Die Empirische Regression
|
|
- Lothar Pohl
- vor 7 Jahren
- Abrufe
Transkript
1 Die Empirische Regression Worum geht es in diesem Lernmodul? Beschreibung der Abhängigkeit einer Variablen von einer anderen Bestimmung der Regressionsgeraden Das Bestimmtheitsmaß Worum geht es in diesem Lernmodul? Hängt ein metrisch skaliertes Merkmal von einem zweiten ab, so können wir versuchen, den Zusammenhang anhand einer geeigneten Funktion zu beschreiben. Dabei gehen wir von einer linearen Abhängigkeit aus. Somit ist eine lineare Funktion zu ermitteln, welche diesen Zusammenhang möglichst gut beschreibt. Zu diesem Zweck benutzen wir die sog. Methode der kleinsten Quadrate. Wir entwickeln ein Maß, das sog. Bestimmtheitsmaß, das es uns erlaubt, zu beurteilen, wie gut die Gerade die vorliegenden Daten beschreibt. Beschreibung der Abhängigkeit einer Variablen von einer anderen In vielen Situationen können wir davon ausgehen, dass ein metrisch skaliertes Merkmal von einem anderen,, abhängt. Beispiele sind dafür: - die Sparquote steigt mit der Höhe des Einkommens - der Bremsweg eines Kraftfahrzeuges wird mit höherer Geschwindigkeit länger - die Miethöhe steigt mit der Größe der Wohnung. Wenn allgemeine Vorüberlegungen oder systematisch angelegte Versuche ergeben haben, dass es bei zwei Merkmalen eine Einflussrichtung gibt, können wir versuchen, den Zusammenhang anhand einer geeigneten Funktion zu beschreiben. Die Form des Zusammenhangs können wir dabei anhand der Punktwolke eines Streudiagramms ersehen. Häufig wird von einer linearen Form der Abhängigkeit ausgegangen. Zum einen ist dies die einfachste Abhängigkeitsform. Zum anderen lassen sich auch andere Formen der Abhängigkeit vielfach auf einen linearen Zusammenhang zurückführen. Bestätigt das Streudiagramm die lineare Form der Abhängigkeit, so besteht unsere Page 1
2 zu ermitteln, welche diesen Zusammenhang möglichst gut beschreibt. Eine solche Funktion zu ermitteln, heißt dabei, dass der Achsenabschnitt und die Steigung im Einklang mit den Daten bestimmt werden müssen. Grafisch bedeutet dies, dass im Streudiagramm eine Ausgleichsgerade so durch die Punktwolke gezeichnet werden soll, dass die Punkte geeignet um die Gerade gruppiert sind. Die resultierende Gerade wird als Regressionsgerade bezeichnet. Quelle: eigene Darstellung Beispiel: Aflatoxin in Erdnüssen Großhändler von Erdnüssen müssen bestimmte Qualitätsstandards erfüllen. Manchmal werden Erdnüsse von Schimmelpilzen befallen, die das Gift Aflatoxin produzieren. Wenn bestimmte Erdnusspartien von diesem Gift betroffen sind, darf die Ware für den menschlichen Verzehr nicht freigegeben werden. Durch Aflatoxin kontaminierte Erdnüsse unterscheiden sich aber mit dem bloßen Auge nicht von unbefallenen Erdnüssen. Insgesamt ist das Gift recht schwierig nachzuweisen. Um die Qualitätsstandards zu erfüllen, müssen die Großhändler bei den von ihnen umgeschlagenen Erdnüssen sicherstellen, dass keine kontaminierten Erdnüsse in den Verkauf gelangen. Man kann aber relativ leicht den Grad der Verunreinigung durch Staub, Schmutz, Fette und Öle nachweisen. Daher wurde von einem Großhändler in 34 Packungen neben dem Anteil der durch Aflatoxin (in ppb/20) nicht kontaminierten Erdnüsse (in Prozent) zusätzlich der Grad der Verunreinigung festgestellt (vgl. Draper, N. R. und Smith, H. (1981). Applied Regression Analysis (2. Aufl.). John Wiley & Sons, New York. S. 63.). Ziel war es, zu untersuchen, ob sich der nicht kontaminierte Anteil mittels der Variablen angeben lässt. Page 2
3 Quelle: eigene Darstellung Die Abbildung gibt das Streudiagramm mit einer Ausgleichsgeraden wieder. Offenbar besteht zwischen den Merkmalen ein negativer linearer Zusammenhang. Der Anteil der nicht vergifteten Erdnüsse ist bei einem niedrigen Grad der Verunreinigung tendenziell höher. Der Achsenabschnitt ist die Höhe des Schnittpunktes der Geraden mit der -Achse. Hier zeigt sich, dass bei "reinen Packungen ohne Verunreinigung tendenziell alle Erdnüsse kontaminiert sind (100%). Die Steigung gibt an, um welchen Betrag sich die Höhe der Gerade ändert, wenn auf der -Achse um eine Einheit nach rechts gegangen wird. Bei den Erdnüssen sinkt der Anteil der kontaminierten Erdnüsse mit zunehmender Verunreinigung. Offensichtlich hat die Verunreinigung eine Art Schutzwirkung. Bestimmung der Regressionsgeraden Es gibt mehrere Möglichkeiten, formal festzulegen, wann Punkte geeignet um die Gerade gruppiert sind. Jede dieser Möglichkeiten führt zu einem eigenen Verfahren zur Bestimmung einer Regressionsgeraden. Die allgemein akzeptierte Standardmethode ist die Methode der kleinsten Quadrate (KQ-Methode), die erstmals im Jahre 1805 von Legendre veröffentlicht wurde. Page 3
4 Quelle: Stigler, S. M. (1986). The History of Statistics. Belknap Press of Harvard Univ. Press, Cambridge. Die Grundlage der KQ-Methode besteht darin, die Abstände zwischen den beobachteten Werten und den zu den entsprechenden gehörigen Werten auf der Geraden möglichst klein zu halten. Diese werden mit einem "Dach" gekennzeichnet. Wenn die aus den Daten ermittelten Regressionskoeffizienten, der Achsenabschnitt und die Steigung, sind, so ist also der zu gehörige Wert auf der Geraden. Die Zielsetzung, die Abstände KQ-Methode folgendermaßen umgesetzt: Abweichungsquadrate minimal ist. möglichst gering zu halten, wird bei der werden so bestimmt, dass die Summe der Führen wir die Minimierung formal durch, so erhalten wir für die Parameter folgende Ausdrücke: und Sehen Sie sich die : Flashanimation ' Animation Bestimmung der Regressionsgeraden ' siehe Online-Version an! Auf dieser Laborseite können Sie durch Angabe von Achsenabschnitt und Steigung selbst eine Gerade in die vorgegebene Punktewolke einzeichnen. Versuchen Sie, das so zu tun, dass Q(a,b) möglichst klein wird! Labordatei öffnen ( ab1.spf ) Beispiel: Werbeaufwand und Werbewirkung Im Rahmen einer Studie über die Wirkung und Wahrnehmung der Fernsehwerbung wurden in einem Zeitraum von mehreren Wochen parallel in vier Regionen eine Anzahl Personen wöchentlich zur Fernsehwerbung eines Schokoriegelherstellers befragt (nach Migon, H. S. und Harrison, P. J. (1985). An Application of Non-Linear Bayesian Forecasting to Television Advertising. In: Bernado, De Groot, Lindley, Smith (Hrsg.). Bayesian Statistics 2. Amsterdam. S ). Dabei wurde die Anzahl der positiven Reaktionen auf die Werbung notiert. Zusätzlich wurde der wöchentliche Werbeaufwand in einer skalaren, metrischen Größe (in Geldeinheiten) erfasst. Die Ermittlung der Regressionsgeraden im Statistiklabor kann in der folgenden Laborseite nachvollzogen werden. Labordatei öffnen ( abb.spf ) Die sich ergebende Regressionsgleichung lautet: Der Achsenabschnitt gibt hier an, wie viele positive Reaktionen wir ohne Werbeaufwand unterstellen würden. Die Steigung gibt an, Page 4
5 dass bei einem zusätzlichen Werbeaufwand von einer Geldeinheit im Mittel 3.15 positive Reaktionen mehr beobachtet wurden. Verbrauchen schwerere Autos mehr Benzin? Für 16 Modelle wurden 1995 das Gewicht (in pounds) und der effektive Benzinverbrauch (in miles per gallon) bei einer 150 Meilen langen Testfahrt gemessen (vgl. Rossman, A. und Barr van Oehsen, J. (1997). Workshop Statistics: Discovery with Data and the Graphing Calculator. Springer-Verlag, New York. S. 109.). Führen Sie eine Regressionsanalyse durch! Labordatei öffnen ( ad6.zmpf ) Das Bestimmtheitsmaß Die Güte der Beschreibung durch die Gerade Unter der Voraussetzung, dass die Beschreibung der Punkte durch eine Gerade überhaupt sinnvoll ist, haben wir uns zu fragen, wie gut die Regressionsgerade dies tut. Das wollen wir mit einer Maßzahl erfassen. Die Grundlage für eine adäquate Maßzahl bildet die Streuungszerlegung der Regression. Die Varianz der Ausprägungen setzt sich nämlich zusammen aus der Varianz der durch das Merkmal bestimmten und der Varianz der Abweichungen : Je besser die Regressionsgerade an die Punktewolke angepasst ist, desto geringer ist die Varianz der Abweichungen und desto größer ist die Varianz der auf der Regressionsgeraden liegenden. Für das Bestimmtheitsmaß wird daher die Varianz der durch die Varianz der geteilt: Das Bestimmtheitsmaß drückt aus, in welchem Umfang diese Streuung durch die Regressionsgerade erklärt wird. In dem Applet KQ-Regressionsgerade (b18.jar) haben Sie die Möglichkeit, das Bestimmtheitsmaß genauer zu untersuchen. Klicken Sie mit der Maus mehrfach auf das Koordinatensystem, um eine Punktewolke samt Regressionsgeraden und Bestimmtheitsmaß zu erzeugen und untersuchen Sie, wie sich das Bestimmtheitsmaß beim Hinzufügen oder Verschieben von Punkten ändert! Interpretation des Bestimmtheitsmaßes Aufgrund seiner Herkunft ist ersichtlich, dass das Bestimmtheitsmaß stets zwischen 0 und 1 liegt. Es ist gleich 1, wenn alle Punkte im Streudiagramm exakt auf der Regressionsgeraden liegen. Zwischen den Merkmalen besteht dann ein perfekt linearer Zusammenhang. Das Bestimmtheitsmaß ist 0, wenn gilt. Dies ist nur dann der Fall, wenn alle gleich sind, wenn also die Gerade die Steigung 0 hat. In diesem Fall erklärt die Regressionsgerade nichts, zwischen den Merkmalen besteht keinerlei linearer Zusammenhang. Das Bestimmtheitsmaß ist eine relative Größe. Daher kann auch groß sein, wenn die Punkte relativ stark um die Gerade streuen, sofern nur die Steigung groß ist. Insgesamt kann von einem Wert des Bestimmtheitsmaßes nicht auf die Form zurückgeschlossen werden. Wir können das Bestimmtheitsmaß deshalb nur in Verbindung mit dem Streudiagramm interpretieren. Page 5
6 Zwischen dem Bestimmtheitsmaß der linearen Regression und dem Korrelationskoeffizienten (vgl. ) gilt der rechnerische Zusammenhang. Auf dieser Laborseite finden Sie eine Simulation, bei der Sie für verschiedene Streudiagramme und zugehörige Ausgleichsgeraden das Bestimmtheitsmaß raten sollen. So machen Sie sich mit der Abhängigkeit des Bestimmtheitsmaßes von Steigung der Geraden und der Streuung um die Gerade vertraut. Labordatei öffnen ( b4d.spf ) Beispiel: Werbeaufwand und Werbewirkung (Fortsetzung) Im vorigen Beispiel haben wir bezüglich der Regressionsbeziehung zwischen Werbeaufwand und positiven Reaktionen eine Regressionsgerade ermittelt. Für diese können wir mit Hilfe des Statistiklabors das Bestimmtheitsmaß berechnen. Wir erhalten: Dies besagt, dass ziemlich genau die Hälfte der Streuung der -Werte durch die Regressionsgerade erklärt wird. Labordatei öffnen ( b61.spf ) Berechnen Sie in Fortsetzung der Übung zur Regressionsbeziehung zwischen dem Gewicht und dem Benzinverbrauch von Autos das Bestimmtheitsmaß und interpretieren Sie es! Labordatei öffnen ( b6b.zmpf ) Bestimmen Sie für die Daten ( b72.zmpf ) (Anscombe, F. J. (1973). Graphs in Statistical Analysis. American Statistician, 27. S )jeweils zuerst die Bestimmtheitsmaße der Regressionen gegen, gegen, gegen und gegen. Erstellen Sie sodann die zugehörigen Streudiagramme. Welche Folgerungen ziehen Sie aus Ihren Ergebnissen? - Geben Sie die allgemeine Regressionsgleichung an. Welche Parameter müssen geschätzt werden? Lösung ( : b9b.pdf ) - Welche Eigenschaften besitzen die KQ-Schätzer der Regressionskoeffizienten? Lösung ( : ba1.pdf ) - Was sagt das Bestimmtheitsmaß aus? Lösung ( : ba7.pdf ) - Welche Werte kann das Bestimmtheitsmaß annehmen? Begründen Sie Ihre Antwort! Lösung ( : bad.pdf ) Im Laufe der Jahre ist bei fast allen Lebensmitteln ein Preisanstieg zu beobachten. Beim Fisch waren diese Preissteigerungen in den vergangenen Jahren im Vergleich zu anderen Lebensmitteln sehr groß. Dies hängt sicherlich auch mit der Überfischung der Meere und geänderten Wertschätzungen bestimmter Lebensmittel zusammen. Im Datensatz (vgl. Moore, D. S. und McCabe, G. P. (1989). Introduction to the Practice of Statistics. Freeman, New York.) sind die Preise verschiedener Fische von 1970 und Page 6
7 1980 gegeben. Labordatei öffnen ( bb5.zmpf ) Literaturangabe Späth, H. (1987). Mathematische Software zur linearen Regression. Oldenbourg, München. (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 7
Das multiple lineare Regressionsmodell
Das multiple lineare Regressionsmodell Worum geht es in diesem Lernmodul? Das Modell Schätzen der Koeffizienten Interpretation der Koeffizienten Testen der Koeffizienten Worum geht es in diesem Lernmodul?
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrTeil: 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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrDabei 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
MehrÜbung 3 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrElementare Regressionsrechnung
Elementare Regressionsrechnung Motivation: Streudiagramm zweier metrisch skalierter Merkmale X und Y Y X Dr. Karsten Webel 107 Ziel: Erfassung des Zusammenhangs zwischen X und Y durch eine Gerade der Form
Mehr(f(xi ) y i ) 2. minimal ist: man will also die Summe der quadratischen Abweichungen minimieren ... f(x i ) y i, i=1 (t x i) 2
Mathematik für Biologen, Biotechnologen und Biochemiker Lineare Regression Gegeben seien Datenpaare (, ), (, ),, ( n, n ) Wir stellen die Frage, ob sich die Zahlen i als Werte einer linearen Funktion i
MehrBivariate 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
MehrStatistik 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
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrStatistik für Betriebswirte 1 Probeklausur Universität Hamburg Wintersemester 2016/ Dezember 2016
Statistik für Betriebswirte 1 Probeklausur Universität Hamburg Wintersemester 2016/2017 16. Dezember 2016 1 Aufgabe 1: Beschreibung univariater Daten (30 Punkte) Ein Autohändler verkauft Autos in fünf
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
MehrTEIL 13: DIE LINEARE REGRESSION
TEIL 13: DIE LINEARE REGRESSION Dozent: Dawid Bekalarczyk GLIEDERUNG Dozent: Dawid Bekalarczyk Lineare Regression Grundlagen Prognosen / Schätzungen Verbindung zwischen Prognose und Zusammenhang zwischen
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lineare Funktionen an der Berufsschule: Übungsaufgaben
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Lineare Funktionen an der Berufsschule: Übungsaufgaben Das komplette Material finden Sie hier: School-Scout.de SCHOOL-SCOUT Übungsaufgaben:
Mehr2. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner
. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: AG1.1 Wissen über die Zahlenmengen,,, verständig einsetzen können
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrDr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
MehrZeitreihenanalyse Exponentielles Glätten
Zeitreihenanalyse Exponentielles Glätten Worum geht es in diesem Lernmodul? Einleitung Prognose mit der Methode des exponentiellen Glättens Die Prognoseformel des exponentiellen Glättens Die Wirkung der
MehrDr. 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:
MehrBivariate 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
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrWas ist eine Funktion?
Lerndomino zum Thema Funktionsbegriff Kopiereen Sie die Seite (damit Sie einen Kontrollbogen haben), schneiden Sie aus der Kopie die "Dominosteine" zeilenweise aus, mischen Sie die "Dominosteine" und verteilen
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrStreuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand
Streuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand Berechnung der mittleren quadratischen Abweichung und der Varianz aus einer Urliste Standardabweichung
MehrHinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet.
11.01.2012 Prof. Dr. Ingo Klein Klausur zur VWA-Statistik Hinweis: Es sind 4 aus 6 Aufgaben zu bearbeiten. Werden mehr als 4 Aufgaben bearbeitet, werden nur die ersten vier Aufgaben gewertet. Aufgabe 1:
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrStreuungsmaße 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,
MehrKontingenztabellen. Worum geht es in diesem Modul?
Kontingenztabellen Worum geht es in diesem Modul? Die Ausgangssituation Die 2x2 Felder Tafel Randverteilungen in 2x2-Tafeln Bedingte Häufigkeiten in 2x2-Tafeln Die IxJ-Felder Tafel Kontingenztabelle und
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
Mehr4.1. 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
MehrStatistische 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
MehrLineare Funktionen. Klasse 8 Aufgabenblatt für Lineare Funktionen Datum: Donnerstag,
Lineare Funktionen Aufgabe 1: Welche der folgenden Abbildungen stellen eine Funktion dar? Welche Abbildungen stellen eine lineare Funktion dar? Ermittle für die linearen Funktionen eine Funktionsgleichung.
MehrWeitere Eigenschaften von Punktschätzern
Weitere Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Ein zweiter Schätzer für p bei Binomialverteilung Vergleich der Schätzer anhand einer Simulation Erwartungstreue Bias Asymptotische
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
MehrKlausurvorbereitung - Statistik
Aufgabe 1 Klausurvorbereitung - Statistik Studenten der Politikwissenschaft der Johannes Gutenberg-Universität wurden befragt, seit wie vielen Semestern sie eingeschrieben sind. Berechnen Sie für die folgenden
MehrBiometrische und Ökonometrische Methoden I! Lösungen 3
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 3 1. MTB > Retrieve 'H:\STUDENT\MINITAB\TREES.MTW'.
MehrMATHEMATIK 3 STUNDEN
EUROPÄISCHES ABITUR 2013 MATHEMATIK 3 STUNDEN DATUM : 10. Juni 2013, Vormittag DAUER DER PRÜFUNG: 2 Stunden (120 Minuten) ERLAUBTES HILFSMITTEL Prüfung mit technologischem Hilfsmittel 1/6 DE AUFGABE B1
MehrMit Skalarprodukt und Vektorprodukt lässt sich ein weiteres, kombiniertes Produkt, das Spatprodukt
Mit Skalarprodukt und Vektorprodukt lässt sich ein weiteres, kombiniertes Produkt, das Spatprodukt a ( b c) bilden. Aus der geometrischen Interpretation von Skalarprodukt und Vektorprodukt ist sofort ersichtlich,
MehrTrendlinien. Können die Messwerte mit einer linearen Funktion beschrieben werden?
Trendlinien Können die Messwerte mit einer linearen Funktion beschrieben werden? Motorradfahrt Auf einer Versuchsanlage für Motorräder wird ein neuer Motor ausprobiert. Jede Sekunde werden die zurückgelegte
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrLeseprobe. Michael Sachs. Wahrscheinlichkeitsrechnung und Statistik. für Ingenieurstudenten an Fachhochschulen. ISBN (Buch):
Leseprobe Michael Sachs Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen ISBN (Buch): 978-3-446-43797-5 ISBN (E-Book): 978-3-446-43732-6 Weitere Informationen oder Bestellungen
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
MehrZeitreihenanalyse Das klassische Komponentenmodell
Zeitreihenanalyse Das klassische Komponentenmodell Worum geht es in diesem Lernmodul? Zeitreihen mit unterschiedlichen Charakteristika Zeitreihen mit regelmäßigen Schwankungen Mittel und Niveau einer Zeitreihe
Mehr2.5 Funktionen 2.Grades (Thema aus dem Bereich Analysis)
.5 Funktionen.Grades (Thema aus dem Bereich Analysis) Inhaltsverzeichnis 1 Definition einer Funktion.Grades. Die Verschiebung des Graphen 5.1 Die Verschiebung des Graphen in y-richtung.........................
MehrName Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
MehrBeurteilung der Regression
Beurteilung der Regression Worum geht es in diesem Lernmodul? Univariate Maßzahlen zur Beurteilung der geschätzten Regressionsbeziehung Residuenanalyse Nichtlinearität Nichtkonstante Varianz Nicht-normalverteilte
MehrÜbungen: Den Graphen einer linearen Funktion zeichnen, wenn die Steigung und der y-achsenabschnitt bekannt sind
1 Übungen: Den Graphen einer linearen Funktion zeichnen, wenn die Steigung und der y-achsenabschnitt bekannt sind 1. Zeichne die Graphen zu den folgenden Funktionen in ein Koordinatensystem, indem Du zuerst
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrÜbungen zur Vorlesung Wirtschaftsstatistik Lineare Regression
Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 3914 jutta.arrenberg@th-koeln.de Übungen zur Vorlesung Wirtschaftsstatistik Lineare Regression
Mehrunabhängigen Variablen Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren.
Funktionsbegriff 2.1 2 Funktionen mit einer unabhängigen Variablen 2.1 Funktionsbegriff Eine Funktion dient der Beschreibung von Zusammenhängen zwischen mehreren verschiedenen Faktoren. In den Wirtschaftswissenschaften
MehrGrundlagen 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
MehrErmitteln 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
MehrWM.3.1 Die Polynomfunktion 1. Grades
WM.3.1 Die Polynomfunktion 1. Grades Wenn zwischen den Elementen zweier Mengen D und W eine eindeutige Zuordnungsvorschrift vorliegt, dann ist damit eine Funktion definiert (s. Abb1.), Abb1. wobei D als
MehrGraphische Verfahren in der Statistik: Q-Q- und P-P-Plots
Prof. Dr. Dietmar Pfeifer Institut für Mathemati Graphische Verfahren in der Statisti: Q-Q- und P-P-Plots Bei den üblichen parametrischen Testverfahren in der Statisti wird in der Regel eine Annahme über
MehrPraktikum Optische Technologien Anleitung zum Versuch Dicke Linsen
Fachbereich Energietechnik Lehrgebiet für Lasertechnik und Optische Technologien Prof. Dr. F.-M. Rateike Praktikum Optische Technologien Anleitung zum Versuch Dicke Linsen August 204 Praktikum Optische
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrNachfrage im Angebotsmonopol
Nachfrage im Angebotsmonopol Aufgabe 1 Bearbeiten Sie in Ihrem Buch auf der Seite 42 die Aufgabe 13. Aufgabe 2 Die Birkholz AG hat bei einem Marktforschungsunternehmen ermitteln lassen, dass die Nachfrager
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrFunktionen in der Mathematik
R. Brinkmann http://brinkmann-du.de Seite 05.0.008 Funktionen in der Mathematik Bei der mathematischen Betrachtung natürlicher, technischer oder auch alltäglicher Vorgänge hängt der Wert einer Größe oft
Mehr1 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:
MehrLösungen zum Arbeitsblatt: y = mx + b Alles klar???
I. Zeichnen von Funktionen a) Wertetabelle x -4-3 - -1 0 1 3 4 y =,5x -10-7,5-5 -,5 0,5 5 7,5 10 y = - x,7 1,3 0,7 0-0,7-1,3 - -,7 3 y = x 1,5-9,5-7,5-5,5-3,5-1,5 0,5,5 4,5 6,5 y = - 1 x + 4 3,5 3,5 1,5
MehrKarl 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
MehrZeitreihenanalyse Der einfache gleitende Durchschnitt
Zeitreihenanalyse Der einfache gleitende Durchschnitt Worum geht es in diesem Lernmodul? Einleitung Erläuterung der Methode Berechnung des einfachen gleitenden Durchschnitts Der einfache gleitende Durchschnitt
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 05. Dezember 2012 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel Bleibelastung 3 Regression
MehrBivariate 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
MehrStatistik - Übungsaufgaben
Statistik - Übungsaufgaben 1) Eine vor mehreren Jahren durchgeführte Befragung von 30 Arbeitern eines Großbetriebes ergab für die Stundenlöhne folgende Liste: 16,35 16,80 15,75 16,95 16,20 17,10 16,64
MehrLagemaße Worum geht es in diesem Modul? Allgemeines zu Lagemaßzahlen Arithmetisches Mittel aus einer Urliste
Lagemaße Worum geht es in diesem Modul? Allgemeines zu Lagemaßzahlen Arithmetisches Mittel aus einer Urliste Berechnung des arithmetischen Mittels aus Häufigkeitstabellen Weitere Lagemaße Worum geht es
MehrAufgabe 1. Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2016/17 Aufgabe 1 Das neue Universitätsgebäude
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
Mehr3. Lineare Regression.
- Funktionen Lineare Regression Summen und Mittelwerte Sind,, n reelle Zahlen, so bezeichnen wir mit n i = + + + n i= die Summe dieser Zahlen Die abkürzende Schreibweise mit dem Summenzeichen n i= oder
Mehreinzeichnen von Steigungsdreiecken bestimmt werden oder durch die rechnerische Form. Hier wird die rechnerische Form gezeigt:
Lösungen Mathematik Dossier Funktionen b) Steigungen: Können entweder durch einzeichnen von Steigungsdreiecken bestimmt werden oder durch die rechnerische Form. Hier wird die rechnerische Form gezeigt:
MehrZusammengesetzte Übungsaufgaben lineare Funktionen
Zusammengesetzte Übungsaufgaben lineare Funktionen Nr Aufgabe Lösung 1 Gegeben ist die Funktion g mit g ( x ) = 3 x + 9 a) Geben Sie die Steigung und den y- Achsenabschnitt an. (Begründung) c) Bestimmen
MehrVergleichsklausur 2006 für Jahrgangsstufe 11
Vergleichsklausur 2006 für Jahrgangsstufe Termin: 3.05.2006, 3. und 4. Stunde reine Arbeitszeit: 90 min Jeder Schüler muss drei Aufgaben bearbeiten. Die. Aufgabe und 2. Aufgabe (Analysis) sind verpflichtende
MehrKorrelation 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
MehrInhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Kapitel 1 bis 3 Seite 1 von 11 Prof. Dr. Karin Melzer, Fakultät Grundlagen
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 2 und 3... 2 Aufgabe 1... 2 Aufgabe 2... 2 Aufgabe 3... 2 Aufgabe 4... 3 Aufgabe 5... 3 Aufgabe 6... 3 Aufgabe 7... 4 Aufgabe 8... 4 Aufgabe 9... 5 Aufgabe
MehrAnalyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung
Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung Zusammenfassung der Diplomarbeit an der Hochschule Zittau/Görlitz Maria Kiseleva Motivation
MehrInhalt: Die vorliegenden Folienvorlagen enthalten folgende Elemente:
Inhalt: Punkte im Koordinatensstem Funktionen und ihre Schaubilder Punktprobe und Koordinaten berechnen Proportionale Funktionen 5 Steigung und Steigungsdreieck 6 Die Funktion = m + b 7 Funktionsgleichungen
MehrEinführungsbeispiel Kostenfunktion
Einführungsbeispiel Kostenfunktion Sie bauen eine Fabrik für Luxusautos auf und steigern die Produktion jeden Monat um 1000 Stück. Dabei messen Sie die jeweiligen Kosten und stellen sie grafisch dar. Die
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrRegression 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
MehrLineare Funktion Eigenschaften von linearen Funktionen Übungen Bearbeite zu jeder der gegebenen Funktionen die Fragen:
Lineare Funktion Eigenschaften von linearen Funktionen Übungen - 3 2.0 Bearbeite zu jeder der gegebenen Funktionen die Fragen: steigt oder fällt der Graph der Funktion? schneidet der Graph die y-achse
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrStatistik-Klausur vom 25. April 2003
Statistik-Klausur vom 25. April 2003 Bearbeitungszeit: 120 Minuten Aufgabe 1 Performance-Vergleich weltweit angelegter Aktienfonds im Drei-Jahres-Vergleich vom 1.1.1999 bis 31.12.2001 Investmentfonds Astra
MehrZentrale Klausur am Ende der Einführungsphase 2016 Mathematik
Teil I (hilfsmittelfrei) Seite 1 von 2 Zentrale Klausur am Ende der Einführungsphase 2016 Mathematik Teil I: Hilfsmittelfreier Teil Aufgabe 1: Analysis 1 f x = x 5 x + 16 x 2. 3 Gegeben ist die Funktion
MehrWie viel Geld hat Felix nach 7 Monaten angespart? Auf Felix Konto befinden sich bereits 250. Von seinem Taschengeld kann er pro
A. Frankenberger / S. Nikolaus: Lerninhalte selbstständig erarbeiten Mathematik 9 Auer Verlag AAP Lehrerfachverlage GmbH, Donauwörth Lineare Gleichungen aufstellen Lineare Gleichungen aufstellen Auf Felix
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrEs 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
MehrDiskrete Wahrscheinlichkeitsverteilungen
Diskrete Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Zufallsvariablen Wahrscheinlichkeitsverteilungen Maßzahlen theoretischer Verteilungen Eigenschaften von Erwartungswert und Varianz
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
Mehr