Mehrebenenanalyse am Beispiel der Lernwirkung von Aufgaben im Physikunterricht
|
|
- Liese Frei
- vor 7 Jahren
- Abrufe
Transkript
1 Material zu Kapitel 22 Mehrebenenanalyse am Beispiel der Lernwirkung von Aufgaben im Physikunterricht Jochen Kuhn Übersicht über das Vorgehen zur Modellentwicklung bei den Mehrebenenanalysen zum Leistungs-Posttest Modell-Nr. M0 M1a M1b M2a M2b M2c M2d M2e M2f M2g M2h M7a M7b M7c M7d M7e Feste Effekte Intercept Bedingung BED (E2) Physik-Vorleistung PHY (E1) Interaktionen PHY (E1) x BED (E2) Motivations-Prätest MOT_PRE (E1) MOT_PRE (E1) x BED (E2) Lehrermerkmal EI (E3) EI (E3) x BED (E2) EI (E3) x PHY (E1) EI (E3) x MOT_PRE (E1) Zufallseffekte Restvarianz auf Ebene 1 Restvarianz auf Ebene 2 Restvarianz auf Ebene 3 BED-Zufallseffekt auf E3 PHY-Zufallseffekt auf E2 PHY-Zufallseffekt auf E3 MOT-Zufallseffekt E2 MOT-Zufallseffekt E3 auf auf EI-Zufallseffekt auf E2 Anmerkung. = Prädiktor/Komponente wird ins Modell eingeführt und bleibt im Modell nur dann enthalten, wenn statistische Signifikanz erreicht wird; = Komponente wird ins Modell eingeführt und bleibt aus theoretischen Gründen auch bei Insignifikanz im Modell enthalten Im Folgenden soll die Modellentwicklung in dieser Untersuchung exemplarisch und einstiegsweise für die Modellserien 0 bis 2 verdeutlicht werden. Ergänzt werden die Darstellungen durch exemplarische Screenshots von Eingabemaske und Output des Programms HLM (Version 6.00), das zur Auswertung verwendet wurde. Für weitere Details dazu sei an dieser Stelle auf die weiterführende Literatur verwiesen (z.b. Raudenbush et al. 2004).
2 Null-Modell M0 Ausgangspunkt des Modellierungsverfahren stellt die Ermittlung der Verteilung der Varianzanteile der Gesamtmotivation auf die drei Ebenen durch das Null-Modell dar (s. Tabelle 3.). Tabelle 3. Zufallseffekte des Null-Modells zum Leistungs-Posttest Zufallseffekt SD VAR df χ² p Varianzanteil in % Schüler, e ijk Klassen, r 0jk Lehrer, u 00k Anmerkungen. SD = Standardabweichung (der Zielvariablen); VAR = Varianz; df = Freiheitsgrade; χ² = χ²-werte; e ijk : Restvarianz auf Ebene 1; r 0jk : Restvarianz auf Ebene 2; u 00k : Restvarianz auf Ebene 3 In Abbildung 1 ist der Screenshot der Eingabemaske der Software HLM (Version 6.0) zum Nullmodell dargestellt. Nachdem das Projekt in der Software angelegt wurde (s. Raudenbush et al. 2004, Kuhn 2010), sind in der linken Menüleiste die jeweiligen Prädiktoren pro Level aufgeführt, die sukzessive in die Modellgleichung eingefügt werden können. Im Hauptbildschirm sind dann die ebenenbezogenen Modellgleichungen und im unteren Bereich ( Mixed Model ) die jeweilige Gesamtmodellgleichung aufgeführt. Somit kann man die Modelländerung durch jeden Erweiterungsschritt (z.b. durch Einfügen eines weiteren Prädiktors) sowohl ebenenspezifisch als auch im Gesamtmodell zeitgleich erkennen. Im Falle des Nullmodells sind noch keine Prädiktoren eingefügt. Abbildung 1. Screenshot der HLM-Eingabemaske im Falle des Nullmodells Nachdem die Modellgleichung mit den Daten gestartet wurde (Befehl Run im Menü File ), wird eine txt- Datei ( Output-Datei ) erzeugt, in der die Ergebnisse dargestellt sind (s. Abbildung 2a/b). Im ersten Teil des Outputs (Abbildung 2a) ist eine Zusammenfassung des Modells aufgeführt, in der die grundlegenden Einstellungen, Grunddaten (z.b. Einheiten pro Ebene), Zielvariable sowie die ebenenspezifischen Modellgleichungen präsentiert sind. Der zweite Teil des Outputs (Abbildung 2b) zeigt dann neben der Devianz die statistischen Daten der einzelnen Prädiktoren und Parameter pro Ebene. Diese Tabelle korrespondiert zu Tabelle 3. Die Devianz D des Nullmodells beträgt bei vier geschätzten Parametern (df 0 = 4).
3 Abbildung 2a. Screenshot des HLM-Outputs (Ausschnitt Zusammenfassung ) im Falle des Nullmodells Abbildung 2b. Screenshot des HLM-Outputs (Ausschnitt ebenspezifische Varianzschätzung ) im Falle des Nullmodells Modell M1a Da im Null-Modell noch kein Einfluss der Experimentalbedingung (BEDING; EG vs. KG) berücksichtigt ist, muss M0 zunächst um diesen Ebene-2-Prädiktor im Sinnen eines Haupteffektes erweitert werden. Modell M1a
4 prüft damit, ob sich auf der zweiten Ebene globale Unterschiede auf die Gesamtleistung LPO im Leistungs- Posttest zwischen EG und KG zeigen. In den Abbildungen 3a und 3b sind Screenshots der HLM-Eingabemaske zum Modell M1a dargestellt: Zunächst wird dem Nullmodell der Ebene-2-Prädiktor BEDING zugefügt. Dazu werden in der linken Menüleiste nach dem Klick auf Level 2 die dort verfügbaren Prädiktoren aufgeführt. Der zuzufügende Prädiktor (hier: BEDING ) wird ausgewählt und man erhält dadurch eine Option, in welcher Form der Zentrierung 1 dieser in das Modell eingefügt werden soll. Die Experimentalbedingung wird als unzentrierter Prädiktor in das Modell eingefügt ( add variable uncentered ; s. Abbildung 3a). Abbildung 3b zeigt die Modellgleichungen nach Einfügen des Prädiktors. Abbildung 3a. Screenshot der HLM-Eingabemaske im Falle des Modells 1a Abbildung 3b. Screenshot der HLM-Eingabemaske im Falle des Modells 1a 1 Für die Interpretation von Mehrebenenanalysen ist die Definition des Nullpunktes ( Zentrierung ) eines Prädiktors wichtig. Die Zentrierung ist für die Bewertung der Koeffizienten maßgeblich und beeinflusst die numerische Stabilität der Schätzungen (vgl. Raudenbush & Bryk, 2002, S. 25 ff.). Zur Zentrierung der Prädiktoren sind die drei gängigsten Formen a) die Verwendung der natürlichen Metrik: Der gegebene Nullpunkt wird übernommen. Dies macht nur dann Sinn, wenn der Nullpunkt interpretierbar ist (Bsp. IQ: Ein Intelligenzquotient von null ist theoretisch unsinnig); b) die Zentrierung um den Gruppenmittelwert ( group-mean-centered ): Das Gruppenmittel wird von jedem Wert des Prädiktors abgezogen (Bsp.: Von der Physikleistung jedes Schülers einer Klasse wird die mittlere Physikleistung der Klasse abgezogen); c) die Zentrierung um das Gesamtmittel ( grand-mean-centered ): Von den Werten des Prädiktors wird das Mittel aller verfügbaren Werte abgezogen (Bsp.: Von der Physikleistung jedes Schülers wird die mittlere Physikleistung aller Schüler abgezogen).
5 Nach dem die Modellgleichung mit den Daten gestartet wurde (Befehl Run im Menü File ), wird analog zu Abbildung 2a/b eine txt-datei ( Output-Datei ) erzeugt, in der die Ergebnisse dargestellt sind. Während der erste Output-Teil entsprechend Abbildung 2a die grundlegenden Einstellungen, Grunddaten (z.b. Einheiten pro Ebene), Zielvariable sowie die ebenenspezifischen Modellgleichungen präsentiert (ergänzt um den Prädiktor BEDING ), zeigt der zweite Teil des Outputs (Abbildung 4) neben der Devianz die statistischen Daten des Prädiktors BEDING (fester Effekt) und die ebenenspezfische Varianzaufklärung.. Abbildung 4. Screenshot des HLM-Outputs (Ausschnitt Feste Effekte/ebenenspezifische Varianzaufklärung ) im Falle von Modell M1a Dieses Modell weist somit einen signifikanten, positiven Einfluss (gekennzeichnet durch positiven Regressionskoeffizienten β) der Experimentalbedingung auf den Leistungs-Posttest aus (BEDING: β = 0.74; df = 37; T = ; p < 0.001). Die Devianz D des Modells beträgt bei fünf geschätzten Parametern (df 1a = 5), sodass die Verbesserung in der Modellanpassung zwischen M0 und M1a als statistisch bedeutsam eingestuft werden kann (ΔD 01a = 40.14; df 01a = 1; p < 0.001). Die entsprechend durchgeführte Modellanpassung durch Prüfung der auf unterschiedliche Lehrermerkmale auf Ebene 3 zurückzuführende Beeinflussung dieses Effekts bleibt insignifikant (M1b; u 01k : df = 14; χ² = ; p = 0.363). Modell M2a Im nächsten Schritt berücksichtigt M2a aufbauend auf M1a den globalen Einfluss der Physik-Vorleistung im Sinne eines Haupteffektes auf die Gesamtleistung LPO im Leistungs-Posttest, d. h. die Auswirkung auf die in
6 Klassen gemittelte Leistung. Zu diesem Zweck wird die Physik-Vorleistung (PHY) als Ebene-1-Prädiktor modelliert. In den Abbildungen 5a und 5b sind Screenshots der HLM-Eingabemaske zum Modell M2a dargestellt: Dem Modell 1a wird der Ebene-1-Prädiktor PHY_PROZ (Physikleistung in %) zugefügt. Dazu werden wiederum in der linken Menüleisten nach Klick auf Level 1 die dort verfügbaren Prädiktoren dargestellt. Der zuzufügende Prädiktor (hier: PHY_PROZ ) wird ausgewählt und als am Gruppenmittelwert zentrierter Prädiktor dem Modell zugefügt (die Software stellt dies vereinfacht als group centered dar; s. Abbildung 5a). Abbildung 5b zeigt die Modellgleichungen nach Einfügen des Prädiktors. Abbildung 5a. Screenshot der HLM-Eingabemaske im Falle des Modells 2a Abbildung 5b. Screenshot der HLM-Eingabemaske im Falle des Modells 2a
7 Nachdem die Modellgleichung mit den Daten gestartet wurde (Befehl Run im Menü File ), wird analog zu den vorangehenden Schritten eine txt-datei ( Output-Datei ) erzeugt, in der die Ergebnisse dargestellt sind. Neben den grundlegenden Einstellungen, den Grunddaten (z.b. Einheiten pro Ebene), der Zielvariable sowie der ebenenspezifischen Modellgleichungen (ergänzt um den Prädiktor BEDING aus Modell 1a und PHY_PROZ hier) im ersten Output-Teil, zeigt der zweite Teil des Outputs (Abbildung 6) neben der Devianz die statistischen Daten der Prädiktoren BEDING und PHY_PROZ (feste Effekte) und die ebenenspezfische Varianzaufklärung. Abbildung 6. Screenshot des HLM-Outputs (Ausschnitt Feste Effekte/ebenenspezifische Varianzaufklärung ) im Falle von Modell M2a In diesem Modell hat zusätzlich zu den Effekten in M1a die Physik-Vorleistung einen signifikanten, positiven Einfluss auf die Gesamtleistung im Leistungs-Posttest (PHY: β = 0.02; df = 813; T = ; p < 0.001). Die Devianz D des Modells beträgt bei sechs geschätzten Parametern (df 2a = 6), sodass die Verbesserung der Modellgüte von 1a nach 2a wiederum statistisch bedeutsam ist (ΔD 1a2a = ; df 1a2a = 1; p < 0.001).
8 Weitere entsprechend durchgeführte Modellanpassungen durch Berücksichtigung des Effektes der Physik- Vorleistung auf die Leistung zwischen den Klassen auf Ebene 2 (M2b) bzw. Lehrermerkmalen auf Ebene 3 (M2c) bleiben insignifikant (M2b: r 0jk : df = 38; χ² = ; p = 0.174; ΔD 2a2b = 1.9; df 2a2b = 2; p = 0.386; M2c: u 02k : df = 14; χ² = ; p = 0.469; ΔD 2a2c = 0.63; df 2a2c = 1; p = 0.426). Gleiches gilt für die Cross-Level- Interaktion zwischen Experimentalbedingung und Physik-Vorleistung (M2d: PHY x BED; df = 812; T = 0.791; p = 0.429; ΔD 2a2d = 2.60; df 2a2d = 1; p = 0.107). An dieser Stelle wäre es jetzt erforderlich, die Effekte der Moderatorvariablen Allgemeine Intelligenz und Lesekompetenz sowie des Motivations-Prätests auf die Gesamtleistung zur weiteren Verbesserung der Modellgüte im Rahmen der Modellserie M2 zu untersuchen. Allerdings korrelieren die Prädiktoren Physik- Vorleistung, Allgemeine Intelligenz und Lesekompetenz alle signifikant miteinander, sodass Multikollinearität zwischen diesen Variablen besteht. Deshalb dürfen diese nicht simultan in Mehrebenenstrukturen modelliert werden. Durch explorative Analysen besteht nun die Möglichkeit, zu prüfen, welche der Variablen als potentiell signifikante Prädiktoren zur Verbesserung der Modellgüte dienen könnte. Dabei zeichnet sich neben der Physik-Vorleistung zudem beim Motivations-Prätest eine statistisch bedeutsame Varianzaufklärung bei der Gesamtleistung ab. Deshalb wird an dieser Stelle der Motivations-Prätest als nächster Ebene-1-Prädiktor in die Mehrebenenstruktur modelliert. Modell M2e Die folgende Erweiterung von M2a prüft den globalen Einfluss des Motivations-Prätest im Sinne eines Haupteffektes auf die Gesamtleistung LPO des Leistungs-Posttests. Zu diesem Zweck wird diese Variable (MOT_PRE) als Ebene-1-Prädiktor modelliert. In den Abbildungen 7a und 7b sind Screenshots der HLM-Eingabemaske zum Modell M2e dargestellt: Dem Modell 2a wird nun der Ebene-1-Prädiktor GMOTT0 (Prätest der Gesamtmotivation in %) zugefügt. Dazu werden wiederum in der linken Menüleisten nach Klick auf Level 1 die dort verfügbaren Prädiktoren dargestellt. Der zuzufügende Prädiktor (hier: GMOTT0 ) wird ausgewählt und wiederum als am Gruppenmittelwert zentrierter Prädiktor dem Modell zugefügt (s. Abbildung 7a). Abbildung 7b zeigt die Modellgleichungen nach Einfügen des Prädiktors. Abbildung 7a. Screenshot der HLM-Eingabemaske im Falle des Modells 2e
9 Abbildung 7b. Screenshot der HLM-Eingabemaske im Falle des Modells 2e Nachdem betätigen des Run -Befehls (im Menü File ) wird die Modellgleichung mit den Daten gestartet und erneut eine txt-datei ( Output-Datei ) erzeugt, in der die Ergebnisse dargestellt sind. Neben den grundlegenden Daten in der Zusammenfassung (ergänzt um den Prädiktor BEDING aus Modell 1a, PHY_PROZ aus M2a und GMOTT0 hier) des ersten Output-Teils, zeigt der zweite Teil des Outputs neben der Devianz die statistischen Daten der Prädiktoren BEDING, PHY_PROZ und GMOTT0 (feste Effekte) sowie die ebenenspezfische Varianzaufklärung.. In diesem Modell hat zusätzlich zu den Effekten in M2a der Motivations-Prätest einen signifikanten, positiven Einfluss auf die Gesamtleistung (MOT_PRE: β = 0.02; df = 812; T = ; p < 0.001). Die Devianz D des Modells beträgt bei sieben geschätzten Parametern (df 2d = 7), sodass die Verbesserung in der Modellanpassung zwischen M2a und M2e statistisch bedeutsam ist (ΔD 2a2e = 9.02; df 2a2e = 1; p < 0.003). Weitere entsprechend durchgeführte Modellanpassungen durch Berücksichtigung des Effektes des Motivations- Prätests auf die Gesamtleistung zwischen den Klassen (M2f) bzw. Lehrermerkmalen (M2g) bleiben insignifikant (M2f: r 0jk : df = 38; χ² = ; p = 0.112; ΔD 2e2f = 1.89; df 2e2f = 1; p = 0.169; M2g: u 02k : df = 14; χ² = ; p = 0.235; ΔD 2e2g = 0.68; df 2e2g = 1; p = 0.411). Gleiches gilt für Cross-Level-Effekte zwischen MOT_PRE und Experimentalbedingung (M2h: MOT_PRE x BED; df = 37; T = 0.094; p = 0.926; ΔD 2e2h = 1.78; df 2e2h = 3; p = 0.619). Orientiert an den theoriegeleiteten Hypothesen und Forschungsfragen des Projekts würden nun das Geschlecht (Modellserie M3), das Thema (Modellserie M4), die verschiedenen Schularten (Modellserie M5) und das Schulsystem (Modellserie M6) als nächstfolgende Prädiktoren zur Mehrebenenanalyse der Gesamtleistung des Leistungs-Posttests an dieser Stelle diskutiert werden. Allerdings weisen alle diese Prädiktoren keine signifikanten Haupteffekte auf die Gesamtleistung aus und tragen nicht zur Verbesserung der Modellgüte bei. Deshalb werden sowohl die M3- und M4-Modellreihe zur Untersuchung des Einflusses von Geschlecht und Thema als auch die M5- und M6-Modelle zur Einwirkung der Schularten und des Schulsystems auf die Gesamtleistung hier nicht weiterverfolgt. Im nächsten Schritt werden deshalb noch die Lehrermerkmale als weitere, mögliche Prädiktoren untersucht. Um zu prüfen, welche der verschiedenen Merkmale als potentiell signifikante Prädiktoren zur Verbesserung der Modellgüte beitragen könnten, werden explorative Analysen durchgeführt. Dabei zeichnen die Lehrermerkmale Eigene Ideen entwickeln lassen EI und Interesse am Unterrichten von Physik IUP als weitere, mögliche Prädiktoren aus, sodass hier die Modellanpassung mit Modellreihe M7 fortgeführt wird. Für diese Analysen sei auf Kuhn (2010) verwiesen.
10
Mehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
Vorlesung: 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
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 6. Vorlesung: 28.04.2003 Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, 01.05.03, 12 14 Uhr, IfP SR 9 neuer Termin:
Anwendung von Multi-Level Moderation in Worst Performance Analysen
Anwendung von Multi-Level Moderation in Worst Performance Analysen Präsentation auf der FGME 2015 - Jena Gidon T. Frischkorn, Anna-Lena Schubert, Andreas B. Neubauer & Dirk Hagemann 16. September 2015
Hierarchische lineare Modelle: Mehrebenenmodelle
Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr.
4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
Zeitungslektüre im sozialen Kontext
Florian Hottner, Jena Zeitungslektüre im sozialen Kontext Eine Mehrebenenanalyse des Einflusses von individuellen Determinanten auf das Lesen von regionalen Zeitungen in Abhängigkeit vom sozialen Umfeld
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
Lineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Analyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Auswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
Kapitel 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
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 5. Vorlesung: 4.04.003 Agenda. Multiple Regression i. Grundlagen Grundidee, Ziele der multiplen Regression Beispiele ii. iii. Statistisches Modell Modell
Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Warum Interaktionen? Und was kann schiefgehen?
Warum Interaktionen? Und was kann schiefgehen? Viele theoretische Überlegungen folgen der Form: X führt zu Y, wenn Z gegeben ist Multiplikative Interaktionen (Produktterme) bilden das gut ab Aber in der
Beispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
Statistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung
Die Mehrebenenanalyse als Instrument der empirischen (Sozial-)Forschung Ulrich Rosar Institut für Angewandte Sozialforschung Universität zu Köln 1. Juli 4 Gliederung Warum Mehrebenenanalyse? Die Logik
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 26.11.2002 All Mathematics would suggest A steady straight line as the best, But left and right alternately Is consonant with History.
Prognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Prüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
Hypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
Aufgaben 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
1. Es sind einfach zu viele! Varianzanalytische Verfahren.
1. Es sind einfach zu viele! Varianzanalytische Verfahren. 1.3. Vorbereitung des Datensatzes Auch wenn im Kapitel zur Einfaktoriellen ANOVA nur ein kleiner Unterschied im Gehalt zwischen den Herkunftsländern
Aufgaben 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
Empirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
Gibt 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.
VS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ
WEBINAR@LUNCHTIME THEMA: MAßGESCHNEIDERTE TESTS IN DER VARIANZANALYSE" TORSTEN SCHOLZ HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant
Schweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
Zweifache Varianzanalyse
Zweifache Varianzanalyse Man kann mittels VA auch den (gleichzeitigen) Einfluss mehrerer Faktoren (unabhängige Variablen) auf ein bestimmtes Merkmal (abhängige Variable) analysieren. Die Wirkungen werden
Inhaltsübersicht. Wie klein kann ein Anker sein? Authentische Aufgaben im Physikunterricht zur Förderung nachhaltiger Bildung
Authentische Aufgaben im Physikunterricht zur Förderung nachhaltiger Bildung Ankermedien und eine neue Aufgabenkultur im naturwissenschaftlichen Unterricht der Sekundarstufe I 1 by Dr. J. Kuhn 2 by J.
Aufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
Formelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
Vorlesung: 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
Beispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
Testen 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
Kapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
Kapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test 1 Der Wilcoxon-Test 3 Der Kruskal-Wallis H-Test 4 Vergleich von Mann-Whitney U-Test und Kruskal-Wallis H-Test 6 Der Mann-Whitney U-Test In Kapitel
Mehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
Analyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Datum Vorlesung 18.10.2006 Einführung 18.10.2006 Beispiele 25.10.2006 Daten 08.11.2006 Variablen Kontinuierliche
Eine mehrebenenanalytische Betrachtung der Bedingungen von Innovationserfolg
Eine mehrebenenanalytische Betrachtung der Bedingungen von Innovationserfolg Humboldt - Universität zu Berlin Hannah Rauterberg Wolgfang Scholl Ausgang Organizations are multi-level phenomena, and theories
Multivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
LISREL-Beispiel zum Kapitel 15: Latent-State-Trait-Theorie
LISREL-Beispiel zum Kapitel 15: Latent-State-Trait-Theorie Augustin Kelava und Karin Schermelleh-Engel 22. Februar 2010 Inhaltsverzeichnis 1 Einleitung zum inhaltlichen Beispiel: Testängstlichkeit 1 2
Ziel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
Musterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 17.12.2002 Life is the art of drawing sufficient conclusions from insufficient premises. Samuel Butler Dr. Wolfgang Langer Institut für
» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
Empirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
Kapitel 9: Verfahren für Nominaldaten
Kapitel 9: Verfahren für Nominaldaten Eindimensionaler Chi²-Test 1 Zweidimensionaler und Vierfelder Chi²-Test 5 Literatur 6 Eindimensionaler Chi²-Test Berechnen der Effektgröße w² Die empirische Effektgröße
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
Statistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
Hypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
Analyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
1 Kodierung kategorialer Einflussgrößen
Übung zur Vorlesung Generalisierte Regressionsmodelle Blatt 1 Christiane Fuchs, Moritz Berger, Micha Schneider WiSe 16/17 1 Kodierung kategorialer Einflussgrößen Lösung zu Aufgabe 3 Einlesen der Daten:
1 Übungsaufgaben zur Regressionsanalyse
1 Übungsaufgaben zur Regressionsanalyse 1 1 Übungsaufgaben zur Regressionsanalyse 1.1 Übungsaufgaben zu Seite 1 und 2 1. Wie lautet die Regressionsfunktion? 2. Welche Absatzmenge ist im Durchschnitt bei
Teil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
Teil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
Wahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
Visueller Ein uss auf die Lästigkeit von Windturbinenlärm
Bachelorarbeit Visueller Ein uss auf die Lästigkeit von Windturbinenlärm Nadine Biver FS 2016 Leitung Prof. Dr. Adrienne Grêt-Regamey Betreuung Dr. Ulrike Wissen Hayek Reto Pieren Dr. Beat Schäffer Vorwort
Hierarchisch Lineare Modelle. Johannes Hartig & Myriam Bechtoldt
Hierarchisch Lineare Modelle Inhalt Definition hierarchischer Datenstrukturen Grundlagen hierarchischer Regression, random und fixed effects Aufbau verschiedener hierarchischer Regressionsmodelle Zentrierung
Tandem 6. Versuchsansteller: M. Fleck. K. Emrich, E. Thomas, H.-P. Piepho
Tandem 6 Ein Feldversuch zur Optimierung von Qualität und Ertrag von Möhren unter besonderer Berücksichtigung biologisch-dynamischer Feldspritzpräparate Versuchsansteller: M. Fleck Biometriker: K. Emrich,
Statistiken deuten und erstellen
Statistiken deuten und erstellen Dipl. Ök. Jens K. Perret, M.Sc. Evgenija Yushkova, M.A. Schumpeter School of Business and Economics Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Inhalt
Erreichen von Bildungsstandards und Zusammensetzung der Schülerschaft:
Erreichen von Bildungsstandards und Zusammensetzung der Schülerschaft: Zusammenhangsanalysen anhand von Daten des IQB- Bildungstrends 2016 Prof. Dr. Petra Stanat Dr. Camilla Rjosk, Dr. Nicole Haag & Dr.
Methodenlehre. 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
Statistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
Kapitel 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
Empirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
Willkommen 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
Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung LogRA. Folie Nr. 1
2.1 Beispiele 2.2 Odds Ratio 2.3 Modell der logistischen Regression 2.3.1 Modellgleichung 2.3.2 Voraussetzungen 2.4 Schätzungen, Tests und Modellgüte 2.4.1 Schätzung der logistischen Regressionskoeffizienten
Unterschiedshypothesen bei nominalskalierten Messwerten
Arbeitsblatt 1 STATA Kapitel 7 Seite 1 Unterschiedshypothesen bei nominalskalierten Messwerten Im Folgenden gehen wir davon aus, dass Sie die Datei elporiginal.dta geöffnet, eine log-datei mit dem Namen
Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
Anleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Dabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
Methodenlehre. 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
2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
Hypothesentests 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
Aufgaben 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
Informationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
Aufgaben 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
Die Faktorenanalyse. Anwendung dann, wenn zwischen beobachtbaren und nicht direkt beobachtbaren Variablen ein kausales Verhältnis vermutet wird
Die Faktorenanalyse Zielsetzung Datenreduktion: eine größere Anzahl von Variablen auf eine kleinere Anzahl unabhängiger Einflussgrößen zurückführen Grundlegende Idee Direkt beobachtbare Variablen spiegeln
Lukas Dünser. Institut für Höhere Studien (IHS) Wien
Lukas Dünser Institut für Höhere Studien (IHS) Wien Interaktion zwischen Wirtschaftsstruktur und beruflicher Bildung Struktureller Einfluss des regionalen Arbeitsmarktes auf das Arbeitslosigkeitsrisiko
Kategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
Leistung und Verhalten von Schulanfängern
PAUL HÄLG Leistung und Verhalten von Schulanfängern Hochschulschriften Lit Inhaltsübersicht Verwendete Abkürzungen 7 Tabellen und Abbildungen 9 Vorwort 10 THEORETISCHER TEIL 12 1. EINLEITUNG 1.l Einführung