Einführung in die Korrelationsrechnung
|
|
|
- Angela Möller
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 1 / 49
2 Agenda Kovarianz Produkt-Moment-Korrelation Datenbeispiel Bestimmtheitsmaß Spearman-Rangkorrelation Datenbeispiel Signifikanztest für Korrelationen S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 2 / 49
3 Agenda (Forts. 2) Weitere Korrelationstechniken S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 3 / 49
4 Kovarianz Outline Kovarianz Zusammenhangshypothesen Kovarianz Grafische Darstellung der Kovarianz Berechnung der Kovarianz Rechenbeispiel S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 4 / 49
5 Kovarianz Zusammenhangshypothesen Zusammenhangshypothesen Zusammenhangshypothesen prüfen, ob es zwischen zwei Variablen einen Zusammenhang gibt. Beispiel: Gibt es zwischen dem Alter eines Mitarbeiters und der Unfallhäufigkeit ein Zusammenhang? Um einen solchen Zusammenhang quantifizieren zu können, stehen die Kovarianz und Korrelationen zur Verfügung. Kovarianz und Korrelationen bzw. der Korrelationskoeffizienten sind Zahlen zur Beschreibung eines linearen Zusammenhangs zwischen Variablen. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 5 / 49
6 Kovarianz Kovarianz Kovarianz Die Kovarianz cov(x, y) ist ein Maß für den Zusammenhang von zwei Variablen. Die Kovarianz hat einen Wertebereich von < cov(x, y) <. Positive Kovarianz: Je größer die Werte von x, desto größer die Werte von y, und andersherum. 0 Kovarianz: Kein Zusammenhang zwischen x und y. Negative Kovarianz: Je größer die Werte von x, desto kleiner die Werte von y und andersherum. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 6 / 49
7 Kovarianz Grafische Darstellung der Kovarianz Grafische Darstellung der Kovarianz keine Kovarianz positive Kovarianz negative Kovarianz S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 7 / 49
8 Kovarianz Berechnung der Kovarianz Berechnung der Kovarianz Kovarianz mit: n i=1 cov(x, y) = (x i x) (y i ȳ) ( n 1 n ) = 1 n 1 x i y i n x ȳ i=1 (1) (2) n x y x ȳ Anzahl der Messpaare Ausprägung der Variablen x bei Objekt i Ausprägung der Variablen y bei Objekt i Mittelwert der Variablen x Mittelwert der Variablen y S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 8 / 49
9 Kovarianz Rechenbeispiel Rechenbeispiel Zwei Messwertreihen: x = 13, 8, 8, 10, 5, 10, 6, 10, 8, 8 y = 15, 16, 14, 16, 12, 17, 13, 13, 14, 22 Mittelwerte: x = 8.6; ȳ = 15.2, jeweils n = 10. Damit: n i=1 cov(x, y) = (x i x) (y i ȳ) n 1 = 1 [(13 8.6) ( ) + (8 8.6) ( ) (8 8.6) ( )] = 1.53 S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 9 / 49
10 Kovarianz Rechenbeispiel Rechenbeispiel (Forts. 2) Bzw.: cov(x, y) = 1 n 1 ( n ) x i y i n x ȳ i=1 = 1 ((13 15) + (8 16) (8 22) ) 9 = 1.53 S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 10 / 49
11 Kovarianz Rechenbeispiel Kovarianz für Alter & Unfälle Für das Alter und Unfälle Beispiel aus Deskriptiver Statistik erhält man für Ihre Produktionsstraße folgendes Punktwolkediagramm und Kovarianz: Kovarianz: 8.44 Unfälle [N] Alter in Jahren S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 11 / 49
12 Produkt-Moment-Korrelation Outline Produkt-Moment-Korrelation Nachteile der Kovarianz Produkt-Moment-Korrelation Interpretation von Korrelationen Korrelation und Kausalität S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 12 / 49
13 Produkt-Moment-Korrelation Nachteile der Kovarianz Nachteile der Kovarianz Die Kovarianz ist nicht dimensionslos. Je nach gewählter Einheit kann diese damit variieren. Ein Vergleich von verschiedenen Kovarianzen ist daher nur bedingt möglich: anhand des Vorzeichens kann ein eventueller Zusammenhang der Variablen abgeleitet werden. Die Product-Moment Korrelation entspricht der standardisierten Kovarianz. Der Wertebereich der Korrelation wird auf 1 bis 1 begrenzt und Korrelationen zwischen verschiedenen Variablen sind vergleichbar. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 13 / 49
14 Produkt-Moment-Korrelation Produkt-Moment-Korrelation Produkt-Moment-Korrelation Produkt-Moment-Korrelation Der auf Bavais und Pearson zurückgehende Korrelationskoeffizient r PM relativiert die Kovarianz an den Standardabweichungen s x und s y : cov(x, y) r PM = (3) s x s y n i=1 = (x i x) (y i ȳ) n i=1 (x i x) 2 n i (y (4) i ȳ) 2 mit: n Anzahl der Messpaare x, y Ausprägung der Variablen x bzw. y bei Messpaar i x, y Mittelwert der Variablen x bzw. y Bortz und Schuster (2010, Kap. 10.2, S. 156ff) S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 14 / 49
15 Produkt-Moment-Korrelation Produkt-Moment-Korrelation Alternative Berechnung von r PM Durch die Verwendung des arithmetischen Mittels können bei der Berechnung per Hand Rundungsungenauigkeiten kumulieren. Wird r PM per Hand berechnet, empfiehlt sich folgende alternative Berechnung: Alternative Berechnung von r PM r PM = n n i=1 (x i y i ) ( n i=1 x ( i) n i=1 y ) i ) ] 2 [ n n i=1 x2 i ( n i=1 x i [ n n i=1 y2 i ( n i=1 y i ) 2 ] (5) S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 15 / 49
16 Produkt-Moment-Korrelation Interpretation von Korrelationen Interpretation von Korrelationen Der Wertebereich von Korrelationen liegt zwischen -1 und 1: r 0: Kein Zusammenhang, es gibt keinen Zusammenhang zwischen den beiden Variablen. r > 0: positiver Zusammenhang, steigt eine Variable in ihrem Wert, steigt auch die andere Variable in ihrem Wert (z. B. je älter ein Arbeitnehmer, desto größer dessen Unfallhäufigkeit). r < 0: negativer Zusammenhang, steigt eine Variable in ihrem Wert, fällt der Wert der anderen Variablen (z. B. Zufriedenheit mit der Arbeit und Stressbelastung). S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 16 / 49
17 Produkt-Moment-Korrelation Interpretation von Korrelationen Einteilung von Korrelationen Für den Betrag einer Korrelation gelten folgende Einteilungen: 0 < r < 0.1 Nullkorrelation 0.1 < r < 0.3 geringe Korrelation 0.3 < r < 0.7 mittlere Korrelation 0.7 < r < 1 hohe Korrelation S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 17 / 49
18 Produkt-Moment-Korrelation Korrelation und Kausalität Korrelation und Kausalität Die Korrelation gibt keinen Aufschluss über den Kausalzusammenhang zwischen Variablen: Variable 1 kann Variable 2 kausal beeinflussen, oder anders herum. Beide Variablen werden von einer dritten, möglichenerweise unbekannten Variablen beeinflusst. Variable 1 und 2 beeinflussen sich Wechselseitig kausal. Eine Korrelation ist eine notwendige, aber keine hinreichende Voraussetzung für kausale Abhängigkeiten (Bortz & Schuster, 2010, S. 160). S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 18 / 49
19 Datenbeispiel Outline Datenbeispiel Beispieldaten Berechnung von r PM Interpretation Punktwolkendiagramm Beispiel: Hohe positive Korrelation Beispiel: Hohe negative Korrelation S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 19 / 49
20 Datenbeispiel Beispieldaten Beispieldaten Sie haben die Vermutung, dass es zwischen Unfallhäufigkeit und Alter einen Zusammenhang geben könnte: Produktionsstraße Ihre Kollegin Unfallhäufigkeit Alter Unfallhäufigkeit Alter S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 20 / 49
21 Datenbeispiel Berechnung von r PM Berechnung von r PM x = Unfallhäufigkeit, y = Alter Nr. x y x 2 y 2 x y S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 21 / 49
22 Datenbeispiel Berechnung von r PM Einsetzen der Werte x = 136; y = 1079; x 2 = 1220; y 2 = 58745; (x y) = 7344 r PM = n n i=1 (x i y i ) ( n i=1 x ( i) n i=1 y ) i ) ] 2 [ n n i=1 x2 i ( n i=1 x i [ n n i=1 y2 i ( n i=1 y i = [ ] ] (136) 2 [ (1079) 2 = = [ ] = = [ = ] ) 2 ] S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 22 / 49
23 Datenbeispiel Interpretation Interpretation Der positive Korrelationskoeffizient r PM = ist sehr klein, praktisch Null. Fazit: Zwischen dem Alter und den Unfallhäufigkeiten eines Mitarbeiters gibt es praktisch keinen Zusammenhang. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 23 / 49
24 Datenbeispiel Punktwolkendiagramm Punktwolkendiagramm Alter in Jahren Anzahl der Unfälle S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 24 / 49
25 Datenbeispiel Beispiel: Hohe positive Korrelation Beispiel: Hohe positive Korrelation Angenommen wir hätten einen r PM = Dies entspricht einer sehr hohen positiven Korrelation. Fazit: Zwischen dem Alter und den Unfallhäufigkeiten eines Mitarbeiters gibt es einen hohen positiven Zusammenhang: Je höher das Alter, desto häufiger passieren Unfälle. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 25 / 49
26 Datenbeispiel Beispiel: Hohe negative Korrelation Beispiel: Hohe negative Korrelation Angenommen wir hätten einen r PM = Dies entspricht einer sehr hohen negativen Korrelation. Fazit: Zwischen dem Alter und den Unfallhäufigkeiten eines Mitarbeiters gibt es einen hohen negativen Zusammenhang: Je höher das Alter, desto seltener passieren Unfälle. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 26 / 49
27 Bestimmtheitsmaß Outline Bestimmtheitsmaß Bedeutung Bestimmtheitsmaß im Beispiel S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 27 / 49
28 Bestimmtheitsmaß Bedeutung Bestimmtheitsmaß Das Bestimmtheitsmaß oder der Determinationskoeffizient entspricht dem quadrierten und mit 100 multiplizierten Korrelationskoeffizienten: r Es gibt den Anteil der gemeinsamen Varianz (bzw. gemeinsamer Variation) zweier Merkmale wieder. Beispiel: r =.90 r 2 = 0.81 und damit ist das Bestimmtheitsmaß 81%, oder 81% gemeinsame Varianz. Manchmal wird auch von 81% Zusammenhang gesprochen. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 28 / 49
29 Bestimmtheitsmaß Bestimmtheitsmaß im Beispiel R 2 im Beispiel Für den Zusammenhang zwischen Alter und Unfallhäufigkeit wurde eine Korrelation r PM = berechnet. Daraus ergibt sich das Bestimmheitsmaß von r 2 PM = = und damit etwa = , d. h. es bestehen lediglich 0.03% Zusammenhang bzw. gemeinsame Varianz. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 29 / 49
30 Spearman-Rangkorrelation Outline Spearman-Rangkorrelation Definition Berechenung Verbundene Ränge S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 30 / 49
31 Spearman-Rangkorrelation Definition Spearman-Rangkorrelation Die Spearman-Rang-Korrelation findet bei ordinalskalierten Variablen Anwendung. Die Messwerte werden in Rangplätze überführt. Problem: Gleiche Messwerte führen zu Rangbindungen. Aus der Formel der Produkt-Moment-Korrelation kann eine Berechnungsvorschrift für den Rangkorrelationskoeffizienten r s abgeleitet werden. Alternativ: Mit den Rangplätzen wird eine Produkt-Momentkorrelation berechnet. Bei vielen Rangbindungen (>20%) sollte eher ein anderer Korrelationskoeffizient herangezogen werden. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 31 / 49
32 Spearman-Rangkorrelation Berechenung Berechnung Spearman-Rangkorrelation Der Spearman-Rangkorreationskoeffizient kann folgendermaßen berechnet werden: r s = 1 6 n i=1 d2 i n (n 2 1) mit d als Differenz zwischen zwei Rangplätzen eines Messwertpaares. (6) Bortz und Schuster (2010, S. 178f) S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 32 / 49
33 Spearman-Rangkorrelation Verbundene Ränge Verbundene Ränge Oft kommen einige Messwerte doppelt vor. In diesem Fall spricht man von verbundenen Rängen, die eine Verbindungsgruppe bilden. Es gibt verschiedene Möglichkeiten, gleiche Messwerte in Rangplätze zu transformieren. In der Regel wird der Mittelwert der Rangplätze einer Verbindungsgruppe vergeben. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 33 / 49
34 Spearman-Rangkorrelation Verbundene Ränge Beispiel verbundene Ränge Die Beobachtungen von 18 Individuen seien wie folgt (gleiche Beobachtungswerte liegen übereinander): Rangplätze: Mittelwert: 7:2=3.5 34:4=8.5 45:3=15 Damit ergeben sich folgende Rangplätze mit drei Rangbindungsgruppen: 1, 2, 3.5, 3.5, 5, 6, 8.5, 8.5, 8.5, 8.5, 11, 12, 13, 15, 15, 15, 17, 18 S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 34 / 49
35 Datenbeispiel Outline Datenbeispiel Fragestellung Daten Vergabe der Rangplätze Berechnung der Differenzpaare Berechnung von r s S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 35 / 49
36 Datenbeispiel Fragestellung Fragestellung An einem Assessment-Center haben zehn Bewerber teilgenommen. Unter anderem gab es eine Postkorb-Aufgabe und eine Sortier-Aufgabe. Die Testwerte beider Aufgaben sind nicht normalverteilt, zudem ist fraglich, ob die Testwerte intervallskaliert sind. Zur Berechnung des Zusammenhangs zwischen Postkorb- und Sortier-Aufgabe eignet sich daher die Spearman-Rang-Korrelation. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 36 / 49
37 Datenbeispiel Daten Daten Nr. Postkorb Rang Postkorb Sortier Rang Sortier S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 37 / 49
38 Datenbeispiel Vergabe der Rangplätze Vergabe der Rangplätze Nr. Postkorb Rang Postkorb Sortier Rang Sortier S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 38 / 49
39 Datenbeispiel Vergabe der Rangplätze Vergabe der Rangplätze Nr. Postkorb Rang Postkorb Sortier Rang Sortier S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 39 / 49
40 Datenbeispiel Berechnung der Differenzpaare Berechnung der Differenzpaare Nr. Rang Postkorb Rang Sortier Differenz d 2 i d 2 i = 16.5 S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 40 / 49
41 Datenbeispiel Berechnung von r s Berechnung von r s d 2 = 16.5, n = 10, damit: r s = 1 6 n i=1 d2 i n (n 2 1) = 1 10 (100 1) = Schlusssatz: Zwischen den Variablen Postkorb-Aufgabe und Sortieraufgabe ergibt sich ein positiver Zusammenhang von r s = 0.9. Dies entspricht 81% erklärbarer Variation. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 41 / 49
42 Signifikanztest für Korrelationen Outline Signifikanztest für Korrelationen Hypothesen Prüfgröße für Korrelationen Berechnung von t emp S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 42 / 49
43 Signifikanztest für Korrelationen Hypothesen Hypothesen Ein Korrelationskoeffizient liegt zwischen 1 < r < 1. Ist r = 0, gibt es keinen Zusammenhang zwischen zwei Variablen: H 0 : ρ = 0 H 1 : ρ 0 Es kann natürlich auch gerichtet, also einseitig geprüft werden. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 43 / 49
44 Signifikanztest für Korrelationen Prüfgröße für Korrelationen Prüfgröße für Korrelationen Prüfgröße Korrelationen Zur Überprüfung von H 0 : ρ = 0 kann folgende Prüfgröße berechnet werden: t emp = r n 2 1 r 2 (7) ist unter H 0 t-verteilt mit n 2 Freiheitsgraden; wobei: r Korrelationskoeffizient r PM oder r s n Anzahl der Messwertpaare S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 44 / 49
45 Signifikanztest für Korrelationen Berechnung von t emp Berechnung von t emp Es sei n = 10, r PM = 0.9. Berechnung von t emp : t emp = r n 2 1 r 2 = = = 5.79 t krit,df=8,α=0.05,zweiseitig = Damit t emp > t krit H 1! Schlussatz: Mit einer Irrtumswahrscheinlichkeit von 5% ist die Produkt-Moment-Korrelation statistisch signifikant. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 45 / 49
46 Weitere Korrelationstechniken Outline Weitere Korrelationstechniken Datenniveau und Korrelation Sind Korrelationen immer sinnvoll? S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 46 / 49
47 Weitere Korrelationstechniken Datenniveau und Korrelation Datenniveau und Korrelation Variable 1 Variable 2 Nominal Ordinal Intervall Nominal Phi, Kontingenzkoeffizient C Biseriale Rangkorrelation Spearman- Ordinal bei Rang- dichotomer Nominalskala Korrelation, Kendall s τ Intervall (Punkt-) Biseriale und Polyseriale Korrelation Empfehlung: Spearman- Rang- Korrelation (Pearson-) Produkt- Moment- Korrelation S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 47 / 49
48 Weitere Korrelationstechniken Sind Korrelationen immer sinnvoll? Sind Korrelationen immer sinnvoll? Korrelationskoeffizienten sind für alle möglichen Kombinationen von Skalenniveaus vorgeschlagen worden. Oft können Korrelationen durch einen anderen Test ersetzt werden, z. B. Phi-Korrelation durch den χ 2 -Test, biserale Korrelation durch den t-test. Oft sind Tests einfacher zu interpretieren als eine Korrelation. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 48 / 49
49 Weitere Korrelationstechniken Sind Korrelationen immer sinnvoll? Literaturverzeichnis Bortz, J. & Schuster, C. (2010). Statistik für Human- und Sozialwissenschaftler (7. Auflage). Berlin: Springer. S. Garbade (SRH Heidelberg) Korrelationsrechnung Statistik 1 49 / 49
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
Sven Garbade. Statistik 1
χ 2 -Test für nominale Daten Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) χ 2 -Test für nominale
1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
Parametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
Sommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
Modul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
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.
2. Zusammenhangsmaße
2. Zusammenhangsmaße Signifikante χ²-werte von Kreuztabellen weisen auf die Existenz von Zusammenhängen zwischen den zwei untersuchten Variablen X und Y hin. Für die Interpretation interessieren jedoch
Kapitel 5 Wichtige Maßzahlen für den Zusammenhang zwischen Merkmalen
Kapitel 5 Wichtige Maßzahlen für den Zusammenhang zwischen Merkmalen 5.1 Darstellung der Verteilung zweidimensionaler Merkmale 5.2 Maßzahlen für den Zusammenhang zweier nominaler Merkmale 5.3 Maßzahlen
Einführung in die Statistik
Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,
Statistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
Skalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
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
Lineare Korrelation. Statistik für SozialwissenschaftlerInnen II p.143
Lineare Korrelation Statistik für SozialwissenschaftlerInnen II p.143 Produkt-Moment-Korrelation Der Produkt-Moment-Korrelationskoffizient r von Pearson ist ein Zusammenhangsmaß für metrische Variablen
Inhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
Inhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
6 Korrelationsanalyse: Zusammenhangsanalyse stetiger. Merkmale
6 Korrelationsanalyse: Zusammenhangsanalyse stetiger Merkmale 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens
Statistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale
6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale 397 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig
Korrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test
Biometrieübung 7 (t-test gepaarte Daten & Wilcoxon-Test) - Aufgabe Biometrieübung 7 t-test (gepaarte Daten) & Wilcoxon-Test Aufgabe 1 Hirschläufe An 10 Hirschen wurde die Länge der rechten Vorder- und
Angewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
Deskriptive Statistik
Markus Wirtz, Christof Nachtigall Deskriptive Statistik 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Statistische
Sitzung 4: Übungsaufgaben für Statistik 1
1 Sitzung 4: Übungsaufgaben für Statistik 1 Aufgabe 1: In einem Leistungstest werden von den Teilnehmern folgende Werte erzielt: 42.3; 28.2; 30.5, 32.0, 33.0, 38.8. Geben Sie den Median, die Spannweite
Klausur Statistik I. Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin. Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
Bivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
Inhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
Methodik für Linguisten
Claudia Methodik für Linguisten Eine Einführung in Statistik und Versuchsplanung narr VERLAG 1 Reisevorbereitungen und Wegweiser 2 Linguistik als empirische Wissenschaft 15 2.1 Karl Popper und der Falsifikationismus
fh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
Deskriptive Statistik & grafische Darstellung
Deskriptive Statistik & grafische Darstellung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Deskriptive
7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Prüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
Einführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
Weitere Korrelationskoeffizienten (1)
Weitere Korrelationskoeffizienten () Welche Korrelationskoeffizienten man für die Analyse von Zusammenhängen benutzen kann, hängt entscheidend von dem Skalenniveau der beteiligen Variablen und der Fragestellung
Zusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Deskription, 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
Eigene MC-Fragen SPSS. 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist
Eigene MC-Fragen SPSS 1. Zutreffend auf die Datenerfassung und Datenaufbereitung in SPSS ist [a] In der Variablenansicht werden für die betrachteten Merkmale SPSS Variablen definiert. [b] Das Daten-Editor-Fenster
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2013
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2013 1. Welche Aussage zur Statistik (in den Sozialwissenschaften) sind richtig? (2 Punkte) ( ) Statistik ist die Lehre von Methoden
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
Arbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
Inhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
Statistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
Zusammenhangsmaße II
Sommersemester 2009 Eine nominale und eine intervallskalierte Variable χ 2 =?!? Übung von Simone Reutzel Heute im HS1, altes ReWi-Haus Zum Nachlesen Agresti/Finlay: Kapitel 8.5, 9.4 Gehring/Weins: Kapitel
Wahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
Kapitel XI - Korrelationsrechnung
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008 Kapitel XI - Korrelationsrechnung
Ermitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
Deskriptive Statistik Winfried Zinn
Deskriptive Statistik Winfried Zinn Inhalte Statistik 1 1. Themenblock: Grundlagen der beschreibenden Statistik: Skalenniveaus Häufigkeitsverteilungen Mittelwerte (Lagemaße) Standardabweichung und Varianzen
Überblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
Zusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
Statistik für Psychologen und Sozialwissenschaftler. Pearson. Markus Bühner Matthias Ziegler. 2., aktualisierte und erweiterte Auflage
Statistik für Psychologen und Sozialwissenschaftler 2., aktualisierte und erweiterte Auflage Markus Bühner Matthias Ziegler Pearson Inhaltsübersicht Vorwort zur 1. Auflage Vorwort zur 2. Auflage XIII XV
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Zusammenhangsmaße II
Sommersemester 2009 Wiederholung/ Eine nominale und eine intervallskalierte Variable χ 2 =?!? Übung von Simone Reutzel Heute im HS1, altes ReWi-Haus Zum Nachlesen Agresti/Finlay: Kapitel 8.5, 9.4 Gehring/Weins:
5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
Grundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
Häufigkeitsverteilungen
Häufigkeitsverteilungen Eine Häufigkeitsverteilung gibt die Verteilung eines erhobenen Merkmals an und ordnet jeder Ausprägung die jeweilige Häufigkeit zu. Bsp.: 100 Studenten werden gefragt, was sie studieren.
Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Statistik mit und ohne Zufall
Christoph Weigand Statistik mit und ohne Zufall Eine anwendungsorientierte Einführung Mit 118 Abbildungen und 10 Tabellen Physica-Verlag Ein Unternehmen von Springer Inhaltsverzeichnis Teil I Deskriptive
Eigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße
Eigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße 1. Kreuze die richtige Aussage an! positiv sind, ist r stets identisch mit s xy. negativ sind, ist r stets identisch mit s xy. positiv sind, ist das
Assoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
Statistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Streuungsmaße von Stichproben
Streuungsmaße von Stichproben S P A N N W E I T E, V A R I A N Z, S T A N D A R D A B W E I C H U N G, Q U A R T I L E, K O V A R I A N Z, K O R R E L A T I O N S K O E F F I Z I E N T Zentrale Methodenlehre,
Die Korrelation von Merkmalen
Die Korrelation von Merkmalen In der Analse von Datenmaterial ist eines der Hauptziele der Statistik eine Abhängigkeit bzw. einen Zusammenhang zwischen Merkmalen zu erkennen. Die Korrelation ermittelt
Inhaltsverzeichnis (Ausschnitt)
4 Zweidimensionale Daten Inhaltsverzeichnis (Ausschnitt) 4 Zweidimensionale Daten Häufigkeitsverteilungen unklassierter Daten Häufigkeitsverteilungen klassierter Daten Bedingte Häufigkeitsverteilungen
Karl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
Regression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
= = =0,2=20% 25 Plätze Zufallsübereinstimmung: 0.80 x x 0.20 = %
allgemein Klassifizierung nach Persönlichkeitseigenschaften Messung von Persönlichkeitseigenschaften Zuordnung von Objekten zu Zahlen, so dass die Beziehungen zwischen den Zahlen den Beziehungen zwischen
Philipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Statistik in der Praxis
Peter Zöfel Statistik in der Praxis Zweite, überarbeitete Auflage 48 Abbildungen, 118 Tabellen und 22 Tafeln I Gustav Fischer Verlag Stuttgart Inhaltsverzeichnis Vorwort V 1. Allgemeine Grundlagen 1 1.1
Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-
SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird
Mathematik 2 für Naturwissenschaften
Hans Walser Mathematik für Naturwissenschaften 00 180 160 Frauen 140 10 100 80 80 100 10 140 160 180 00 Männer Modul 08 Testen von Hypothesen Lernumgebung. Teil 1 Hans Walser: Modul 08, Testen von Hypothesen.
(Σy i) 2 ) (Formel 6.1)
6.1 Der Pearsonsche Maßkorrelationskoeffizient 6 Zur Korrelationsanalyse 47 Im Weiteren gehen wir näher auf den Spezialfall der linearen Korrelation ein, d.h. die durch die Punktwolke nahegelegte Ausgleichskurve
Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
Assoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
Mann-Whitney-U-Test für zwei unabhängige Stichproben
Mann-Whitney-U-Test für zwei unabhängige Stichproben Wir haben bis jetzt einen einzigen Test für unabhängige Stichproben kennen gelernt, nämlich den T-Test. Wie wir bereits wissen, sind an die Berechnung
Statistik für Psychologen und Sozialwissenschaftler
Markus Bühner Matthias Ziegler Statistik für Psychologen und Sozialwissenschaftler Mit über 480 Abbildungen PEARSON Studium Ein Imprint von Pearson Education München Boston San Francisco Harlow, England
Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Grundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 1: Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 12., vollständig überarbeitete Auflage nwb STUDIUM Inhaltsverzeichnis
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
Hypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
Einführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1
Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik 2 Inferenzstatistik 1 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Rückblick: Besonders wichtige Themen Wissenschaftstheoretischer
Statistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
Computergestützte Methoden. Master of Science Prof. Dr. G. H. Franke WS 07/08
Computergestützte Methoden Master of Science Prof. Dr. G. H. Franke WS 07/08 1 Seminarübersicht 1. Einführung 2. Recherchen mit Datenbanken 3. Erstellung eines Datenfeldes 4. Skalenniveau und Skalierung
Jost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
Bivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
Die Beziehung zwischen ordinal skalierten Variablen
Die Beziehung zwischen ordinal skalierten Variablen Schüler Englisch Deutsch a 5 5 b 4 besser 4 besser Konkordante Paare: Die Untersuchungseinheiten können im Hinblick auf X und Y dieselbe Rangordnung
Empirische Methoden zur Analyse gesprochener Sprache
Empirische Methoden zur Analyse gesprochener Sprache Prinzip der Hypothesenprüfung (am Beispiel des t-tests für unabhängige Stichproben) Statistische Verfahren: Einordnung Deskriptive (beschreibende) Statistik: