Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
|
|
- Guido Bachmeier
- vor 8 Jahren
- Abrufe
Transkript
1 Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II
2 Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II Logistische Regression (1/27)
3 Zum Nachlesen/Vorbereiten Literatur Annahmen und Annahmeverletzungen Agresti ch. 15: Statistik II Logistische Regression (2/27)
4 Schätzverfahren und ihre Eigenschaften Annahmeverletzungen Was sind die Standard-Annahmen? Zufallsstichprobe Wahres Modell: y i = β 0 + β 1 x 1i + β 2 x 2i + ɛ i 1. Die abhängige Variable ist intervallskaliert und unbeschränkt. (Variablen werden ohne Fehler gemessen) 2. Alle unabhängigen Variablen haben Varianz 3. Keine perfekte Multikollineariät 4. Für jede mögliche Kombination der unabhängigen Variablen ist der (konditionale) Mittelwert von ɛ = 0 Statistik II Annahmen (16/26)
5 Schätzverfahren und ihre Eigenschaften Annahmeverletzungen Was sind die Standard-Annahmen? Zufallsstichprobe Wahres Modell: y i = β 0 + β 1 x 1i + β 2 x 2i + ɛ i 5. Keine Kovarianz zwischen x ki und ɛ 6. Für jedes beliebige Paar von Beobachtungen i und h sind ɛ i und ɛ h unkorreliert (keine Autokorrelation) 7. Für jede mögliche Kombination der unabhängigen Variablen ist die (konditionale) Varianz von ɛ gleich σ 2 und damit konstant (Homoskedastizität) 8. Für jede mögliche Kombination der unabhängigen Variablen ist ɛ normalverteilt Statistik II Annahmen (16/26)
6 Annahmen und Annahmeverletzungen Literatur Annahmen und Annahmeverletzungen Ergebnisse auf Grundlage einer Stichprobe nur Schätzungen Schätzverfahren setzten Annahmen voraus Wenn Annahmen nicht zutreffen Verzerrte Parameterschätzungen Ineffiziente (und/oder inkonsistente) Parameterschätzungen Zu optimistische Standardfehler Statistik II Logistische Regression (3/27)
7 Annahmen und Annahmeverletzungen Literatur Annahmen und Annahmeverletzungen Ergebnisse auf Grundlage einer Stichprobe nur Schätzungen Schätzverfahren setzten Annahmen voraus Wenn Annahmen nicht zutreffen Verzerrte Parameterschätzungen Ineffiziente (und/oder inkonsistente) Parameterschätzungen Zu optimistische Standardfehler Statistik II Logistische Regression (3/27)
8 Annahmen und Annahmeverletzungen Literatur Annahmen und Annahmeverletzungen Ergebnisse auf Grundlage einer Stichprobe nur Schätzungen Schätzverfahren setzten Annahmen voraus Wenn Annahmen nicht zutreffen Verzerrte Parameterschätzungen Ineffiziente (und/oder inkonsistente) Parameterschätzungen Zu optimistische Standardfehler Annahmen in Politikwissenschaft häufig verletzt Z. B. Abhängigkeiten zwischen Beobachtungen (Zeitreihen, Panel... ) Kategoriale abhängige Variablen Statistik II Logistische Regression (3/27)
9 Annahmen und Annahmeverletzungen Literatur Annahmen und Annahmeverletzungen Ergebnisse auf Grundlage einer Stichprobe nur Schätzungen Schätzverfahren setzten Annahmen voraus Wenn Annahmen nicht zutreffen Verzerrte Parameterschätzungen Ineffiziente (und/oder inkonsistente) Parameterschätzungen Zu optimistische Standardfehler Annahmen in Politikwissenschaft häufig verletzt Z. B. Abhängigkeiten zwischen Beobachtungen (Zeitreihen, Panel... ) Kategoriale abhängige Variablen Erweiterungen/Ergänzungen des linearen Modells Statistik II Logistische Regression (3/27)
10 Schätzverfahren und ihre Eigenschaften Annahmeverletzungen Was passiert, wenn Annahme 1 nicht erfüllt ist? Die abhängige Variable ist intervallskaliert und unbeschränkt. Variablen werden ohne Fehler gemessen Abhängige Variable hat häufig wenig diskrete Ausprägungen (Ratingskalen) Erwartete Werte außerhalb des gültigen Wertebereichs Modelle für ordinale Daten In der Literatur wenig diskutiert, häufig wird angenommen, daß Modell relativ robust ist Alle sozialwissenschaftlichen Variablen fehlerbehaftet Relativ unproblematisch, wenn Fehler voneinander unabhängig und Stichprobe groß Fehler bei y wird von ɛ absorbiert, OLS weniger effizient Fehler bei x schwächt im bivariaten Fall Zusammenhang ab, multivariat auf jeden Fall bias Statistik II Annahmen (17/26)
11 Was ist eine Funktion? Funktionen Exponenten, Wurzeln usw. Abbildungsvorschrift Berechnungsvorschrift Ordnet jedem Wert der x-variable(n) genau einen Wert zu Einstellige Funktionen Mehrstellige Funktionen Allgemeine Formulierung: f (x 1, x 2, ) Lineare Funktion besteht nur aus Konstanten und Produkten von x 1, x 2, Nicht-lineare Funktion: andere Elemente Bisher y als lineare Funktion von x 1, Alle Funktionen graphisch darstellbar (ggf. mehrdimensional) Steigung der Funktion in einem Punkt: (1.) Ableitung Statistik II Logistische Regression (4/27)
12 Funktionen Exponenten, Wurzeln usw. Nicht-lineare Funktionen: z. B. Polynome y = f (x) = 4 x + x x Statistik II Logistische Regression (5/27)
13 Exponenten Wiederholung Funktionen Exponenten, Wurzeln usw. Basis und Exponent Ganzzahlige positive Exponenten: x 3 = x x x Exponent 1 oder 0: x 1 = x; x 0 = 1 Negative Exponenten: x 1 = 1 x ; x 3 = 1 x 3 Rationale Exponenten Quadratwurzel aus x: Mit sich selbst multiplizieren, um x zu erhalten n-te Wurzel aus x: n-mal mit sich selbst multiplizieren, um x zu erhalten n Nenner = n-te Wurzel: x = x 1 n 5 Kompletter Bruch: x 4 = x 4 5 x 4 5 = 1 x 4 5 = 1 5 x 4 Statistik II Logistische Regression (6/27)
14 Funktionen Exponenten, Wurzeln usw. Was ist der natürliche Logarithmus? Logarithmus Umkehrfunktion zur Exponentialfunktion Natürlicher Logarithmus (Funktionsname ln() oder log e ) basiert auf Eulerscher Zahl e = e wichtige Konstante in vielen statistischen Verteilungen und Herleitungen (z. B. Normalverteilung) e 3 = exp(3) ln( ) 3 Natürlicher Logarithmus von x gibt Antwort auf die Frage: Wie oft muß ich e mit sich selbst multiplizieren, um x zu erhalten? Statistik II Logistische Regression (7/27)
15 Potenzen zur Basis e: y = exp(x) Funktionen Exponenten, Wurzeln usw. 150 y = f (x) = exp(x) y > x Statistik II Logistische Regression (8/27)
16 Funktionen Exponenten, Wurzeln usw. Natürlicher Logarithmus = Umkehrfunktion: y = ln(x) 1 y = f (x) = ln(x) ln(x) für x 0 nicht definiert x Statistik II Logistische Regression (9/27)
17 Das Problem Das binäre Logit-Modell Binäre Variablen in der Politikwissenschaft Wahlabsicht in den USA: Republikanisch (0) vs. Demokratisch (1) Land in bestimmtem Jahr in Bürgerkrieg verwickelt: ja (1) vs. nein (0) Parteibindung vorhanden: ja (1) vs. nein (0) Politisches System eine Demokratie: ja (1) vs. nein (0) Wertorientierungen: postmaterialistisch (1) vs. nichtpostmaterialistisch (0) Wahlabsicht zugunsten der CDU: ja (1) vs. nein (0) Statistik II Logistische Regression (10/27)
18 Das Problem Das binäre Logit-Modell Binäre Variablen in der Politikwissenschaft Wahlabsicht in den USA: Republikanisch (0) vs. Demokratisch (1) Land in bestimmtem Jahr in Bürgerkrieg verwickelt: ja (1) vs. nein (0) Parteibindung vorhanden: ja (1) vs. nein (0) Politisches System eine Demokratie: ja (1) vs. nein (0) Wertorientierungen: postmaterialistisch (1) vs. nichtpostmaterialistisch (0) Wahlabsicht zugunsten der CDU: ja (1) vs. nein (0) Viele relevante Variablen binär (oder dichotom) Wie modellieren? Statistik II Logistische Regression (10/27)
19 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Beispiel: Wahlverhalten für CDU durch Sympathie für Merkel zu erklären? Zweitstimme in Umfrage binäre Variable CDU-Wahl Für jeden Befragten 0 (nein) oder 1 (ja) Mittelwert der Dummy-Variablen entspricht relativer Häufigkeit bzw. Wahrscheinlichkeit der CDU-Wahl Warum? Statistik II Logistische Regression (11/27)
20 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Beispiel: Wahlverhalten für CDU durch Sympathie für Merkel zu erklären? Zweitstimme in Umfrage binäre Variable CDU-Wahl Für jeden Befragten 0 (nein) oder 1 (ja) Mittelwert der Dummy-Variablen entspricht relativer Häufigkeit bzw. Wahrscheinlichkeit der CDU-Wahl Warum? Mittelwert cduwahl = = Statistik II Logistische Regression (11/27)
21 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Gesamtwahrscheinlichkeit der CDU-Wahl ca Prozent Mittelwert der Dummy-Variablen in Sympathie-Gruppen = Anteil der CDU-Wähler in Sympathie-Gruppen = Konditionaler Mittelwert = Konditionale Wahrscheinlichkeit der CDU-Wahl in den Gruppen (n = 80) Statistik II Logistische Regression (11/27)
22 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Gesamtwahrscheinlichkeit der CDU-Wahl ca Prozent Mittelwert der Dummy-Variablen in Sympathie-Gruppen = Anteil der CDU-Wähler in Sympathie-Gruppen = Konditionaler Mittelwert = Konditionale Wahrscheinlichkeit der CDU-Wahl in den Gruppen (n = 80). tabstat cduwahl,by (polsympangelamerkel) Summary for variables: cduwahl by categories of: polsympangelamerkel (polsymp [Angela Merkel] ) polsympangelamerkel mean Total.125 Statistik II Logistische Regression (11/27)
23 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Verfahren zur Modellierung konditionaler Mittelwerte: lineare Regression cduwahl = β 0 + β 1 Sympathie Merkel Statistik II Logistische Regression (11/27)
24 Das Problem Das binäre Logit-Modell Strategie I: Lineares Wahrscheinlichkeitsmodell Verfahren zur Modellierung konditionaler Mittelwerte: lineare Regression cduwahl = β 0 + β 1 Sympathie Merkel. reg cduwahl polsympangelamerkel Source SS df MS Number of obs = 80 F( 1, 78) = 6.07 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cduwahl Coef. Std. Err. t P> t [95% Conf. Interval] polsympang ~ l _cons Statistik II Logistische Regression (11/27)
25 Probleme? Wiederholung Das Problem Das binäre Logit-Modell Statistik II Logistische Regression (12/27)
26 Probleme? Wiederholung Das Problem Das binäre Logit-Modell Wahrscheinlichkeit CDU-Wahl CDU-Sympathie Statistik II Logistische Regression (12/27)
27 Probleme? Wiederholung Das Problem Das binäre Logit-Modell Wahrscheinlichkeit CDU-Wahl CDU-Sympathie 1. Heteroskedastizität Standardfehler 2. Wahrscheinlichkeiten außerhalb Intervall (0;1) 3. (Linearer Verlauf nicht plausibel) Statistik II Logistische Regression (12/27)
28 Probleme? Wiederholung Das Problem Das binäre Logit-Modell Wahrscheinlichkeit CDU-Wahl CDU-Sympathie Statistik II Logistische Regression (12/27)
29 Wie kommt man zum Modell? Das Problem Das binäre Logit-Modell Problem: CDU-Wahl bzw. deren Wahrscheinlichkeit auf Wertebereich [0;1] beschränkt Transformation der Variablen 1. Schritt: Statt Wahrscheinlichkeiten odds betrachten (Entsprechen in etwa Wettquoten beim Sport) odds(p) = p p ; im Beispiel Wertebereich von 0 bis (fast) Variieren über Ausprägungen der unabhängigen z. B (6.6%) und 1.99 (66.6%) 2. Schritt: Von diesen odds wird der natürliche Logarithmus bestimmt (Logarithmierung) Statistik II Logistische Regression (13/27)
30 Das Problem Das binäre Logit-Modell Wie kommt man zum Modell? II Die logarithmierten Odds werden als Logits bezeichnet Wertebereich von (fast) bis (fast) + Im Beispiel Logits zwischen (6.6%) und (66.6%) Statistik II Logistische Regression (14/27)
31 Wie kommt man zum Modell? II Das Problem Das binäre Logit-Modell Die logarithmierten Odds werden als Logits bezeichnet Wertebereich von (fast) bis (fast) + Im Beispiel Logits zwischen (6.6%) und (66.6%) Nicht-lineares Verhältnis zur Wahrscheinlichkeit Wahrscheinlichkeit von 50% entspricht Logit von 0 Positiver Logit größere Wahrscheinlichkeit Negativer Logit kleinere Wahrscheinlichkeit Statistik II Logistische Regression (14/27)
32 Wie kommt man zum Modell? II Das Problem Das binäre Logit-Modell Die logarithmierten Odds werden als Logits bezeichnet Wertebereich von (fast) bis (fast) + Im Beispiel Logits zwischen (6.6%) und (66.6%) Nicht-lineares Verhältnis zur Wahrscheinlichkeit Wahrscheinlichkeit von 50% entspricht Logit von 0 Positiver Logit größere Wahrscheinlichkeit Negativer Logit kleinere Wahrscheinlichkeit Logit-Modell: linearer Zusammenhang zwischen x und Logit logit(cduwahl) = β 0 + β 1 merkelsympathie Schätzung der Koeffizienten/Standardfehler mit speziellem iterativen Verfahren (Maximum Likelihood) Statistik II Logistische Regression (14/27)
33 Das Problem Das binäre Logit-Modell In Stata. logit cduwahl polsympangelamerkel 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 = 80 LR chi2(1) = 6.30 Prob > chi2 = Log likelihood = Pseudo R2 = cduwahl Coef. Std. Err. z P> z [95% Conf. Interval] polsympang ~ l _cons ? Statistik II Logistische Regression (15/27)
34 Das Problem Das binäre Logit-Modell In Stata. logit cduwahl polsympangelamerkel 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 = 80 LR chi2(1) = 6.30 Prob > chi2 = Log likelihood = Pseudo R2 = cduwahl Coef. Std. Err. z P> z [95% Conf. Interval] polsympang ~ l _cons ? Richtung und Signifikanz Statistik II Logistische Regression (15/27)
35 Nicht-Linearität Zusammenhang zwischen x und y nicht-linear, aber monoton Mehr x, mehr y (positiver Zusammenhang) bzw. Mehr x, weniger y (negativer) Zusammenhang Aber nicht mit konstanter Rate S-förmiger Zusammenhang Statistik II Logistische Regression (16/27)
36 Nicht-Linearität Zusammenhang zwischen x und y nicht-linear, aber monoton Mehr x, mehr y (positiver Zusammenhang) bzw. Mehr x, weniger y (negativer) Zusammenhang Aber nicht mit konstanter Rate S-förmiger Zusammenhang Veränderung in Wahrscheinlichkeit nicht proportional zu Veränderung in x Großer Effekt, wenn Wahrscheinlichkeit im mittleren Bereich Kleiner Effekt, wenn Wahrscheinlichkeit sehr groß oder sehr gering Statistik II Logistische Regression (16/27)
37 Nicht-Linearität Zusammenhang zwischen x und y nicht-linear, aber monoton Mehr x, mehr y (positiver Zusammenhang) bzw. Mehr x, weniger y (negativer) Zusammenhang Aber nicht mit konstanter Rate S-förmiger Zusammenhang Veränderung in Wahrscheinlichkeit nicht proportional zu Veränderung in x Großer Effekt, wenn Wahrscheinlichkeit im mittleren Bereich Kleiner Effekt, wenn Wahrscheinlichkeit sehr groß oder sehr gering Statistik II Logistische Regression (16/27)
38 Was ist mit den zufälligen Fehlern? Im linearen Regressionsmodell zufällige Normalverteilung um konditionalen Mittelwert Separater Parameter (σ 2 ɛ) Für Logit-Modell Binomialverteilung um konditionale Wahrscheinlichkeit Varianz hängt ab von erwarteter Wahrscheinlichkeit (Heteroskedastizität) Ist durch Modell fixiert und wird nicht separat geschätzt Probit-Modelle sind sehr ähnlich, haben lediglich eine andere Link- bzw. Varianzfunktion Statistik II Logistische Regression (17/27)
39 Logit-Koeffizienten Modell nur in den Logits linear von Richtung (Vorzeichen) von Signifikanz Logits sind sehr unanschaulich Statistik II Logistische Regression (18/27)
40 Odds/Odd-Ratios logit(cduwahl) =β 0 + β 1 merkelsympathie e logit(cduwahl) = odds(cduwahl) =e (β 0+β 1 merkelsympathie) =e β 0 e β 1merkelsympathie Multiplikative Darstellung des Modells Für x = 0: odds = anti-logarithmierte Konstante e β 1 = exp(β 1 ) = Effektkoeffizient Veränderung von x um eine Einheit multipliziert die odds mit dem Effektkoeffizienten Statistik II Logistische Regression (19/27)
41 Odds/Odd-Ratios logit(cduwahl) =β 0 + β 1 merkelsympathie e logit(cduwahl) = odds(cduwahl) =e (β 0+β 1 merkelsympathie) =e β 0 e β 1merkelsympathie Multiplikative Darstellung des Modells Für x = 0: odds = anti-logarithmierte Konstante e β 1 = exp(β 1 ) = Effektkoeffizient Veränderung von x um eine Einheit multipliziert die odds mit dem Effektkoeffizienten Findet sich manchmal in (älterer) Literatur, nicht sehr anschaulich Statistik II Logistische Regression (19/27)
42 Wie kommt man von Logits zu Wahrscheinlichkeiten? Logit Wie nach p auflösen? ( ) p Logit = β 0 + β 1 x 1 = ln 1 p Statistik II Logistische Regression (20/27)
43 Wie kommt man von Logits zu Wahrscheinlichkeiten? Logarithmus loswerden exp(logit) = p 1 p Statistik II Logistische Regression (20/27)
44 Wie kommt man von Logits zu Wahrscheinlichkeiten? p auf eine Seite bringen, ausmultiplizieren exp(logit) (1 p) = p exp(logit) p exp(logit) = p Statistik II Logistische Regression (20/27)
45 Wie kommt man von Logits zu Wahrscheinlichkeiten? exp(logit) freistellen, rechte Seite zusammenfassen exp(logit) = p exp(logit) + p exp(logit) = (exp(logit) + 1) p Statistik II Logistische Regression (20/27)
46 Wie kommt man von Logits zu Wahrscheinlichkeiten? p wieder freistellen exp(logit) exp(logit) + 1 = p exp(β 0 + β 1 x 1 ) exp(β 0 + β 1 x 1 ) + 1 = p e (β 0+β 1 x 1 ) e (β 0+β 1 x 1 ) + 1 = p Statistik II Logistische Regression (20/27)
47 Wahrscheinlichkeiten p = eβ 0+β 1 x e β 0+β 1 x 1 Odds auch nicht wirklich anschaulich Klarste : erwartete Wahrscheinlichkeiten 1. Teil der Transformation auch umkehren Veränderung der Wahrscheinlichkeit nicht proportional zur Veränderung von x bzw. abhängig vom Niveau von x (und ggf. anderer x 2, ) S-förmiger Zusammenhang Statistik II Logistische Regression (21/27)
48 Erweiterung des Modells logit(y) = β 0 + β 1 x 1 + β 2 x 2 + Logistische Regression ebenfalls multivariat möglich Mehrere unabhängige Variablen wirken linear-additiv auf den Logit Wirkung einer Veränderung von x 1 um eine Einheit auf die Wahrscheinlichkeit von y = 1 hängt ab vom Niveau von x1 und vom Niveau von x2, Am besten graphisch darstellbar Statistik II Logistische Regression (22/27)
49 CDU-Wahl II CDU-Wahl als Funktion von Merkelsympathie Links-Rechts-Selbsteinstufung logit(cduwahl) = β 0 + β 1 merkelsympathie + β 2 LRS Statistik II Logistische Regression (23/27)
50 In Stata. logit cduwahl polsympangelamerkel lrsselbstselbst Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Logistic regression Number of obs = 78 LR chi2(2) = Prob > chi2 = Log likelihood = Pseudo R2 = cduwahl Coef. Std. Err. z P> z [95% Conf. Interval] polsympang ~ l lrsselbsts ~ t _cons Statistik II Logistische Regression (24/27)
51 Graphische Darstellung Wie wirkt Merkelsympathie für Linke (LRS=2) Zentristen (LRS=5) Rechte (LRS=8)? Statistik II Logistische Regression (25/27)
52 Graphische Darstellung Prob. CDU-Wahl Merkelsympathie LRS=2 LRS=8 LRS=5 Statistik II Logistische Regression (25/27)
53 Graphische Darstellung Wie wirkt Merkelsympathie für Linke (LRS=2) Zentristen (LRS=5) Rechte (LRS=8)? Wirkung von Sympathie... Fast linear für Rechte Schwach bei Zentristen Praktisch nicht vorhanden bei Linken Implizite Interaktion auf der Ebene der Wahrscheinlichkeiten Prob. CDU-Wahl Merkelsympathie LRS=2 LRS=5 LRS=8 Statistik II Logistische Regression (25/27)
54 Multivariate Nicht-Linearität 1 p(cdu) Symp. Merkel LRS 8 10 Statistik II Logistische Regression (26/27)
55 Multivariate Nicht-Linearität 1 p(cdu) Symp. Merkel 0 0 LRS Statistik II Logistische Regression (26/27)
56 Multivariate Nicht-Linearität 1 p(cdu) Symp. Merkel LRS 10 Statistik II Logistische Regression (26/27)
57 Viele politikwissenschaftlich interessante Variablen dichotom Lineares Modell problematisch Logit-Modell als gute Alternative erfordert Sorgfalt Statistik II Logistische Regression (27/27)
Kategoriale 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
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
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)
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
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
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
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
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:
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
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
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
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrWurzeln als Potenzen mit gebrochenen Exponenten. Vorkurs, Mathematik
Wurzeln als Potenzen mit gebrochenen Exponenten Zur Einstimmung Wir haben die Formel benutzt x m n = x m n nach der eine Exponentialzahl potenziert wird, indem man die Exponenten multipliziert. Dann sollte
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrErfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrMeinungen der Bürgerinnen und Bürger in Hamburg und Berlin zu einer Bewerbung um die Austragung der Olympischen Spiele
Meinungen der Bürgerinnen und Bürger in Hamburg und Berlin zu einer Bewerbung um die Austragung der Olympischen Spiele 4. März 2015 q5337/31319 Le forsa Politik- und Sozialforschung GmbH Büro Berlin Schreiberhauer
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrDeutliche Mehrheit der Bevölkerung für aktive Sterbehilfe
Allensbacher Kurzbericht 6. Oktober 2014 Deutliche Mehrheit der Bevölkerung für aktive Sterbehilfe Zwei Drittel sind für die Erlaubnis aktiver Sterbehilfe, 60 Prozent für die Zulassung privater Sterbehilfe-Organsationen.
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrMATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009
EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer
MehrKoeffizienten der Logitanalyse. Kurt Holm. Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at
Koeffizienten der Logitanalyse Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 1 Kurt Holm Koeffizienten der Logitanalyse Eine häufig gestellte Frage lautet:
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrGrundlagen der Informatik
Mag. Christian Gürtler Programmierung Grundlagen der Informatik 2011 Inhaltsverzeichnis I. Allgemeines 3 1. Zahlensysteme 4 1.1. ganze Zahlen...................................... 4 1.1.1. Umrechnungen.................................
MehrDer DIA Deutschland-Trend-Vorsorge
Der DIA Deutschland-Trend-Vorsorge Einstellungen zur Altersvorsorge Köln, 5. April 2012 17. Befragungswelle 1. Quartal 2012 Bernd Katzenstein Deutsches Institut für Altersvorsorge, Köln Sven Hiesinger
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrEINBLICKE FÜR KMU-KUNDEN
TWITTER + RESEARCHNOW business.twitter.com @TwitterAdsDACH METHODOLOGIE Wir haben eine 10-minütige Umfrage unter 500 Befragten durchgeführt, die... in Deutschland, Österreich oder der Schweiz wohnen**
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrWarum Sie dieses Buch lesen sollten
Warum Sie dieses Buch lesen sollten zont nicht schaden können. Sie haben die Krise ausgesessen und können sich seit 2006 auch wieder über ordentliche Renditen freuen. Ähnliches gilt für die Immobilienblase,
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrGefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
Mehrin vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen
Gleitkommazahlen in vielen technischen und wissenschaftlichen Anwendungen erforderlich: hohe Präzision große Dynamik möglich durch Verwendung von Gleitkommazahlen allgemeine Gleitkommazahl zur Basis r
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrVorkurs Mathematik für Informatiker 3 Logarithmen
3 Logarithmen Michael Bader, Thomas Huckle, Stefan Zimmer 1. 9. Oktober 2008 Kap. 3: Logarithmen 1 Logarithmen: Definition Definition: Zu x > 0 und b > 0, b 1 sei der Logarithmus von x zur Basis b folgende
MehrDie Invaliden-Versicherung ändert sich
Die Invaliden-Versicherung ändert sich 1 Erklärung Die Invaliden-Versicherung ist für invalide Personen. Invalid bedeutet: Eine Person kann einige Sachen nicht machen. Wegen einer Krankheit. Wegen einem
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrDie Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt.
LÖSUNGEN TEIL 1 Arbeitszeit: 50 min Gegeben ist die Funktion f mit der Gleichung. Begründen Sie, warum die Steigung der Sekante durch die Punkte A(0 2) und C(3 11) eine weniger gute Näherung für die Tangentensteigung
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrPresse-Information 04.01.2013
04.01.2013 1 Studie des Instituts für Demoskopie Allensbach zur wirtschaftlichen Situation von Unternehmen im Geschäftsgebiet der Volksbank Herrenberg Rottenburg Optimistische Unternehmen in Herrenberg
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
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
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
MehrComputerarithmetik ( )
Anhang A Computerarithmetik ( ) A.1 Zahlendarstellung im Rechner und Computerarithmetik Prinzipiell ist die Menge der im Computer darstellbaren Zahlen endlich. Wie groß diese Menge ist, hängt von der Rechnerarchitektur
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrBinäre Gleitkommazahlen
Binäre Gleitkommazahlen Was ist die wissenschaftliche, normalisierte Darstellung der binären Gleitkommazahl zur dezimalen Gleitkommazahl 0,625? Grundlagen der Rechnerarchitektur Logik und Arithmetik 72
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
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrMathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung
Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrHerzlichen Glückwunsch, Telefon!
Herzlichen Glückwunsch, Telefon! TNS Infratest-Umfrage: Die Deutschen und ihr Telefon Zum 150. Geburtstag des Telefons am 26. Oktober 2011 hat die Telekom in Zusammenarbeit mit dem Meinungsforschungsinstitut
MehrMessung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes
von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrTrend-Vorsorge. Der DIA Deutschland-Trend. 10. Befragungswelle 2. Quartal 2010. Einstellungen zur Altersvorsorge. Köln, 20.
Der DIA Deutschland-Trend Trend-Vorsorge Einstellungen zur Altersvorsorge Köln, 20. Juli 2010 10. Befragungswelle 2. Quartal 2010 Bernd Katzenstein Deutsches Institut für Altersvorsorge, Köln Sven Hiesinger
MehrRepräsentative Umfrage zur Beratungsqualität im deutschen Einzelhandel (Auszug)
Porsche Consulting Exzellent handeln Repräsentative Umfrage zur Beratungsqualität im deutschen Einzelhandel (Auszug) Oktober 2013 Inhalt Randdaten der Studie Untersuchungsziel der Studie Ergebnisse der
MehrBevor lineare Gleichungen gelöst werden, ein paar wichtige Begriffe, die im Zusammenhang von linearen Gleichungen oft auftauchen.
R. Brinkmann http://brinkmann-du.de Seite 1 13.0.010 Lineare Gleichungen Werden zwei Terme durch ein Gleichheitszeichen miteinander verbunden, so entsteht eine Gleichung. Enthält die Gleichung die Variable
MehrWearables und Gesundheits-Apps
Wearables und Gesundheits-Apps Verbraucherbefragung im Auftrag des Bundesministeriums der Justiz und für Verbraucherschutz Berlin, den 09.0.06 Methodik / Eckdaten Die Umfrage basiert auf Online-Interviews
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt 3 1. Semester ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN
ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN Wir wollen nun die Rechengesetze der natürlichen Zahlen auf die Zahlenmenge der ganzen Zahlen erweitern und zwar so, dass sie zu keinem Widerspruch mit bisher geltenden
MehrAnalyse von Tabellen und kategorialen Daten
Hans-Jürgen Andreß Jacques A. Hagenaars Steffen Kühnel Analyse von Tabellen und kategorialen Daten Log-lineare Modelle, latente Klassenanalyse, logistische Regression und GSK-Ansatz Mit 32 Abbildungen
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
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrAuslotung der Gefühle & Wünsche von Eltern und SchülerInnen zum Schuljahr 2011/2012
Chart Auslotung der Gefühle & Wünsche von Eltern und SchülerInnen zum Schuljahr 0/0 Projektleiter: Studien-Nr.: Mag. Reinhard Födermayr Z85.08.P.O n=5, Online Interviews mit Eltern von SchülerInnen und
MehrStudie Windkraft und Tourismus 2003 bis 2009
Studie Windkraft und Tourismus 2003 bis 2009 Ergebnisse der repräsentativen Bevölkerungsbefragungen entwickelt und durchgeführt vom: SOKO Institut Ritterstraße 19 33602 Bielefeld Dr. Henry Puhe 0521 /
MehrGlaube an die Existenz von Regeln für Vergleiche und Kenntnis der Regeln
Glaube an die Existenz von Regeln für Vergleiche und Kenntnis der Regeln Regeln ja Regeln nein Kenntnis Regeln ja Kenntnis Regeln nein 0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % Glauben Sie, dass
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
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrÜbungen zur Veranstaltung Statistik 2 mit SPSS
Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe
Mehr