Die Auswahl ist natürlich rein zufällig und nicht repräsentativ
|
|
- Gerhardt Winter
- vor 5 Jahren
- Abrufe
Transkript
1 Die Auswahl ist natürlich rein zufällig und nicht repräsentativ Betrachtungen zu Qualitätskriterien in der Umfrageforschung Ulrich Kohler University of Potsdam PUMA Symposium Stichprobenverfahren und Repräsentativität. Zufällige und nichtzufällige Auswahltechniken zur Datenerhebung in den Sozialwissenschaften Plattform für Umfragen, Methoden und empirische Analysen Johannes Kepler Universität Linz 13 Oktober / 27
2 2 / 27 Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
3 3 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
4 4 / 27 Warm up In einer Studie mit Millionen von Geburtstagen wurde gezeigt, dass ein signifikanter Einfluss von Sternzeichen existiert Die Auswahl ist natürlich rein zufällig und nicht repräsentativ Da es sich um ein Experiment handelt, wurde der kausale Effekt identifiziert Da es sich hier um ein Fixed-Effects Panel-Regressionsmodell handelt, sind die Effekte als kausale Effekte interpretierbar
5 5 / 27 Mögliche Qualitätskriterien Fallzahlen Fallauswahl Stichprobendesign Experimente Statistische Raffinesse Signifikanz (α-fehler)
6 6 / 27 Kernaussagen Es gibt keine allgemeingültigen Qualitätskriterien für empirische Forschung. Die Fragestellung bestimmt welche Qualitätskriterien wie anzuwenden sind. Qualitätsaussagen sind nur über das gesamte Untersuchungsdesign möglich. Im Zentrum des Vortrags steht die Fallauswahl. Abkürzungen PS Probability sampling NPS Non-probabilty sampling
7 7 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
8 8 / 27 Können wir auf PS verzichten? 2 kurze Antworten: Ja, können wir! Ja, das tun wir sowieso Eine lange Antwort: Kommt drauf an! Deskriptive oder kausale Inferenz Eigenschaften der Inferenz-Population Risko-Aversion Vorwissen Nachfolgend mehr zur langen Anwort
9 9 / 27 Deskriptive und kausale Inferenz Deskriptive Inferenz Beschreibung des (unbekannten) Parameters θ einer endlichen Population durch einen Schätzer ˆθ, der auf Basis der zur Verfügung stehenden Daten berechnet wird. Schätzer generell unverzerrt bei SRS (aber... ) Unverzerrte Schätzung möglich bei PS Kausale Inferenz ATE(X) = E ( Y X = (x + τ) ) E(Y X = x) Schätzer unverzerrt unter Conditional Independence Sampling spielt keine Rolle
10 10 / 27 Reformulierung der Fragestellung Können wir auf PS verzichten? Nein, für deskriptive Inferenz Ja, für kausale Inferenz aber: Vielleicht doch: NPS für deskriptive Inferenz? Vielleicht doch: PS für kausale Inferenz?
11 11 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
12 12 / 27 Eigenschaften der Inferenz-Population Non-response bias Self-selection bias Corr(Y, ρ) SD(Y ) SD(ρ) ρ mit Corr(Y, π) SD(Y ) SD(π) π mit ρ = n Resp. n Resp. + n Non-Resp. π = n Resp. N Risiko von NPS abhängig von Populationsgröße (und Heterogenität)!
13 13 / 27 Risiko-Aversion n (desc. inference) n (causal inference) t(α, ν) 2 Var(Y ) ω 2 Var(Y ) ( 1 R(X, Z) 2 ) Var(X)ω 2 ω ist die Breite des akzeptablen Konfidenzintervalls Je höher ω, desto geringer kann die Fallzahl sein... aber was hat das mit PS/NPS zu tun?
14 14 / 27 Einige Behauptungen zu ω ω ist auch für das Stichprobendesign relevant Je höher ω, desto eher wird man NPS akzeptieren ω ist groß bei Forschung zu völlig unbekannten Themen Beispiele sind versteckte Populationen: Pädophile Neonazis... ω ist klein für gut untersuchte Themen Beispiele: Wahlprognosen Einkommensungleichheit...
15 15 / 27 Zwischenfazit Können wir auf PS für deskriptive Inferenz verzichten? Ja, ist aber hoch riskant Vielleicht, bei kleinen homogenen Populationen Vielleicht, bei innovativer Forschung Vielleicht, bei sehr hohen Fallzahlen... und vielleicht bei hoher statistischer Raffinesse.
16 16 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
17 17 / 27 Gibt es den kausalen Effekt? Natural Science ASS reduziert Schmerz, Fieber und Entzündungen An apple a day, keeps doctor away Social Science Koedukation reduziert Mathematikleistungen von Mädchen Geld macht glücklich! Kausale Effekte in Naturwissenschaften sind (oft) immer wahr Kausale Effekte in Sozialwissenschaften sind (oft) konditional
18 18 / 27 Konditionale kausale Effekte Conditional ATE ATE(X Z) = f (Z) Wenn der ATE zwischen Ausprägungen von Kovariaten Z variiert, sind drei Designs denkbar und sinnvoll: Schätzung von ATE(X Z = z) (Special populations) Schätzung von ATE(Z Z) on ATE(X Z) (Interaktionen) Schätzung von ATE(X Z) für eine endliche Population Im dritten Design gelten alle Aussagen für deskriptive Inferenz.
19 19 / 27 Zwischenfazit Brauchen wir auf PS für kausale Inferenz? Nein, wenn eine Spezialpopulation interessant ist Nein, wenn wir in einem großen Datensatz Interaktion untersuchen, oder die Constant-Effect Annahme prüfen Ja, wenn Beschreibungen kausaler Effekte angestrebt werden (Regelfall) Ja, wenn wir nicht wissen, zwischen welchen Z der ATE(X) variiert (Regelfall)
20 20 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
21 21 / 27 Können wir NPS in PS verwandeln? Ja, durch Gewichte oder Modellierung des Selektionsprozesses Designgewichte (PS) berücksichtigen nicht Selbstselektion Selbst-Selektionswahrscheinlichkeiten können nur geschätzt werden Dazu werden Vorwissen, Daten und kühne Annahmen benötigt Kontrolle der Selektion S A ɛ X Y
22 22 / 27 Fallzahlen Hohe Fallzahlen vertragen sich nicht gut mit ritualisierten Signifikanztests bei fehlendem inhaltlichem Konzept der Effektstärke. Klinische Studie A Treatmentgruppe: x = 2 (n = 30, SD = 3) Placebogruppe: x = 1 (n = 30, SD = 3) ATE = 2 ( 1) = 1 t = 2 ( 1) 3/30+3/30 = 1.29 P(T < t) = Klinische Studie B Treatmentgruppe: x = 2 (n = 100, SD = 3) Placebogruppe: x = 1 (n = 100, SD = 3) ATE = 2 ( 1) = 1 t = 2 ( 1) 3/100+3/100 = 2.36 P(T < t) =
23 23 / 27 Fallzahlen Hohe Fallzahlen vertragen sich nicht gut mit ritualisierten Signifikanztests bei fehlendem inhaltlichem Konzept der Effektstärke. Klinische Studie A Treatmentgruppe: x = 2 (n = 30, SD = 3) Placebogruppe: x = 1 (n = 30, SD = 3) ATE = 2 ( 1) = 1 t = 2 ( 1) 3/30+3/30 = 1.29 P(T < t) = Klinische Studie B Treatmentgruppe: x = 2 (n = 100, SD = 3) Placebogruppe: x = 1 (n = 100, SD = 3) ATE = 2 ( 1) = 1 t = 2 ( 1) 3/100+3/100 = 2.36 P(T < t) =
24 Experimente Die Möglichkeit zur Entwicklung kostengünstiger Experimente (etwa in Online-Access-Panels) verträgt sich nicht gut mit ritualisiert durchgeführten Signifikanztests Quelle: 24 / 27
25 25 / 27 Inhalt Einleitung Können wir auf PS verzichten? NPS für deskriptive Inferenz Brauchen wir PS für kausale Inferenz? Fallauswahl ist nur die halbe Miete Schluss
26 26 / 27 Cool down Es gibt keine allgemeingültigen Qualitätskriterien für empirische Forschung. Die Fragestellung bestimmt welche Qualitätskriterien wie anzuwenden sind. Qualitätsaussagen sind nur über das gesamte Untersuchungsdesign möglich.
27 27 / 27
Mehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrMethodenlehre. Vorlesung 13. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 13 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 19.05.15 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
MehrTreatment-Evaluationsproblematik
Treatment-Evaluationsproblematik Seminarvortrag Seminar: Statistische Herausforderungen im Umgang mit fehlenden bzw. fehlerbehafteten Daten 23.01.2015 Betreuer: Prof. Dr. Thomas Augustin Institut für Statistik
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrEinführung in die Kausalanalyse
Kapitel 4. Einführung in die Kausalanalyse Kontrafaktische Theoride der Kausalität - Basiert auf Arbeiten von David K. Lewis (Philosoph) - Es existieren selbstverständlich alternative Definition von Kausalität
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
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
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
MehrJahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding
Jahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding Dr. med. Barbara Hoffmann, MPH Claudia Pieper Was kommt Zufällige Fehler Systematische Fehler Selection bias Measurement
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
MehrEinleitung Definition Credibility Theorie Bühlmann-Straub Modell. Credibility Theory. Martin Klaudinger
Credibility Theory Martin Klaudinger 26.06.2012 Inhalt Einleitung Individuelle Prämie Kollektive Prämie Bayes Prämie Definition Credibility Theorie Bühlmann-Straub Modell Modell Annahmen Credibility Prämie
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen - Inferenzstatistik 1 [Übungsaufgaben und Lösungenn - Inferenzstatistik 1] ÜBUNGSAUFGABEN
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-31 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrÜbung Kausalanalyse. Das kontrafaktische Kausalmodell. Kausalanalyse. Das Ziel der erklärenden Sozialwissenschaften
Übung Kausalanalyse Das kontrafaktische Kausalmodell Prof. Dr. Josef Brüderl WS 22/3 Kausalanalyse Das Ziel der erklärenden Sozialwissenschaften Die kausale Erklärung von Ereignissen und sozialen Strukturen
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrMeta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien. Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011
Meta-Analyse seltener Medikamenten- Nebenwirkungen aus heterogenen klinischen Studien Ekkehard Glimm, Novartis Pharma IQWIG im Dialog, 17 Juni 2011 Einführung Zunehmende Bedeutung von Meta-Analysen für
MehrPISA 2015 Ist der Trend ein Trend?
PISA 2015 Ist der Trend ein Trend? Prof. Dr. Olaf Köller IPN, Kiel und ZIB, München Berlin, 12.12.2016 Überblick Bemerkenswerte Befunde in PISA 2015 Änderungen im Design und in der Durchführung von PISA
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrEine kurze Einleitung in das Sozio-Oekonomische Panel (SOEP) Teil 4 Gewichtung im SOEP
Eine kurze Einleitung in das Sozio-Oekonomische Panel (SOEP) Teil 4 Gewichtung im SOEP Gewichtung Empirische Sozialforschung Ziel sind Aussagen über größere Grundgesamtheiten Inferenz auf Basis kleiner
MehrWas macht gute Versuche aus? ... aus der Sicht eines Biometrikers
Was macht gute Versuche aus?... aus der Sicht eines Biometrikers DLG-Technikertagung Soest, 28. Januar 2015 Andreas Büchse BASF SE, Ludwigshafen Vorbemerkung Einige Kriterien für Qualität von Experimenten
MehrBeschreibende Statistik Deskriptive Statistik. Schließende Statistik Inferenzstatistik. Schluss von der Stichprobe auf die Grundgesamtheit
Beschreibende Statistik Deskriptive Statistik Schließende Statistik Inferenzstatistik Beschreibung der Stichprobe Schluss von der Stichprobe auf die Grundgesamtheit Keine Voraussetzungen Voraussetzung:
MehrProf. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Überblick Letzte Woche: Messen Heute: Hypothesen Warum Hypothesen? Menschliches Erleben und Verhalten? Alltag vs. Wissenschaft Alltagsvermutung Wissenschaftliche
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
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrForschungsmethoden VORLESUNG SS 2018
Forschungsmethoden VORLESUNG SS 2018 SOPHIE LUKES Organisatorisches Letztes Mal: Versuchspläne Heute: Stichprobenziehung und Stichprobeneffekte Heute: Stichprobenziehung und Stichprobeneffekte Warum brauchen
MehrEmpirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori Berechnen der Effektgröße f aus empirischen Daten und Bestimmung
MehrForschungsmethoden VORLESUNG WS 2016/17
Forschungsmethoden VORLESUNG WS 2016/17 FLORIAN KOBYLKA, SOPHIE LUKES Organisatorisches Termine Raum 231 1 28.10.16 10:15 Sophie Lukes / Florian Einführung Kobylka 2 04.11.16 10:10 Florian Kobylka Psychologie
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
Mehr1. Einleitung. 1.1 Phasen einer ökonometrischen Analyse
1. Einleitung 1.1 Phasen einer ökonometrischen Analyse Empirische ökonomische bzw. ökonometrische Analyse: Nutzung von Schätz- und Testmethoden zur Überprüfung ökonomischer Hypothesen oder Quantifizierung
MehrStichprobe vs. Vollerhebung
Stichprobe vs. Vollerhebung Seminar Inferenzstatistik Referent: Hannes Holtermann Dresden, 02.12.2008 Stichprobe vs. Vollerhebung Gliederung 1.Einleitung 2.Grundgesamtheit und Stichprobe 3.Beispiel Lotto
MehrInferenzstatistik und Hypothesentests. Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis.
Statistik II und Hypothesentests Dr. Michael Weber Aufgabenbereich Hierbei geht es um die Absicherung eines Untersuchungsergebnisses gegen ein Zufallsereignis. Ist die zentrale Fragestellung für alle statistischen
MehrForschungsmethoden VORLESUNG SS 2017
Forschungsmethoden VORLESUNG SS 2017 SOPHIE LUKES Überblick Letzte Woche: Messen Heute: Hypothesen Warum Hypothesen? Menschliches Erleben und Verhalten? Alltag vs. Wissenschaft Alltagsvermutung Wissenschaftliche
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrEmpirische Methoden zur Analyse gesprochener Sprache
Empirische Methoden zur Analyse gesprochener Sprache Prinzip der Hypothesenprüfung (am Beispiel des t-tests für unabhängige Stichproben) Statistische Verfahren: Einordnung Deskriptive (beschreibende) Statistik:
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
Mehr10. Medizinische Statistik
10. Medizinische Statistik Projektplanung Deskriptive Statistik Inferenz-Statistik Literatur: Hüsler, J. und Zimmermann, H.: Statistische Prinzipien für medizinische Projekte, Verlag Hans Huber, 1993.
MehrSchließende Statistik
Schließende Statistik [statistical inference] Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrWie liest man Konfidenzintervalle? Teil I. Premiu m
Wie liest man Konfidenzintervalle? Teil I Premiu m Was sind Konfidenzintervalle? Ein Konfidenzintervall (KI) ist ein Maß für die Unsicherheit bezüglich einer Schätzung eines Effekts. Es ist ein Intervall
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrLösungen zu den Übungsaufgaben in Kapitel 10
Lösungen zu den Übungsaufgaben in Kapitel 10 (1) In einer Stichprobe mit n = 10 Personen werden für X folgende Werte beobachtet: {9; 96; 96; 106; 11; 114; 114; 118; 13; 14}. Sie gehen davon aus, dass Mittelwert
MehrEinführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen
Einführung in Planung und Auswertung klinischer Prüfungen: Biometrische Grundlagen PD Dr. Thomas Sudhop PD Dr. Thomas Sudhop Ringvorlesung - Biometrie 25.10.2016 Seite 1 Klinische Prüfung Biomedizinisches
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrTreatment Evaluation. Samantha Stiemke Statistische Herausforderungen sozialwissenschaftlicher Studien Betreuer: Professor Augustin
Treatment Evaluation Samantha Stiemke 26.01.2011 Statistische Herausforderungen sozialwissenschaftlicher Studien Betreuer: Professor Augustin Gliederung Einleitung Roy-Rubin-Modell Allgemeines Evaluationsproblem
MehrThema der Stunde. I. Die Form der Stichprobenkennwerteverteilung. II. Schlüsse von der Stichprobe auf die Population
Thema der Stunde I. Die Form der Stichprobenkennwerteverteilung II. Schlüsse von der Stichprobe auf die Population III. t-test für unabhängige und abhängige Stichproben Stichprobenkennwerte Population
MehrElisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie
Elisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie Konfidenzintervall Statistische Analyse von Stichproben Der Datensatz aus der Übung (social survey 2003) besteht
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
MehrMit einem Geleitwort von Prof. Dr. Annette Köhler
Thilo Helpenstein Die Entscheidungsrelevanz von Managementprognosen Eine verhaltensökonomische und empirische Analyse des deutschen Kapitalmarktes Mit einem Geleitwort von Prof. Dr. Annette Köhler Springer
MehrStatistik I. Methodologie der Psychologie
Statistik I Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrStatistik III. Methodologie der Psychologie
Statistik III Methodologie der Psychologie Thomas Schmidt & Lena Frank Wintersemester 2003/2004 Georg-Elias-Müller-Institut für Psychologie Uni Göttingen Literatur: Glantz, S.A. (2002). Primer of Biostatistics.
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 2018 Grundbegriffe der Statistik statistische Einheiten = Objekte an denen interessierende Größen erfaßt werden z.b. Bevölkerung einer Stadt; Schüler einer bestimmten Schule; Patienten
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrAufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
MehrSTATISTISCHE KENNZAHLEN ZUR BEURTEILUNG DER STICHPROBENQUALITÄT VON UMFRAGEN
STATISTISCHE KENNZAHLEN ZUR BEURTEILUNG DER STICHPROBENQUALITÄT VON UMFRAGEN Johann Bacher PUMA-Symposium Stichprobenverfahren und Repräsentativität, 13. Oktober 2017, Linz AUSGANGSÜBERLEGUNG Repräsentativität
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrSelektion von Venture Capital-Fonds durch institutionelle Investoren
Christian Tausend Selektion von Venture Capital-Fonds durch institutionelle Investoren Mit einem Geleitwort von Prof. Dietmar Harhoff, Ph.D. Deutscher Universitäts-Verlag IX Geleitwort Vorwort V VII IX
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrForschungsmethoden VORLESUNG WS 2017/2018
Forschungsmethoden VORLESUNG WS 2017/2018 SOPHIE LUKES Organisatorisches Letztes Mal: Versuchspläne Heute: Stichprobenziehung und Stichprobeneffekte Studien mit Messwiederholungen Studie mit Messwiederholungen
Mehr10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an Hannes.Klarner@FU-Berlin.de FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
MehrForschungsmethoden: Definition
Forschungsmethoden: Definition Unter Forschungsmethoden versteht man die generelle Vorgehensweise beim Aufstellen der Fragestellung, bei der Planung, der Durchführung und der Auswertung einer Untersuchung.
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrDas Forschungs- Gesuchsverfahren des SNFfair oder systematisch verzerrt?
Das Forschungs- Gesuchsverfahren des SNFfair oder systematisch verzerrt? Präsentation von Prof. Dr. Wolf Linder Institut für Politikwissenschaft, Universität Bern Das NF- Mandat an die Forschungsgruppe
MehrKonfidenzintervalle. die anschauliche Alternative zum p-wert...
Konfidenzintervalle die anschauliche Alternative zum p-wert... Grundidee des Konfidenzintervalls Studie Realität Studienergebnis falsch-positiver Rückschluß??? Realität???? Studie 10 % Grundidee des Konfidenzintervalls
MehrStatistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
MehrAufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung
0 Einführung 1 Wahrscheinlichkeitsrechnung Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung Motivation und Hinführung Der wahre Anteil der rot-grün Wähler 009 war genau
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 017 4 Spezielle Zufallsgrößen Einführung 1 Wahrscheinlichkeit: Definition
MehrBivariater Zusammenhang in der Vierfeldertafel PEΣO
Bivariater Zusammenhang in der Vierfeldertafel PEΣO 12. Oktober 2001 Zusammenhang zweier Variablen und bivariate Häufigkeitsverteilung Die Bivariate Häufigkeitsverteilung gibt Auskunft darüber, wie zwei
MehrKapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
MehrZentraler Grenzwertsatz/Konfidenzintervalle
/ Statistik I Sommersemester 2009 Statistik I ZGWS/ (1/37) Kann Ahmadinejad die Wahl gewonnen haben? Im wesentlichen Dreiteilung der polit. Elite 2005: 17.3 Millionen Stimmen (Stichwahl), Wahlbeteiligung
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
Mehr