Seminar: Psychometrische Modelle: Theorie und Anwendungen. Institut für Statistik, LMU München
|
|
- August Grosser
- vor 7 Jahren
- Abrufe
Transkript
1 Seminar: Psychometrische : Theorie und Anwendungen Institut für Statistik, LMU München / 25
2 Grundfragen: Wie können spezifische Modellverletzungen entdeckt werden? Wie soll man mit diesen Verletzungen umgehen? 2 / 25
3 Testungen des Modell-Fit und auf Misfit Ein Modellierungsansatz: das MPLT-Modell und Ausblick 3 / 25
4 Testungen des Modell-Fit und auf Misfit Andersen LQ-Test Wald-Test (Itemebene) Martin-Löf-Test Natürlich auch: BIC, AIC mit bekannten Problemen. Was tun bei Modellverletzungen? Welche sind es? Anwendung von mit Power für bestimmte Modellverletzungen bei gefundener Modellverletzung: Ansatz: Modellierung durch flexiblere ( Modellierungs -Ansatz) Ansatz: Verbesserung des Messinstruments (eher messtheoretischer Ansatz) Bestlösung: Modell spezifizieren, das die Modellverletzungen auffangen kann und messtheoretische Eigenschaften beibehält. 4 / 25
5 Messtheoretischer Ansatz zur Testverbesserung Diverse Möglichkeiten Items inhaltlich prüfen. Umformulierung um Probleme zu lösen, z.b. bei Items die mehrere Dimensionen abfragen. Antwortskala überprüfen. Prüfen, was als Lösung bewertet wird. Evtl. Bewertungsschema anpassen. Bei unterschiedlicher Diskrimination der Items: Scoring ändern. Anschließend adäquates Modell wählen. Last Resort: Items eliminieren. 5 / 25
6 Modellierungs -Ansatz Vorwiegendes Ziel sollte es sein, die gewünschten messtheoretischen Eigenschaften beizubehalten, die z.b. das Rasch-Modell mit sich bringt (lokale Unabhängigkeit, spezifische Objektivität). Modellierung mittels alternativer (Rasch-), die die Modellierung der Annahmenverletzungen zulassen. Für adäquate Modellwahl müssen aber zunächst die Modellverletzungen bekannt sein Modelltests Bisherige Tests (Andersen LQ-Test, Martin-Löf Test, Wald-Test) haben geringe Teststärke für Verletzungen der lokalen Abhängigkeit. Daher sollen zunächst zwei Tests, und, für diesen Zweck eingeführt werden. Anschließend werden zwei allgemeine zur Modellierung von Modellverletzungen vorgestellt. 6 / 25
7 Pearson-Type Statistiken zur Modellprüfung Gegeben: multionomial verteilte Zufallsvariable Y mit K Kategorien, p k relative Häufigkeit der Kategorie k, ˆπ k BAN-Schätzer für P(Y = k). Dann gilt asymptotisch X 2 = n K (p k ˆπ k ) 2 k=1 ˆπ k asymp. χ 2 (K q 1) Mit b = n 1/2 (p ˆπ) und ˆD π = diag(ˆπ k ) kann man schreiben : X 2 = b T ˆD 1 π b Mit geeigneter Transformationsmatrix U lassen sich Linearkombinationen der Elemente von b bilden (Kategorien zusammenlegen) und vergleichbare ermitteln. Die Form ändert sich zu Q = b T U(U T ˆD π U) U T b = d T W d 7 / 25
8 Pearson-Type zur Testung des Rasch-Modells Wie hilft uns die multinomiale Betrachtung bei Modelltestung des Rasch-Modells? Die möglichen Antwortpattern werden jeweils als Kategorie k mit rel. Hfgkt. p k und erwarteter Häufigkeit ˆπ k betrachtet. Erwartete und beobachtete Hfgktn. pro Pattern jedoch sehr niedrig bei langen Tests. χ 2 -Approximation problematisch Lösung über Kombination bestimmter Pattern zu größeren Kategorien. Aber: nicht für jede Matrix U ist Q(U) zwangsläufig χ 2 -verteilt Glas und Verhelst (1995) leiten Bedingungen für passende U her. Daraus werden R1 und Q1 abgeleitet. und setzen auf ähnliche Statistiken für die Kombination zweier Items. 8 / 25
9 Die -Statistik, van den Wollenberg (1982) basiert auf den gemeinsamen Wahrscheinlichkeitsverteilungen je zweier Items, getrennt nach Scoregruppen r j i n rij00 n rij01 n ri0 1 n rij10 n rij11 n ri1 nrj0 n rj1 n r Für jede Kreuztabelle soll q rij = x,y n (p rijxy ˆπ rijxy ) 2 r ˆπ rijxy berechnet werden. ˆπ rijxy = n r ˆɛ i ˆɛ j ˆγ (i,j) r 2 ˆγ r mit ˆɛ i = exp( β i ) und ˆγ (i,j) r 2 = 2ˆγ r ˆɛ i ˆɛ j Pro Scoregruppe gibt es (J(J 1))/2 Kreuztabellen. 9 / 25
10 Aufsummieren der q rij über alle r und alle Itempaare (i, j) ergibt die Teststatistik Q 2. Aufgrund Restriktionen der n rijxy ist ein Korrekturfaktor nötig, damit sich folgende Statistik ergibt: Q 2 = k 3 I 1 k 1 I 1 I r=1 i=1 j=i+1 q rij approx. χ 2 (I (I 1)(I 3)/2) Q 2 zeigt beste Leistung, wenn die Itemparameter pro Scoregruppe separat geschätzt werden. Computationaler Aufwand hoch. Weiteres Problem: Die asymptotische χ 2 -Verteilung ist nicht analytisch gezeigt, sondern approximativ angenommen (Simulationsstudien). Deckt vor allem Verletzungen der Eindimensionalität und lokaler Unabhängigkeit auf. 10 / 25
11 Die -Statistik Glas (1988 Im Gegensatz zu wird für die -Statistik jeweils ˆπ ij11 über alle Scores hinweg verwendet. berechnet sich folgendermaßen: R 2 = d T 2 W 1 2 d 2 + d T 1 W 1 1 d asymp. 1 χ 2 (I (I 1)/2) mit d 2 = vec ( d ) 2ij n i<j r 2 I 1 und d 2ij = n(p 2ij ˆπ 2ij t,ˆβ cml ) und ˆπ 2ij t,ˆβ = ˆπ rijxy ; W cml 2 = cov(d 2 ) r=2 Der Vollständigkeit ( halber benötigt: d ) d 1 = vec n 1i und W 1 = cov(d 1 ) i r=1 11 / 25
12 Problematisch kann die hohe Dimensionalität der Matrix W 2 ( 2)x( I 2) I werden, die invertiert werden muss. Die asymptotischen Eigenschaften wurden für, im Gegensatz zu denen von, jedoch bereits von Glas (1988) gezeigt. Wie zeigt auch gute Power bei Verletzungen der Eindimensionalität und der lokalen Unabhängigkeit. Zusätzlich hält bei Modellpassung α gut ein. 12 / 25
13 Performance verschiedener Modelltests LR, R 2, Q 2 und weitere Figure : Power verschiedener gegen bestimmte Modellverletzungen (Mair, Ledl, 2006) LR-Test also ausreichend für Prüfung der Trennschärfen und Eindimensionalität und für Prüfung lokaler Unabhängigkeit geeignet Fazit: LR-Test anwenden zur Ermittlung der genauen Modellverletzung Kombination der anderen Statistiken betrachten. oder betrachten zur Ermittlung lokaler Abhängigkeiten Wie kann man diese Modellverletzungen auffangen? 13 / 25
14 Multidimensional Polytomous Latent Trait Modell Das MPLT wurde 1984 von Kelderman und Rijkes vorgestellt und ist ein allgemeines Modell, das viele der IRT als Spezialfälle beinhaltet, bspw. das bereits vorgestellte PCM. Die Wahrscheinlichkeit einer Antwort von Person i auf Item j in Kategorie x berechnet sich wie folgt: P(X ij = x θ i ) = exp [ s d=1 (θ id β jdx )B jdx ] c(θ i, β j ) K j [ s ] c(θ i, β j ) = exp (θ id β jdy )B jdy θ i = (θ i1,..., θ is ); y=0 d=1 Person i, Dimension d = 1,..., s β j = (β jdx ) d=1,...,s,x=0,...,kj ; K j : höchste Kategorie von Item j B jdx : Scoring weights, Item j, Dim. d und Kategorie x 14 / 25
15 Aspekte der Schätzung des MPLT conditional Likelihood und suffiziente Statistiken der Personenparameter Je nach konkret erzeugtem Modell sind diverse Restriktionen zur Identifikation nötig. Immer nötig: B jdx = 0 β jdx = 0 Für ein Antwortmuster x i einer Person ergibt sich: g(t (x i ) θ i ) [{}}{{}} s ] { J s P(X i =x i θ i )=exp θ id t id β jdxij B jdxij d=1 j=1 d=1 h(x i ) g(t (x i ) θ i ) { }} { J [c(θ i, β j )] 1 j=1 t i = (t i1,..., t is ) T somit nach Faktorisierungssatz suffizient für θ i = (θ i1,..., θ is ) T mit J T θ (x i ) = t i = j=1 B jdxij d=1,...,s 15 / 25
16 Aspekte der Schätzung des MPLT conditional Likelihood und symmetrische Grundfunktion Bedingt man die Likelihood auf T θ (x i ) = t i, ergibt sich für die bedingte Likelihood des Antwortvektors x i einer Person i mit folgenden Umparametrisierungen: Φ jx = s β jdxij B jdxij ; d=1 Φ = (Φ 10,..., Φ 1K1,..., Φ J0,..., Φ JKj ) T [ J exp j=1 Φ jx P(X i =x i T θ (x i )) = γ(t i, Φ) mit der symmetrischen Grundfunktion: γ(t i, Φ) = J exp x i t i j=1 Φ jxij ] 16 / 25
17 Ableitung des OPLM aus dem MPLT Je nach Zuordnung der Gewichte B jdx ergeben sich bestimmte. Zu betonen ist, dass diese Gewichte als fest angenommen werden und keine Modellparameter darstellen. Ein Beispiel: Für x (0, 1) und einer Dimension (also s = 2) Bj10 = 0, B j11 = α j vereinfachte Modellgleichung führt zum OPLM: P(X ij = x ij ) = exp(x ijα j (θ i β j )) 1 + exp(α j (θ i β j )) ; T suff,θ(x i ) = J α j x ij unterschiedliche Itemtrennschärfen modellierbar, anders als im 2PL- und 3PL-Modell bleibt cml-schätzung möglich Viele weitere ableitbar aus diesem sehr generellen Modell. In jedem (!) ist cml-schätzung möglich, also Parameterseparierbarkeit gegeben. Weitere ableitbare sind z.b. das RSM, das PCM, MPCM, das polytome Raschmodell, mehrdimensionale und weitere. j=1 17 / 25
18 Aspekte der Anwendung des MPLT Herausforderungen der cml-schätzung Großer Vorteil der MPLT-: Wünschenswerte Eigenschaften des Rasch-Modells bleiben erhalten Herausforderungen: Interpretationen entstandener entwickeln Berechnung der symmetrischen Grundfunktion (Kombinatorik!) Modellierung lokaler Abhängigkeiten darüber hinaus nicht direkt möglich, nur über den Umweg einer weiteren Dimension. Als für diesen Fall kann das Interaktionsmodell von Verhelst und Glas angewendet werden. 18 / 25
19 Das General Logistic Model von Verhelst und Glas (1995) Modellierung lokaler Abhängigkeiten Definition über Test-Response x, statt über einzelne Item-Responses x j, d.h. z.b. für ein Rasch-Modell mit zwei Items, dass um eine Interaktion erweitert wird: P(X = x θ) exp(t (x)θ β 1 x 1 β 2 x 2 β 12 x 1 x 2 ) Beispiel für die Scoring function: T (x) = X 1 + X 2 + X 1 X 2 Interessantes Detail: da T (x) suffizient für θ ist, ist auch hier cml-schätzung möglich, trotz Verletzung lokaler Unabhängigkeit. Konsequenz: Flexibles Modell, in dem aber die Antwortwahrscheinlichkeit auf ein Item von den Antworten auf die anderen Items abhängen kann. 19 / 25
20 General Logistic Model (Interaktionsmodell) allgmeine Formulierung P TR,R(x θ) exp[t R (x)θ R x m1...x mr β m1,...,m r ] R ist dabei eine Untermenge der Potenzmenge von {1,..., J}, also eine Auswahl von Interaktionen zusätzlich zu den Itemeffekten. z.b. für das vorher aufgeführte Beispielmodell: R = {{1}, {2}, {1, 2}} vereinfacht geschrieben: R = {1, 2, 12} T R (X) kann frei gewählt werden. R und T R (X) bestimmen das konkrete Modell. 20 / 25
21 Interaktionsmodell: Spezialfälle und cml Figure : Mögliche Spezifikationen von T R und R mit zugehörigen Modellnamen cml-schätzung der über: P TR,R(x t R (x) = t) = exp[ R x m 1...x mr β m1,...,m r ] γ t (β) γ t (β) = [ exp ] y m1...y mr β m1,...,m r R y:t(y)=t 21 / 25
22 Interaktionsmodell Was tun, wenn Items Interaktionen zeigen? Interaktionsmodell anwenden oder evtl. Items eliminieren. Zu beachten bleibt, dass dieses Modell keine Aussagen darüber trifft, was das Herauslassen bestimmter Items, z.b. derer mit Interaktionen, für die Messeigenschaften des verbleibenden Instruments bedeutet. Es gilt nicht zwangsläufig für das restliche Instrument das Rasch-Modell! Weiterhin ist natürlich bei Änderung des Modells die neuerliche Modellpassung anhand einer anderen, unabhängigen Stichprobe zu untersuchen. 22 / 25
23 Fazit zur Modellwahl s. auch Rost (2004) Problematische Items inhaltlich betrachten, Schwachstellen identifizieren, umformulieren. Antwortskala auf den Prüfstand stellen. Evtl. qualitatives Scoring ändern (Was ist eine richtige Antwort?). Anpassungen vornehmen, die zu anderen adäquaten n führen Diskriminationen anpassen OPLM Mehrdimensionalität z.b. Variante des MPLTM Mixed-Rasch zur Auffindung verschiedener Gruppen mit raschkonformen Mustern Erst dann wichtige igenschaften aufgeben. Modellierung dann z.b. über Interaktionsmodelle, 2PL-, 3-PL-Modell oder andere. 23 / 25
24 und Ausblick Große Menge an Modelltests verschiedener Annahmen verfügbar. Teilweise schwierig Implementationen zu finden. Es gibt viele Optionen um Modellverletzungen im cml-kontext aufzufangen. Weiterführende Gedanken: Differential Item Functioning überprüfen mittels Lasso Trees Learning Models: Berücksichtigung der Lerneffekte im Modell bei Beibehaltung lokaler stochastischer Unabhängigkeit. 24 / 25
25 Herzlichen Dank für die Aufmerksamkeit 25 / 25
Seminar: Statistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften. Institut für Statistik, LMU München
Seminar: Statistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften Institut für Statistik, LMU München 18.01.2014 Grundfrage der Psychometrie Wie kann man Eigenschaften,
MehrDas Rasch-Modell und seine zentralen Eigenschaften
Das Rasch-Modell und seine zentralen Eigenschaften Stella Bollmann Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU München München, 27. Mai 2014 Stella Bollmann Das
MehrTests der Annahmen des Rasch-Modells
Tests der Annahmen des Rasch-Modells Seminar Psychometrische Modelle: Theorie und Anwendungen Ender Celik Institut für Statistik Ludwig-Maximilians-Universität München Juni 2014 Ender Celik (LMU) Modellannahmenprüfung
MehrRaschmodelle und generalisierte Regression. Sven Hilbert
Raschmodelle und generalisierte Regression Sven Hilbert Generalisiertes lineares Modell () Bestandteile generalisierter linearer Modelle Zufällige Komponente Y mit zugehöriger Wahrscheinlichkeitsverteilung
MehrNachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
Mehr2.4 Indexbildung und Einblick in Skalierungsverfahren
2.4 Indexbildung und Einblick in Skalierungsverfahren 79 15. November 2013 2.4.1 Indexbildung Zusammenfassung mehrerer Indikatoren eines Konstrukts zu einer Kennzahl. Oft sind Konstrukte mehrdimensional
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrWas ist eine Testtheorie? Grundlagen der Item-Response. Response-Theorie. Modelle mit latenten Variablen
Was ist eine Testtheorie? Eine Testtheorie beschäftigt sich also mit dem Zusammenhang zwischen Testverhalten und dem zu erfassenden Merkmal. Testauswertung Persönlichkeitsmerkmal (z.b. Emotionalität, Fähigkeit)
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
MehrItem Response Theorie für binäre Daten
Item Response Theorie für binäre Daten Trautmann Luca Seminarleitung: Priv.-Doz. Dr. Steffen Unkel, MSc in Statistics Institut für Statistik, LMU, München 19.01.2018 Trautmann Luca Item Response Theorie
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrMehrdimensionale 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,
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
Mehr5.Tutorium Generalisierte Regression
5.Tutorium Generalisierte Regression - Multinomiales/Kummulatives Logit-Modell - Cynthia Huber: 09.12.2014 und 16.12.2014 Michael Hanselmann: 18.12.2014 Institut für Statistik, LMU München 1 / 16 Gliederung
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrVerallgemeinerungen der Rasch-Modells
Verallgemeinerungen der Rasch-Modells Vera Völkl Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU 6. Juni 2014 Gliederung 1 Birnbaum-Modelle Modellgleichungen Parameterschätzung
MehrÜberblick über die ProbabilistischeTesttheorie
Überblick über die ProbabilistischeTesttheorie Schwächen der Klassischen Testtheorie Axiome Theoretische Festlegungen nicht überprüfbar! Einige sind kontraintuitiv und praktisch nicht haltbar Stichprobenabhängigkeit
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrKlassen diskreter Variablen
Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw.
MehrDas Rasch-Modell. Emil Fazli. 17. Juni Betreuer: Dr. Marco Cattaneo
Das Rasch-Modell Emil Fazli Betreuer: Dr. Marco Cattaneo 17. Juni 2013 Inhaltsverzeichnis 1 Einfuehrung 2 2 Mathematische Formulierung 3 2.1 Die Datenmatrix......................... 3 2.2 Die Modellgleichung.......................
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
Mehr1. Eigenschaften einer Zufallsstichprobe
1. Eigenschaften einer Zufallsstichprobe 1.1 Grundkonzepte Definition 1.1.1: Man nennt die Zufallsvariablen X 1,..., X n zufällige Stichprobe oder Zufallsstichprobe vom Umfang n aus der Population (Grundgesamtheit)
MehrAlternative Darstellung des 2-Stcihprobentests für Anteile
Alternative Darstellung des -Stcihprobentests für Anteile DCF CF Total n 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Bei Gültigkeit der Nullhypothese Beobachtete Response No Response Total absolut
MehrStatistik für Informatiker, SS Grundlagen aus der Wahrscheinlichkeitstheorie
1/19 Statistik für Informatiker, SS 2018 1 Grundlagen aus der Wahrscheinlichkeitstheorie 1.3 Bedingte Wahrscheinlichkeiten, Unabhängigkeit, gemeinsame Verteilung 1.3.4 Matthias Birkner http://www.staff.uni-mainz.de/birkner/statinfo18/
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen ob die in diesem Datensatz untersuchte
Mehr2. Prinzipien der Datenreduktion
2. Prinzipien der Datenreduktion Man verwendet die Information in einer Stichprobe X 1,..., X n, um statistische Inferenz über einen unbekannten Parameter zu betreiben. Falls n groß ist, so ist die beobachtete
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrPersonenparameter + Itemparameter
9.Testtheorie: Probabilistische Testtheorie PTT - Grundideen Grundgedanke: Item-Response-Theory IRT probabilistischer Zusammenhang! Wie wahrscheinlich ist es, dass sich eine bestimmte Merkmalsausprägung
MehrTutorial:Unabhängigkeitstest
Tutorial:Unabhängigkeitstest Mit Daten aus einer Befragung zur Einstellung gegenüber der wissenschaftlich-technischen Entwicklungen untersucht eine Soziologin den Zusammenhang zwischen der Einstellung
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
Mehr3.2 Maximum-Likelihood-Schätzung
291 Die Maximum-Likelihood-Schätzung ist die populärste Methode zur Konstruktion von Punktschätzern bei rein parametrischen Problemstellungen. 292 3.2.1 Schätzkonzept Maximum-Likelihood-Prinzip: Finde
Mehr4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion
4.2 Methoden um Tests zu finden: Likelihood Quotienten Tests (LRT) Falls X 1,..., X n iid aus f(x θ), so gilt für die Likelihood Funktion L(θ x) = f(x θ) = n f(x i θ). Falls L(θ x) > L(θ x), für θ, θ Θ,
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 Einführung 1 Wahrscheinlichkeit: Definition und Interpretation 2
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrTesttheorie und Testkonstruktion
v *»» Testtheorie und Testkonstruktion von Michael Eid und Katharina Schmidt HOGREFE GÖTTINGEN BERN WIEN PARIS OXFORD PRAG TORONTO BOSTON AMSTERDAM KOPENHAGEN STOCKHOLM FLORENZ HELSINKI Inhaltsverzeichnis
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrPartial Credit Model und Tutz Model
November 22, 2011 Item Response Theory - Partial Credit Model Einleitung IRT-Einteilung Datenstruktur PCM - Herleitung Parameterschätzung Goodness of Fit Beispiel Sequential Models for Ordered Responses
MehrStatistische Überlegungen: Eine kleine Einführung in das 1 x 1
Statistische Überlegungen: Eine kleine Einführung in das 1 x 1 PD Dr. Thomas Friedl Klinik für Frauenheilkunde und Geburtshilfe, Universitätsklinikum Ulm München, 23.11.2012 Inhaltsübersicht Allgemeine
MehrItem-Response-Theorie Probabilistische Testtheorie. Christian Stroppel
Item-Response-Theorie Probabilistische Testtheorie Referat von: Christian Stroppel Testtheorie Personenparameter Latente Variable ξ Testtheorie Manifeste Variable Xvi Eine Testtheorie beschreibt in welchem
Mehrerm: ein Open Source Paket für IRT Modelle
erm: ein Open Source Paket für IRT Modelle Reinhold Hatzinger Department für Statistik und Mathematik Wirtschaftsuniversität Wien Was ist erm? erm steht für extended Rasch modelling ist ein R package ist
MehrParametrische und nichtparametrische Tests
XIII. Nichtparametrische Tests Seite 1 Parametrische und nichtparametrische Tests Parametrische Tests: Hier wird eine bestimmte Verteilung vorausgesetzt, und getestet, ob die gewählten Parameter passen.
MehrKonfidenzintervalle. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt
Konfidenzintervalle Annahme: X 1,..., X n iid F θ. Gesucht: U = U(X 1,..., X n ), O = O(X 1,..., X n ), sodass für das wahre θ gilt P θ (U θ O) = 1 α, α (0, 1). Das Intervall [U, O] ist ein Konfidenzintervall
Mehr06./ Vortrag im Rahmen des Masterseminars Psychometrische Modelle: Theorie und Anwendungen am Institut für Statistik (LMU)
Vortrag im Rahmen des Masterseminars Psychometrische Modelle: Theorie und en am Institut für Statistik (LMU) 06./07.06.2014 1 2 Linear-logistische 3 4 Schätzung 5 6 7 Zusammenfassung 8 Literatur () Flexible
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
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
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrÜbersicht. 1 Einführung in Markov-Chain Monte-Carlo Verfahren. 2 Kurze Wiederholung von Markov-Ketten
Markov-Chain Monte-Carlo Verfahren Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Übersicht 1 Einführung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
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/
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrEinführung in die Theorie psychologischer Tests
Gerhard H. Fischer Einführung in die Theorie psychologischer Tests Grundlagen und Anwendungen VERLAG HANS HUBER BERN STUTTGART WIEN Inhaltsverzeichnis Vorwort 9 Die Notation 12 Teil 1: Abriss der klassischen
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Thomas Vanck Statistik & Maschinelles Lernen Statistik: Deskriptive Statistik: Beschreibung (Tabellen,
MehrDr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer Musterlösung
Dr. L. Meier Statistik und Wahrscheinlichkeitsrechnung Sommer 014 Musterlösung 1. 8 Punkte) a) 1 Pt)Für das Komplement gilt PR A) = 1 PR c A) = 0.968. b) 1 Pt)Nach Definition der bedingten Wahrscheinlichkeit
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
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
MehrStochastik-Praktikum
Stochastik-Praktikum Markov Chain Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 16. Januar 2018 (Humboldt-Universität zu Berlin) Markov Chain Monte Carlo 16. Januar 2018 1 / 17 Übersicht 1
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
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
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrAussagen hierzu sind mit einer unvermeidbaren Unsicherheit behaftet, die statistisch über eine Irrtumswahrscheinlichkeit bewertet wird.
Stichprobenumfang Für die Fragestellung auf Gleichheit von ein oder zwei Stichproben wird auf Basis von Hypothesentests der notwendige Stichprobenumfang bestimmt. Deshalb werden zunächst die Grundlagen
MehrBayesianische Modellwahl. Helga Wagner Bayes Statistik WS 2010/11 161
Bayesianische Modellwahl Helga Wagner Bayes Statistik WS 2010/11 161 Modellwahl Problem der Modellwahl: Welches von K möglichen Modellen M 1,...,M K ist für die Daten y am besten geeignet? Klassisch: LQ-Test
MehrDefinition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : ) 1/γ. G γ,ν,β = 1 (1 + γ x ν β
Die POT Methode (Peaks over Threshold) Definition 18 (Die verallgemeinerte Pareto Verteilung (GPD)) Die standard GPD G γ : G γ (x) = { 1 (1 + γx) 1/γ für γ 0 1 exp{ x} für γ = 0 wobei x D(γ) D(γ) = { 0
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrLeast Absolute Shrinkage And Seletion Operator (LASSO)
Least Absolute Shrinkage And Seletion Operator (LASSO) Peter von Rohr 20 März 2017 Lineare Modell und Least Squares Als Ausgangspunkt haben wir das Lineare Modell und Least Squares y = Xβ + ɛ (1) ˆβ =
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrElastizität und Bruchmechanik J-Integral auf ein dreidimensionales Kontinuum
Elastizität und Bruchmechanik 008 - J-Integral auf ein dreidimensionales Kontinuum Gruppe C Christian Schmiedel (30009) Markus Vöse (301004) Piotr Zakaszewski (30104) Jens Wintering (305609) 18. Juli 008
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
MehrVerteilungsfreie Verfahren
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2012 1. Anpassungstests 1.1. Empirische Verteilung 1.2. Kolmogorov-Smirnov-Anpassungstest 1.3. χ 2 -Anpassungstest
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2011/12. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2011/12 Aufgabe 1 Übungsleiter
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes- Entscheidungsfunktionen
MehrRASCH-SKALIERUNG
9.3. RACH-KALIERUNG (von Günter Hanisch) Nachfolgend wird die Analyse nach RACH (Ast 3 in Abb.9.) erläutert (Literatur am Ende des Unterapitels). 9.3.. VORAUETZUNGEN UND EIGENCHATEN. Es wird angenommen,
Mehr