Ordinale abhängige Variablen. Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
|
|
- Eike Jaeger
- vor 6 Jahren
- Abrufe
Transkript
1 Kap. 6: Ordinale abhängige Variablen Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
2 6.1 Einführung Typische ökonomische Beispiele für ordinale abhängige Variablen: Bildungsniveau y i Sekundarschule, Matur, Universität Kovariablen: Geschlecht, Bildungsniveau der Eltern,... Zufriedenheit mit Beruf y i Skala von 1 bis 10 Kovariablen: Einkommen, Bildungsniveau,... Risikobereitschaft von Anlegern y i gering, mittel, hoch Kovariablen: Geschlecht, Vermögen,... Ratings von Anleihen (Agenturen Fitch, Moody s und Standard & Poor s bewerten Kreditwürdigkeit) y i AAA, AA+,... (Standard & Poor s) C. Kleiber: Mikroökonometrie Kap. 6-1 U Basel, HS 2009
3 6.2 Regressionsmodelle für ordinale Variablen Ordinale multinomiale Daten könnten auch mit multinomialem Logit analysiert werden. Problem: Information wird nicht voll ausgenutzt. Ausgangspunkt ist wieder eine multinomiale Variable mit m Kategorien und W keiten p ij = P (y i = j), j = 1,..., m Nun seien die Kategorien aber geordnet, einfacher sind dann kumulierte W keiten γ ij = P (y i j) Da γ im = 1: modelliere nur m 1 Kategorien. Ansatz (in Statistik heisst dies manchmal cumulative link model ) g(γ ij ) = α j x i β Achsenabschnitte α j werden explizit spezifiziert, deshalb enthält x i keine Konstante β hängt nicht von j ab, d.h. alle Kovariablen wirken gleich in allen Kategorien (ein Single- Index-Modell) C. Kleiber: Mikroökonometrie Kap. 6-2 U Basel, HS 2009
4 6.2 Regressionsmodelle für ordinale Variablen Grundidee: Schwellenwerte bei einer latenten Variablen (hier m = 4) x C. Kleiber: Mikroökonometrie Kap. 6-3 U Basel, HS 2009
5 6.2 Regressionsmodelle für ordinale Variablen Regressionsmodelle für ordinale abhängige Variablen werden üblicherweise über Schwellenwertmodelle motiviert: Sei latente Variable y i := x i β + ε i, ε i (0, 1) u.i.v.. Beobachtet werde aber nur eine diskretisierte Version y i mit y i = 1, α 0 < yi α 1, j, α j 1 < yi α j, j = 2,..., m 1, m, α m 1 < yi α m. Da Wertebereich der latenten Variablen unbekannt: setze α 0 = und α m =. Damit bleiben α 1,..., α m 1 zu bestimmen. Diese müssen α 1 <... < α m 1 erfüllen. Falls y i x i β = ε i F, sind die kumulierten W keiten gegeben durch P (y i j) = P (y i α j ) = P (y i x i β α j x i β) = F (α j x i β) C. Kleiber: Mikroökonometrie Kap. 6-4 U Basel, HS 2009
6 6.2 Regressionsmodelle für ordinale Variablen Damit ergibt sich für die W keiten der einzelnen Kategorien P (y i = 1 x i ) = F (α 1 x i β) P (y i = j x i ) = P (α j 1 < y i α j ) = F (α j x i β) F (α j 1 x i β) P (y i = m x i ) = 1 F (α m 1 x i β) Je nach Wahl von F resultieren unterschiedliche Varianten des Grundmodells: F Normalverteilung: ordered probit eher in ökonometrischer Literatur F (α j x i β) = Φ(α j x i β) F logistische Verteilung: ordered logit oder proportional odds logistic regression (POLR) eher in statistischer Literatur F (α j x i β) = Λ(α j x i β) = exp(α j x i β) 1 + exp(α j x i β) C. Kleiber: Mikroökonometrie Kap. 6-5 U Basel, HS 2009
7 6.2 Regressionsmodelle für ordinale Variablen Effekte sind P (y i = 1 x i ) x ik = f(α 1 x i β)β k, P (y i = j x i ) x ik = {f(α j 1 x i β) f(α j x i β)}β k, j = 2,..., m 1 P (y i = m x i ) x ik = f(α m 1 x i β)β k Vorzeichen für j = 2,..., m 1 a priori unklar. C. Kleiber: Mikroökonometrie Kap. 6-6 U Basel, HS 2009
8 6.2 Regressionsmodelle für ordinale Variablen Illustration: Modell Λ(α j + x) impliziert (horizontal) parallele Kurven α 1 = 2 α 2 = 1 α 3 = x C. Kleiber: Mikroökonometrie Kap. 6-7 U Basel, HS 2009
9 6.2 Regressionsmodelle für ordinale Variablen Proportional odds logistic regression (POLR): Für ist mit Logit-Trafo oder auch log γ ij = P (y i j x i ) γ ij 1 γ ij = α j x i β, j = 1,..., m 1 γ ij = exp(α j x i β) 1 + exp(α j x j = 1,..., m 1 i β), Für die relativen Chancen ( odds ratio ) gilt demnach γ ij 1 γ ij / γkj 1 γ kj = exp( (x i x k ) β). Dies ist unabhängig von j, d.h. die Log-Chancen unterscheiden sich nur um eine Konstante für unterschiedliche j. Deshalb der Name POLR. C. Kleiber: Mikroökonometrie Kap. 6-8 U Basel, HS 2009
10 6.2 Regressionsmodelle für ordinale Variablen Bemerkungen: Wie schon bei binären abhängigen Variablen ist die logistische Version etwas leichter zu handhaben. Geordnetes multinomiales Modell ist leichter zu interpretieren als ungeordnetes: im geordneten Fall zeigt z.b. das Vorzeichen von β j, ob yi im Regressor j wächst oder fällt. Andererseits ist β j Einfluss auf yi (hypothetische Variable) interessanter sind die W keiten P (y i = j x i ). Für Modellvergleiche deshalb besser: vergleiche prognostizierte W keiten für interessierende Werte von x (z.b. x) Vergleich der Parameterzahlen: geordnetes multinomiales Modell: k + m 1 ungeordnetes multinomiales Modell (MNL): (m 1)(k + 1) Also hat geordnetes Modell tendenziell weniger Parameter und ist leichter zu interpretieren wenn Ordnungsinformation vorhanden, sollte sie auch verwendet werden. C. Kleiber: Mikroökonometrie Kap. 6-9 U Basel, HS 2009
11 6.3 Empirisches Beispiel R> data("bankwages", package = "AER") R> summary(bankwages) job education gender minority custodial: 27 Min. : 8.0 male :258 no :370 admin :363 1st Qu.:12.0 female:216 yes:104 manage : 84 Median :12.0 Mean :13.5 3rd Qu.:15.0 Max. :21.0 R> (tbl <- with(bankwages, table(job, education))) education job custodial admin manage C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
12 6.3 Empirisches Beispiel job custodial admin manage edcat C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
13 6.3 Empirisches Beispiel Umsetzung in R: Funktion polr() aus Paket MASS schätzt geordnetes Logit und Probit (und weitere Varianten) R> library("mass") R> bwmale <- subset(bankwages, gender == "male") R> fm_polr <- polr(job ~ education + minority, data = bwmale, + Hess = TRUE) R> library("lmtest") R> coeftest(fm_polr) t test of coefficients: Estimate Std. Error t value Pr(> t ) education <2e-16 minorityyes C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
14 6.3 Empirisches Beispiel R> summary(fm_polr) Call: polr(formula = job ~ education + minority, data = bwmale, Hess = TRUE) Coefficients: Value Std. Error t value education minorityyes Intercepts: Value Std. Error t value custodial admin admin manage Residual Deviance: AIC: C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
15 6.3 Empirisches Beispiel R> table(bwmale$job, predict(fm_polr, bwmale, type = "class")) custodial admin manage custodial admin manage Dabei Zuweisung der Beobachtung in Kategorie mit höchster prognostizierter W keit: R> predict(fm_polr, bwmale[25, ], type = "probs") custodial admin manage R> predict(fm_polr, bwmale[25, ], type = "class") [1] admin Levels: custodial admin manage C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
16 6.3 Empirisches Beispiel Analog geht Ordered Probit: R> fm_op <- update(fm_polr, method = "probit") R> fm_op Call: polr(formula = job ~ education + minority, data = bwmale, Hess = TRUE, method = "probit") Coefficients: education minorityyes Intercepts: custodial admin admin manage Residual Deviance: AIC: C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
17 6.3 Empirisches Beispiel R> table(bwmale$job, predict(fm_op, bwmale, type = "class")) custodial admin manage custodial admin manage Prognosen sind diesmal: R> predict(fm_op, bwmale[25, ], type = "probs") custodial admin manage R> predict(fm_op, bwmale[25, ], type = "class") [1] admin Levels: custodial admin manage C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
18 6.4 Ausblick Was sind kritische Annahmen des Modells? gleiche Regressionskoeffizienten für alle Kategorien wirklich gerechtfertigt? Informeller Test: Modell ist Folge von m 1 binären Regressionsmodellen mit gleichen Regressionskoeffizienten für die echten Regressoren schätze diese m 1 Modelle separat und vergleiche Koeffizienten! (Aus dieser Idee lässt sich ein formaler Test einwickeln.) Schwellenwerte wirklich konstant oder besser auch abhängig von Kovariablen? Es gibt Multiple-Index-Modelle für geordnete abhängige Variablen (siehe Boes und Winkelmann 2006), diese sind allerdings kaum in Softwarepaketen implementiert. C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
19 6.4 Ausblick Vergleich des geordneten Logit-Modells mit zugehörigen gewöhnlichen Logit-Modellen: R> fm_logit1 <- glm(i(job!= "custodial") ~ education + minority, + family = binomial, data = bwmale) R> coeftest(fm_logit1) z test of coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) e-05 education e-10 minorityyes C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
20 6.4 Ausblick R> fm_logit2 <- glm(i(job == "manage") ~ education + minority, + family = binomial, data = bwmale) R> coeftest(fm_logit2) z test of coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) e-09 education e-09 minorityyes Fazit: Ergebnisse nicht ähnlich, damit scheint POLR kein gutes Modell für diese Daten. (warum plausibel?) C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
21 6.5 Literatur Boes, S., und Winkelmann, R. (2006). Ordered response models. Allgemeines Statistisches Archiv, 90, Greene, W.H. und Hensher, D.A. (2009). Modeling ordered choices: A primer and recent developments. In Palgrave Handbook of Econometrics, Vol. 2, Kap. 11. C. Kleiber: Mikroökonometrie Kap U Basel, HS 2009
Seminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrLogistische Regression in SAS
Logistische Regression in SAS Oliver Kuß Medizinische Universitätsklinik, Abt. Klinische Sozialmedizin, Bergheimer Str. 58, 69115 Heidelberg, email: okuss@med.uni-heidelberg.de 3. Konferenz für SAS -Anwender
MehrKap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur
Kap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur 2.1 Lineare und generalisierte lineare Modelle Das klassische lineare Regressionsmodell
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
MehrKap. 9: Regression mit einer binären abhängigen Variablen
Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrPoisson Regression. Verallgemeinerte Lineare Modelle (GLMs)
Poisson Regression Verallgemeinerte Lineare Modelle (GLMs) 28.11.2011 Poisson Regression Aus der Einführungsvorlesung Poisson-Verteilung ist in der Regel gut geeignet, um Anzahlen zu modellieren. Frage
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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
MehrAufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 03. November 2014 Inhaltsverzeichnis 1 Aufgaben vom 27. Oktober 2014 2 1.1 Schreiben von Funktionen............................
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
Mehr1 Binäre Regression (I)
Übung zur Vorlesung Generalisierte Regressionsmodelle Blatt 2 Gerhard Tutz, Moritz Berger, Wolfgang Pößnecker WiSe 14/15 1 Binäre Regression (I) Aufgabe 1 Der Datensatz shuttle beschreibt für die 23 Space
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrKap. 8: Regression mit Paneldaten
Kap. 8: Regression mit Paneldaten Einführung Paneldaten für zwei Perioden Regression mit festen Effekten bzgl. Individuen Regression mit festen Effekten bzgl. Zeit Annahmen in der Paneldatenanalyse Empirisches
MehrLineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)
Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrRegression mit Faktoren, Interaktionen und transformierten Variablen
Kap. 5: Regression mit Faktoren, Interaktionen und transformierten Variablen Motivation Regressionen mit transformierten Variablen Ausblick: Nichtlineare Regression Mehr zu Regressionen mit qualitativen
Mehr1 Analyse von Kontigenztafeln: Das loglineare Modell
Übung zur Vorlesung Kategoriale Daten Blatt 3 Gerhard Tutz, Moritz Berger WiSe 15/16 1 Analyse von Kontigenztafeln: Das loglineare Modell Aufgabe 12 Analyse des Datensatzes EyeColor (a) Visualisierung
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrMehrfache und polynomiale Regression
Mehrfache und polynomiale Regression Kriteria für die Durchführung einer Regression Jonathan Harrington Bitte datasets.zip (unter 5.5, Tabellarische Daten) neu herunterladen und in pfad auspacken Einfache
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrLineare Regression in R, Teil 2
Lineare Regression in R, Teil 2 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel 28. Oktober 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools. Laden
MehrAlgoBio WS 16/17 Differenzielle Genexpression. Annalisa Marsico
AlgoBio WS 16/17 Differenzielle Genexpression Annalisa Marsico 04.01.2017 Pipeline für die Mikroarray-Analyse Bildanalyse Hintergrundkorrektur Normalisierung Vorverarbeitung Zusammenfassung Quantifizierung
MehrDeskription, 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
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
MehrKlassen diskreter Variablen
Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw.
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrFall-Kontroll Studien und Selection Bias. 1.4 Fall-Kontroll Studien: Vorbemerkungen
1.4 Fall-Kontroll Studien: Vorbemerkungen Fall-Kontroll Studien und Selection Bias Fall-Kontroll Studien versuchen in gewisser Weise, eine Kohortenstudie zu imitieren, aber auf das oft zeit- und kostenaufwendige
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrStatistische Inferenz bei ROC Kurven. Notation. Man unterscheidet:
Statistische Inferenz bei ROC Kurven Notation Man unterscheidet: 1. Nichtparametrische, empirische Methoden zur Berechnung der empirischen ROC Kurve 2. Parametrische Ansätze, die recht starke Annahmen
MehrStatistik & Graphiken in R Forschungsorientierte Vertiefung Methodenlehre
Statistik & Graphiken in R Forschungsorientierte Vertiefung Methodenlehre Dipl.-Psych. Norman Rose 29.11.2007 Agenda T-Test Lineare Regressionen Logistische Regression t-test Datenerzeugung & Deskriptive
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrÜbung zur Vorlesung Statistik II SoSe Übungsblatt 7
Übung zur Vorlesung Statistik II SoSe 2014 Übungsblatt 7 2. Juni 2014 ufgabe 24 (4 Punkte): (1.5 Punkte) Berechnen Sie für die folgenden Wahrscheinlichkeiten die zugehörigen Odds: (a) 0.6 (b) 0.2 (c) 0.02
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrRegressionsmodelle für diskrete Zielgrößen und korrelierte Beobachtungen. Oliver Kuß*; Uwe Hasenbein**;
Regressionsmodelle für diskrete Zielgrößen und korrelierte Beobachtungen Oliver Kuß*; Uwe Hasenbein**; *Institut für Medizinsche Epidemiologie, Biometrie und Informatik, Martin-Luther-Universität Halle-Wittenberg,
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
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
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Das Programmpaket R Installierung und Pakete R als Taschenrechner Laden von Datensätzen und Einlesen von Daten Hilfe und Dokumentation Einfaches Datenmanagement Univariate
MehrKategorielle Daten. Seminar für Statistik Markus Kalisch
Kategorielle Daten Markus Kalisch 1 Phase 3 Studie: Wirksamer als Placebo? Medikament Placebo Total Geheilt 15 9 24 Nicht geheilt 10 11 21 Total 25 20 45 Grundfrage: Sind Heilung und Medikamentengabe unabhängig?
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
MehrKapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrUnterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression. Robin Ristl. Wintersemester 2012/13
Unterlagen zu Fisher s Exact Test, Vergleich von Anteilswerten und logistischer Regression Robin Ristl Wintersemester 2012/13 1 Exakter Test nach Fisher Alternative zum Chi-Quadrat Unabhängigkeitstest
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
MehrMehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh
Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random
MehrLogit-Analyse mit ordinalen und nominalen abhängigen Variablen
Logit-Analyse mit ordinalen und nominalen abhängigen Variablen Regressionsmodelle für Politikwissenschaftler Übersicht Das multinomiale Logit-Modell Das konditionale Logit-Modell Regressionsmodelle für
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
MehrKap. 12: Regression mit Zeitreihendaten und Prognosemodelle
Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick 12.1 Motivation
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrLineare Regression (Ein bisschen) Theorie
Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
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
MehrDeskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j
1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b
MehrAuswertung von Wertprüfungsbonituren (U. Meyer, Bundessortenamt)
Auswertung von Wertprüfungsbonituren (U. Meyer, Bundessortenamt) - Ziel - Daten - Modell - Methoden - Ergebnisse - Schlussfolgerungen 1 Referat 111 Ziel Prüfung der Anwendbarkeit verfügbarer Methoden für
Mehr2-Stichprobentest für Anteilswerte
-Stichprobentest für Anteilswerte Wir betrachten den Anteilswert (Prozentsatz) für ein interessierendes Ereignis in zwei verschiedenen Grundgesamtheiten (π 1, π ) Ziel: Auf der Basis von Stichprobenerhebungen
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2011/12. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2011/12 Aufgabe 1 Übungsleiter
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrSPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2016/17 28. Juni 2016 1 / 16 Übersicht Sicher sind nur: Zeitreihenanalyse (WS 2016/17) und Ökonometrie
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
MehrEvaluation empirischer Studien
Kap. 7: Evaluation empirischer Studien Motivation Interne und externe Validität Nochmals die Schulbezirke: Massachusetts vs. Kalifornien Exkurs: Statistische und ökonomische Signifikanz Weiteres Programm
MehrFragen. Einführung in die induktive Statistik. Übersicht. Lineare Einfachregression
Fragen Welche Unsicherheitsfaktoren beeinflussen die Schätzung einer Regressionsgeraden? Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
Mehrerwartete Häufigkeit n=80 davon 50% Frauen fe=40 davon 50% Männer fe=40 Abweichung der beobachteten von den erwarteten Häufigkeiten:
Verfahren zur Analyse von Nominaldaten Chi-Quadrat-Tests Vier-Felder Kontingenztafel Mehrfach gestufte Merkmale Cramers V, Kontingenzkoeffizient, Phi-Koeffizient Muster aller Chi-Quadrat-Verfahren eine
Mehr4 Binäre Regressionsmodelle, Folien 2
4 Binäre Regressionsmodelle, Folien 2 Ludwig Bothmann (basierend auf Unterlagen von Nora Fenske) Statistik III für Nebenfachstudierende WS 2014/2015 4.5 Hypothesentests Lineare Hypothesen Betrachtet werden
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
Mehr