. // Ben Jann, 2. Mai version clear all. . set linesize set type double. . set more off
|
|
- Inge Schubert
- vor 5 Jahren
- Abrufe
Transkript
1 // Ben Jann, 2 Mai 2014 version 121 clear all set linesize 100 set type double set more off /* */ /* Experiment 1: "Häsch mer zwöi Stutz?" */ /* */ use eth-fs2010-hilfeleistung, clear gen byte helped = (help==1) if help< recode language (2=1 "Schweizerdeutsch") (1=2 "Hochdeutsch"), gen(lang) (109 differences between language and lang) lab var lang "Sprache" encode date, gen(datum) recode age (1 2 = 1 "Alter < 45") (3 4 = 2 "Alter > 45"), gen(alter) (96 differences between age and alter) // Alle Beobachtungen tab helped lang, col exact chi2 Key frequency column percentage Sprache helped Schweizer Hochdeuts Total Total Pearson chi2(1) = Pr = 0909 Fisher's exact = sided Fisher's exact = 0532 ci helped if lang==1, binomial // Schweizerdeutsch Variable Obs Mean Std Err [95% Conf Interval] helped ci helped if lang==2, binomial // Hochdeutsch Variable Obs Mean Std Err [95% Conf Interval] helped
2 // Ohne Akzent tab helped lang if accent!=1, col exact chi2 Key frequency column percentage Sprache helped Schweizer Hochdeuts Total Total Pearson chi2(1) = Pr = 0840 Fisher's exact = sided Fisher's exact = 0500 ci helped if lang==1 & accent!=1, binomial // Schweizerdeutsch Variable Obs Mean Std Err [95% Conf Interval] helped ci helped if lang==2 & accent!=1, binomial // Hochdeutsch Variable Obs Mean Std Err [95% Conf Interval] helped // Ohne Akzent, unter Kontrolle von Datum logit helped ilang idatum if accent!=1 Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Logistic regression Number of obs = 100 LR chi2(2) = 041 Prob > chi2 = Log likelihood = Pseudo R2 = helped Coef Std Err z P>z [95% Conf Interval] - lang Hochdeutsch datum 5/11/ _cons margins lang, expression(invlogit(predict(xb))*100) Predictive margins Number of obs =
3 Delta-method Margin Std Err z P>z [95% Conf Interval] lang Schweizerdeutsch Hochdeutsch margins, dydx(lang) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 100 dy/dx wrt : 2lang Delta-method dy/dx Std Err z P>z [95% Conf Interval] - lang Hochdeutsch Note: dy/dx for factor levels is the discrete change from the base level // Ohne Akzent, unter Kontrolle von Datum, nach Geschlecht und Alter logit helped ilang##isex##ialter idatum if accent!=1 Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Logistic regression Number of obs = 100 LR chi2(8) = 649 Prob > chi2 = Log likelihood = Pseudo R2 = helped Coef Std Err z P>z [95% Conf Interval] lang Hochdeutsch sex weiblich lang#sex Hochdeutsch#weiblich alter Alter > lang#alter Hochdeutsch#Alter > sex#alter weiblich#alter > lang#sex#alter Hochdeutsch#weiblich#Alter > datum 5/11/ _cons margins lang, (sex) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 100 3
4 : sex Delta-method Margin Std Err z P>z [95% Conf Interval] sex#lang männlich#schweizerdeutsch männlich#hochdeutsch weiblich#schweizerdeutsch weiblich#hochdeutsch margins, dydx(lang) (sex) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 100 dy/dx wrt : 2lang : sex Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 2lang sex männlich weiblich Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 164 (201), p = 0414 margins lang, (alter) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 100 : alter Delta-method Margin Std Err z P>z [95% Conf Interval] alter#lang Alter < 45#Schweizerdeutsch Alter < 45#Hochdeutsch Alter > 45#Schweizerdeutsch Alter > 45#Hochdeutsch margins, dydx(lang) (alter) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 100 dy/dx wrt : 2lang 4
5 : alter Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 2lang alter Alter < Alter > Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 163 (194), p = 0402 /* */ /* Experiment 2: Verlorene Briefe hinter dem Scheibenwischer */ /* */ use eth-fs2010-mtu, clear generate markedeutsch = inlist(marke,2,3,12,16,18,23,28) lab def markedeutsch 1 "Deutsche Automarke" 0 "Nicht-deutsche Automarke" lab val markedeutsch markedeutsch generate Zeit = 1 + floor(((real(substr(zeit,1,2))-10)*60 + real(substr(zeit,4,2)))/30) // Rohe Differenz tab ankunft ort, col exact chi2 Key frequency column percentage Enumerating sample-space combinations: stage 3: enumerations = 1 stage 2: enumerations = 15 stage 1: enumerations = 0 Brief ist Ort der Empfängeradresse angekommen Deutschsc Westschwe Deutschla Total nein ja Total Pearson chi2(2) = Pr = 0119 Fisher's exact =
6 ci ankunft if ort==1, binomial // Deutschschweiz (St Gallen) Variable Obs Mean Std Err [95% Conf Interval] ankunft ci ankunft if ort==2, binomial // Westschweiz (Genf) Variable Obs Mean Std Err [95% Conf Interval] ankunft ci ankunft if ort==3, binomial // Deutschland (Berlin) Variable Obs Mean Std Err [95% Conf Interval] ankunft // Unter Kontrolle von Stadtkreis, Beschriftung Brief und Post-it, Zeit (kubisch) logit ankunft iort ikreis iadr ipostit czeit##czeit##czeit Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 300 LR chi2(21) = 3251 Prob > chi2 = Log likelihood = Pseudo R2 = ankunft Coef Std Err z P>z [95% Conf Interval] ort Westschweiz (Genf) Deutschland (Berlin) kreis adr postit Zeit czeit#czeit czeit#czeit#czeit _cons
7 margins ort, expression(invlogit(predict(xb))*100) Predictive margins Number of obs = Delta-method Margin Std Err z P>z [95% Conf Interval] ort Deutschschweiz (St Gallen) Westschweiz (Genf) Deutschland (Berlin) margins, dydx(ort) expression(invlogit(predict(xb))*100) post Average marginal effects Number of obs = 300 dy/dx wrt : 2ort 3ort Delta-method dy/dx Std Err z P>z [95% Conf Interval] ort Westschweiz (Genf) Deutschland (Berlin) Note: dy/dx for factor levels is the discrete change from the base level test 2ort 3ort ( 1) 2ort = 0 ( 2) 3ort = 0 chi2( 2) = 413 Prob > chi2 = // Nach Automarke, unter Kontrolle von Stadtkreis, Beschriftung Brief und Post-it, Zeit (kubisch) logit ankunft iort##imarkedeutsch ikreis iadr ipostit czeit##czeit##czeit Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 300 LR chi2(24) = 3593 Prob > chi2 = Log likelihood = Pseudo R2 = ankunft Coef Std Err z P>z [95% Conf Interval] ort Westschweiz (Genf) Deutschland (Berlin) markedeutsch Deutsche Automarke ort#markedeutsch Westschweiz (Genf) # Deutsche Automarke Deutschland (Berlin) # 7
8 Deutsche Automarke kreis adr postit Zeit czeit#czeit czeit#czeit#czeit _cons margins ort, (markedeutsch) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 300 : markedeutsch Delta-method Margin Std Err z P>z [95% Conf Interval] markedeutsch#ort Nicht-deutsche Automarke # Deutschschweiz (St Gallen) Nicht-deutsche Automarke # Westschweiz (Genf) Nicht-deutsche Automarke # Deutschland (Berlin) Deutsche Automarke # Deutschschweiz (St Gallen) Deutsche Automarke # Westschweiz (Genf) Deutsche Automarke # Deutschland (Berlin) margins, dydx(ort) (markedeutsch) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 300 dy/dx wrt : 2ort 3ort : markedeutsch Delta-method dy/dx Std Err z P>z [95% Conf Interval]
9 2ort markedeutsch Nicht-deutsche Automarke Deutsche Automarke ort markedeutsch Nicht-deutsche Automarke Deutsche Automarke Note: dy/dx for factor levels is the discrete change from the base level /* */ /* Experiment 3: Unterschriftensammlung für Initiative mit Kopftuch */ /* */ use eth-fs2010-kopftuch, clear keep if valid (16 observations deleted) generate contact = (talk==1) (sign==1) if talk< & sign< lab var contact "Kontakt kam zustande" recode age (1 2 = 1 "Alter < 50") (3 4 = 2 "Alter > 50"), gen(alter) (252 differences between age and alter) // Gespräch tab contact scarf, col exact chi2 Key frequency column percentage Kontakt kam Kopftuch zustande ohne Kopf mit Kopft Total Total Pearson chi2(1) = Pr = 0588 Fisher's exact = sided Fisher's exact = 0334 ci contact if scarf==0, binomial // ohne Kopftuch Variable Obs Mean Std Err [95% Conf Interval] contact ci contact if scarf==1, binomial // mit Kopftuch Variable Obs Mean Std Err [95% Conf Interval] contact
10 // Gespräch: unter Kontrolle von Ort/Datum und Studentin logit contact iscarf istudent iplace Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Logistic regression Number of obs = 312 LR chi2(3) = 230 Prob > chi2 = Log likelihood = Pseudo R2 = contact Coef Std Err z P>z [95% Conf Interval] -- scarf mit Kopftuch student Studentin B place Bellevue _cons margins scarf, expression(invlogit(predict(xb))*100) Predictive margins Number of obs = Delta-method Margin Std Err z P>z [95% Conf Interval] --- scarf ohne Kopftuch mit Kopftuch margins, dydx(scarf) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 312 dy/dx wrt : 1scarf - Delta-method dy/dx Std Err z P>z [95% Conf Interval] -- scarf mit Kopftuch Note: dy/dx for factor levels is the discrete change from the base level // Gespräch: nach Geschlecht und Alter, unter Kontrolle von Ort/Datum und Studentin logit contact iscarf##isex##ialter istudent iplace Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Logistic regression Number of obs = 312 LR chi2(9) = 969 Prob > chi2 = Log likelihood = Pseudo R2 =
11 contact Coef Std Err z P>z [95% Conf Interval] scarf mit Kopftuch sex weiblich scarf#sex mit Kopftuch#weiblich alter Alter > scarf#alter mit Kopftuch#Alter > sex#alter weiblich#alter > scarf#sex#alter mit Kopftuch#weiblich#Alter > student Studentin B place Bellevue _cons margins scarf, (sex) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 312 : sex Delta-method Margin Std Err z P>z [95% Conf Interval] sex#scarf männlich#ohne Kopftuch männlich#mit Kopftuch weiblich#ohne Kopftuch weiblich#mit Kopftuch margins, dydx(scarf) (sex) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 312 dy/dx wrt : 1scarf : sex Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 1scarf sex männlich weiblich Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) 11
12 local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 134 (112), p = 0232 margins scarf, (alter) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 312 : alter Delta-method Margin Std Err z P>z [95% Conf Interval] alter#scarf Alter < 50#ohne Kopftuch Alter < 50#mit Kopftuch Alter > 50#ohne Kopftuch Alter > 50#mit Kopftuch margins, dydx(scarf) (alter) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 312 dy/dx wrt : 1scarf : alter Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 1scarf alter Alter < Alter > Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 92 (117), p = 0428 // Unterschrift tab sign scarf, col exact chi2 Key frequency column percentage 12
13 Initiative wurde unterschri Kopftuch eben ohne Kopf mit Kopft Total Total Pearson chi2(1) = Pr = 0513 Fisher's exact = sided Fisher's exact = 0306 ci sign if scarf==0, binomial // ohne Kopftuch Variable Obs Mean Std Err [95% Conf Interval] sign ci sign if scarf==1, binomial // mit Kopftuch Variable Obs Mean Std Err [95% Conf Interval] sign // Unterschrift: unter Kontrolle von Ort/Datum und Studentin logit sign iscarf istudent iplace Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Logistic regression Number of obs = 312 LR chi2(3) = 278 Prob > chi2 = Log likelihood = Pseudo R2 = sign Coef Std Err z P>z [95% Conf Interval] -- scarf mit Kopftuch student Studentin B place Bellevue _cons margins scarf, expression(invlogit(predict(xb))*100) Predictive margins Number of obs = Delta-method Margin Std Err z P>z [95% Conf Interval]
14 scarf ohne Kopftuch mit Kopftuch margins, dydx(scarf) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 312 dy/dx wrt : 1scarf - Delta-method dy/dx Std Err z P>z [95% Conf Interval] -- scarf mit Kopftuch Note: dy/dx for factor levels is the discrete change from the base level // Unterschrift: nach Geschlecht und Alter, unter Kontrolle von Ort/Datum und Studentin logit sign iscarf##isex##ialter istudent iplace Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 312 LR chi2(9) = 1377 Prob > chi2 = Log likelihood = Pseudo R2 = sign Coef Std Err z P>z [95% Conf Interval] scarf mit Kopftuch sex weiblich scarf#sex mit Kopftuch#weiblich alter Alter > scarf#alter mit Kopftuch#Alter > sex#alter weiblich#alter > scarf#sex#alter mit Kopftuch#weiblich#Alter > student Studentin B place Bellevue _cons margins scarf, (sex) expression(invlogit(predict(xb))*100) Predictive margins Number of obs =
15 : sex Delta-method Margin Std Err z P>z [95% Conf Interval] sex#scarf männlich#ohne Kopftuch männlich#mit Kopftuch weiblich#ohne Kopftuch weiblich#mit Kopftuch margins, dydx(scarf) (sex) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 312 dy/dx wrt : 1scarf : sex Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 1scarf sex männlich weiblich Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 32 (86), p = 0713 margins scarf, (alter) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 312 : alter Delta-method Margin Std Err z P>z [95% Conf Interval] alter#scarf Alter < 50#ohne Kopftuch Alter < 50#mit Kopftuch Alter > 50#ohne Kopftuch Alter > 50#mit Kopftuch margins, dydx(scarf) (alter) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs =
16 dy/dx wrt : 1scarf : alter Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 1scarf alter Alter < Alter > Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: -21 (85), p = 0803 /* */ /* Experiment 4: Verlorene Briefe im Tram */ /* */ use eth-fs2010-lostletter, clear encode datelost, gen(datum) // Rohe Differenz tab received address, col exact chi2 Key frequency column percentage Brief Adressierung erhalten Benjamin Mohammed Total nein ja Total Pearson chi2(1) = Pr = 0505 Fisher's exact = sided Fisher's exact = 0370 ci received if address==1, binomial // Benjamin Zürcher Variable Obs Mean Std Err [95% Conf Interval] received ci received if address==2, binomial // Mohammed Al-Muttalib 16
17 Variable Obs Mean Std Err [95% Conf Interval] received // Unter Kontrolle von Verlustdatum und Knotenpunkt logit received iaddress idatum ijunction Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 100 LR chi2(5) = 705 Prob > chi2 = Log likelihood = Pseudo R2 = received Coef Std Err z P>z [95% Conf Interval] address Mohammed Al-Muttalib datum 5/4/ junction Central Hauptbahnhof Milchbuck _cons margins address, expression(invlogit(predict(xb))*100) Predictive margins Number of obs = Delta-method Margin Std Err z P>z [95% Conf Interval] address Benjamin Zürcher Mohammed Al-Muttalib margins, dydx(address) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 100 dy/dx wrt : 2address Delta-method dy/dx Std Err z P>z [95% Conf Interval] address Mohammed Al-Muttalib Note: dy/dx for factor levels is the discrete change from the base level /* */ 17
18 /* Experiment 5: Initiativbewerbungen bei Unternehmen */ /* */ use eth-fs2010-bewerbungen, clear fre reaction reaction -- Art der Reaktion Freq Percent Valid Cum Valid 1 Prüfung Stellenangebot Weiterleitung negativ weitere Unterlagen Total Missing Total generate reaktion = reaction< generate interesse = inlist(reaction, 1, 2, 3, 5) lab def sector 2 "Industrie" 3 "Finanzsektor" generate size = employees>1 if employees< lab def size 0 "Mitarbeiter < 100" 1 "Mitarbeiter >= 100" lab val size size // Reaktion tab reaktion name, col exact chi2 Key frequency column percentage Name des Bewerbers reaktion Mark Mugg Dukan Jov Total Total Pearson chi2(1) = Pr = 0015 Fisher's exact = sided Fisher's exact = 0010 ci reaktion if name==1, binomial // Mark Variable Obs Mean Std Err [95% Conf Interval] reaktion ci reaktion if name==2, binomial // Dukan Variable Obs Mean Std Err [95% Conf Interval] reaktion
19 // Reaktion: unter Kontrolle von Briefversion logit reaktion iname iletter Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 300 LR chi2(5) = 1109 Prob > chi2 = Log likelihood = Pseudo R2 = reaktion Coef Std Err z P>z [95% Conf Interval] name Dukan Jovanovic letter _cons margins name, expression(invlogit(predict(xb))*100) Predictive margins Number of obs = Delta-method Margin Std Err z P>z [95% Conf Interval] name Mark Muggli Dukan Jovanovic margins, dydx(name) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 300 dy/dx wrt : 2name ---- Delta-method dy/dx Std Err z P>z [95% Conf Interval] name Dukan Jovanovic Note: dy/dx for factor levels is the discrete change from the base level // Reaktion: nach Sektor und Betriebsgrösse, unter Kontrolle von Briefversion logit reaktion iname##isector##isize iletter Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood =
20 Logistic regression Number of obs = 300 LR chi2(11) = 1646 Prob > chi2 = Log likelihood = Pseudo R2 = reaktion Coef Std Err z P>z [95% Conf Interval] name Dukan Jovanovic sector name#sector Dukan Jovanovic# size Mitarbeiter >= name#size Dukan Jovanovic # Mitarbeiter >= sector#size 3#Mitarbeiter >= name#sector#size Dukan Jovanovic # 3 # Mitarbeiter >= letter _cons margins name, (sector) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 300 : sector Delta-method Margin Std Err z P>z [95% Conf Interval] sector#name 2#Mark Muggli #Dukan Jovanovic #Mark Muggli #Dukan Jovanovic margins, dydx(name) (sector) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 300 dy/dx wrt : 2name : sector Delta-method dy/dx Std Err z P>z [95% Conf Interval] - 2name 20
21 sector Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 115 (107), p = 0286 margins name, (size) expression(invlogit(predict(xb))*100) Predictive margins Number of obs = 300 : size Delta-method Margin Std Err z P>z [95% Conf Interval] size#name Mitarbeiter < 100#Mark Muggli Mitarbeiter < 100 # Dukan Jovanovic Mitarbeiter >= 100#Mark Muggli Mitarbeiter >= 100 # Dukan Jovanovic margins, dydx(name) (size) expression(invlogit(predict(xb))*100) Average marginal effects Number of obs = 300 dy/dx wrt : 2name : size Delta-method dy/dx Std Err z P>z [95% Conf Interval] name size Mitarbeiter < Mitarbeiter >= Note: dy/dx for factor levels is the discrete change from the base level local b = el(r(b),1,3)-el(r(b),1,4) local se = sqrt(el(r(v),3,3)+el(r(v),4,4)-2*el(r(v),3,4)) local p = string((1-normal(abs(`b'/`se')))*2, "%93f") local b = string(`b', "%91f") local se = string(`se', "%91f") di "Effekt-Differenz: `b' (`se'), p = `p'" Effekt-Differenz: 176 (103), p =
22 // Interesse tab interesse name, col exact chi2 Key frequency column percentage Name des Bewerbers interesse Mark Mugg Dukan Jov Total Total Pearson chi2(1) = Pr = 0032 Fisher's exact = sided Fisher's exact = 0030 ci interesse if name==1, binomial // Mark Variable Obs Mean Std Err [95% Conf Interval] interesse ci interesse if name==2, binomial // Dukan Variable Obs Mean Std Err [95% Conf Interval] interesse capture log close 22
Diskriminierung ethnischer Minderheiten in der Schweiz: Ergebnisse aus Feldexperimenten
Diskriminierung ethnischer Minderheiten in der Schweiz: Ergebnisse aus Feldexperimenten Andreas Diekmann (ETH Zürich) und Ben Jann (Universität Bern) Frühjahrstagung der DGS-Sektion Modellbildung und Simulation
MehrPrüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrUnterschiedshypothesen bei nominalskalierten Messwerten
Arbeitsblatt 1 STATA Kapitel 7 Seite 1 Unterschiedshypothesen bei nominalskalierten Messwerten Im Folgenden gehen wir davon aus, dass Sie die Datei elporiginal.dta geöffnet, eine log-datei mit dem Namen
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
MehrLängsschnittanalyse kategorialer Daten
Längsschnittanalyse kategorialer Daten Datenaufbereitung Als Beispiel verwende ich den Datensatz über Gewerkschaftsmitgliedschaften, den wir auch in einer Übung verwendet haben. Zunächst schneide ich mir
MehrMasterprüfung SS 2016
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Mikroökonometrie Semester: Sommersemester 2016 Prüfer: Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2016
MehrEinführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
MehrFRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Schäfer A & Schöttker-Königer T, Statistik für (2015) Arbeitsblatt 1 STATA Kapitel 8 Seite 1 Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon
MehrKlausur: Angewandte Ökonometrie. Termin: , 14:00 16:00. Prüfer: Prof. Dr. Hans-Jörg Schmerer. Datum:
Fakultät für Wirtschaftswissenschaft Lehrstuhl für Volkswirtschaftslehre, insb. Internationale Ökonomie Univ.-Prof. Dr. Hans-Jörg Schmerer Name: Vorname: Matrikel-Nr.: Klausur: 42270 Angewandte Ökonometrie
MehrCountdata, Postestimation und Modellvergleich
Countdata, Statistik II 1 Literatur 2 3 4 Statistik II Countdata (1/29) Literatur Zum Nachlesen Für heute: Scott/Freese ch. 8 Für nächste Woche: Wooldridge Kapitel 10.1 und 10.2 (im Reader) Statistik II
MehrFallbeispiel: Kreditscoring
Fallbeispiel: Kreditscoring Stefan Lang 14. Juni 2005 SS 2005 Datensatzbeschreibung (1) Ziel Untersuchung der Bonität eines Kunden in Abhängigkeit von erklärenden Variablen Zielvariable Bonität des Kunden:
Mehr. * Beispiel 2: Anteil niederlaendischer Frauen ohne Konfession ( )
. * Beispiel 2: Anteil niederlaendischer Frauen ohne Konfession (1889-1969). use http://eswf.uni-koeln.de/daten/stata/kohorte.dta, clear. des Contains data from kohorte.dta obs: 48 vars: 36 15 May 2005
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
MehrMasterprüfung. Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
Masterprüfung Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur besteht aus 4 Aufgaben,
MehrStatistische Methoden der Lebensverlaufsforschung. Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften
Statistische Methoden der Lebensverlaufsforschung Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften Lebensverlauf Deutschland, ca 1870 Johannes Giesecke Statistische
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrCountdata, Postestimation und Modellvergleich. Statistik II
Countdata, Statistik II Wiederholung/Fortsetzung Literatur Postestimation Modellvergleich Statistik II Countdata (1/29) Literatur Zum Nachlesen Für heute: Scott/Freese ch. 8 Für nächste Woche: Wooldridge
MehrMasterprüfung. Die Klausur besteht aus 3 Aufgaben, die alle bearbeitet werden müssen.
Fach: Prüfer: Mikroökonometrie Prof. Regina T. Riphahn, Ph.D. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
Mehr* Beispiel 1: Verkehrsunfaelle
* Beispiel 1: Verkehrsunfaelle. use "C:\hja\lehre\daten\wooldridge\stata\TRAFFIC2.DTA", clear. des Contains data from C:\hja\lehre\daten\wooldridge\stata\TRAFFIC2.DTA obs: 108 vars: 48 17 Aug 1999 23:02
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen ob die in diesem Datensatz untersuchte
MehrModellspezifikationen Nichtlinearitäten
Modellspezifikationen Nichtlinearitäten Agenda Dummy-Variablen Interaktionseffekte (quadratische Effekte / Polynome) Dummy Interaktion Logarithmierte Variablen Wachstumsraten / Semielastizitäten Elastizitäten
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrKommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen
Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen Hierarchisches log-lineares Modell: Saturiertes Modell (SPSS-Modul Modellauswahl ) HILOGLINEAR polview(1
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrLösungen der Aufgaben zum Kapitel Data Analysis *
Lösungen der Aufgaben zum Kapitel Data Analysis * Christoph Rust October 11, 2017 * Dieses Dokument wurde mit Sweave unter R-Studio erstellt. Das zur Erstellung benutzte Skript kann unter http:// www.uni-regensburg.de/wirtschaftswissenschaften/vwl-tschernig/medien/programmieren-mit-r/sol_data_analysis.zip.
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrÜbung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA. Universität Bamberg. Professur für VWL, Sozialpolitik
Übung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA Universität Bamberg Professur für VWL, Sozialpolitik Sommersemester 2005 Dipl.-Vw. Christoph Wunder () Einführung
MehrSpezifikationsprobleme Omitted Variable Bias
Spezifikationsprobleme Omitted Variable Bias Spezifikationsprobleme In der Grundgesamtheit gilt der wahre (aber unbekannte) Zusammenhang y = 0 + 1x 1 + : : : kx k dieser Zusammenhang soll anhand einer
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
Mehr*Öffnen des Datensatzes: GLES 2011 Langfrist-Online-Tracking, T14, ZA5347, Version use "...ZA5347_v1-0-0_numlabel.dta"
clear set more off, permanently *Öffnen des Datensatzes: GLES 2011 Langfrist-Online-Tracking, T14, ZA5347, Version 1.0.0 use "...ZA5347_v1-0-0_numlabel.dta" **AV *Zustimmung zu Bundeswehreinsatz in Libyen
MehrAbschlussklausur zur Vorlesung Empirische Wirtschaftsforschung
Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirische Wirtschaftsforschung Sommersemester 2007, 14082007, 16:30 18:30 Uhr Hinweise zur Klausur Die Klausur besteht
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrÜbungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
MehrPobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
MehrGesundheitliche Effekte ständiger Erreichbarkeit und Arbeit außerhalb der regulären Arbeitszeit. Anna Arlinghaus & Friedhelm Nachreiner
Gesundheitliche Effekte ständiger Erreichbarkeit und Arbeit außerhalb der regulären Arbeitszeit Anna Arlinghaus & Friedhelm Nachreiner Gesellschaft für Arbeits-, Wirtschafts- und Organisationspsychologische
MehrMittelwerte, Zusammenhangsmaße, Hypothesentests in Stata
Mittelwerte,, in Stata Statistik II Statistik II Mittelwerte,, (1/30) Wiederholung: Daten & Deskriptive Statistik Statistik II Mittelwerte,, (2/30) Daten verwalten Datenmatrix aus Fällen (Zeilen) und Variablen
MehrVerallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
MehrMatching. Outline. VL Forschungsmethoden. Matching: Basics Matching: Praxis 3 Zusammenfassung. 1 Einführung/Wiederholung 2 Matching?
Matching VL Forschungsmethoden Outline 1 2 3 VL Forschungsmethoden (Matching 1/22) Wiederholung: Kontrafaktische Definition von Kausalität Gedankenexperiment: 1 Beobachte Wert Y i0 an Objekt i in Welt
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrArbeitsmarktökonomie. Fragestunde. Universität Basel HS 2014 Christoph Sajons, Ph.D.
Arbeitsmarktökonomie Fragestunde Universität Basel HS 2014 Christoph Sajons, Ph.D. 1 Heute A. Ganz kurz: Empirie Migration B. Allgemeines zur Klausur C. Fragen 2 A. Empirie Migration Siehe Do- und Log-file
MehrMissing Data. Regressionsmodelle für Politikwissenschaftler. Wiederholung Missing Data
Regressionsmodelle für Politikwissenschaftler TSCS Regression in Stata Struktur definieren:. xtset id year panel variable: time variable: delta: id (strongly balanced) year, 1996 to 2004, but with gaps
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrProgrammieren in R - Lösungen zum Kapitel Data Analysis Christoph Rust Oktober 2018
Programmieren in R - Lösungen zum Kapitel Data Analysis Christoph Rust Oktober 2018 Vorbemerkungen: Diese Datei wurde mit R Markdown (www) erstellt. Die Quelldatei lässt sich unter (www) herunterladen.
MehrMusterlösung zu Serie 8
Prof. Dr. W. Stahel, Dr. J. Ernest Regression HS 2017 Musterlösung zu Serie 8 1. Im Data Frame http://stat.ethz.ch/teaching/datasets/wbl/umwelt.dat sind die Ergebnisse einer Umfrage zum Umweltschutz gegeben.
MehrSchäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für Gesundheitsfachberufe (2015) ISBN
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (25) Arbeitsblatt STATA Kapitel 6 Seite Unterschiedshypothesen für maximal 2 Gruppen, wenn die Voraussetzungen für parametrische
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
MehrSHIP/KEF-Richtlinien zur Durchführung qualitätsgesicherter
Sebastian E Baumeister, Carsten-Oliver Schmidt, Till Ittermann, Henry Völzke Version 4-14022012 SHIP/KEF-Richtlinien zur Durchführung qualitätsgesicherter Auswertungen 1 Für Auswertungsprojekte ist im
MehrMikro-Ökonometrie, WS 2017/2018 Musterlösung von Aufgabe H(eckman sche Selection Bias Analyse)
Mikro-Ökonometrie, WS 2017/2018 Musterlösung von Aufgabe H(eckman sche Selection Bias Analyse) Aufgabe H: Für diese Analyse verwenden wir Daten aus dem Current Population Survey 1991 USamerikanischer Haushalte,
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 08. Januar 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrDeterminanten der Fremdenfeindlichkeit
Christian-Albrechts-Universität zu Kiel Institut für Sozialwissenschaften Bereich Soziologie Sommersemester 2014 Seminar: Design und Datenerhebung/ Datenauswertung Dipl.-Soz. Saskia Maria Fuchs Determinanten
MehrStatistik-Quiz Wintersemester
Statistik-Quiz Wintersemester Seite 1 von 8 Statistik-Quiz Wintersemester Die richtigen Lösungen sind mit gekennzeichnet. 1a Für 531 Personen liegen Daten zu folgenden Merkmalen vor. Welche der genannten
MehrWeb-Tabelle 12.5: Durchschnittliche Dauer des Verbleibs der Person in den jeweiligen Zuständen je Verlaufstyp (in Monaten)
Forschungsverbund Sozioökonomische Berichterstattung, Dritter Bericht (www.soeb.de) Kapitel 12: Über Ausbildung in Arbeit? gering gebildeter Jugendlicher. Baas, Meike/Philipps, Veronika Web-Tabelle 12.5:
MehrVO Biostatistik im WS 2006/2007
VO Biostatistik im WS 2006/2007 1 Beispiel 1: Herzerkrankungsdaten aus Framingham für skoeffizienten : Leukemie-Daten 2 Beispiel 1: Herzerkrankungsdaten aus Framingham Stichprobe: 1329 männliche Bewohner
MehrStaub- und Kobaltbelastung in der Hartmetall-Industrie. Hanns Moshammer Inst. Umweltmed, Med Univ Wien
Staub- und Kobaltbelastung in der Hartmetall-Industrie Hanns Moshammer Inst. Umweltmed, Med Univ Wien Background I Kobalt ist als Karzinogen eingestuft (IARC 1991: 2B; 2006: 2A*) *Cobalt metal with tungsten
MehrMittelwerte, Zusammenhangsmaße, Hypothesentests in Stata
Mittelwerte,, Hypothesentests in Stata Statistik II Statistik II Mittelwerte,, Hypothesentests (1/30) Wiederholung: Daten & Deskriptive Statistik Zwei nominale Variablen Zwei ordinale Variablen Nominal/intervallskalierte
MehrAbschlussklausur zur Vorlesung Empirical Banking and Finance
Prof Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirical Banking and Finance Sommersemester 2010, 26072010, 15:00 17:00 Uhr Hinweise zur Klausur Die Klausur
MehrÜbungsblatt 3: Multivariate Analyseverfahren
Prof Bernd Fitzenberger, PhD Ute Leuschner Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Sommersemester 2012 Übungsblatt 3: Multivariate Analyseverfahren Für
MehrTab. 2 BGROEBFS Betriebsgrösse nach Kategorisierung des Bundesamtes für Statistik. Valid Cum Value Label Frequency Percent Percent Percent
ANHANG 1 Anhang 1 299 Alter der Betriebe Tab. 1 GRUENDJA Gründungsjahr Cum Cum Cum Value Freq Pct Pct Value Freq Pct Pct Value Freq Pct Pct 1967 1 1 1 1979 5 4 21 1988 5 4 78 1971 3 2 3 1980 7 6 27 1989
MehrPrüfung im Fach Ökonometrie im SS 2011 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. -Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2011 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
MehrDatenanalyse mit Stata
Datenanalyse mit Stata Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung Von Ulrich Kohler und Frauke Kreuter 2., vollständig überarbeitete und ergänzte Auflage R.Oldenbourg Verlag München
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Kausalanalyse
Institut für Soziologie Methoden 2 Kausalanalyse Inhalt 1. Kausalanalyse 2. Anwendungsbeispiel 3. Wiederholung 4. Übungsaufgabe # 2 Kausalanalyse Kausalität: Identifizieren von Ursache-Wirkungs-Beziehungen
MehrÜbungsblatt 4: Multivariate Analyseverfahren
Prof Bernd Fitzenberger, PhD Dr Roland Füss Übung zur Veranstaltung Empirische Wirtschaftsforschung Aderonke Osikominu Albert-Ludwigs-Universität Freiburg Mehdi Hosseinkouchack Wintersemester 2007/08 Übungsblatt
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Jens Kolbe Econ Boot Camp 2013 SFB 649 Ökonomisches Risiko Immo ist wichtig 2 Economist, 2002 Krise, 2008 Immo
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Martin Wersing Econ Boot Camp 2010 SFB 649 Ökonomisches Risiko Gute Vorsätze: Herz & Kopf & Hand Lernziel: Immotheorie
MehrMaximum-Likelihood Schätzung. VL Forschungsmethoden
Maximum-Likelihood Schätzung VL Forschungsmethoden Wiederholung Einführung: Schätzung Likelihood-Schätzung und Generalisiertes Lineares Modell Zufallsverteilungen Lernziele 1. Grundzüge der Likelihood-Schätzung
MehrDynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrLösung 10 / Dirk Enzmann, UHH SS2013 Monday June 24 21:39: Page 1
Lösung 10 / Dirk Enzmann, UHH SS2013 Monday June 24 21:39:06 2013 Page 1 name:
MehrJa, ich möchte ab (Datum) Förderspender im Deutschen Roten Kreuz, Kreisverband Dresden e.v. werden. Ich zahle einen Beitrag von: Verwendungszweck:
Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum: Unterschrift: Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum: Unterschrift: Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum:
MehrProportions Tests. Proportions Test können in zwei Fällen benutzt werden. Vergleich von beobachteten vs. erwarteten Proportionen
Proportions-Tests Proportions Tests Proportions Test können in zwei Fällen benutzt werden Vergleich von beobachteten vs. erwarteten Proportionen Test der Unabhängigkeit von 2 Faktoren kann auch zum Vergleich
MehrAMOS/SPSS output. One-factor model (9-item version)
One-factor model (9-item version) Fit Summary AMOS/SPSS output Default model 18 1817,639 27,000 67,320 Saturated model 45,000 0 Independence model 9 14251,254 36,000 395,868 Default model,872,830,874,832,874
MehrUlrich Kohler, Frauke Kreuterr. Datenanalyse mit. Stata. Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung. 5. aktualisierte Auflage
Ulrich Kohler, Frauke Kreuterr Datenanalyse mit Stata Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung 5. aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorwort V Zu diesem Buch 1
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 25. August 2009 25. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 1. Datentransformation (Befehle IF und COUNT) 2. Grafiken (Teil 2) Überblick: 2 Überblick:
MehrLogit-Analyse mit ordinalen und nominalen abhängigen Variablen
Logit-Analyse mit ordinalen und nominalen abhängigen Variablen Regressionsmodelle für Politikwissenschaftler Übersicht Das multinomiale Logit-Modell Das konditionale Logit-Modell Regressionsmodelle für
MehrAnhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
MehrPrüfung im Fach Panel- und Evaluationsverfahren im WS 2017/18
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Panel- und Evaluationsverfahren im WS 2017/18 Aufgabe 1 (10,5 Punkte) Ihnen steht ein Paneldatensatz
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrFragestellungen. Ist das Gewicht von Männern und Frauen signifikant unterschiedlich? (2-sample test)
Hypothesen Tests Fragestellungen stab.glu 82 97 92 93 90 94 92 75 87 89 hdl 56 24 37 12 28 69 41 44 49 40 ratio 3.60 6.90 6.20 6.50 8.90 3.60 4.80 5.20 3.60 6.60 glyhb 4.31 4.44 4.64 4.63 7.72 4.81 4.84
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik. Axel Werwatz Econ Boot Camp 2012 SFB 649 Ökonomisches Risiko
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz Econ Boot Camp 2012 SFB 649 Ökonomisches Risiko Gute Vorsätze: Herz & Kopf & Hand Lernziel: Immotheorie + Daten
MehrBrand Label. Daimler Brand & Design Navigator
Daimler Brand & Design Navigator 30. März 2016 Brand Label FUSO Financial uses the FUSO letters in combination with the word Financial in the font Daimler CS for name and label. Black lettering is set
MehrMikro-Ökonometrie, WS 2017/2018 Musterlösung Aufgabenblatt 4
Mikro-Ökonometrie, WS 2017/2018 Musterlösung Aufgabenblatt 4 Aufgabe 4: In dieser Aufgabe sollen anhand der Daten aus WAGE2.DTA Einflussfaktoren für die Wkt., dass ein männlicher US-amerikanischer Arbeitnehmer
MehrMikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3
Mikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3 Aufgabe 3: Die Datei WAGE2.DTA enthält Daten einer Stichprobe von 935 männlichen US-amerikanischen Arbeitnehmern im Alter von 28 bis 38 Jahren.
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrFallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen
Fallstudie: Schadenshäufigkeiten bei Kfz-Versicherungen Stefan Lang 12 Oktober 2005 WS 05/06 Datensatzbeschreibung (1) Daten Versicherungsdaten für Belgien ca 160000 Beobachtungen Ziel Analyse der Risikostruktur
Mehr