Kontrastanalyse. Gliederung. Stichproben. 1. Unsere Studie. 2. Varianzanalyse vs. Kontrastanalyse. 3. Kontrastanalyse für unabhängige
|
|
- Fanny Mann
- vor 7 Jahren
- Abrufe
Transkript
1 Kontrastanalyse Semnar : Multvarate Analysemethoden Dozent : Dr. Thomas Schäfer Referentnnen: Anja Ackermann, Manja Klose & Stephane Lederer Glederung. Unsere Stude. Varanzanalyse vs. Kontrastanalyse 3. Kontrastanalyse für unabhängge Stchproben 4. Kontrastanalyse für Interaktonen 5. Kontrastanalyse für abhängge Stchproben 6. Verglech zweer Hypothesen
2 . Unsere Stude Wchtgket von Musk Fragstellungen We verändert sch de Wchtgket von Musk m Lebenslauf? Gbt es dabe Unterschede zwschen Muskern und Ncht-Muskern? Interaktonen zwschen Alter und Muskerstatus? We hängt de Wchtgket von Musk von der Art der Musk ab?
3 Wchtgket von Musk Fragstellungen We verändert sch de Wchtgket von Musk m Lebenslauf? Gbt es dabe Unterschede zwschen Muskern und Ncht-Muskern? Interaktonen zwschen Alter und Muskerstatus? We hängt de Wchtgket von Musk von der Art der Musk ab? Wchtgket von Musk abhängge Varablen (AVs): Wchtgket von Musk allgemen Wchtgket enzelner Muskarten Rock, Pop, Klassk, Electro, Rap, Beat unabhängge Varablen (UVs): Alter bs 0 Jahre -30 Jahre 3-65 Jahre ab 66 Jahre Muskerstatus Instrument (ja/nen)
4 . Varanzanalyse vs. Kontrastanalyse Mttelwertsunterschede?! (ensetger) t-test Unterscheden sch zwe Gruppenmttelwerte n ener postulerten Rchtung? Varanzanalyse Unterscheden sch dre oder mehr Gruppenmttelwerte rgendwe? Kontrastanalyse Unterscheden sch dre oder mehr Gruppenmttelwerte nach enem postulertem Muster? Sonderform der Varanzanalyse
5 Vortele der Kontrastanalyse Verglech zweer Hypothesen päzsere Hypothesen päzsere Effektgrößen Vortele der Kontrastanalyse Verglech zweer Hypothesen päzsere Hypothesen päzsere Effektgrößen
6 Präzsere Hypothesen - Varanzanalyse Unterscheden sch dre oder mehr Gruppenmttelwerte rgendwe? Alternatvhypothese (H ) Omnbushypothese Bsp.: Lestung m Fenmotorktest n Abhänggket vom Alter Alter Lestung 4 Jahre 4 5 Jahre 5 6 Jahre 6 F F Lestung Alter 5 4 Jahre 6 5 Jahre 7 6 Jahre 7 Jahre Jahre F ˆ σ ˆ σ zw nn ˆ σ zw QS df zw zw j n j ( x ) x k ˆ σ nn k j ˆ σ k j Präzsere Hypothesen - Varanzanalyse Problem präzse Hypothesen können ledglch grob getestet werden Lösungsmöglchket Post-hoc Tests ndrekte Überprüfung präzser Hypothesen ANOVA für Überprüfung gezelter Hypothesen ncht geegnet Lösungsmöglchket Kontrastanalyse drekte Überprüfung präzser Hypothesen
7 Präzsere Hypothesen - Kontrastanalyse Kontrastanalyse statstsche Prozedur zur Untersuchung gerchteter Hypothesen Unterscheden sch dre oder mehr Gruppenmttelwerte nach enem postulertem Muster? Generelles Vorgehen - vor der Erhebung Abletung der Hypothesen H 0 : H : x x x... xx x... xx Präzserung der Alternatvhypothese durch Kontrast- oder Lambdagewchte λ Präzsere Hypothesen - Kontrastanalyse ( x ) x ANOVA
8 Präzsere Hypothesen - Kontrastanalyse ( x ) x ANOVA xλ Kontrastanalyse Kontrast-/Lambdagewchte λ drücken de relatven Unterschede zwschen den Mttelwerten aus können fre gewählt werden - absolute Größe unwchtg Muster der Gewchte λ Kontrast Präzsere Hypothesen - Kontrastanalyse möglche Kontraste (be 4 Gruppen bzw. Messwederholungen) 3 Lambdagewchte 0 Lnearer Verlauf U-förmger Verlauf Abrupter Ansteg -3 A B C D Bedngungen
9 Präzsere Hypothesen - Kontrastanalyse möglche Kontraste (be 4 Gruppen bzw. Messwederholungen) 3 Lambdagewchte 0-3 Lnearer Verlauf U-förmger Verlauf Abrupter Ansteg A B C D Bedngungen Präzsere Hypothesen - Kontrastanalyse möglche Kontraste (be 4 Gruppen bzw. Messwederholungen) 3 Lambdagewchte 0-3 Lnearer Verlauf U-förmger Verlauf Abrupter Ansteg A B C D Bedngungen
10 Präzsere Hypothesen - Kontrastanalyse Bestmmung der Lambdagewchte λ Vorhersagewerte festlegen Enschränkung: λ 0 λ 0: Mttelwert der Vorhersagewerte bestmmen Mttelwert von Vorhersagewerten abzehen λ verschönern λ Bsp.: Lestung m Fenmotorktest n Abhänggket vom Alter Alter 4 Jahre 5 Jahre 6 Jahre Vorhersagewerte Lambdagewchte x 3 Verschönerung Kontrast Präzsere Hypothesen - Kontrastanalyse Generelles Vorgehen - nach der Erhebung Deskrptve Statstk Gruppenmttelwerte Lambdagewchte Fenmotork J. 5 J. 6 J. Alter Sgnfkanztest: F-Test oder t-test Gewchtung der Mttelwerte x mt hren Lambdas λ Kovaraton zwschen Lambdas und Gruppenmttelwerten ensetge Testung Erhöhung der Teststärke
11 Vortele der Kontrastanalyse Verglech zweer Hypothesen päzsere Hypothesen päzsere Effektgrößen Präzsere Effektgrößen Varanzanalyse Interpretaton der Effektgrößen schwerg Kontrastanalyse Berechnung von nterpreterbaren Effektgrößen spezfsche Effektgrößen Gütemaße für de Überenstmmung zwschen Hypothese und Daten unabhängge Stchproben: r abhängge Stchproben: g oder d
12 Vortele der Kontrastanalyse Verglech zweer Hypothesen päzsere Hypothesen päzsere Effektgrößen Verglech zweer Hypothesen Kontrastanalyse Verglech der Vorhersagegüte der Hypothesen Ausmaß der Überlegenhet der stärker zutreffenden Hypothese bestmmen unterschedlcher Verfahren für abhängge Stchproben unabhängge Stchproben Varanzanalyse Hypothesen-Verglech ncht möglch
13 Vortele der Kontrastanalyse Verglech zweer Hypothesen päzsere Hypothesen päzsere Effektgrößen mmer, wenn präzse Hypothesen fomulert werden können 3. Kontrastanalyse für unabhängge Stchproben
14 Unabhängge Stchproben Fragestellung We verändert sch de Wchtgket von Musk m Lebenslauf? Hypothese stärkste Ausprägung der Wchtgket von Musk m Jugendalter anschleßend Abnahme der Wchtgket von Musk bs ab 66. Lambdagewchte bestmmen Altersgruppe Lambdagewchtλ Verschönerung 3 bs 0, , , ab 66 -,5-3 bs ab 66
15 . Deskrptve Statstk Alter λ bs 0 3 x 8, , ,8 λ ab 66-3 Σ 0 3 x 7,0 Σ 7, bs ab 66 bs ab Sgnfkanztest berechnen Kontrastanalyse: spezelle Varante der Varanzanalyse Verglech von Varanzen:. Fehlervaranz nnerhalb der Gruppe: σˆnn. Geschätzte Varanz für Kontrast: σˆ Kontrast F ˆ σ ˆ σ zw nn F Kontrast ˆ σ σ Kontrast ˆ nn
16 Was steckt egentlch hnter? entsteht be Kovaraton zwschen λ und σˆ Kontrast k k Kontrast n x ˆ λ λ σ 3. Sgnfkanztest berechnen x F Kontrast t Kontrast F t t F Interpretaton we herkömmlche F- und t-werte k nn k nn Kontrast Kontrast Kontrast n x F t ˆ ˆ ˆ λ σ λ σ σ 3. Sgnfkanztest berechnen k nn k nn Kontrast Kontrast n x F ˆ ˆ ˆ λ σ λ σ σ
17 . Verfahren wählen: Analyseren Mttelwerte verglechen Enfaktorelle ANOVA. Varablen wählen: Wchtgket Alter(Klassert) [Alter_klassert] 3. Kontraste wählen 3. Sgnfkanztest berechnen Alter λ bs ab λ be Koeffzenten entragen & jewels Hnzufügen wählen 5. Weter wählen
18 3. Sgnfkanztest berechnen 6. Optonen wählen 7. Test auf Homogentät der Varanzen auswählen 8. Weter wählen 9. OK m Hauptfenster wählen 3. Sgnfkanztest berechnen ncht sgnfkant Varanzen snd glech ncht sgnfkant kene Mttelwertsunterschede be normaler Varanzanalyse da gerchtete Hypothese: ensetge Testung Halberung des p-werts (p.047*): t(60),70, p <.05
19 4. Effektgröße berechnen Effektgröße r effect sze gbt Genaugket der Hypothese an Berechnung aus: Sgnfkanztestergebnssen: r effect sze F F Kontrast ( df zw ) + dfnn Rohdaten: Korrelaton zwschen Lambdagewchten (UV) und Enzelwerten (AV) 4. Effektgröße berechnen Enfügen ener neuen Varable Alter λ bs ab 66-3
20 4. Effektgröße berechnen. Varablen wählen: Wchtgket Lambda_Alter 3. Ensetg wählen 4. OK wählen. Verfahren wählen: Analyseren Korrelaton Bvarat 4. Effektgrößen berechnen r effect sze.34 schwacher bs mttlerer Effekt ensetg: p.03 p <.05 sgnfkant Überenstmmung zwschen Lambdagewchten und Daten bzgl. der Wchtgket von Musk
21 4. Kontrastanalyse für Interaktonen Interaktonen Fragstellung Gbt es be der Veränderung der Wchtgket von Musk m Lebenslauf Unterschede zwschen Muskern und Ncht-Muskern? Interakton zwschen Alter und Muskerstatus? Hypothese Abnahme der Wchtgket von Musk m Lebenslauf Wchtgket von Musk: Muskern > Ncht-Musker Abnahme der Wchtgket: Muskern < Ncht-Musker bs ab 66 Musker Ncht-Musker
22 Interaktonen Varanzanalyse Haupteffekt F ˆ σ ˆ σ zw nn F Interakton ˆ σ A B A B ˆ σ nn F Kontrastanalyse Kontrast t Kontrast ˆ σ σ Kontrast ˆ nn ˆ σ Kontrast n k k xλ λ. Lambdagewchte bestmmen Instrument & Alter J & bs 0 J & -30 J & 3-65 J & ab 66 N & bs 0 N & -30 N & 3-65 N & ab ,75,75 0,75-0,5,75-0,5 -,5-4,5 Lambdagewchte Vorhersage Verschönerung bs ab 66 Musker Ncht-Musker Mttelwert der Vorhersagen 5,5
23 . Deskrptve Statstk Instrument & Alter J & bs 0 J & -30 J & 3-65 J & ab 66 N & bs 0 N & -30 N & 3-65 N & ab 66 Lambdagewchte Musker Ncht-Musker 8 7 bs ab bs ab 66 Musker Ncht-Musker Instrument & Alter J & bs 0 J & -30 J & 3-65 J & ab 66 N & bs 0 N & -30 N & 3-65 N & ab 66 x 8,67 8,36 8,5 8,00 8,5 7,67 7,00 6,7 3. Sgnfkanztest berechnen Enfügen ener neuen Varable Instrument & Alter J & bs 0 J & -30 J & 3-65 J & ab 66 N & bs 0 N & -30 N & 3-65 N & ab 66 Gruppe
24 3. Sgnfkanztest berechnen. Verfahren wählen: Analyseren Mttelwerte verglechen Enfaktorelle ANOVA 3. Sgnfkanztest berechnen. Varablen wählen: AV: Wchtgket UV: Interakton_ Alter_Instrument 3. Optonen 4. Test auf Homogentät der Varanzen wählen 5. Weter wählen
25 3. Sgnfkanztest berechnen λ c Varablen wählen: AV: Wchtgket UV: Interakton_ Alter_Instrument 3. Optonen 7. Koeffzenten engeben 8. Weter wählen 6. Kontraste 9. OK wählen 3. Sgnfkanztest berechnen ncht sgnfkant Varanzen snd glech ncht sgnfkant kene bedeutsamen Unterschede zwschen den 8 Gruppenmttelwerten x λ sgnf. Überenstmmung zwschen emp. Daten und hypoth. Kontrast gerchte Hypothese ensetges α.05 p.0*
26 4. Effektgröße berechnen aus Sgnfkanztestergebnssen r F F Kontrast ( dfzw ) + dfnn aus Rohdaten mt SPSS Korrelaton zwschen Enzelwerten der AV und Lambdagewchten berechnen je höher de Korrelaton desto besser de Passung 4. Effektgröße berechnen Enfügen ener neuen Varable Instrument & Alter J & bs 0 J & -30 J & 3-65 J & ab 66 N & bs 0 N & -30 N & 3-65 N & ab 66 Lambdagewchte
27 4. Effektgröße berechnen. Verfahren wählen: Analyseren Korrelaton Bvarat. Varablen wählen: Wchtgket Lambda_Interakton 3. ensetg wählen 4. OK wählen 4. Effektgröße berechnen r.99 moderater Effekt be enem ensetgen α.0 sgnfkant gute Überenstmmung zwschen Vorhersage (Lambdas) und Messwerten (Wchtgket von Musk)
28 5. Kontrastanalyse für abhängge Stchproben Allgemenes unabhängge Stchproben Varanz der Gruppenmttelwerte Person Person Person 3 Person 4 Varable Varable x x x x x x x x x x x Dfferenz abhängge Stchproben Varanz der Werte über Messzetpunkte hnweg
29 Allgemenes t-test für abhängge Stchproben jede Person brngt jewels enen Dfferenzwert ( x ) n de Analyse en x Kontrastanalyse für abhängge Stchproben Erweterung des t-tests für abhängge Stchproben Zusammenfassung der Unterschede zwschen den Resultaten n den Bedngungen, de jede Person durchläuft Abhängge Stchproben Fragstellung We hängt de Wchtgket von Musk von der Art der Musk ab? Hypothese unterschedlche Muskrchtungen snd unterschedlch wchtg Wchtgket von Rock > Klassk > Pop > Rap > Beat > Electro Rock Klassk Pop Rap Beat Electro
30 . Lambdagewchte bestmmen Muskart Lambdagewchte Verschönerung Rock,5 5 Klassk,5 3 Pop 0,5 Rap -0,5 - Beat -,5-3 Electro -, Rock Klassk Pop Rap Beat Electro. L-Werte bestmmen L m ( λ ) x Anzahl der Bedngungen/ Subgruppen x Wert der Person n entsprechender Bedngung λ m Lambda-Gewcht für de jewelge Bedngung L-Wert Maß für de Passung zwschen Vorhersage (Kontrast) und Ergebnssen (Werte ener Person) für jede Person en L-Wert (her: 64 Probanden 64 L-Werte)
31 . L-Werte bestmmen. Auswählen: Transformeren Varable berechnen. Zelvarable bestmmen: L engeben 3. numerschen Ausdruck engeben 4. OK auswählen. L-Werte bestmmen neue Varable n SPSS
32 3. Sgnfkanztest berechnen Nullhypothese kene Unterschede n der Wchtgket der enzelnen Muskstle Alternatvhypothese L 0 0 L > 0 Unterschede n der Wchtgket der enzelnen Muskstle t-test für Enstchprobenfall Verglech zwschen dem Mttelwert ener Varablen (her: L) und enem hypothet. Wert (her: L 0 0) t L σˆ n 3. Sgnfkanztest berechnen. Verfahren wählen: Analyseren Mttelwerte verglechen t-test be ener Stchprobe. Varable wählen: L 3. Testwert: 0 unterscheden sch de L-Werte der Personen sgnfkant von 0??? 4. OK wählen
33 3. Sgnfkanztest berechnen angenommener Mttelwert der Nullhypothese postver t-wert de Daten schenen der Vorhersage zu entsprechen gerchtete Hypothese ensetge Testung Halberung des p-werts p.000*** Daten und hypothetscher Kontrast stmmen sgnfkant überen 4. Effektgrößen berechnen we gut stmmt de Vorhersage mt den Daten überen? aus Rohdaten g L σˆ aus Sgnfkanztestergebnssen t g n
34 4. Effektgrößen berechnen 5,847 g 0,73 64 moderater bs hoher Effekt (sehr) gute Überenstmmung der Daten mt dem Kontrast 6. Verglech zweer Hypothesen
35 Hypothesen-Verglech Grunddee: Dfferenzwerte der Lambdagewchte als neuer Kontrast (Kontrast mnus Kontrast ) Sgnfkanztest: Unterscheden sch zwe Kontraste sgnfkant bezüglch hrer Vorhersagegüte? wenn Kontrast bessere Vorhersage postver t-wert sgnfkant wenn Kontrast bessere Vorhersage negatver t-wert sgnfkant Effektgröße: We groß st de Dskrepanz hnschtlch der Vorhersagekraft? Hypothesen-Verglech Problem be Dfferenzbldung Absolutwerte beenflussen Bldung der Dfferenz Bespel: Alter λ λ bs λ Dfferenz: λ -λ Dfferenz: λ -λ ab relatver Untersched st glech unterschedlche Dfferenzen Lösung: Standardserung der Lambdagewchte durch z- Transformaton
36 3. Dfferenzgewchte bestmmen x x Formel zur z-transformaton: z s da λ 0 Verenfachung der Formel be Kontrasten: z λ λ s Verenfachung der Berechnung der Streuung: s λ k λ λ k 6. Verglech zweer Hypothesen - unabhängge Stchproben
37 Hypothesen-Verglech - unabhängge Stchproben Fragstellung We verändert sch de Wchtgket von Musk m Lebenslauf? Hypothesen. stärkste Ausprägung der Wchtgket von Musk m Jugendalter anschleßend Abnahme der Wchtgket von Musk. stärkste Ausprägung der Wchtgket von Musk m Jugendalter anschleßend Abnahme der Wchtgket von Musk m 3. Lebensjahrzehnt anschleßend glech blebend m Lebensverlauf bs ab 66 Hypothese Hypothese. Lambdagewchte bestmmen Kontrast (K): Altersgruppe Lambdagewcht λ (K) 3 bs ab Σ Kontrast (K): -3 Altersgruppe Lambdagewcht λ (K) bs 0 3 bs ab K K ab 66 - Σ 0
38 . Deskrptve Statstk Kontrast (K): Kontrast (K): Gruppenmttelwerte Alter λ (K) Alter λ (K) Alter bs 0 3 bs 0 3 bs 0 8, , ,8 ab 66-3 ab 66 - ab 66 7,0 x 3 3 x bs ab 66 K K Ab ab Dfferenzgewchte bestmmen Alter λ (K) bs ab 66-3 Berechnungen der Streuungen k λ 0 sλ ( K) 5,36 k 4 Alter λ (K) bs ab 66 - k λ sλ ( K ) 3,73 k 4
39 3. Dfferenzgewchte bestmmen Alter λ (K) z λ(k) bs 0 3, , ,44 ab ,34 Berechnung der z-transformerten Lambdagewchte Bespel: z λ 3 λ( K) sλ 5,34 Alter λ (K) bs 0 3,73 z λ(k) , ab Bespel: z λ 3 λ( K ) sλ 3,73 3. Dfferenzgewchte bestmmen Berechnung der Dfferenzen aus z λ(k) und z λ(k) Alter z λ(k) z λ(k) z λ(k) - z λ(k) bs 0,34,73-0, ,44-0,58, ,44-0,58 0,4 ab 66 -,34-0,58-0,76
40 4. Sgnfkanztest berechnen Berechnung von t Kontrast : Alter z λ(k) - z λ(k) Rundung als neue λ bs 0-0,39-0,4-30, ,4 0, ab 66-0,76-0,7 t Kontrast ˆ σ k nn λ x k λ n Σ 0,0 Σ 0 analog zur obgen Vorgehenswese be unabhänggen Stchprobe. Verfahren wählen: Analyseren Mttelwerte verglechen Enfaktorelle ANOVA. Varablen wählen: Wchtgket Alter(Klassert) [Alter_klassert] 3. Kontraste wählen
41 4. Sgnfkanztest berechnen Alter bs ab 66 λ -0,4 0, -0,7 4. λ be Koeffzenten entragen & jewels Hnzufügen wählen 5. Weter wählen 4. Sgnfkanztest berechnen 6. Optonen wählen 7. Test auf Homogentät der Varanzen auswählen 8. Weter wählen 9. OK m Hauptfenster wählen
42 4. Sgnfkanztest berechnen ncht sgnfkant: Varanzen snd glech postver t-wert, ABER kene Sgnfkanz K bessere Vorhersage gerchtete Hypothese: ensetge Testung Halberung des p- Werts (p.97) kene Sgnfkanz p > Effektgröße berechnen r effect sze aus Sgnfkanztestergebnssen aus Rohdaten n SPSS Enfügen ener neuen Varable Alter λ bs 0-0, , ab 66-0,7
43 5. Effektgröße berechnen. Varablen wählen: Wchtgket gerundeter_dfferenz _Lambda_ Lambdaalternatv 3. Ensetg wählen. Verfahren wählen: Analyseren Korrelaton Bvarat 5. Effektgröße berechnen p >.05 ncht sgnfkant
44 6. Verglech zweer Hypothesen - abhängge Stchproben Hypothesen-Verglech - abhängge Stchproben Fragstellung We hängt de Wchtgket von Musk von der Art der Musk ab? Hypothesen Rock > Klassk > Pop > Rap > Beat > Electro Pop > Rock > Electro > Rap > Beat > Klassk Rock Klassk Pop Rap Beat Electro
45 . Lambdagewchte bestmmen Muskart Lambdagewchte Rock 5 Klassk 3 Pop Rap - Beat -3 Electro -5 Muskart Lambdagewchte Pop 5 Rock 3 Electro Rap - Beat -3 Klassk Rock Klassk Pop Rap Beat Electro Kontrast Kontrast. z-transformeren der Lambdagewchte Warum? Absolutwerte der Lambdas beenflussen Bldung der Dfferenz Lösung? Standardserung der Lambdagewchte durch z-transformaton Kontrast Muskrchtung λ (K) z λ(k) Rock 5,46 Klassk 3 0,88 Pop 0,9 Rap - -0,9 Beat -3-0,88 Electro -5 -,46 λ 70 sλ( K),667 3,46 k 6 z λ k λ 5,46 s,667 λ
46 . z-transformeren der Lambdagewchte Warum? Absolutwerte der Lambdas beenflussen Bldung der Dfferenz Lösung? Standardserung der Lambdagewchte durch z-transformaton Kontrast Muskrchtung λ (K) z λ(k) Pop 5,46 Rock 3 0,88 Electro 0,9 Rap - -0,9 Beat -3-0,88 Klassk -5 -,46 λ 70 sλ( K),667 3,46 k 6 z λ k λ 5,46 s,667 λ. z-transfomerte L-Werte bestmmen z-transformerte L-Werte für Kontrast L z, z-transformerte L-Werte für Kontrast L z,
47 . z-transfomerte L-Werte bestmmen. Auswählen: Transformeren Varable berechnen. Zelvarable bestmmen: L_z_ engeben 3. numerschen Ausdruck engeben 4. OK auswählen. z-transfomerte L-Werte bestmmen neue Varablen
48 3. Dfferenz-L-Werte bestmmen z, z, 3. Dfferenz-L-Werte bestmmen. Auswählen: Transformeren Varable berechnen. Zelvarable bestmmen: LDfferenz engeben 3. numerschen Ausdruck engeben 4. OK auswählen
49 3. Dfferenz-L-Werte bestmmen neue Varable 3. Sgnfkanztest berechnen o dentsch zum normalen t-test be abhänggen Stchproben o Nullhypothese: L Dff 0 kene Unterschede zwschen den L-Werten der beden konkurrerenden Hypothesen ken Kontrast sagt de Daten besser vorher als der jewels andere o Alternatvhypothese: L Dff 0 en Kontrast sagt de Daten besser vorher als der jewels andere D3
50 Fole 98 D3 vellecht wäre es noch klüger zu schreben Ldff st größer als 0, wel wr davon ausgehen, dass kontrast besser st als kontrast und damt ja postve l-werte rauskommen sollten... Dad;
51 3. Sgnfkanztest berechnen t L σˆ Dff Dff n o Interpretaton enes sgnfkanten Testergebns? o L Dff > 0 t-wert > 0: Kontrast besser als Kontrast o L Dff < 0 t-wert < 0: Kontrast besser als Kontrast 4. Sgnfkanztest berechnen. Verfahren wählen: Analyseren Mttelwerte verglechen t-test be ener Stchprobe. Varable wählen: LDfferenz 3. Testwert: 0 unterscheden sch de Dfferenz-L-Werte sgnfkant von 0??? 4. OK wählen
52 4. Sgnfkanztest berechnen t-wert postv & sgnf. Kontrast lefert bessere Vorhersage Muskart Lambdagewchte Rock 5 Klassk 3 Pop Rap - Beat -3 Electro -5 Muskart Lambdagewchte Pop 5 Rock 3 Electro Rap - Beat -3 Klassk Effektgröße berechnen 3,987 g 0,5 moderater Effekt 64
53 Zusammenfassung Zusammenfassung Kontrastanalyse Sonderform der enfaktorellen Varanzanalyse unterschedl. Verfahren abhängge Stchproben unabhängge Stchproben Verglech zweer Hypothesen päzsere Effektgrößen päzsere Hypothesen Empfehlung Kontrastanalyse n allen Fällen n denen ene normale ANOVA durchgeführt werden würde und Fragestellungen präzserbar snd
54 Velen Dank für de Aufmerksamket! Lteratur Bühner, M. & Zegler, M. (009). Statstk für Psychologen und Sozalwssenschaftler. München: Pearson. Nachtgall, C. & Wrtz, M. (00). Wahrschenlchketsrechnung und Inferenzstatstk. Statstsche Methoden für Psychologen. Tel. Wenhem: Juventa. Schäfer, T. (00). Inferenzstatstk II und qualtatve Methoden. Europäsche Fernhochschule. Sedlmeer, P. & Renkewtz, F. (007). Forschungsmethoden und Statstk n der Psychologe. München: Pearson.
Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrHochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen
Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrBestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl.
Versuch Nr. 5: Bestmmung der Elementarladung nach Mllkan. Theore zum Versuchs Be der Öltröpfchenmethode nach Mllkan wrd Öl mttels enes Zerstäubers n wnzge Tropfen aufgetelt. De Öltröpfchen werden durch
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m
MehrSIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrNumerische Methoden II
umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell
ME II, Prof. Dr. T. Wollmershäuser Kaptel 2 Das IS-LM-Modell Verson: 26.04.2011 2.1 Der Gütermarkt De gesamte Güternachfrage Z (Verwendung des BIP) lässt sch we folgt darstellen: Z C+ I + G ME II, Prof.
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrSequential minimal optimization: A fast Algorithm for Training Support Vector machines
Sequental mnmal optmzaton: A fast Algorthm for Tranng Support Vector machnes By John C. Platt (998) Referat von Joerg Ntschke Fall der ncht-trennbaren Tranngs-Daten (/) In der Realtät kommen lnear ncht-trennbare
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrProtokoll zu Versuch C1-Mischungsvolumina
Protokoll zu Prnz: De sezfschen Mschungsvolumna ener Lösung werden durch auswegen fester Flüssgketsvolumna bekannter Lösungszusammensetzungen mt Hlfe von Pyknometern bestmmt. Theoretsche Grundlagen: Um
MehrIndividuelle Clusterung, oder: Womit kann man Bayern vergleichen?
Indvduelle Clusterung, oder: Womt kann man Bayern verglechen? Data Mnng / Web Mnng Martn Westphal Bauer Systems KG Bauer Meda Group Burchardstraße 11 Hamburg martn.westphal@bauerverlag.de Ncola Brauns
MehrPhysikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung
Physkalsches Anfängerpraktkum Tel 2 Versuch PII 33: Spezfsche Wärmekapaztät fester Körper Auswertung Gruppe M-4: Marc A. Donges , 060028 Tanja Pfster, 204846 2005 07 spezfsche Wärmekapaztäten.
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrProf. Dr.- Ing. Herzig Vorlesung "Grundlagen der Elektrotechnik 1" 1etv3-4
Prof. Dr.- ng. Herzg.6 Spezelle erechnungsverfahren lnearer Netzwerke.6. Überlagerungsverfahren Der Lernende kann - den Überlagerungssatz und das darauf beruhende erechnungsprnzp lnearer Netzwerke erklären
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
MehrBeschreibung von Vorgängen durch Funktionen
Beschrebung von Vorgängen durch Funktonen.. Splnes (Sete 6) a +b c Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrErläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S
Erläuterungen zur Analyse des Znssatzswaps Referenz 3584455N//83734/5 zwschen der A/B Duegården und der Nykredt Bank A/S 1. Zusammenfassung der Analyse De A/B Duegården und de Nykredt Bank A/S haben am
MehrComputerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst
Matheatsches Senar 00 Nuerk Coputerunterstützte Geschtserkennung = Egenface - Methode = hoas Wese Betreuer: PD Dr. Olver Ernst Glederung:. Enletung/Allgeenes. HauptKoponentenAnalyse 3. Egenface Methode.
MehrDie kanonische Zustandssumme (System) und ihr Zusammenhang mit der molekularen Zustandssumme (Einzelmolekül) unterscheidbare Teilchen:
De molekulare Zustandssumme βε = e mt β = De kanonsche Zustandssumme (System) und hr Zusammenhang mt der molekularen Zustandssumme (Enzelmolekül) unterschedbare elchen: Q = ununterschedbareelchen Q : =!
Mehr