588,032 18,132 *** a4_5 q5308 <--- pos,503,035 14,534 *** a5_5 Intercepts: (Group number 5 - Unconstrained) q5301 2,007,039 51,798 *** i1_5 q5302 1,952,042 46,838 *** i2_5 q5303 1,800,039 45,629 *** i3_5 q5304 1,743,037 46,920 *** i4_5 q5308 1,671,037 44,709 *** i5_5 Regression Weights: (Group number 6 - Unconstrained) q5301 <--- pos,644,037 17,494 *** a1_6 q5302 <--- pos,658,037 17,878 *** a2_6 q5303 <--- pos,693,035 19,997 *** a3_6 q5304 <--- pos,644,036 17,701 *** a4_6 q5308 <--- pos,568,040 14,327 *** a5_6 Intercepts: (Group number 6 - Unconstrained) q5301 2,151,043 50,591 *** i1_6 q5302 2,065,043 48,219 *** i2_6 q5303 1,989,042 47,521 *** i3_6 q5304 1,899,042 45,068 *** i4_6 q5308 1,841,043 42,546 *** i5_6
7 Results of measurement invariance tests across men and women Unconstrained 30 47,888 10,000 4,789 Measurement weights 25 50,427 15,000 3,362 Measurement intercepts 20 58,672 20,000 2,934 Measurement residuals 15 69,202 25,000 2,768 Saturated model 40,000 0 Independence model ,453 20, ,573 Unconstrained,994,988,995,990,995 Measurement weights,994,992,996,994,996 Measurement intercepts,993,993,995,995,995 Measurement residuals,991,993,994,996,994 Unconstrained,039,028,050,946 Measurement weights,031,022,040 1,000 Measurement intercepts,028,020,036 1,000 Measurement residuals,027,019,034 1,000 Independence model,398,390,405,000
8 Results of measurement invariance tests across six age groups Fit Summary Unconstrained 90 80,209 30,000 2,674 Measurement weights ,553 55,000 2,065 Measurement intercepts ,140 80,000 3,489 Measurement residuals , ,000 3,373 Saturated model 120,000 0 Independence model ,118 60, ,219 Unconstrained,990,979,993,987,993 Measurement weights,985,984,992,992,992 Measurement intercepts,964,973,974,980,974 Measurement residuals,954,974,967,981,967 Unconstrained,026,019,033 1,000 Measurement weights,021,015,026 1,000 Measurement intercepts,032,028,036 1,000 Measurement residuals,031,027,034 1,000 Independence model,225,221,230,000
9 Results of CFAs for men and women separately Men Default model 10 13,280 5,021 2,656 Saturated model 15,000 0 Independence model ,290 10, ,529 Default model,997,993,998,996,998 Default model,038,013,063,763 Independence model,575,560,590,000 Women Default model 10 34,609 5,000 6,922 Saturated model 15,000 0 Independence model ,144 10, ,614 Default model,992,983,993,985,993 Default model,066,047,088,084 Independence model,551,537,565,000
10 Results of CFAs for six age groups separately Group 1 Default model 10 16,659 5,005 3,332 Saturated model 15,000 0 Independence model ,059 10, ,906 Default model,987,975,991,982,991 Default model,075,037,116,128 Independence model,558,533,584,000 Group 2 Default model 10 2,943 5,709,589 Saturated model 15,000 0 Independence model ,308 10, ,831 Default model,997,995 1,002 1,004 1,000 Default model,000,000,056,926 Independence model,585,557,614,000
11 Group 3 Default model 10 13,594 5,018 2,719 Saturated model 15,000 0 Independence model ,686 10, ,069 Default model,990,981,994,988,994 Default model,061,023,101,270 Independence model,556,532,580,000 Group 4 Default model 10 22,432 5,000 4,486 Saturated model 15,000 0 Independence model ,840 10, ,284 Default model,986,973,989,979,989 Default model,084,050,120,048 Independence model,572,549,596,000
12 Group 5 Default model 10 16,488 5,006 3,298 Saturated model 15,000 0 Independence model ,682 10, ,268 Default model,985,971,990,980,990 Default model,074,036,115,131 Independence model,518,493,544,000 Group 6 Default model 10 8,100 5,151 1,620 Saturated model 15,000 0 Independence model 5 999,558 10,000 99,956 Default model,992,984,997,994,997 Default model,041,000,090,549 Independence model,518,491,545,000
13 Norm values (Output sorted according to table 6) N Valid 117 Missing 0 Mean 12,2906 Std. Deviation 3,92837 Percentiles 5 6, , , , ,0000 N Valid 302 Missing 4 Mean 11,5530 Std. Deviation 3, , , , ,0000 N Valid 334 Missing 9 Mean 10,6407 Std. Deviation 3, , , , ,2500 N Valid 460 Missing 3 Mean 10,3261 Std. Deviation 3, , , , ,0000 N Valid 494 Missing 9 Mean 9,6923 Std. Deviation 3, , , , ,0000
14 N Valid 418 Missing 5 Mean 9,1842 Std. Deviation 3, , , , ,0000 N Valid 366 Missing 6 Mean 9,9481 Std. Deviation 3, , , , ,6500 Women N Valid 47 Missing 0 Mean 11,2128 Std. Deviation 3,85011 Percentiles 5 5, , , , ,6000 N Valid 167 Missing 1 Mean 11,1976 Std. Deviation 3, , , , ,6000 N Valid 183 Missing 7 Mean 10,6011 Std. Deviation 3, , , , ,8000
15 N Valid 248 Missing 1 Mean 10,2823 Std. Deviation 3, , , , ,5500 N Valid 269 Missing 3 Mean 9,5762 Std. Deviation 3, , , , ,0000 N Valid 208 Missing 2 Mean 9,4615 Std. Deviation 3, , , , ,0000 N Valid 211 Missing 3 Mean 10,1185 Std. Deviation 3, , , , ,0000 Men N Valid 70 Missing 0 Mean 13,0143 Std. Deviation 3,83913 Percentiles 5 6, , , , ,0000
16 N Valid 135 Missing 3 Mean 11,9926 Std. Deviation 3, , , , ,2000 N Valid 151 Missing 2 Mean 10,6887 Std. Deviation 3, , , , ,0000 N Valid 212 Missing 2 Mean 10,3774 Std. Deviation 3, , , , ,0000 N Valid 225 Missing 6 Mean 9,8311 Std. Deviation 3, , , , ,7000 N Valid 210 Missing 3 Mean 8,9095 Std. Deviation 3, , , , ,0000
17 N Valid 155 Missing 3 Mean 9,7161 Std. Deviation 3, , , , ,0000
18 Item descriptive statistics and corrected item-total correlation 9-Items Reliabilitätsstatistiken Cronbachs Alpha Anzahl der Items,920 9 Deskriptive Statistik N Mittelwert Standardabweic hung ProkScore ,2253 5,86415 Gültige Werte (Listenweise) Items Reliabilitätsstatistiken Cronbachs Alpha Anzahl der Items,909 5 Deskriptive Statistik N Mittelwert Standardabweic hung ,2358 3,65881 Gültige Werte (Listenweise) 2489
19 Itemstatistiken Mittelwert Standardabweic hung N q5305_rec 2,2241, q5306_rec 2,3719, q5307_rec 2,1989, q5309_rec 2,2054, Aussagen: 01 Ich ertappe mich häufig dabei, Aufgaben zu erledigen, die 2,1888, ich eigentlich schon vor Tagen tun wollte. 53. Aussagen: 02 Ich erledige Aufgaben immer erst kurz vor dem 2,1604, Abgabetermin. 53. Aussagen: 03 Selbst kleine Sachen, bei denen man sich nur hinsetzen und 2,0102, sie erledigen müsste, bleiben häufig für Tag 53. Aussagen: 04 Bei der Vorbereitung auf einen Abgabetermin vergeude ich 1,9825, häufig meine Zeit mit anderen Dingen. 53. Aussagen: 08 Ich sage dauernd: "Das mache ich morgen". 1,8831, Item-Skala-Statistiken Cronbachs Skalenmittelwert Skalenvarianz, Korrigierte Item- Quadrierte Alpha, wenn, wenn Item wenn Item Skala- multiple Item weggelassen weggelassen Korrelation Korrelation weggelassen q5305_rec 17, ,593,672,524,914 q5306_rec 16, ,176,657,505,915 q5307_rec 17, ,855,715,606,911 q5309_rec 17, ,102,676,549,914
20 53. Aussagen: 01 Ich ertappe mich häufig dabei, Aufgaben zu erledigen, die ich eigentlich schon vor Tagen tun wollte. 53. Aussagen: 02 Ich erledige Aufgaben immer erst kurz vor dem Abgabetermin. 53. Aussagen: 03 Selbst kleine Sachen, bei denen man sich nur hinsetzen und sie erledigen müsste, bleiben häufig für Tag 53. Aussagen: 04 Bei der Vorbereitung auf einen Abgabetermin vergeude ich häufig meine Zeit mit anderen Dingen. 53. Aussagen: 08 Ich sage dauernd: "Das mache ich morgen". 17, ,292,741,615,909 17, ,656,757,642,908 17, ,746,777,664,907 17, ,119,745,620,909 17, ,442,698,527,912 Correlations Korrelationen PSS_sumscore FLZ_score CBI_mean Sum_D Korrelation nach Pearson 1,388 ** -,330 **,286 ** Signifikanz (2-seitig),000,000,000 N PSS_sumscore Korrelation nach Pearson,388 ** 1 -,434 **,512 ** Signifikanz (2-seitig),000,000,000 N FLZ_score Korrelation nach Pearson -,330 ** -,434 ** 1 -,437 ** - Signifikanz (2-seitig),000,000,000 N CBI_mean Korrelation nach Pearson,286 **,512 ** -,437 ** 1 Signifikanz (2-seitig),000,000,000 N
21 Sum_Dep Korrelation nach Pearson,354 **,532 ** -,499 **,595 ** Signifikanz (2-seitig),000,000,000,000 N Sum_Angst Korrelation nach Pearson,320 **,539 ** -,441 **,591 ** Signifikanz (2-seitig),000,000,000,000 N **. Die Korrelation ist auf dem Niveau von 0,01 (2-seitig) signifikant.
Syntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
SPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1
![SPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1](/thumbs/70/63991775.jpg "SPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1")
SPSS-Ausgabe : Univariate Varianzanalyse [DatenSet] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav Tests der Zwischensubjekteffekte Abhängige Variable: Einkommen Quelle Korrigiertes Modell Konstanter
Einführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Reliabilität in der klassischen (psychometrischen) Testtheorie Statistisches Modell Realisierung mit der SPSS-Prozedur Reliability Klassische Testtheorie:
Ergebnisse der Analysen. 1. Auswahl von Überprüfungen der Verteilungscharakteristika (nur eine kleine Auswahl: )
Ergebnisse der Analysen. 1. Auswahl von Überprüfungen der Verteilungscharakteristika (nur eine kleine Auswahl: ) 2. Schwierigkeitsgrade (Mittelwerte) Gruppe 1 Mittelwert Mein Lebens-/Ehepartner sollte
Statistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
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
Häufigkeiten, Mittelwerte Korrelationen u.a.m.
5. Kennwerte Häufigkeiten, Mittelwerte Korrelationen u.a.m. Menü Analysieren => Deskriptive Statistiken => Häufigkeiten => Deskriptive Statistiken => Kreuztabellen Tabellen => Einfache Tabellen Mittelwerte
Einführung in SPSS Wintersemester 2000/2001
5. Kennwerte Häufigkeiten, Mittelwerte Korrelationen u.a.m. Menü Analysieren => Deskriptive Statistiken => Häufigkeiten => Deskriptive Statistiken => Kreuztabellen Tabellen => Einfache Tabellen Mittelwerte
Statistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
Faktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduktion. Interpretation des SPSS-Output s
Explorative Faktorenanalyse als Instrument der Dimensionsreduktion Beispiel: Welche Dimensionen charakterisieren die Beurteilung des sozialen Klimas in der Nachbarschaft? Variablen: q27a bis q27g im Datensatz
Faktorenanalysen mit SPSS. Explorative Faktorenanalyse als Instrument der Dimensionsreduzierung. Interpretation des SPSS-Output s
Explorative Faktorenanalyse als Instrument der Dimensionsreduzierung Beispiel: Welche Dimensionen charakterisieren die Beurteilung des sozialen Klimas in der Nachbarschaft? Variablen: q27a bis q27g im
Biostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7. Tierkreiszeichen * Crosstabulation
2012 03 31 Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7 Count Tierkreiszeichen * Crosstabulation Total nicht Tierkreiszeichen 22.12.-20.01. Steinbock 36278 22383 58661 21.01.-19.02.
1. Anhang Anhang A. Übersicht Unterscheidung verschiedener Varianten von Commitment (Moser 1997; S.167).
1. Anhang Anhang A Übersicht Unterscheidung verschiedener Varianten von Commitment (Moser 1997; S.167). Anhang B Übersicht der Komponenten und Foci des Commitment (Felfe 2008; S.46). Anhang C Deutsche
Statistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
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
6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
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
Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Schäfer A & Schöttker-Königer T, Statistik für (2015) Arbeitsblatt 1 STATA Kapitel 8 Seite 1 Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon
Biometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
Biostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Crashkurs Einführung Biostatistik
Crashkurs Einführung Biostatistik Prof. Burkhardt Seifert Abteilung Biostatistik, ISPM Universität Zürich Deskriptive Statistik Wahrscheinlichkeitsrechnung, ersuchsplanung Statistische Inferenz Prinzip
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
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
Einige Grundbegriffe der Statistik
Einige Grundbegriffe der Statistik Philipp Mitteröcker Basic terms Statistik (statistics) stammt vom lateinischen statisticum ( den Staat betreffend ) und dem italienischen statista ( Staatsmann" oder
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
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,
Statistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
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
Statistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services
Statistische Datenanalyse mit R, Korrelation und Regression Dr. Andrea Denecke Leibniz Universität IT-Services Korrelationsanalyse Eine Korrelationsanalyse soll herausfinden Ob ein linearer Zusammenhang
Are the Schwartz value orientations comparable in China, Russia and Germany?
Are the Schwartz value orientations comparable in China, Russia and Germany? Eva Heim; Saskia Scholten; Andreas Maercker; Juergen Margraf 2.04.6 Page Table of Contents Background Aims and hypotheses Methods
Prognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Die Subskala besteht aus folgenden Items (Ausschnitt aus dem Codeplan):
Beispiel für eine Itemanalyse mit der SPSS-Prozedur Reliabilitätsanalyse (RELIABILITY) Daten: POKIII_AG1_V06.SAV (POK III, AG 1) Die Skala Körperbewusstsein von Löwe und Clement (1996) 1 besteht aus zwei
Statistik-Quiz Sommersemester
Statistik-Quiz Sommersemester Seite 1 von 8 Statistik-Quiz Sommersemester Die richtigen Lösungen sind mit gekennzeichnet. 1 In einer Gruppe von 337 Probandinnen und Probanden wurden verschiedene Merkmale
Primärspannungsmessungen mit der. CSIRO Triaxialzelle
Blatt Nr.: 1 STRESS CELL REDUCTION PROGRAM ******************************** ******************************** Authorized & accredited by the CSIRO Division of Geomechanics. Copyright Mindata Ltd, July 1990
Statistik-Quiz Wintersemester
Statistik-Quiz Wintersemester Seite 1 von 8 Statistik-Quiz Wintersemester Die richtigen Lösungen sind mit gekennzeichnet. 1a Für 531 Personen liegen Daten zu folgenden Merkmalen vor. Welche der genannten
Teil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
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
GHF SoSe 2011 HS MD-SDL
GHF SoSe 2011 HS MD-SDL 6/28/2011 1 Bitte recherchieren Sie die verschiedenen Bestimmungsstücke des Validitätskonzepts Bitte überlegen Sie sich Strategien zur Prüfung dieser verschiedenen Bestimmungsstücke
Kovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen
Kovarianzanalyse 1 metrische und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Lineare Modelle (2. Teil) Wie läßt sich die Abhängigkeit einer metrischen Variablen von
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
Tutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
A New Class of Equity Style Indices
A New Class of Equity Style Indices Niklas Wagner and Elisabeth Stocker Munich, December 18, 2008 Allianz IDS GmbH Overview I. The Project II. III. IV. The Data Universe The Style Indices Performance V.
Biometrische und Ökonometrische Methoden I Lösungen 7
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 7 1. MTB > Retrieve 'H:\STUDENT\MINITAB\FAMILIE.MTW'.
Inferenzstatistik Vergleich mehrerer Stichproben - Varianzanalyse
Vergleich mehrerer Stichproben - Varianzanalyse Zweifache VA mit hierarchischen Faktoren Voraussetzungen zwei unabhängige Variablen (Faktoren), die unabhängige Gruppen definiert zweite Faktor ist innerhalb
Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
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
Load Test DEFAULT : 750 logged in users buying an item every 60 -
Load Test DEFAULT-671205: 750 logged in users buying an item every 60 - Test Summary Test Start Time: 2017-11-22 12:55:44 Test Duration: 19 minutes, 4 seconds Transactions Count: 109 367 Average Response
Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
Statistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
Statistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
Blockkurs Geowissenschaftliches Modellieren Modul Statistik 1
Blockkurs Geowissenschaftliches Modellieren (9./..8 &./7..8) B Box-and-Whisker Plot 8 Col_ frequency Histogram 8 Col_ Modul Statistik (STATGRAPHICS)..8 - Einführung -. Normal Distribution. density.. -
Multiple Regression Mais-NP Zweidimensionale lineare Regression Data Display Dreidimensionale lineare Regression Multiple Regression
Multiple Regression! Zweidimensionale lineare Regression Modell Bestimmung der Regressionsebene Multiples Bestimmtheitsmaß Test des Bestimmtheitsmaßes Vertrauensintervalle für die Koeffizienten Test des
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")
Interpretation SPPS Output mit PROCESS - Beispiele für parallele Mediatoren Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
Interpretation SPPS Output mit PROCESS - Beispiele für parallele Mediatoren Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: 08.12.2017 Die folgenden Beispiele verdeutlichen
Eine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
Blockkurs Geowissenschaftliches Modellieren Modul Statistik 1
Blockkurs Geowissenschaftliches Modellieren (..9 bis..9) B Box-and-Whisker Plot 8 Col_ frequency Histogram 8 Col_ Modul Statistik (STATGRAPHICS)..9 &..9 -Einführung -. Normal Distribution. density.. -
Multivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
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
7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Interpretation SPPS Output Bootstrapping Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
Interpretation SPPS Output ping Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: 06.12.2017 Mit dem folgenden Tutorial lernen Sie die sichere Interpretation des SPSS-Outputs,
Verallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
Pflegewissenschaft: SE Quantitative Methoden II LV Nr SWS 6 ECTS SS 2009 Isabella Hager Claudia Tschipan.
Pflegewissenschaft: SE Quantitative Methoden II LV Nr. 230 555 2SWS 6 ECTS SS 2009 Isabella Hager Claudia Tschipan Von Mehrfachantwort zu Mustervariable Daten: austria_pfw.sav Fragebogen: austria_quest.pdf
Correlational analysis
Correlational analysis Students performance on an exam are influenced by multiple factors. Two possible factors are (i) anxiety and (ii) study time. In order to test the effect of these two factors on
meinungsraum.at 8. Jänner respekt.net Respekt-Barometer
meinungsraum.at 8. Jänner 2013 - respekt.net Respekt-Barometer Seite 1 Inhalt 1. Studienbeschreibung & Methoden 2. Ergebnisse 3. Rückfragen/Kontakt Seite 2 Studienbeschreibung Seite 3 1.1 Studienbeschreibung
Service-orientiertes Seniorenzentrum Arbeitsbedingungen und Dienstleistungsqualität in der Altenpflege
Kerstin Rieder, Isabel Herms, Marco Schröder & Anita Hausen Arbeitsbedingungen und Dienstleistungsqualität in der Altenpflege Tagung Professionalisierung Interaktiver Arbeit München, 15. Juli 2010 Gliederung
Statistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
Was ist guter Musikunterricht?
Forschung bipolar Bildung, Politik und Arbeiten zur Musikpsychologie Bericht Nr. 2/1 Was ist guter Musikunterricht? Tabellarische Ergebnisse einer Voruntersuchung zur Validierung eines Fragebogens nach
METHODENPRAKTIKUM II Kurs 1. Prof. Dr. Beat Fux SUZ Frühlingssemester 2009
METHODENPRAKTIKUM II Kurs 1 Prof. Dr. Beat Fux SUZ Frühlingssemester 2009 Ziel der Faktorenanalyse Struktur hinter den Korrelationen zwischen Variablen entdecken Reduzierung einer Vielzahl von Variablen
Ergebnisse der schriftlichen Zwischenprüfung Frühjahr 2018 Gärtner/Gärtnerin - Fachrichtung Garten- und Landschaftsbau Zuständige Stelle: Gartenbauzen
2000000885 2 2 4 5 6 5 4 4 2000003796 3 3 2 4 4 2 2 3 2000008262 2 2 2 6 5 5 3 2 2000010756 3 3 2 5 5 4 5 3 2000030386 2 3 1 5 5 3 4 4 2000040144 4 4 4 4 6 4 4 3 2000047293 1 4 3 2 6 5 5 4 2000062196 1
> library(nlme) > fit <- lme(y ~ 1, random = ~1 id, data = sim.y.long) > summary(fit)
Übungsblatt Analyse longitudinaler Daten und Zeitreihen SoSe 007 Donna Pauler Ankerst, Ulrich Mansmann, Volkmar Henschel, Michael Höhle Übung: Montag 0..007 Aufgabe 1 (Mixed Model Simulation) In dieser
Einführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
Fragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
Deskriptive Statistik und Explorative Datenanalyse
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 2015 3, überarbeitete
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
11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
Multiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten. Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere Lagemasse
Grundeinstellungen Befehl: Bearbeiten >Optionen > Allgemein: Namen anzeigen Häufigkeiten Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere
# 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"
Kontrolle und Aufbereitung der Daten. Peter Wilhelm Herbstsemester 2014
Kontrolle und Aufbereitung der Daten Peter Wilhelm Herbstsemester 2014 Übersicht 1.) Kontrolle und Aufbereitung der Daten Fehlerkontrolle Umgang mit Missing 2.) Berechnung von Skalen- und Summenscores
Statistik 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
1 Analyse von Kontigenztafeln: Das loglineare Modell
Übung zur Vorlesung Kategoriale Daten Blatt 3 Gerhard Tutz, Moritz Berger WiSe 15/16 1 Analyse von Kontigenztafeln: Das loglineare Modell Aufgabe 12 Analyse des Datensatzes EyeColor (a) Visualisierung
SPSS (20.0) Hilfe Version 1
SPSS (20.0) Hilfe Version 1 Statistik-UE SS 2015 Datenmanagement Informationen zur Syntax: Öffnen der Syntax: Datei Öffnen Syntax Eingabe z. B. COMPUTE bzw. wenn Sie einen Befehl in SPSS ausführen, drücken
Eine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Dezember 2012 Bernd Klaus, Verena Zuber,
Fragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
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
Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen
Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen Hierarchisches log-lineares Modell: Saturiertes Modell (SPSS-Modul Modellauswahl ) HILOGLINEAR polview(1
Pobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Reliabilität 1. Überblick 2. Berechnung
Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Computergestützte 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
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................