1. Datei Informationen

Transkript

1 1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten Parameter: Diagramme und Statistiken Für diskrete Variablen (nominal (NS)und ordinal (OS): >Diagramme: >Statistiken: Prof.Dr.B.Grabowski 1

2 Für stetige Variablen (Skala (IS und PO)): >Diagramme: >Statistiken: Was haben wir davon? 1. Wenn das Histogramm normalverteilt aussieht, so kann man von der SP auf die Grundgesamtheit wie folgt hochrechnen: Fast alle (99,98%) a l l e r Daten der Variablen X liegen im 3 s Bereich: 2. Wir können aus den Quantilen den Boxplot der Verteilung der SP erstellen. Prof.Dr.B.Grabowski 2

3 Beispiel: Alter in Jahren: Wir entnehmen aus den Statistiken folgenden Boxplot: Aus einem normalverteilten Histogramm können wir entnehmen, dass Stichprobe aus einer Grundgesamtheit von Personen entnommen wurde, die mit Ihrem Alter im Bereich liegen. Prof.Dr.B.Grabowski 3

4 3. Vergleich von Verteilungen einer stetigen Variablen (Y) innerhalb von Werten (Faktoren) einer diskreten Variablen (X) Beispiel: Vergleich der BMI (Y) Verteilung zwischen den Geschlechtern (X=Geschlecht) Boxplot bivariat oder Analysieren beschreibende Statistik Explorative Datenanalyse Abhängige V: Faktorenliste: Statistiken: Diagramme: Prof.Dr.B.Grabowski 4

5 4. Vergleiche von Verteilungen mehrerer stetiger Variablen Abhängige V: Faktorenliste: Nichts angeben! (vor Medikation ) (nach 1 Monat) (nach 12 Monaten) Statistiken: Diagramme: 5. Zusammenhangsmaße 5. a) Methode: Prof.Dr.B.Grabowski 5

6 Statistische Maßzahlen: Beispiel: Ist die Mathe Note vom Geschlecht abhängig? Prof.Dr.B.Grabowski 6

7 Auswertung: Analysieren Deskriptive Statistiken Kreuztabellen Statistiken: Chi Quadrat und Kontingenzkoeffizient C Zellen: beobachtete Hfkt. und erwartete Häufigkeit Prof.Dr.B.Grabowski 7

8 5 b) Monotonie zweier mindestens ordinal skalierter Variablen 5 c) Linearität zweier mindestens intervalskalierter Variablen Analysieren Korrelationen bivariat :5b) Spearman :5c) Pearson Auswertung der Korrelationskoeffizienten: Prof.Dr.B.Grabowski 8

9 Beispiele: Zu 5b) Stimmt es, dass gilt:"je besser in Englisch, desto schlechter in Mathe?" Zu 5c) 1.Linerarer Zusammenhang zwischen Gewicht und Alter? 2.Je älter, desto schwerer? Zu 1. Pearson Prof.Dr.B.Grabowski 9

10 Auswertungen: Zu 2. Spearman ankreuzen > Gewicht und Groesse hoch positiv korreliert (0,83), d.h. je größer, desto schwerer >Gewicht und Alter unkorreliert ( 0,15) > ebenso Alter und Größe (0,16) In den beiden letzten Fällen kann kein monotoner Zusammenhang nachgewiesen werden. Prof.Dr.B.Grabowski 10

11 5d) nützliche Punkte Diagramme Gewicht in kg Für das Veranschaulichen des Zusammenhanges zweier stetiger Variablen kann man auch das Punkte Diagramm erstellen: Diagramme Alte Dialogfelder Streu Punkte Diagramm 6. Regression Ziel: An n Messdatenpaare (x i, y i ) eine geeignete Funktion anpassen Statistische Methode: Kleinste Quadrat Methode Prof.Dr.B.Grabowski 11

12 Analysieren Regress Kurvenanpassung Dann ein Modell auswählen!! Prof.Dr.B.Grabowski 12

13 Zusätzliche Termine: Wir benötigen zusätzlich: zusätzlicher Treff: Samstag, den Dauer: Prof.Dr.B.Grabowski 13