Statistik: Planung, Auswertung, Lesen von Meta-Studien
|
|
- Rosa Burgstaller
- vor 7 Jahren
- Abrufe
Transkript
1 Grundlage: Effektgrößen Statistik: Planung, Auswertung, Lesen von Meta-Studien Forschungsseminar für Fortgeschrittene für Planung, Auswertung und Meta-Studien relevant Bekannte: r = Pearson Korrelation Cohen s d = standardisierter MW-Unterschied η 2 oder partielles η 2 = ANOVAs Effektgrößen geben Größe (+ Richtung) eines Effekts an, sind aber unabhängig von N (p-wert ist abhängig von N) Mag. Dr. Ulrich Tran Erlauben Berechnungen für Stichprobengrößen, Poweranalysen Effektgrößen: Cohen s d und r M1 M 2 d = SD pooled kann auch z.b. aus t-test berechnet werden Einteilung nach Größe (Cohen, 1988): kleiner Effekt: d = 0.2, r =.1 mittlerer Effekt: d = 0.5, r =.3 großer Effekt: d = 0.8, r =.5 Effektgrößen: Planung von Studien Ist aus Vorstudien bekannt, wie groß erwarteter Effekt ist, oder liegt eine begründete Annahme vor, wie groß er ausfallen sollte A-priori-Berechnung von Stichprobengrößen möglich Effektmaße oft unanschaulich (z.b. η 2 ); bei mehreren Gruppen lieber kleinsten interessierenden Unterschied zwischen zwei Gruppen heranziehen d bestimmen Festlegung von α, β, einseitig/zweiseitig Typischerweise: α =.05 (oder.01), β =.20 Tabellen in Lehrbüchern oder Programme im Internet
2 Effektgrößen: Planung von Studien Größe d 1-seitig Für d: ns pro Gruppe 2-seitig r 1-seitig Klein Mittel Groß seitig Wenn entsprechende Stichprobe vorhanden 80% Chance, dass bei α =.05 ein Effekt dieser Größe gefunden wird (= H0 verworfen wird; Effekt hat auch Streuung!) Effektgrößen: Poweranalyse Bei festem N und bekannter Effektgröße lässt sich die Power (= 1 β) einer Studie berechnen Power = Wkt. dass existierender Effekt auch entdeckt wird (= Verwerfen der H0, wenn die H1 gilt) Power wird in Planung nach Konvention festgelegt (80%) Ist sie zu klein Studie underpowered = N ist zu klein, um vermuteten/erwarteten Effekt überhaupt zeigen zu können Post-hoc-Powerberechnungen sollten sich an erwarteten Effekten orientieren oder in Bezug zu einem größeren/kleineren N berechnet werden; empirisches Ergebnis ist entweder signifikant oder nicht (Power = 1 oder 0) Auswertung: Wahl des Verfahrens Keep it simple: nehmen Sie jenes Verfahren, dass ihnen mit einfachsten Mitteln die Beantwortung ihrer Hypothesen erlaubt Dies sind meist: MW-Vergleiche: t-test, ANOVA / nichtparametr. Alternativen Zusammenhänge: Korrelation, Vier-Felder-Tafeln, etc. Etwas komplexer bei Prädiktoranalysen, Kovariaten multiple lineare oder logistische Regression Kovarianzanalysen (Achtung: Kovariaten dürfen nicht mit Gruppenvariablen korreliert sein!) Auswertung: Wahl des Verfahrens (Parametrische) Verfahren haben Voraussetzungen (NV, Homoskedastizität [= Gleichheit der Varianzen]) Aber: nicht sklavisch bestimmten (falschen) Überlegungen folgen, z.b. : K-S-Test für Normalverteilung wenn Sie keine Annahmen zu M und SD in der Population haben, müssen Sie K-S-Test mit Lillifors-Schranken rechnen (ist in SPSS woanders als der K-S-Test!!! Explorative Datenanalyse ) Test wird bei kleinem N auch bei großen Abweichungen oft nicht signifikant (fehlende Macht!), bei großem N liegt schon bei kleinen (unbedeutenden) Abweichungen Signifikanz vor H0 ist Wunschhypothese bei K-S-Test Vertauschen von α undβ; Fehlerniveau könnte/sollte mit α =.20 angesetzt werden
3 Auswertung: Wahl des Verfahrens Parametrische Tests (t-test, ANOVA, etc.) sind robust Verletzung von Voraussetzungen muss nicht zu falschem Ergebnis führen! Rechnen Sie im Zweifelsfall nicht-parametrisches Pendant (z.b. U-Test zum t-test) Auswertung: Wahl des Verfahrens Komplexe und Exotische Verfahren: z.b. Strukturgleichungsmodelle, Pfadanalysen, konfirmatorische Faktorenanalysen, etc. nur bei großen Stichproben (etwa N 200) wenn entsprechende Hypothesen vorhanden sind wenn Sie sich damit auskennen! Wenn gleiches Ergebnis bzgl. Verwerfung oder Beibehaltung der H0 parametrisches Verfahren nehmen Auf Ausreißer achten (univariat, aber vor allem bivariat Korrelationen); Boxplots, Streudiagramme Auswertung: Multiples Testen Alpha-Kumulierung: eine Hypothese, mehrere Outcomes, mit denen diese Hypothese überprüft werden soll Post-hoc-Tests bei z.b. ANOVA Unter Geltung der H0 wird diese in α * 100% der Fälle verworfen (Fehler 1. Art) mit Anzahl der Outcomes steigt die Möglichkeit die H0 zu verwerfen, auch wenn sie in Wahrheit stimmt Korrektur nach Bonferroni, Sidak, Bonferroni-Holm, Benjamini- Hochberg, etc. Auswertung: Multiples Testen Korrekturmöglichkeiten unterscheiden sich im Ausmaß ihrer Konservativität (= Beibehalten der H0, obwohl sie verworfen werden müsste = Fehler 2. Art) Bonferroni (bzw. Sidak) am konservativsten: α α* = m = Anzahlder Tests m nur mehr größere (sehr große Effekte) werden entdeckt Sequentielles Vorgehen (Bonferroni-Holm) besser * = α α k = Rangplatz d.tests (kleinstes p : 1) m k + 1 k = k
4 Auswertung: Multiples Testen Ob korrigiert wird, ist inhaltliche Frage Handelt es sich wirklich um eine Hypothese, die anhand (beliebig vertauschbarer) Outcomes untersucht wird ( Gruppen unterscheiden sich in A, B oder C = undifferenzierte Globalhypothese)? Wenn nicht ( Unterscheiden sich Gruppen in A? Unterscheiden sich Gruppen in B? Unterscheiden sich Gruppen in C? = A-priori- Hypothesen) Korrektur nicht zwingend notwendig! Muss aber im Einzelfall begründet werden Bei Post-hoc-Tests (ANOVA) immer korrigieren; allerdings gleich Verfahren der ANOVA (SPSS) nutzen (keine t-tests im Anschluss) Mögliche Verfahren: z.b. Scheffé oder Tukey s HSD Auswertung: kleines N Aus bisher gesagtem sollte klar sein, dass bei kleinem N eher nur große Effekte entdeckt werden können Gute Planung der Studie, Kenntnisse über erwartbare Effekte Effektstärke steigt auch mit Präzision der Messung bzw. Homogenität des Samples ( Verringerung der Streuung) Messinstrumente mit hoher Reliabilität einsetzen, Ausschlusskriterien formulieren Fehlende/fragliche Voraussetzungen für parametrische Tests machen auch häufiger Gebrauch von nicht-parametrischen Tests notwendig (allerdings: u. U. weiterer Verlust an Macht!) Meta-Studien Mathematisch-statistische Zusammenfassung der Ergebnisse von (vielen) Einzelstudien zur selben Fragestellung In Meta-Studien wird mit Effektgrößen gerechnet Ergebnisse einzelner Studien werden mithilfe Studien-N, Präzision der Messung, Qualität der Studie, etc. gewichtet Berechnung eines Gesamteffekts Meta-Studien beste Evidenzquelle zur Einschätzung von zu erwartenden Effekten (nicht nur für Interventionsforschung!!!) Meta-Studien Untersuchung von Moderatorvariablen (z.b. RCT vs. Beobachtungsstudie, Einfluss komorbider Erkrankungen auf Outcomes, etc.) Generalisierbarkeit von Effekten Meta-Studien sind auf Primärstudien angewiesen; was sich dort nicht findet, kann auch in einer Meta-Studie nicht untersucht werden Bedeutsames Problem: Publication bias Systematisches Fehlen negativer oder wenig bedeutender Ergebnisse
5 Meta-Studien: Lesen & Verstehen Meta-Studien: Forest plots Entspricht Fragestellung dem, was man wissen möchte? Sind Ein- und Ausschlusskriterien aggregierter Primärstudien (betreffend Patienten, Methodik der Untersuchung, etc.) für die eigene geplante Untersuchung adäquat? Sind berichtete Outcomemaße für die eigene geplante Untersuchung von Relevanz? Verwendung aggregierter Effektgrößen zur Bestimmung von Stichprobengrößen Meta-Studien: Funnel plots Literatur Bortz, J. (1999). Statistik für Sozialwissenschaftler. Berlin: Springer. Bortz, J., & Döring, N. (2002). Forschungsmethoden und Evaluation. Berlin: Springer. Bortz, J., Lienert, G. A., & Boehnke, K. (2000). Verteilungsfreie Methoden in der Biostatistik. Berlin: Springer. Tabachnik, B. G., & Fidell, L. S. (2006). Using multivariate statistics. Boston: Pearson Education.
6
7
8
9
10
11
12
13
14
15
16
Signifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung 1 Berechnung der Effektstärke und der beobachteten Teststärke einer einfaktoriellen Varianzanalyse
MehrTest auf einen Anteilswert (Binomialtest) Vergleich zweier Mittelwerte (t-test)
Spezielle Tests Test auf einen Anteilswert (Binomialtest) Vergleich zweier Anteilswerte Test auf einen Mittelwert (Ein-Stichproben Gauss bzw. t-test) Vergleich zweier Mittelwerte (t-test) Test auf einen
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
MehrÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II
ÜBUNGSAUFGABEN ZU INFERENZSTATISTIK II 1.1 Durch welche Elemente lässt sich laut der Formel für die multiple Regression der Wert einer Person auf einer bestimmten abhängigen Variable Y vorhersagen? a)
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
MehrSPSS III Mittelwerte vergleichen
SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrAufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
MehrEinführung in die Statistik zur Tierversuchsplanung
Einführung in die Statistik zur Tierversuchsplanung und -auswertung Prof. Peter Pilz Fachbereich Biologie So viele Tiere wie nötig, so wenig Tiere wie möglich Statistik Schließende Statistik Statistische
MehrANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
MehrStatistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
MehrKapitel 5 FRAGESTELLUNG 1. Öffne die Datei alctobac.sav.
Kapitel 5 FRAGESTELLUNG 1 Öffne die Datei alctobac.sav. Zuerst werden wir ein Streudiagramm erstellen, um einen grafischen Überblick von diesem Datensatz zu erhalten. Gehe dazu auf Grafiken / Streudiagramm
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrÜbersicht über verschiedene Signifikanztests und ihre Voraussetzungen
SPSSinteraktiv von Signifikanztests - 1 - Übersicht über verschiedene Signifikanztests und ihre Verfahren zur Überprüfung von Unterschieden in der zentralen Tendenz Unterschieden werden können Testsituationen
MehrSignifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-
SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird
MehrInhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrMittelwertvergleiche, Teil I: Zwei Gruppen
FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Herzlich willkommen zur Vorlesung Mittelwertvergleiche, Teil I: Zwei Gruppen FB W. Ludwig-Mayerhofer Statistik II Mittelwertvergleiche Mittelwertvergleiche:
MehrSPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ
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
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
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
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrTesten von Unterschiedshypothesen mit parametrischen Verfahren Der t-test
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden
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
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
MehrNonparametrische Verfahren
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Nonparametrische Verfahren Überblick Einführung Mann-Whitney U-Test Wilcoxon-Test Kruskal-Wallis
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
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
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
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
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
MehrPflichtmodul E2: Theorie und Methoden psychologischen Messens und Beobachtens. Ausgewählte Methoden. Mag. Dr. Ulrich Tran Sommersemester 2011
Pflichtmodul E2: Theorie und Methoden psychologischen Messens und Beobachtens Ausgewählte Methoden Mag. Dr. Ulrich Tran Sommersemester 2011 Überblick LV gibt Einführung in Grundlagen, Anwendung(SPSS) und
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
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
MehrBiostatistik Erne Einfuhrung fur Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung: 07.04.2003 Agenda 1. Organisatorisches 2. Literaturempfehlungen 3. Überblick: Was ist multivariate Statistik? 4. Lernziele und Prüfungsanforderungen
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrGlossar. den man als mindesten oder interessanten Effekt für die Population annimmt. Anpassungstest; 148 f., 151: Der Anpassungstest
Literatur Aron, A., Aron, E. N., and Coups, E. J. (2009). Statistics for Psychology. Upper Saddle River: Prentice Hall. Backhaus, K.; Erichson, B.; Plinke, W. und Weiber, R. (2006). Multivariate Analysemethoden.
MehrSTATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG
STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem
MehrEigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
MehrComputergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrAufgaben zu Kapitel 3
Aufgaben zu Kapitel 3 Aufgabe 1 a) Berechnen Sie einen t-test für unabhängige Stichproben für den Vergleich der beiden Verarbeitungsgruppen strukturell und emotional für die abhängige Variable neutrale
MehrPRAXISORIENTIERTE EINFÜHRUNG
GRUNDLAGEN DER STATISTIK PRAXISORIENTIERTE EINFÜHRUNG Rainer Gaupp Leiter Qualität & Prozesse 1 INHALTE DER EINFÜHRUNG Theoretische Grundlagen: Natur vs. Sozialwissenschaft. Skalentypen. Streu- und Lagemasse.
MehrFertilität und psychische Gesundheit im Alter
Fertilität und psychische Gesundheit im Alter Kai Eberhard Kruk MEA, Universität Mannheim MEA Jahreskonferenz, 30.11.2010 Mannheim Research Institute for the Economics of Aging www.mea.uni-mannheim.de
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrElisabeth Raab-Steiner/ Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS-Auswertung. 3., aktualisierte und überarbeitete Auflage
Elisabeth Raab-Steiner/ Michael Benesch Der Fragebogen Von der Forschungsidee zur SPSS-Auswertung 3., aktualisierte und überarbeitete Auflage facultas.wuv Inhaltsverzeichnis 1 Elementare Definitionen 13
MehrHypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
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
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
MehrStatistische Datenanalyse
Wolf-Michael Kahler Statistische Datenanalyse Verfahren verstehen und mit SPSS gekonnt einsetzen 6., verbesserte und erweiterte Auflage Mit 345 Abbildungen STUDIUM VIEWEG+ TEUBNER Inhaltsverzeichnis 1
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
Mehra) Wie hoch ist die Wahrscheinlichkeit, dass Vokale vorkommen, die länger als 140 ms sind?
Modul G 20.12.2007 Zur Hausaufgabe 3 Erkläre die folgenden Plots und Berechnungen zu Wahrscheinlichkeiten aus technischer und statistischer Sicht. a) Wie hoch ist die Wahrscheinlichkeit, dass Vokale vorkommen,
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrEinführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
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
MehrKapitel 3: Der t-test
Kapitel 3: Der t-test t-test für unabhängige Stichproben Berechnen der Effektgröße d In Kapitel 3.3.1 haben Sie erfahren, wie sich die Effektgröße d aus empirischen Werten berechnen lässt. Dazu haben wir
MehrPrüfung & Tutorium. Der 1. Prüfungstermin findet am 27. Juni 2011 um 10h im Audimaxstatt. Anmeldung in UNIVIS vom Juni
Prüfung & Tutorium Der 1. Prüfungstermin findet am 27. Juni 2011 um 10h im Audimaxstatt Anmeldung in UNIVIS vom 14.-22. Juni Die Prüfung wird aus 30 Multiple Choice Fragen(5 Antwortalternativen, 1-3 Richtige)
MehrI Einführung 1. 1 Über den Umgang mit Statistik 3
I Einführung 1 1 Über den Umgang mit Statistik 3 1.1 Statistik richtig lehren und lernen 3 1.2 Testergebnisse richtig interpretieren 6 1.3 Einfluss des Zufalls 8 1.4 Die Interpretation von Zusammenhängen
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrMethodik der multiplen linearen Regression
Methodik der multiplen linearen Regression Sibel Aydemir Statistisches Amt, Direktorium Landeshauptstadt München Name, Stadt Regressionsanalyse: Schritt für Schritt Schritt 1 Schritt 2 Schritt 3 Schritt
MehrInhaltsübersicht.
Inhaltsübersicht Vorwort zur vierten Auflage 1 Einleitung 2 Installation 3 Ein erster Überblick 4 Einführung in die Programmiersprache 5 Objekte 6 Dateneingabe und -management 7 Variablen bearbeiten 8
MehrLehrbuch Statistik. Rainer Leonhart. Verlag Hans Hub er. Unter Mitarbeit von Stephanie Lichtenberg, Katrin Schornstein und Jana Groß Ophoff
Rainer Leonhart Lehrbuch Statistik Unter Mitarbeit von Stephanie Lichtenberg, Katrin Schornstein und Jana Groß Ophoff 2., überarbeitete und erweiterte Auflage Verlag Hans Hub er Inhaltsverzeichnis I Einführung
MehrBiostatistik. Eine Einführung für Biowissenschaftler
Matthias Rudolf Wiltrud Kuhlisch Biostatistik Eine Einführung für Biowissenschaftler ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrVorwort zur vierten Auflage Einleitung 13
http://www.beltz.de/de/nc/verlagsgruppe-beltz/gesamtprogramm.html?isbn=978-3-621-28249-9 6 Inhalt Inhalt Vorwort zur vierten Auflage 11 1 Einleitung 13 1.1 Warum R? 13 1.2 Fürwen ist dieses Buch? 14 1.3
MehrBiostatistik 7. Zweistichproben-t-Test, F-Test
Biostatistik 7. Zweistichproben-t-Test, F-Test Zweistichproben-t-Test Vergleich von zwei unabhängigen Stichproben Versuchssituation: dieselbe Variable wird bei zwei unabhängigen Stichproben geprüft Kontrollgruppe,
MehrStatistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops
Auswertung: Irina Zamfirescu Auftraggeber: Mag. Klaus Brehm Statistische Auswertung (Signifikanzen) Projekt: Evaluation der Langzeitauswirkung des Imago Paartherapie Workshops Fragestellung: Wirkt sich
Mehr