E ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen

Größe: px
Ab Seite anzeigen:

Download "E ektgrößen Metaanalysen. Zusammenhänge und Unterschiede quantifizieren E ektgrößen"

Transkript

1 DAS THEMA: EFFEKTGRÖßEN UND METAANALYSE E ektgrößen Metaanalysen Zusammenhänge und Unterschiede quantifizieren E ektgrößen Was ist ein E ekt? Was sind E ektgrößen? Berechnung von E ektgrößen Interpretation von E ektgrößen 1

2 WAS IST EIN EFFEKT? in quantitativen Studien geht es letztlich immer um (mindestens) eines von fünf Dingen: Anteile, Lagemaße, Streuungsmaße, Mittelwertsunterschiede, Zusammenhänge Unterschiede und Zusammenhänge sind dabei die wichtigsten Größen sie werden Effekte genannt Nedeltcheva et al. (2010) (aus Spiegel Online) Gewichtsverlust in kg Mi;elwerts- unterschied = Effekt 8.5h 5.5h Schlaf WAS SIND EFFEKTGRÖßEN? zwei Probleme: Wie soll man einen bestimmten Effekt interpretieren? Wie kann man Effekte aus verschiedenen Studien (von verschiedenen Skalen/Messinstrumenten) vergleichen)? Beispiel: der Unterschied im Gewichtsverlust beträgt etwa 1kg Ist das viel oder wenig? Lösung: Standardisierung des Effektes das bringt zwei Vorteile: 1. die Bedeutsamkeit des Effektes wird deutlich (Sie erinnern sich: traue keinem Mittelwert ohne Streuung) 2. Effekte aus verschiedenen Studien werden vergleichbar und einheitlich interpretierbar standardisierte Effekte heißen Effektgrößen (oder Effektstärken) Effektgrößen gibt es für Mittelwertsunterschiede (man spricht dann von Abstandsmaßen) und für Zusammenhänge (Zusammenhangsmaße) 2

3 WAS SIND EFFEKTGRÖßEN? Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen generelles Prinzip: Mittelwertsunterschied an der Streuung innerhalb der Gruppen relativieren: Design: between Gewichtsverlust in kg Streuung Gruppe A ΔM Streuung Gruppe B Mi;elwertsunterschied der Gruppen A und B gemeinsame Streuung 8.5h 5.5h Schlaf WAS SIND EFFEKTGRÖßEN? Effektgrößen für Mittelwertsunterschiede bei unabhängigen Messungen Variante 1: Streuung der Stichprobendaten verwenden à Cohens d Variante 2: geschätzte Streuung in der Population verwenden à Hedges g (Bei der Schätzung der Streuung in der Population wird bei der Berechnung der Standardabweichung nicht durch n, sondern durch n-1 geteilt.) 3

4 WAS SIND EFFEKTGRÖßEN? Effektgrößen für Mittelwertsunterschiede bei abhängigen Messungen generelles Prinzip: globalen Mittelwertsunterschied an der Streuung der Mittelwertsunterschiede pro Person relativieren: Design: within Gewichtsverlust in kg jede Person hat einen Mi;elwertsunterschied zwischen erster und zweiter Messung (Differenzwerte) Mi;elwert aller Differenzwerte Streuung der Differenzwerte 8.5h 5.5h Schlaf WAS SIND EFFEKTGRÖßEN? Effektgrößen für Mittelwertsunterschiede bei abhängigen Messungen Variante 1: Streuung der Stichprobendaten verwenden à Cohens d Variante 2: geschätzte Streuung in der Population verwenden à Hedges g (Bei der Schätzung der Streuung in der Population wird bei der Berechnung der Standardabweichung nicht durch n, sondern durch n-1 geteilt.) 4

5 WAS SIND EFFEKTGRÖßEN? Rechenbeispiel für unabhängige Messungen: Wie unterscheidet sich eine Versuchsgruppe, in der eine Verhaltenstherapie durchgeführt wurde, von einer Kontrollgruppe ohne Therapie (AV: Befindlichkeit auf einer Skala von 1 bis 10)? 1. Geht der Effekt in die richtige Richtung? à ja 2. Was ist der Effekt? à 8,8 7,6 = 1,2 Punkte 3. Wie groß ist der Effekt? à gemeinsame Streuung ermitteln: à Effektgröße ermitteln: WAS SIND EFFEKTGRÖßEN? Effektgrößen für Zusammenhänge Zusammenhangs-Maße sind bereits Effektgrößen, weil der Effekt hier bereits an der Streuung relativiert ist: alle Korrelationskoeffizienten (r, Rho, Tau, Phi) sind Effektgrößen Gewichtsverlust in kg KorrelaSon von Gewichtsverlust und Gruppenzugehörigkeit 8.5h 5.5h Schlaf 5

6 BERECHNUNG VON EFFEKTGRÖßEN Effektgrößen können auf drei Wegen bestimmt werden: 1. aus Rohwerten (siehe vorherige Folien) 2. aus anderen Effektgrößen 3. aus Ergebnissen von Signifikanztests (siehe Inferenzstatistik) Effektgrößen umrechnen Umrechnen von Abstandsmaßen: die Stichprobengröße n bezieht sich auf die Gesamtanzahl von Personen (bei zwei Gruppen zu je 10 Personen, ist n = 20) df bestimmt sich durch n k (wobei k die Anzahl der Gruppen ist, also 2) BERECHNUNG VON EFFEKTGRÖßEN Effektgrößen umrechnen Korrelationen aus Abstandsmaßen: (gilt nur bei gleichen Stichprobengrößen) Abstandsmaße aus Korrelationen: (macht natürlich nur Sinn, wenn sich mindestens eine der beiden korrelierten Variablen als eine Codierung von zwei Gruppen verstehen lässt) 6

7 FREIHEITSGRADE EXKURS in statistischen Formeln werden statt der Stichprobengröße n häufig die Freiheitsgrade df (degrees of freedom) verwendet, weil diese erfahrungsgemäß zu den besseren Schätzungen von Parametern führen in einem mathematischen Ausdruck gibt es immer nur eine definierte Anzahl von Größen, die frei variieren können, wenn andere Größen festgelegt sind einfaches Beispiel: Wie viele Summanden können frei variieren, ohne dass sich die Summe ändern muss? z.b.: = 11 à es können n 1 Summanden frei variieren à df = n 1 INTERPRETATION VON EFFEKTGRÖßEN d und g drücken Mittelwertsunterschiede in Standardabweichungseinheiten aus, d.h., ein d von -1 oder 1 entspricht einem Mittelwertsunterschied von 1SD auf der Merkmals-Skala sie sind prinzipiell nach oben hin offen, während r von -1 bis 1 begrenzt ist die Interpretation ist vom Gegenstandsbereich abhängig dennoch werden gern die Konventionen nach Cohen (1988) benutzt: 7

8 INTERPRETATION VON EFFEKTGRÖßEN zurück zum Ausgangsbeispiel: Gewichtsverlust in kg Daten der Originalstudie: d = 1,22 r =.52 à großer Effekt EFFEKTGRÖßEN STECKBRIEF Effektgrößen beschreiben die standardisierte Größe von Mittelwertsunterschieden oder Zusammenhängen sie sind leicht und einheitlich zu interpretieren und lassen sich über verschiedene Studien hinweg vergleichen und zusammenfassen sie können auf drei Wegen bestimmt werden: aus Rohwerten, aus anderen Effektgrößen und aus den Ergebnissen von Signifikanztests für Unterschiede: hauptsächlich d und g für Zusammenhänge: alle Arten von Korrelationskoeffizienten 8

9 Studien über Studien Metaanalysen die Idee der Metaanalyse die Stichprobenverteilung Hauptergebnis der Metaanalyse generelles Vorgehen Voraussetzungen DIE IDEE DER METAANALYSE zur Erinnerung (und zur Einstimmung auf die Inferenzstatistik): Ziel von Studien ist es am Ende, den gefundenen Effekt auf die Population zu verallgemeinern es gibt zwei Wege, das zu tun: einen empirischen und einen theoretischen den empirischen beschreitet die Metaanalyse den theoretischen beschreitet die Inferenzstatistik generelle Idee: ein Parameter lässt sich umso genauer schätzen, je öfter man ihn untersucht die Frage ist also: was würde passieren, wenn man eine Studie immer wieder wiederholte? 9

10 DIE IDEE DER METAANALYSE oft ist es der Fall, dass es tatsächlich mehrere Studien zu der gleichen Fragestellung gibt, derselbe Parameter also mehrmals geschätzt wurde die Metaanalyse trägt diese Studien zusammen und bestimmt einen aggregierten Kennwert, der nun eine viel bessere Schätzung für die Größe des Parameters in der Population liefert als einzelne Studien Parameter können Anteile, Lage- und Streuungsmaße oder Effekte (Zusammenhänge oder Unterschiede) sein DIE STICHPROBENVERTEILUNG Beispiel für einen Mi;elwert Wir machen eine Studie (und erhalten eine Häufigkeitsverteilung): den Mi;elwert tragen wir in einer neuen Abbildung ab Wir (oder ein anderer Forscher) machen eine neue Studie (und erhalten eine etwas andere Häufigkeitsverteilung): den Mi;elwert tragen wir wieder ab 10

11 DIE STICHPROBENVERTEILUNG Das lässt sich nun mit einer beliebig großen Anzahl von Mi;elwerten machen: es entsteht eine neue Verteilung, die nicht mehr Personen, sondern nur noch die Kenn- werte einzelner SSchproben (hier: Mi;el- werte) beinhaltet à die SSchprobenverteilung da es sich um Kennwerte aus echten empirischen Studien handelt, haben wir es mit einer empirischen SSchprobenverteilung zu tun HAUPTERGEBNIS DER METAANALYSE Hauptergebnis einer Metaanalyse ist ein gemittelter Kennwert, d.h., etwa der gemittelte Mittelwert oder die gemittelte Effektgröße aus einer Reihe von Studien z.b.: manchmal werden die Werte aus den einzelnen Studien noch an ihrer Stichprobengröße gewichtet, damit größere Studien stärker einfließen z.b.: 11

12 HAUPTERGEBNIS DER METAANALYSE der gemi;elte Kennwert ist das Hauptergebnis der Metaanalyse und liefert eine sehr verlässliche Schätzung für die Größe des Parameters in der PopulaSon HAUPTERGEBNIS DER METAANALYSE Beispiel: klassische Metaanalyse von Smith und Glass (1977) wirkt Psychotherapie? verglichen wurde Therapie vs. keine Therapie für eine ganze Reihe von psychischen Störungen (aus fast 400 einzelnen Studien) berechnet wurde ein mittleres d: 12

13 HAUPTERGEBNIS DER METAANALYSE oft werden die Ergebnisse der einbezogenen Studien in einem so genannten Forest Plot dargestellt: die einzelnen Studien Gesamt- Effekt untersuchter Parameter (z.b. d) die Kästchen zeigen den Kennwert der jeweiligen Studie, die Linien an den Kästchen zeigen die Konfidenzintervalle (siehe InferenzstaSsSk) METAANALYSE GENERELLES VORGEHEN für eine konkrete Fragestellung: nach relevanten Forschungsarbeiten suchen (Datenbanken, Google, Bibliothek, Referenzen in Forschungsarbeiten...) Ein- bzw. Ausschlusskriterien festlegen (z.b. Randomisierung, Kontrollgruppen, Ausschluss von Alternativerklärungen...) Auswahl relevanter Studien treffen (im Hinblick auf die Ein- und Ausschlusskriterien und auf die genaue Fragestellung (dieselbe AV?)) sich auf einen Kennwert einigen (z.b. r) für alle Studien die Ergebnisse in diesen Kennwert umrechnen, falls sie nicht schon so vorliegen alle Kennwerte mitteln (und evtl. an der Stichprobengröße gewichten) evtl. Ergebnisse visualisieren 13

14 METAANALYSE VORAUSSETZUNGEN Metaanalysen sind nur sinnvoll, wenn die berücksichtigten Studien eine zufriedenstellende Qualität haben (man spricht vom Müll-rein-Müll-raus-Problem ) à dafür werden oft eine Reihe von Ein- und Ausschlusskriterien definiert die berücksichtigten Studien auch tatsächlich dasselbe messen ( Äpfelund-Birnen-Problem ) à wenn das nicht der Fall ist, sollte man für verschiedene AVs verschiedene Metaanalysen machen METAANALYSE STECKBRIEF Metaanalysen aggregieren Parameter (z.b. Zusammenhänge oder Unterschiede) aus verschiedenen Studien sie basieren also auf empirischen Stichprobenverteilungen Hauptergebnis ist in der Regel ein gemittelter und an der Stichprobengröße gewichteter Parameter Metaanalysen liefern wesentlich bessere Schätzungen für Populationsparameter als einzelne Studien 14

15 LITERATUR Hussy, W., Schreier, M. & Echterhoff, G. (2010). Forschungsmethoden in Psychologie und Sozialwissenschaften. Heidelberg: Springer. Schäfer, T. (2011). Statistik II. Inferenzstatistik. Wiesbaden: Springer VS. Sedlmeier, P. & Renkewitz, F. (2013). Forschungsmethoden und Statistik: Ein Lehrbuch für Psychologen und Sozialwissenschaftler. München: Pearson. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.), New Jersey: Lawrence Erlbaum Associates. Cohen, J. (1992). A power primer. Psychological Bulletin, 112 (1): Smith, M. L., & Glass, G. V. (1977). Meta-analysis of psychotherapy outcome studies. American Psychologist, 32(9), TEIL 5: INFERENZSTATISTIK 15

16 DAS THEMA: ERKENNTNISSE AUS STUDIEN VERALLGEMEINERN INFERENZSTATISTIK Gilt das nun für alle? die Idee der Inferenzstatistik theoretische Stichprobenverteilungen 16

17 DIE IDEE DER INFERENZSTATISTIK was bisher geschah: wir haben Ergebnisse aus Studien durch Kennwerte und Abbildungen beschrieben und sie als Parameterschätzungen für die Population benutzt à Deskription und Exploration was wir nun tun wollen: Angaben darüber machen, wie gut diese Schätzungen für die Population eigentlich sind à Inferenzen (Schlüsse) von den Stichprobendaten auf die Population zentrale Frage: Ist das Ergebnis in meiner Studie zufällig entstanden oder kann ich behaupten, dass es in der Population ebenso gilt? DIE IDEE DER INFERENZSTATISTIK Vorsicht: Inferenzstatistische Angaben machen nur Sinn, wenn es überhaupt eine Population gibt. Die Frage, ob ein Ergebnis signifikant ist, ist sinnlos, wenn die Ergebnisse nur auf genau die Leute angewendet werden sollen, die auch untersucht wurden. Dann reicht die Beschreibung der Ergebnisse, z.b. mit Hilfe von Effektgrößen. 17

18 DIE THEORETISCHE STICHPROBENVERTEILUNG zur Erinnerung: auch bei der Metaanalyse ging es um die Verlässlichkeit der Schätzung von Parametern in der Population dort wurde eine empirische Stichprobenverteilung benutzt die Idee der Inferenzstatistik ist ähnlich: ich habe zwar nur eine Studie, aber ich überlege, was theoretisch passieren würde, wenn ich diese Studie immer wieder wiederholte ich erhalte eine theoretische Stichprobenverteilung (diese Verteilung kann man selbst nur schwer konstruieren, aber man kann sie von einer Software simulieren lassen) DIE THEORETISCHE STICHPROBENVERTEILUNG Wie gelangt man zur theoretischen Stichprobenverteilung? à da Stichprobenkennwerte normalverteilt sind (siehe Exkurs), brauchen wir nur 2 Größen: Mittelwert und Streuung als Mi;elwert nehmen wir den Kennwert aus unserer Studie (etwas anderes haben wir ja nicht) über die hypothessche Streuung wissen wir nichts, können aber die Streuung der SSchprobendaten zu Hilfe nehmen 18

19 ZENTRALER GRENZWERTSATZ EXKURS Annahme bei der Konstruktion einer theoretischen Stichprobenverteilung: es gibt einen wahren Parameter in der Population alle Studien, die ihn suchen, werden Ergebnisse liefern, die zufällig um ihn herum schwanken à es entsteht eine Normalverteilung à dieses Prinzip wird Zentraler Grenzwertsatz genannt: die Verteilung von Parametern aus Stichproben nähert sich bei steigender Anzahl berücksichtigter Stichproben immer mehr der Normalverteilung (Achtung: es geht hier nicht um die Größe der einzelnen Stichproben, sondern nur um ihre Anzahl!) DIE THEORETISCHE STICHPROBENVERTEILUNG Wie wird die Streuung der Stichprobenverteilung bestimmt? die Standardabweichung einer Stichprobenverteilung wird Standardfehler genannt (!!!,SE, bei Mittelwerten oft SEM für standard error of mean) der Standardfehler lässt sich leicht aus der Standardabweichung der Häufigkeitsverteilung bestimmen dafür verwendet man anstelle von s die geschätzte Standardabweichung für die Population:!! diese wird anschließend durch die Wurzel der Stichprobengröße geteilt (Wurzel-n-Gesetz): Standardfehler eines Parameters (i kann jeder beliebige Parameter sein) geschätzte Standard- abweichung aus der SSchprobe 19

20 DIE THEORETISCHE STICHPROBENVERTEILUNG Sinn der theoretischen Stichprobenverteilung: 1. sie zeigt, wie verlässlich eine Parameterschätzung ist: Wie groß ist die Streuung der Verteilung? Wie groß ist also die (Un-)Genauigkeit der Populationsschätzung? à diese Information wird für Standardfehler und Konfidenzintervalle benutzt 2. sie zeigt, wie wahrscheinlich es ist, einen Kennwert einer bestimmten Größe zu ziehen, wenn in der Population ein Parameter der Größe X vorhanden ist à diese Information wird für Signifikanztests benutzt INFERENZSTATISTIK STECKBRIEF im Zuge der Inferenzstatistik wird untersucht, wie gut Schätzungen von Populationsparametern aufgrund von Stichproben-Kennwerten sind es geht also um die Verallgemeinerbarkeit von Stichprobendaten auf die Population generelle Idee: Was würde passieren, wenn die Studie immer wieder durchgeführt und der Kennwert bestimmt würde? diese Idee wird durch die theoretische Stichprobenverteilung repräsentiert die Stichprobenverteilung von Kennwerten ist laut dem Zentralen Grenzwertsatz immer normalverteilt die Standardabweichung der Stichprobenverteilung wird Standardfehler genannt 20

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler

14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:

Mehr

Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten

Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang

Mehr

12.1 Wie funktioniert ein Signifikanztest?

12.1 Wie funktioniert ein Signifikanztest? Sedlmeier & Renkewitz Kapitel 12 Signifikanztests 12.1 Wie funktioniert ein Signifikanztest? Zentrales Ergebnis eine Signifikanztests: Wie wahrscheinlich war es unter der Bedingung dass H0 gilt, diesen

Mehr

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel

Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

Gestaltungsempfehlungen

Gestaltungsempfehlungen Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Lehren und Lernen mit Medien I Gestaltungsempfehlungen Überblick Auswahl der Empfehlungen Gestaltungseffekte Empirische

Mehr

Grundlagen der Inferenzstatistik

Grundlagen der Inferenzstatistik Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Gestaltungsempfehlungen

Gestaltungsempfehlungen Gestaltungsempfehlungen Prof. Dr. Günter Daniel Rey 1 Überblick Auswahl der Empfehlungen Gestaltungseffekte Empirische Überprüfung Variablenarten Versuchspläne Beispiel eines Experimentes Statistische

Mehr

Varianzanalyse * (1) Varianzanalyse (2)

Varianzanalyse * (1) Varianzanalyse (2) Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz

Mehr

2.1 Die Normalverteilung

2.1 Die Normalverteilung . INFERENZSTATISTIK Inferenzstatistik bedeutet übersetzt schließende Statistik. Damit ist der Schluss von den erhobenen Daten einer Stichprobe auf Werte in der Population gemeint..1 Die Normalverteilung

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Stichprobenauslegung. für stetige und binäre Datentypen

Stichprobenauslegung. für stetige und binäre Datentypen Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und

Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

Gütekriterien für evaluative Messinstrumente in der Rehabilitation

Gütekriterien für evaluative Messinstrumente in der Rehabilitation 12. Rehabilitationswissenschaftliches Kolloquium Rehabilitation im Gesundheitssystem Bad Kreuznach, 10. bis 12. März 2003 Gütekriterien für evaluative Messinstrumente in der Rehabilitation Dipl.-Psych.

Mehr

3. Der t-test. Der t-test

3. Der t-test. Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen 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

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Herzlich Willkommen zur Vorlesung Statistik

Herzlich Willkommen zur Vorlesung Statistik Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache 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...

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen

Univariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen

Mehr

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II

ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Weiterbildungskurs Stochastik

Weiterbildungskurs Stochastik Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen

Mehr

3 Deskriptive Statistik in R (univariat)

3 Deskriptive Statistik in R (univariat) (univariat) Markus Burkhardt (markus.burkhardt@psychologie.tu-chemnitz.de) Inhalt 3.1 Ziel... 1 3.2 Häufigkeiten... 1 3.3 Deskriptive Kennziffern I Lagemaße... 2 3.4 Streuungsmaße... 5 3.5 Standardisierung:

Mehr

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25 Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen

Mehr

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

Studiendesign/ Evaluierungsdesign

Studiendesign/ Evaluierungsdesign Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung

Mehr

Webergänzung zu Kapitel 10

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

Mehr

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling Einführung in die Versuchsplanung

Versuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise

Mehr

Konfidenzintervalle so einfach wie möglich erklärt

Konfidenzintervalle so einfach wie möglich erklärt Konfidenzintervalle so einfach wie möglich erklärt Wolfgang Ludwig-Mayerhofer, Universität Siegen, Philosophische Fakultät, Seminar für Sozialwissenschaften Vorbemerkung: Es handelt sich um die Anfang

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Florian Frötscher und Demet Özçetin

Florian Frötscher und Demet Özçetin Statistische Tests in der Mehrsprachigkeitsforschung Aufgaben, Anforderungen, Probleme. Florian Frötscher und Demet Özçetin florian.froetscher@uni-hamburg.de SFB 538 Mehrsprachigkeit Max-Brauer-Allee 60

Mehr

Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION

Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Letzte Worte zur Inferenzstatistik, v. a. zu Signifikanztests Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische

Mehr

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015

SFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen

Mehr

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem

Mehr

Studiendesign und Statistik: Interpretation publizierter klinischer Daten

Studiendesign und Statistik: Interpretation publizierter klinischer Daten Studiendesign und Statistik: Interpretation publizierter klinischer Daten Dr. Antje Jahn Institut für Medizinische Biometrie, Epidemiologie und Informatik Universitätsmedizin Mainz Hämatologie im Wandel,

Mehr

methodenlehre ll Grenzen des Signifikanztests methodenlehre ll Grenzen des Signifikanztests

methodenlehre ll Grenzen des Signifikanztests methodenlehre ll Grenzen des Signifikanztests Möglichkeiten und Grenzen des Signifikanztests Thomas Schäfer SS 29 1 Grenzen des Signifikanztests Sie haben zur Untersuchung Ihrer Fragestellung eine Experimental und eine Kontrollgruppe mit jeweils 2

Mehr

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall

Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells

Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Die Auswertung dyadischer Daten anhand des Partner-Effekt-Modells Dorothea E. Dette-Hagenmeyer Was sind dyadische Daten? Dyadische Daten sind Daten von zwei oder mehreren Personen, die etwas miteinander

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Maßzahlen für zentrale Tendenz, Streuung und andere Eigenschaften von Verteilungen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II 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 Persike

Mehr

Evaluation der Normalverteilungsannahme

Evaluation der Normalverteilungsannahme Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden

Mehr

Messwerte und deren Auswertungen

Messwerte und deren Auswertungen Thema: Messwerte und deren Auswertungen Vorlesung Qualitätsmanagement, Prof. Dr. Johann Neidl Seite 1 Stichproben vertrauen Die Genauigkeit von Voraussagen (Vertrauensniveau) einer Stichprobenprüfung hängt

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Kontingenzkoeffizient (nach Pearson)

Kontingenzkoeffizient (nach Pearson) Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen

Mehr

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4

Mehr

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Statistische Auswertung:

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.

Mehr

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen

Mehr

5 Zusammenhangsmaße, Korrelation und Regression

5 Zusammenhangsmaße, Korrelation und Regression 5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer

Mehr

Prof. Dr. med. Andreas Becker

Prof. Dr. med. Andreas Becker Prof. Dr. med. Andreas Becker Institut Prof. Dr. Becker Nonnenweg 120a 51503 Rösrath Tel +49 (0) 2205 920 460 Fax +49 (0) 2205 920 463 Mobil +49 (0) 172 29 88 040 becker@i-pdb.de Einleitung 2 3 4 5 6 Auch

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

Forschungsmethoden und Statistik in der Psychologie

Forschungsmethoden und Statistik in der Psychologie Peter Sedlmeier Frank Renkewitz Forschungsmethoden und Statistik in der Psychologie PEARSON Studium ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney

Mehr

U0. Einführender Text: ein quickly prototyping

U0. Einführender Text: ein quickly prototyping U0. Einführender Text: ein quickly prototyping Mit der zunehmenden Computerunterstützung bei der Anwendung statistischer Verfahren haben sich zugleich die Schwierigkeiten beim Einsatz der Statistik verschoben.

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 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

Mehr

Inhaltliche Schwerpunkte der einzelnen Methodenmodule

Inhaltliche Schwerpunkte der einzelnen Methodenmodule Inhaltliche Schwerpunkte der einzelnen Methodenmodule PM 1: Ü: Erkundungen zur Forschungspraxis Die Übung zielt darauf ab, erste Einblicke in zentrale Fragen des sozialwissenschaftlichen Forschungsprozesses

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 Methoden der Modellbildung statischer Systeme Teil 2 (für ausgewählte Masterstudiengänge) FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.

Mehr

Akupunktur nach dem NADA- Protokoll bei PatientInnen mit Suchtproblematik

Akupunktur nach dem NADA- Protokoll bei PatientInnen mit Suchtproblematik Akupunktur nach dem NADA- Protokoll bei PatientInnen mit Suchtproblematik Ergebnisse einer explorativen Untersuchung Psychologischer Dienst Arbeitsbereich Versorgungsforschung und Qualitätssicherung Dr.

Mehr

Parametrische Statistik

Parametrische Statistik Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642

Mehr

Aufgaben zu Kapitel 7:

Aufgaben zu Kapitel 7: Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn

Mehr

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des. Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre

Mehr

Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse

Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

Einführung in statistische Analysen

Einführung in statistische Analysen Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die

Mehr

1. Biometrische Planung

1. Biometrische Planung 1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen

Mehr

Medizinische Physik und Statistik I. 2011/12, II. Semester. Prüfungskurs. Vorlesung: Kurscode: AOK-KN051-Prüfung,

Medizinische Physik und Statistik I. 2011/12, II. Semester. Prüfungskurs. Vorlesung: Kurscode: AOK-KN051-Prüfung, Medizinische Physik und Statistik I. 2011/12, II. Semester Prüfungskurs DATEN DES KURSES Titel des Kurses: Medizinische Physik und Statistik I. Kreditpunkte: 5 Kreditpunkte Vorlesung: Kurscode: AOK-KN051-Prüfung,

Mehr

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

1.2 Beweis, Theorien, Hypothesen und wissenschaftliche Methodik 9

1.2 Beweis, Theorien, Hypothesen und wissenschaftliche Methodik 9 Inhalt Vorwort IX 1 Die psychologische Fachsprache 1 1.1 Wie Sie die Fachsprache meistern 2 Vom Nutzen der psychologischen Fachbegriffe 2 Wie man ein Glossar anlegt 5 Begriffe, bei denen Vorsicht geboten

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

1.3 Die Beurteilung von Testleistungen

1.3 Die Beurteilung von Testleistungen 1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen

Mehr

Mensch Technisch. Fallstudien

Mensch Technisch. Fallstudien Zusammenfassung Überblick Mensch Technisch h h titativ iv Quan Qualitat Kontrollierte Experimente mit Probanden Fragebög en Interview Fallstudien Zeitreihen analysen Perform ance Beweise Think Aloud Protokolle

Mehr

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr