Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
|
|
- Liese Sternberg
- vor 8 Jahren
- Abrufe
Transkript
1 Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion
2 Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit 4. Nichtlineare Zusammenhänge zwischen Variablen 5. Mittelwertzentrierung von Variablen 6. Logarithmierte abhängige Variablen 7. Interaktionseffekte Metrisch + metrisch Dummy + metrisch Dummy + Dummy 8. Übungsaufgabe # 2
3 Zusammenfassung letzte Sitzung Regressionsanalyse beruht auf verschiedenen Annahmen Sind Annahmen verletzt, sind bestimmte Eigenschaften der Schätzer nicht mehr gegeben oder Signifikanztests sind nicht mehr gültig Für einige der Annahmen existieren Verfahren, um Verletzungen zu diagnostizieren # 3
4 Zusammenfassung letzte Sitzung Annahmen bzw. Probleme, die behandelt wurden: Ausreißer Multikollinearität Heteroskedastizität Autokorrelation Nicht-Normalverteilung der Fehler Das Modell ist korrekt spezifiziert, beispielsweise müssen also die relevanten Regressoren identifiziert worden sein Regressor (x) und Fehler sind unkorreliert, d.h. cov(u i,x i ) = 0 für alle i # 4
5 Weitere Annahmen Linearität: Stärke des Effekts von X auf Y unabhängig vom Wert von X Additivität: Effekt einer Variable X 1 auf eine Variable Y ist unabhängig vom Effekt weiterer Variablen # 5
6 Transformationen von Variablen Transformationen zur besseren Lesbarkeit oder Interpretierbarkeit der Ergebnisse Modellierung der funktionalen Form des Zusammenhangs einer unabhängigen Variable (Beseitigung von Autokorrelation und Nicht-Linearität) Logarithmieren der abhängigen Variable (Beseitigung von Heteroskedastizität und Nicht-normalverteilten Fehlern) # 6
7 Transformationen von Variablen Transformationen zur besseren Lesbarkeit oder Interpretierbarkeit der Ergebnisse Bsp: Pro-Kopf-Einkommen in 100 Euro compute eink_kopf100=eink_kopf/100. Konstante Index ungesunde Ernährung Frau Psychische Gesundheit: Nicht standardisierte Koeffizienten Standardisierte Koeffizienten Nicht standardisierte Koeffizienten B Standardfehler Beta Sig. B Standardfehler 25,551 1,797 0,000 25,551 1,797 0,503 0,264 0,075 0,057 0,503 0,264-0,617 0,454-0,052 0,175-0,617 0,454 Mittelmäßig -1,676 0,788-0,138 0,034-1,676 0,788 Gut/Sehr gut -2,484 0,764-0,213 0,001-2,484 0,764 Pro-Kopf-Einkommen in 100-0,093 0,033-0,103 0,006-0,001 0, bis 4mal pro -1,022 0,533-0,079 0,056-1,022 0,533 Monat Sport: mehrmals pro -2,289 0,510-0,189 0,000-2,289 0,510 Woche Alter 0,088 0,019 0,184 0,000 0,088 0,019 r 2 =0,112 adj. r 2 =0,101 n=693 AV: BMI Referenzkategorie: (sehr) schlechte psychische Gesundheit, 1-mal pro Monat oder seltener Sport # 7
8 Diagnostik Nicht-Linearität Bedeutung der Annahmeverletzung: Beziehung zwischen UV und AV hat eine andere funktionale Form als die angenommene Linearität Folgen der Annahmeverletzung: Schätzer sind verzerrt Fehler haben keinen bedingten Erwartungswert von Null Möglichkeit der Diagnose: Bei Einfachregression: Streudiagramm zwischen abhängiger und unabhängiger Variable Multiple Regression: Partielle Residuen-Plots. Bei ihnen wird zu den Residuen û i jeweils ˆ j X ji hinzuaddiert und das Ergebnis dann in einem Diagramm mit der unabhängigen Variable X j dargestellt. Eine Verbindung der wesentlichen Punkte gibt Auskunft über die Art der Beziehung. # 8
9 Diagnostik Nicht-Linearität Beispiel: Diagnose von Nicht-Linearität in den Parametern bei Einfachregression Y = β 0 + β 1 X 1 Y = β 0 + β 1 X 1 + β 2 (X 1 ) 2 # 9
10 Diagnostik Nicht-Linearität Beispiel: Diagnose von Nicht-Linearität in den Parametern bei multipler Regression compute cpr= *alter+res_1. graph scatter alter with cpr. Ein solches Diagramm erstellt man für jede unabhängige Variable. Hier ist Linearitätsannahme nicht uneingeschränkt plausibel Sinnvoll ist die Prüfung, ob die Berücksichtigung eines quadrierten Terms die Modellgüte verbessert Abhilfe: Transformationen oder Erweiterungen des Regressionsmodells # 10
11 Nichtlineare Modellierung Modellierung der funktionalen Form des Zusammenhangs einer unabhängigen Variable Quadrieren unabhängiger Variablen: Durch das Einbeziehen einer Variable und ihres Quadrats können u-förmige und umgekehrt u- förmige Zusammenhänge modelliert werden y = β 0 + β 1 x 1 + β 2 x 1 2 β 2 < 0 β 2 > 0 umgekehrt u-förmiger Zusammenhang u-förmiger Zusammenhang # 11
12 Nichtlineare Modellierung Beispiel: quadriertes Alter Compute alter_quad=alter*alter. Regression /stat coeff CI anova R tol /des mean /dep BMI /method= enter index_ernae frau v14_rec1 v14_rec2 eink_kopf100 v18_rec1 v18_rec2 alter alter_quad /save resid. Der Alterseffekt ist umgekehrt u-förmig Effekte anderer Variablen werden nicht wesentlich beeinflusst Modellgüte steigt B Standardfehler Beta Sig. 18,623 2,680 0,000 0,441 0,263 0,066 0,094-0,566 0,451-0,048 0,210 Mittelmäßig -1,780 0,782-0,146 0,023 Gut/Sehr gut -2,487 0,757-0,213 0,001 Konstante Index ungesunde Ernährung Frau Psychische Gesundheit: Pro-Kopf-Einkommen in 100-0,095 0,033-0,106 0,004 Sport: 2- bis 4mal pro Monat -1,020 0,529-0,079 0,054 mehrmals pro Woche -2,347 0,506-0,194 0,000 Alter 0,445 0,105 0,934 0,000 Alter quadriert -0,004 0,001-0,761 0,001 r 2 =0,127 adj. r 2 =0,115 n=693 AV: BMI Referenzkategorie: (sehr) schlechte psychische Gesundheit, 1-mal pro Monat oder seltener Sport # 12
13 Nichtlineare Modellierung Beispiel: quadriertes Alter Jetzt sind die Effekte eindeutig linear # 13
14 Nichtlineare Modellierung Durch die Aufnahme von linearem und quadriertem Alter haben wir uns ein Problem eingehandelt: Kollinearität B VIF Konstante Index ungesunde Ernährung 18,623 0,441 1,194 Frau -0,566 1,137 Psychische Mittelmäßig -1,780 3,234 Gesundheit: Gut/Sehr gut -2,487 3,292 Pro-Kopf-Einkommen in 100-0,095 1,067 Sport: 2- bis 4mal pro Monat -1,020 1,298 mehrmals pro Woche -2,347 1,367 Alter 0,445 37,823 Alter quadriert -,004 37,764 Ist die Konstante sinnvoll zu interpretieren? Durch Zentrieren lassen sich diese Probleme umgehen 14
15 Mittelwertzentrierung von Variablen Durch zentrieren um den Mittelwert (= Subtrahieren des Mittelwerts von den ursprünglichen Werten) erhalten die Beobachtungen den Wert Null, welche am Mittelwert der Variablen liegen Dadurch: Einfache Interpretation der Konstante als erwarteter Wert der AV, wenn UV am Mittelwert liegen Auch wichtig bei Interaktionseffekten # 15
16 Mittelwertzentrierung von Variablen Beispiel: Zentrieren der (quasi-)metrischen Variablen in der Regression Mittelwerte werden von SPSS bei der Regression über die Option /des mean ausgegeben compute alter_z=alter compute eink_kopf100_z=eink_kopf compute index_ernae_z=index_ernae compute alter_z_quad=alter_z*alter_z # 16
17 Mittelwertzentrierung von Variablen Modell mit zentrierten metrischen Variablen Modell ohne zentrierte Variablen B Sig. VIF B Sig. VIF Konstante 30,716 0,000 Konstante 18,623 0,000 Index ungesunde Ernährung zentriert 0,441 0,094 1,194 Index ungesunde Ernährung 0,441 0,094 1,194 Frau -0,566 0,210 1,137 Frau -0,566 0,210 1,137 Psychische Mittelmäßig -1,780 0,023 3,234 Psychische Mittelmäßig -1,780 0,023 3,234 Gesundheit: Gut/Sehr gut -2,487 0,001 3,292 Gesundheit: Gut/Sehr gut -2,487 0,001 3,292 Pro-Kopf-Einkommen in 100 zentriert -0,095 0,004 1,067 Pro-Kopf-Einkommen in 100-0,095 0,004 1,067 Sport: 2- bis 4mal pro 2- bis 4mal pro Monat -1,020 0,054 1,298-1,020 0,054 1,298 Monat Sport: mehrmals pro mehrmals pro Woche -2,347 0,000 1,367-2,347 0,000 1,367 Woche Alter zentriert 0,114 0,000 1,394 Alter 0,445 0,000 37,823 zentriertes Alter quadriert -,004,001 1,214 Alter quadriert -,004,001 37,764 Wie ist die Konstante jetzt zu interpretieren? Die Modellannahmen bzgl. Multikollinearität sind im Modell mit zentrierten Variablen erfüllt. # 17
18 Logarithmieren der abhängigen Variable Logarithmieren der abhängigen Variable: Durch das Logarithmieren der abhängigen Variable kann ein exponentieller Einfluss der unabhängigen Variablen modelliert werden ln y = β 0 + β 1 x 1 + β 2 x 2 y = e β 0+β 1 x 1 +β 2 x 2 Außerdem führt das Logarithmieren oftmals zu einem Modell, in dem die Annahmen der Regression besser erfüllt werden ( e 1) 100% Interpretation: Wenn x j um eine Einheit steigt, steigt y um (Hinweis: falls β < ca. 0,1, kann β*100% näherungsweise direkt als Prozenteffekt interpretiert werden, weil dann gilt e 1 # 18
19 Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable compute ln_eink=ln(eink_kopf). graph hist eink_kopf. graph hist ln_eink. # 19
20 Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable regression /statistics coeff CI(95) anova R / des mean /dependent ln_eink /method=enter alter alter_quad v58 /save resid pred. *Test auf Normalverteilte Fehler. NPAR TESTS /K-S(NORMAL)=RES_3. frequencies RES_3 /for=notable/his=normal. NPAR TESTS /K-S(NORMAL)=RES_4. frequencies RES_4 /for=notable/his=normal. # 20
21 Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable Vergleich Residualverteilungen Vorher Nachher # 21
22 Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable Interpretation Alter hat einen umgekehrt u- förmigen Einfluss auf das (logarithmierte) Einkommen Haushaltsgröße: Je mehr Personen im Haushalt wohnen, desto geringer ist das Pro-Kopf-Einkommen e β 1 100% = e 0, % =-16,31 In um eine Person größeren Haushalten, ist das Pro-Kopf- Einkommen um 16,3% niedriger Hier bietet sich eine grafische Darstellung an B Beta Sig. Konstante 6,185,000 Alter,048,978,000 Alter quadriert -0,000 -,828,000 Personen im HH -,178 -,406,000 r 2 =0,196 adj. r 2 =0,193 n=693 AV: Logarithmiertes Pro-Kopf-Einkommen # 22
23 Logarithmiertes Pro-Kopf-Einkommen Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable Grafische Darstellung vorhergesagter Werte *** Hilfsvariablen bilden. if v58=1 alter_1=alter. if v58=2 alter_2=alter. if v58=3 alter_3=alter. if v58=4 alter_4=alter. if v58=5 alter_5=alter. * Grafik. GRAPH /SCATTERPLOT(OVERLAY) =alter_1 alter_2 alter_3 alter_4 alter_5 WITH PRE_1 PRE_1 PRE_1 PRE_1 PRE_1 (PAIR) /MISSING=VARIABLE. Alter # 23
24 Pro-Kopf-Einkommen Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable Grafische Darstellung vorhergesagter Werte *** vorhergesagte Werte delogarithmieren. compute pre_ek=exp(pre_1). graph scatter pre_ek with pre_1. * Grafik. GRAPH /SCATTERPLOT(OVERLAY) =alter_1 alter_2 alter_3 alter_4 alter_5 WITH PRE_ek PRE_ek PRE_ek PRE_ek PRE_ek (PAIR) /MISSING=VARIABLE. Alter # 24
25 Logarithmiertes Pro-Kopf-Einkommen Pro-Kopf-Einkommen Logarithmieren der abhängigen Variable Beispiel: logarithmiertes Einkommen als abhängige Variable Grafische Darstellung vorhergesagter Werte Alter Alter # 25
26 Interaktionseffekte Interaktionseffekt: Effekt einer Variablen hängt ab vom Niveau einer anderen Variablen y = β 0 + β 1 X 1 + β 2 X 1 X 2 + β 3 X 2 Möglich sind: Interaktionseffekte zwischen metrischen Variablen Interaktionseffekte zwischen einer Dummy-Variable und einer metrischen Variable Interaktionseffekte zwischen Dummy Variablen # 26
27 Interaktionseffekte: metrisch + metrisch Beispiel: Alter und Haushaltsgröße H1: Je größer das Alter, desto größer ist das Pro-Kopf-Einkommen. Einkommen = b0 + b1*alter H2: Je größer der Haushalt, desto geringer ist das Pro-Kopf- Einkommen. Einkommen = b0 + b1*alter + b2*haushaltsgröße Interaktionshypothese: Je größer der Haushalt, desto niedriger ist der Effekt des Alters auf das Pro-Kopf-Einkommen. Einkommen = b0 + b1*alter + b2*haushaltsgröße + b3*haushaltsgröße*alter # 27
28 Interaktionseffekte: metrisch + metrisch Berechnung Interaktionseffekt: compute alter_pers=alter*v58. var lab alter_pers 'Alter * Haushaltsgröße'. Berechung Regression: regression /statistics coeff CI(95) anova R / des mean /dependent Eink_kopf /method=enter alter alter_pers v58.. # 28
29 Interaktionseffekte: metrisch + metrisch Nicht standardisierte Koeffizienten Standardisierte Koeffizienten Konfidenzintervall für B (95,0%) B Standardfehler Beta t Sig. Untergrenze Obergrenze Konstante 1216, ,422 6,894 0, , ,576 alter 8,479 4,043 0,160 2,097 0,036 0,542 16,417 Alter * Haushaltsgröße -0,634 1,520-0,060-0,417 0,677-3,619 2,351 Personen im HH -152,261 63,773-0,319-2,388 0, ,464-27,058 r 2 =0,167 adj. r 2 =0,164 n=723 AV: Haushaltseinkommen pro Kopf Kein signifikanter Interaktionseffekt Dennoch zur Veranschaulichung: Was sagen uns die Koeffizienten? # 29
30 Interaktionseffekte: metrisch + metrisch Interaktionseffekt Einkommen = ,48*Alter 0,634*Alter*Haushaltsgröße - 152,3*Haushaltsgröße Haupteffekte Altershaupteffekt gilt für Personen mit Haushaltsgröße = 0 Einkommen = ,48*Alter 0,634*Alter*(0*Haushaltsgröße) - 152,3*(0*Haushaltsgröße) Haushaltsgrößenhaupteffekt gilt für Personen mit Alter = 0 Einkommen = ,48*(0*Alter) 0,634*(0*Alter)*Haushaltsgröße - 152,3*Haushaltsgröße # 30
31 Interaktionseffekte: metrisch + metrisch Deshalb: Durchführen der Regression mit zentrierten Variablen compute hhgr_z=v58-3. compute alter_z_hhgr_z=alter_z*hhgr_z. regression /statistics coeff CI(95) anova R / des mean /dependent Eink_kopf /method=enter alter_z alter_z_hhgr_z v58. Nicht standardisierte Koeffizienten Standardisierte Koeffizienten Konfidenzintervall für B (95,0%) B Standardfehler Beta t Sig. Untergrenze Obergrenze Konstante 1562,358 51,493 30,341 0, , ,453 Alter zentriert 6,576 2,044 0,124 3,218 0,001 2,564 10,589 Alter zentriert x Haushaltsgröße -0,634 1,520-0,016-0,417 0,677-3,619 2,351 um 3 zentriert Personen im HH -178,157 16,378-0,373-10,878 0, , ,003 r 2 =0,167 adj. r 2 =0,164 n=723 AV: Haushaltseinkommen pro Kopf Was sagen uns die Koeffizienten jetzt? # 31
32 Interaktionseffekte: metrisch + metrisch Interaktionseffekt Einkommen = ,58*Alter 0,634*Alter*Haushaltsgröße - 178,2*Haushaltsgröße Haupteffekte Altershaupteffekt gilt für Haushaltsgröße = 3 Einkommen = ,58*Alter 0,634*Alter*(0*Haushaltsgröße) - 178,2*(0*Haushaltsgröße) Haushaltsgrößenhaupteffekt gilt für durchschnittliches Alter Einkommen = ,58*(0*Alter) 0,634*(0*Alter)*Haushaltsgröße - 178,2*Haushaltsgröße # 32
33 Interaktionseffekte: metrisch + metrisch temp. select if v58<7. GGRAPH /GRAPHDATASET NAME="graphdataset" VARIABLES=alter PRE_3 v58 MISSING=LISTWISE REPORTMISSING=NO /GRAPHSPEC SOURCE=INLINE. BEGIN GPL SOURCE: s=usersource(id("graphdataset")) DATA: alter=col(source(s), name("alter")) DATA: PRE_3=col(source(s), name("pre_3")) DATA: v58=col(source(s), name("v58"), unit.category()) GUIDE: axis(dim(1), label("alter")) GUIDE: axis(dim(2), label("vorhergesagtes Einkommen pro Kopf")) GUIDE: legend(aesthetic(aesthetic.color.exterior), label("")) ELEMENT: point(position(alter*pre_3), color.exterior(v58)) END GPL. Haushaltsgröße # 33
34 Interaktionseffekte: metrisch + metrisch Generell: Haben Haupt- und Interaktionseffekt das gleiche Vorzeichen: Verstärkung des Effekts der einen Variable bei Zunahme der anderen Variable unterschiedliche Vorzeichen: Abschwächung des Effekts der einen Variable bei Zunahme der anderen Variable # 34
35 Interaktionseffekte: metrisch + Dummy Beispiel: Alter und Bildung H1: Je höher das Alter, desto größer das Pro-Kopf-Einkommen. Einkommen = b0 + b1alter H2: Personen mit Abitur haben höheres Pro-Kopf-Einkommen. Einkommen = b0 + b1alter + b2*abitur Interaktionshypothese: Je höher das Alter, desto größer ist der Abitureffekt. Einkommen = b0 + b1alter + b2*abitur + b3*alter*abitur # 35
36 Interaktionseffekte: metrisch + Dummy Berechnung Interaktionseffekt: Recode v65 (2 3 4=0) (5 6=1) into abi. compute alter_z_abi=alter_z*abi. var lab alter_z_abi 'Alter zentriert*abitur'. Berechung Regression: regression /statistics coeff CI(95) anova R / des mean /dependent Eink_kopf /method=enter alter_z abi alter_z_abi. Nicht standardisierte Koeffizienten Standardisierte Koeffizienten T Sig. 95,0% Konfidenzintervalle für B B Standardfehler Beta Untergrenze Obergrenze Konstante 893,131 35,102 25,444, , ,046 Alter zentriert 8,685 2,825,163 3,075,002 3,139 14,231 abi 315,047 47,440,243 6,641, , ,186 Alter 6,552 3,902,088 1,679,094-1,108 14,212 zentriert*abitur r 2 =0,092 adj. r 2 =0,088 n=715 AV: Haushaltseinkommen pro Kopf # 36
37 Interaktionseffekte: metrisch + Dummy Für Abiturienten gilt: Einkommen = ,69*Alter + 315*1 + 6,55*Alter*1 = ,69*Alter ,55*Alter = ,24*Alter Für Nicht-Abiturienten gilt: Einkommen = ,69*Alter + 315*0 + 6,55*Alter*0 Bei mittlerem Alter (40,8) gilt: = ,69*Alter Einkommen = ,69* *Abitur + 6,55*0*Abitur = *Abitur # 37
38 Interaktionseffekte: metrisch + Dummy GGRAPH /GRAPHDATASET NAME="graphdataset" VARIABLES=alter PRE_4 abi MISSING=LISTWISE REPORTMISSING=NO /GRAPHSPEC SOURCE=INLINE. BEGIN GPL SOURCE: s=usersource(id("graphdataset")) DATA: alter=col(source(s), name("alter")) DATA: PRE_4=col(source(s), name("pre_4")) DATA: abi=col(source(s), name("abi"), unit.category()) GUIDE: axis(dim(1), label("alter")) GUIDE: axis(dim(2), label("vorhergesagtes Einkommen pro Kopf")) GUIDE: legend(aesthetic(aesthetic.color.exterior), label("")) ELEMENT: point(position(alter*pre_4), color.exterior(abi)) END GPL. # 38
39 Interaktionseffekte: Dummy + Dummy Beispiel: Kinder und Geschlecht H1: Kinder im Haushalt führen zu geringerem Einkommen Einkommen= b0 + b1*kinder H2: Männer haben höheres Einkommen als Frauen Einkommen= b0 + b1*kinder + b2*mann Interaktionshypothese: Bei Männern hat die Existenz von Kindern im Haushalt einen positiven, bei Frauen einen negativen Effekt auf das Einkommen Einkommen= b0 + b1*kinder + b2*mann + b3*kinder*mann # 39
40 Interaktionseffekte: Dummy + Dummy Berechnung Interaktionseffekt: recode v35 (1=0) (2=1) into kinder. compute frau_kind=frau*kinder. Berechung Regression: regression /statistics coeff CI(95) anova R / des mean /dependent Eink_kopf /method=enter frau kinder frau_kind. Nicht standardisierte Koeffizienten Standardisierte Koeffizienten 95,0% Konfidenzintervalle für B B Standardfehler Beta T Sig. Untergrenze Obergrenze Konstante 1361,986 47,488 28,681, , ,216 Frau -211,458 61,306 -,161-3,449, ,818-91,098 Kinder im Hauhalt -513,935 72,371 -,395-7,101, , ,852 Frau*Kinder im HH 175,977 93,206,120 1,888,059-7, ,966 r 2 =0,114 adj. r 2 =0,110 n=724 AV: Haushaltseinkommen pro Kopf # 40
41 Interaktionseffekte: Dummy + Dummy Einkommen = *Kinder + 211*Frau + 176*Kinder*Frau Haupteffekte Einkommen = *Kinder - 211*(0) + 176*Kinder*(0) Kinder im Haushalt senken bei Männern das Einkommen um 514 Euro. Einkommen = *(0) - 211*Frau + 176*(0)*Frau Frauen ohne Kinder haben ein um 211 Euro niedrigeres Einkommen als Männer ohne Kinder. Interaktionseffekt Einkommen = *Kinder - 211*Frau + 176*Kinder*Frau Frauen mit Kindern haben ein um = Euro niedrigeres Einkommen als Männer ohne Kinder. Kinder im Haushalt senken bei Frauen das Einkommen um = Euro. # 41
42 Zusammenfassung wichtiger Aspekte Transformation von Variablen dienen unter Umständen der: Untersuchung nicht-linearer Zusammenhänge Erleichterung der Interpretierbarkeit der Ergebnisse Beseitigung von Annahmeverletzungen Nicht-lineare Zusammenhänge können durch Variablentransformationen (Polynome: Quadrieren, Logarithmieren etc.) modelliert werden. Mögliche Interaktionen können im Modell zum Testen von Hypothesen und zur Beseitigung von Annahmeverletzungen berücksichtigt werden. Grundsätzlich ist zu überlegen, ob das Zentrieren der Variablen sinnvoll ist. # 42
43 Übungsaufgabe Greifen Sie erneut auf das Modell zur Erklärung der Wohnsituation zurück. Berücksichtigen Sie als zusätzliche unabhängige Variablen die Anzahl der Kinder (v35_1), einen Dummy ob man mit einem Partner zusammenlebt (v57) und das Alter. Nehmen Sie die Bildung aber nicht in das Modell auf. 1. Zentrieren Sie die metrischen Variablen um den Mittelwert. 2. Ist es sinnvoll, das Alter auch als quadrierte Variable aufzunehmen? Prüfen Sie die Form des Zusammenhangs! 3. Prüfen Sie folgende Hypothese: Das Einkommen hat bei Personen die mit einem Partner zusammenleben einen stärkeren Effekt als bei Personen bei denen dies nicht der Fall ist. # 43
Fortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Christian Ganser Methoden 2 Regressionsanalyse II: Lineare multiple Regression Inhalt 1. Anwendungsbereich 2. Vorgehensweise bei multipler linearer Regression 3. Beispiel 4. Modellannahmen
MehrProfil 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
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
Mehr90-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
MehrWas meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrStatistische 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.
MehrMultiple 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
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrWebergänzung 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
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrDie neue Aufgabe von der Monitoring-Stelle. Das ist die Monitoring-Stelle:
Die neue Aufgabe von der Monitoring-Stelle Das ist die Monitoring-Stelle: Am Deutschen Institut für Menschen-Rechte in Berlin gibt es ein besonderes Büro. Dieses Büro heißt Monitoring-Stelle. Mo-ni-to-ring
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrDer monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik).
1) Handytarif Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik). Euro Gesprächsminuten Tragen Sie in der folgenden Tabelle ein, welche Bedeutung
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrDie Invaliden-Versicherung ändert sich
Die Invaliden-Versicherung ändert sich 1 Erklärung Die Invaliden-Versicherung ist für invalide Personen. Invalid bedeutet: Eine Person kann einige Sachen nicht machen. Wegen einer Krankheit. Wegen einem
MehrNicht über uns ohne uns
Nicht über uns ohne uns Das bedeutet: Es soll nichts über Menschen mit Behinderung entschieden werden, wenn sie nicht mit dabei sind. Dieser Text ist in leicht verständlicher Sprache geschrieben. Die Parteien
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
MehrONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele
ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
Mehr2. Negative Dualzahlen darstellen
2.1 Subtraktion von Dualzahlen 2.1.1 Direkte Subtraktion (Tafelrechnung) siehe ARCOR T0IF Nachteil dieser Methode: Diese Form der Subtraktion kann nur sehr schwer von einer Elektronik (CPU) durchgeführt
MehrWas ist clevere Altersvorsorge?
Was ist clevere Altersvorsorge? Um eine gute Altersvorsorge zu erreichen, ist es clever einen unabhängigen Berater auszuwählen Angestellte bzw. Berater von Banken, Versicherungen, Fondsgesellschaften und
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse III: Diagnostik
Institut für Soziologie Methoden 2 Regressionsanalyse III: Diagnostik Wiederholung Regressionsanalyse beruht auf verschiedenen Annahmen Sind Annahmen verletzt, sind bestimmte Eigenschaften der Schätzer
MehrGrundlagen der Informatik
Mag. Christian Gürtler Programmierung Grundlagen der Informatik 2011 Inhaltsverzeichnis I. Allgemeines 3 1. Zahlensysteme 4 1.1. ganze Zahlen...................................... 4 1.1.1. Umrechnungen.................................
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
MehrDownload. Mathematik üben Klasse 8 Funktionen. Differenzierte Materialien für das ganze Schuljahr. Jens Conrad, Hardy Seifert
Download Jens Conrad, Hard Seifert Mathematik üben Klasse 8 Funktionen Differenzierte Materialien für das ganze Schuljahr Downloadauszug aus dem Originaltitel: Mathematik üben Klasse 8 Funktionen Differenzierte
MehrDarstellungsformen einer Funktion
http://www.flickr.com/photos/sigfrid/348144517/ Darstellungsformen einer Funktion 9 Analytische Darstellung: Eplizite Darstellung Funktionen werden nach Möglichkeit eplizit dargestellt, das heißt, die
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrDie Post hat eine Umfrage gemacht
Die Post hat eine Umfrage gemacht Bei der Umfrage ging es um das Thema: Inklusion Die Post hat Menschen mit Behinderung und Menschen ohne Behinderung gefragt: Wie zufrieden sie in dieser Gesellschaft sind.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrDas 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
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrWillkommen 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
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrMETHODENLEHRE 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
MehrKapitel 3: Interpretationen
Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...
MehrIm Folgenden werden einige typische Fallkonstellationen beschrieben, in denen das Gesetz den Betroffenen in der GKV hilft:
Im Folgenden werden einige typische Fallkonstellationen beschrieben, in denen das Gesetz den Betroffenen in der GKV hilft: Hinweis: Die im Folgenden dargestellten Fallkonstellationen beziehen sich auf
MehrAlle gehören dazu. Vorwort
Alle gehören dazu Alle sollen zusammen Sport machen können. In diesem Text steht: Wie wir dafür sorgen wollen. Wir sind: Der Deutsche Olympische Sport-Bund und die Deutsche Sport-Jugend. Zu uns gehören
MehrErfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrFachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt 3 1. Semester ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN
ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN Wir wollen nun die Rechengesetze der natürlichen Zahlen auf die Zahlenmenge der ganzen Zahlen erweitern und zwar so, dass sie zu keinem Widerspruch mit bisher geltenden
MehrMicrosoft Update Windows Update
Microsoft bietet mehrere Möglichkeit, Updates durchzuführen, dies reicht von vollkommen automatisch bis zu gar nicht. Auf Rechnern unserer Kunden stellen wir seit September 2006 grundsätzlich die Option
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
MehrKoeffizienten der Logitanalyse. Kurt Holm. Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at
Koeffizienten der Logitanalyse Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 1 Kurt Holm Koeffizienten der Logitanalyse Eine häufig gestellte Frage lautet:
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrBinäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen
Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrQualität und Verlässlichkeit Das verstehen die Deutschen unter Geschäftsmoral!
Beitrag: 1:43 Minuten Anmoderationsvorschlag: Unseriöse Internetanbieter, falsch deklarierte Lebensmittel oder die jüngsten ADAC-Skandale. Solche Fälle mit einer doch eher fragwürdigen Geschäftsmoral gibt
MehrStudieren- Erklärungen und Tipps
Studieren- Erklärungen und Tipps Es gibt Berufe, die man nicht lernen kann, sondern für die man ein Studium machen muss. Das ist zum Beispiel so wenn man Arzt oder Lehrer werden möchte. Hat ihr Kind das
MehrÜberblick 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
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrAufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981)
Aufgabenblatt 3: Rechenbeispiel zu Stiglitz/Weiss (AER 1981) Prof. Dr. Isabel Schnabel The Economics of Banking Johannes Gutenberg-Universität Mainz Wintersemester 2009/2010 1 Aufgabe 100 identische Unternehmer
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrStatistik 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
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrOrderarten im Wertpapierhandel
Orderarten im Wertpapierhandel Varianten bei einer Wertpapierkauforder 1. Billigst Sie möchten Ihre Order so schnell wie möglich durchführen. Damit kaufen Sie das Wertpapier zum nächstmöglichen Kurs. Kurs
MehrFehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems
Fehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems Name: Bruno Handler Funktion: Marketing/Vertrieb Organisation: AXAVIA Software GmbH Liebe Leserinnen und liebe Leser,
MehrDie Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ)
Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Tagung: "ANKOM Übergänge von der beruflichen in die hochschulische Bildung" Berlin 24.06.2014 Helena Berg, M.A., Holger
Mehr5 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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrWie oft soll ich essen?
Wie oft soll ich essen? Wie sollen Sie sich als Diabetiker am besten ernähren? Gesunde Ernährung für Menschen mit Diabetes unterscheidet sich nicht von gesunder Ernährung für andere Menschen. Es gibt nichts,
MehrStatuten in leichter Sprache
Statuten in leichter Sprache Zweck vom Verein Artikel 1: Zivil-Gesetz-Buch Es gibt einen Verein der selbstbestimmung.ch heisst. Der Verein ist so aufgebaut, wie es im Zivil-Gesetz-Buch steht. Im Zivil-Gesetz-Buch
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrErstellen von x-y-diagrammen in OpenOffice.calc
Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei
MehrProfessionelle Seminare im Bereich MS-Office
Gegenüber PowerPoint 2003 hat sich in PowerPoint 2007 gerade im Bereich der Master einiges geändert. Auf Handzettelmaster und Notizenmaster gehe ich in diesen Ausführungen nicht ein, die sind recht einfach
Mehr