Prüfungstutorat: Angewandte Methoden der Politikwissenschaft. Polito Seminar Carl Schweinitz

Transkript

1 Prüfungstutorat: Angewandte Methoden der Politikwissenschaft Polito Seminar Carl Schweinitz

2 Übersicht 1. Einheiten und Variablen 2. Skalen und ihre Transformation 3. Deskriptive Statistik 4. Wahrscheinlichkeitstheorie 5. Zufallsvariablen 6. Verteilungsfunktionen 7. Erhebung von Stichproben Quellen: Steenbergen, Marco. Vorlesung Angewandte Methoden der Politikwissenschaften.

3 Was ich nicht mache Mathe help desks R Interpretation von Graphiken Chi²-, t-, F-Verteilungen (auswendig lernen ) Aber: Fragen gerne!

4 1. Einheiten und Variablen Einheiten: Objekte über die wir empirische Aussagen treffen Ein Sample/Stichprobe ist ein Teil einer Population (=Universum aller relevanten Objekte) Inferentielle Statistik wird benutzt um vom Sample auf die Population zu schliessen Attribute: Charakteristika von Einheiten Konstante: variiert nicht Variable: variiert zwischen Einheiten Abhängige und unabhängige Variablen

5 2. Messung, Skalen, und Transformation Messung: Zuteilung von Zahlen, die einen bekannten, empirischen Zusammenhang zwischen Objekten darstellen Skalen: Nominalskala (Geschlecht/Gender) Ordinalskala (Zustimmung) Intervallskala (Temperatur in Celsius) Verhältnisskala (Distanz in Meter) Transformationen: Nominalskala alle Transformationen, die Unterschied behalten Ordinalskala positiv monotone Transformation Intervallskala affine und positiv lineare Transformation Verhältnisskala positiv lineare Transformation

6 3. Deskriptive Statistik - univariat Wieso: Datenchaos ordnen/visualisieren und Muster erkennen Wie: Tabellen & Graphiken mit Frequenzen, Proportionen und Prozenten. Kontinuierliche Variablen: Gruppieren in sog. Klassen ( bins ). Klassenbreite:

7 3. Deskriptive Statistik multivariat 2 x 2 Tabellen: relatives Risiko (relative risk ratio) & Odds Ratio Kurzsichtig Stolpern Ja Nein Ja 15 5 Nein 3 25 Relatives Risiko? Odds Ratio?

8 3. Deskriptive Statistik multivariat 2 x 2 Tabellen: relatives Risiko (relative risk ratio) & Odds Ratio Kurzsichtig Stolpern Ja Nein Ja 15 5 Nein 3 25 Relatives Risiko? RR = Odds Ratio? = 5

9 3. Deskriptive Statistik multivariat 2 x 2 Tabellen: relatives Risiko (relative risk ratio) & Odds Ratio Kurzsichtig Stolpern Ja Nein Ja 15 5 Nein 3 25 Relatives Risiko? RR = Odds Ratio? OR = = = = 25

10 3. Deskriptive Statistik multivariat Nominale / ordinale Werte: Camér s υ nominale mit nominalen oder ordinalen Variablen 0 bis 1; 1 perfekte Assoziierung Goodman and Kruskal s γ ordinale mit ordinalen Variablen 0 bis 1; 1 perfekte Assoziierung

11 4. Wahrscheinlichkeitstheorie - Grundlagen Wahrscheinlichkeit: Logisch: deduktiv; Münzwurf, Würfel Subjektiv: Grad der subjektiven Überzeugung, dass eine bestimmte Aussage wahr ist; Obama tritt morgen zurück Frequentistisch: induktiv, basierend auf Beobachtung von einer Menge an Versuchen; Autounfall, Krankheiten, etc. Gesetz der grossen Zahlen: Wenn die Anzahl der Beobachtungen genügend gross genug ist, ist die relative Frequenz von j eine genügend gute Approximation an Pr (j).

12 4. Wahrscheinlichkeitstheorie - Rechnen Basiert auf Kombinatorik (siehe basta14lec4a) Stichprobenraum (sample space) = volles Ereignisset S mit jedem Event als Subset: ℇ S Events und ihre Wahrscheinlichkeiten können kombiniert werden: Komplemente ( A & A ) : Pr A = 1 Pr (A) Schnittmenge ( A B ): Pr A B = Pr A B Pr (B) Vereinigung ( A B ): Pr A B = Pr A + Pr B Pr (A B)

13 5. Zufallsvariablen Die Werte einer Zufallsvariablen sind durch Zufall beeinflusst. Diskrete (bspw. Demonstrationen) oder kontinuierliche (bspw. GDP/capita) Werte. Diskrete ZV: Probability Mass Function (PMF) f y = Pr (Y = y) Kontinuierliche ZV: Probability Density Funktion (PDF) b a f y dy = Pr (a y b) Kumulative Verteilungsfunktionen y F y = y i y Pr (Y = y i ) ; F y = f y dy

14 5. Zufallsvariablen: Beispiel 1 Die Temperatur ist heute uniform zwischen 0 und 10 C verteilt. 1. Was ist die Wahrscheinlichkeit, genau 1 C zu messen? 2. Mit welcher Wahrscheinlichkeit messen wir einen Wert zwischen 0 und 3 C am Thermometer? 3. Mit welcher Wahrscheinlichkeit messen wir 1 C, 2 C, oder 7 C und höher? 4. Wie hoch ist die Wahrscheinlichkeit, 12 C zu messen?

15 5. Zufallsvariablen: Support & Parameter Support / Träger: Menge an Werten von Y für die f(y) > 0 Parameter: Bestimmen die Form der Verteilung Mittelwert Varianz Schiefe (skewness) Wölbung (kurtosis) Beispiel: Zeichne eine rechtsschiefe, leptokurtische Normalverteilung mit beliebigem Mittelwert und beliebiger Varianz.

16 5. Zufallsvariablen: Multivariate Verteilungen Bivariate Wahrscheinlichkeitsfunktion: f y 1, y 2 = Pr Y 1 = y 1 Y 2 = y 2 Marginale Verteilung: Verteilung von nur einer ZV (y 1 ) unabhängig von der zweiten ZV (y 2 ) Konditionale / bedingte Verteilung: Verteilung von y 1 bei einem bestimmten Wert von y 2 -> f(y 1 y 2 ) Statistische Unabhängigkeit: f y 1 y 2 = f(y 1 )

17 5. Zufallsvariablen: Beispiel 2 Bsp: Y 1 = 1,2 ; Y 2 = 1,2 ; f y 1, y 2 = Pr Y 1 = 2, Y 2 = 2? Pr Y 1 = 2? Pr Y 1 = 2 Y 2 = 2? 4 9y 1 y 2

18 5. Zufallsvariablen: Beispiel 2 y2 y /9 2/9 2 2/9 1/9 Bsp: Y 1 = 1,2 ; Y 2 = 1,2 ; f y 1, y 2 = Pr Y 1 = 2, Y 2 = 2 -> 1/9 Pr Y 1 = 2? Pr Y 1 = 2 Y 2 = 2? 4 9y 1 y 2

19 5. Zufallsvariablen: Beispiel 2 y2 y /9 2/9 2 2/9 1/9 Bsp: Y 1 = 1,2 ; Y 2 = 1,2 ; f y 1, y 2 = 4 9y 1 y 2 Pr Y 1 = 2, Y 2 = 2 -> 1 9 Pr Y 1 = 2 -> = 1 3 Pr Y 1 = 2 Y 2 = 2?

20 5. Zufallsvariablen: Beispiel 2 y2 y /9 2/9 2 2/9 1/9 Bsp: Y 1 = 1,2 ; Y 2 = 1,2 ; f y 1, y 2 = 4 9y 1 y 2 Pr Y 1 = 2, Y 2 = 2 -> 1 9 Pr Y 1 = 2 -> = 1 3 Pr Y 1 = 2 Y 2 = 2 -> = 1 3

21 5. Zufallsvariablen: Zusammenfassen Mittelwert: Diskret Kontinuierlich Varianz: Diskret Kontinuierlich Kovarianz: Diskret Kontinuierlich

22 5. Zufallsvariablen: Korrelation & kond. Mittel Korrelation: -> Lineare Assoziation zwischen Y 1 und Y 2 auf einer Skala von -1 bis 1 Konditionales Mittel:

23 5. Zufallsvariablen: Erwartungen & Momente Erwartungswert = Mittelwert: E Y = μ Momente: Mittelwert Varianz Schiefe (skewness) <0 linksschief; >0 rechtsschief Wölbung (kurtosis) γ 4 3 = excess kurtosis <0 platykurtisch ; >0 leptokurtisch

24 6. Verteilungsfunktionen Bernoulliverteilung: Dichotom (nur zwei Ereignisse im Möglichkeitenraum); Münzwurf Binomialverteilung: Nur diskrete Werte von 0 n Beschreibt Serie von n Bernoulli-Prozessen Poissonverteilung: Für Variablen deren Mittel und Varianz gleich sind Oft count -Daten (Demonstrationen, Tote, etc.)

25 6. Verteilungsfunktionen Normalverteilung Kontinuierliche Werte von bis PDF: μ= Mittelwert σ= Standardabweichung Generell: Y~N(μ, σ) Median = Mode = Mittel Wölbung = Schiefe = 0 Standard Normalverteilung: Z~N 0,1 ; 95%: Z-Transformation (von realer zur standard NV): z = y μ σ Chi²-Verteilung, t-verteilung, F-Verteilung.

26 7. Stichprobenerhebung Zufällige vs. Bewusste Auswahl Randomisiert: jedes Mitglied der untersuchten Population hat dieselbe Wahrscheinlichkeit (>0), gezogen zu werden. Simple random sampling Stratified sampling Cluster sampling Was unterscheidet die verschiedenen Samplingmethoden und wann werden sie angewendet?

27 7. Stichprobenerhebung Zufällige vs. bewusste Auswahl Randomisiert: jedes Mitglied der untersuchten Population hat dieselbe Wahrscheinlichkeit (>0), gezogen zu werden. Simple random sampling Stratified sampling Cluster sampling Was unterscheidet die verschiedenen Samplingmethoden und wann werden sie angewendet?

28 7. Stichprobenerhebung Stichprobenverteilung: Wahrscheinlichkeitsverteilung eines statistischen Wertes der Stichprobe (bzw. des Mittels) auf Grundlage der hypothetischen Ziehung aller möglichen Proben der Größe n. Normalverteilte Werte: In einem Sample ist der Mittelwert einer normalverteilten Variable normalverteilt um den wahren Mittelwert der Variable in der Grundgesamtheit. Central Limit Theorem: Gegeben eine genügend grosse Stichprobe, so ist jeder Mittelwert normalverteilt um den (wahren) Mittelwert μ mit einer Varianz von σ 2 n.