Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
|
|
- Imke Fiedler
- vor 6 Jahren
- Abrufe
Transkript
1 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere Probanden der Weststichprobe des ALLBUS 94, die nach ihren Vorurteilen Ausländern gegenüber befragt worden sind, wollen wir überprüfen, ob sich der vorliegende Stichprobenbefund auf die Grundgesamtheit der 52 Millionen Westdeutschen über 18 Jahre verallgemeinern läßt. Hierzu müssen wir in der folgenden Syntaxdatei zwei Änderungen vornehmen. Zuerst definieren wir einen zweiten Block unabhängiger Merkmale mit unseren Dummyvariablen POSTMAT und MATERIAL. Danach fordern wir mit Hilfe der /Statistics -Unterfehls die Berechnung der Differenz der Determinationskoeffizienten zwischen vollständigeren und sparsameren Modell und den partiellen F-Test mit der Options CHA (CHAnge) an. SPSSfWin berechnet zunächst zwei Regressionsmodelle, wobei das erstere nur das Lebensalter (V247) als Prädiktor enthält (M 1 ). Das zweite Modell (M 2 ) berücksichtigt zusätzlich die politische Orientierung, gemessen über die aus der Ingleharttypologie gebildeten Dummyvariablen POSTMAT und MATERIAL. SPSSfWin-Syntax Datei: GET FILE='c:\lehre\METH4W2K\spssfwin\all94m4.sav'. EXECUTE. FILTER OFF. USE ALL. SELECT IF(v3=2 & v4=1 ). EXECUTE. REGRESSION /MISSING LISTWISE /DESCRIPTIVES=DEFAULT /STATISTICS COEFF OUTS R ANOVA CHA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT xenophob /METHOD=ENTER v247 /METHOD=ENTER postmat material /SAVE PRED. SPSSfWin-Ausgabe Datei: * * * * M U L T I P L E R E G R E S S I O N * * * * Listwise Deletion of Missing Data Mean Std Dev Label XENOPHOB 13,383 5,807 Summenindex Auslaenderfeindlichkeit V247 46,115 16,980 ALTER: BEFRAGTE<R> POSTMAT,229,420 Postmaterialist vs. andere MATERIAL,157,364 Materialist vs. andere N of Cases = 1072
2 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Correlation: XENOPHOB V247 POSTMAT MATERIAL XENOPHOB 1,000,328 -,302,190 V247,328 1,000 -,156,215 POSTMAT -,302 -,156 1,000 -,235 MATERIAL,190,215 -,235 1,000 * * * * M U L T I P L E R E G R E S S I O N * * * * Modell 1: XENOPHOB auf V247 Equation Number 1 Dependent Variable.. XENOPHOB Block Number 1. Method: Enter V247 Variable(s) Entered on Step Number 1.. V247 ALTER: BEFRAGTE<R> Statistiken für den Modellvergleich: Multiple R,32835 R Square,10782 R Square Change,10782 )R 2 Adjusted R Square,10698 F Change 129,30503 Partielles F Standard Error 5,48804 Signif F Change,0000 Signifikanz Zerlegung der Abweichungsquadrate (SAQ) des Regressionsmodells für den globalen F-Test: Analysis of Variance SAQ DF Sum of Squares Mean Square Regression , ,49045 Residual , ,11863 F = 129,30503 Signif F =,0000
3 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Testergebnis: Mit einer Irrtumswahrscheinlichkeit von weniger als 5%, können wir die Nullhypothese verwerfen. Daher läßt sich der Stichprobenbefund auf die Grundgesamtheit aller Westdeutschen 1994 mit einer Irrtumswahrscheinlichkeit von weniger als 5 % verallgemeinern. Der globale F-Test läßt sich alternativ in der Logik der Proportionalen Fehlerreduktion im Vergleich zu einem Nullmodell formulieren, das nur die Regressionskonstante enthält. Seine Summe der Abweichungsquadrate der Residuen ist identisch mit der Gesamtsumme der Abweichungsquadrate, da kein Prädiktor im Modell enthalten ist. Wir schätzen damit die maximale Anzahl der Fehler, die wir bei der Vorhersage der abhängigen Variablen auf der Grundlage ihres eigenen Mittelwertes machen können. SPSSfWin erlaubt es aber nicht, ein solches Nullmodell zu schätzen. Wir müssen daher, die Gesamtsumme der Abweichungsquadrate aus den Summen derjenigen der Regression und derjenigen der Residuen des aktuellen Modells selbst berechnen.
4 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Fortsetzung des Ausgabeprotokolls: Variables in the Equation Variable B SE B Beta T Sig T V247,112302,009876, ,371,0000 (Constant) 8,204635, ,907, Variables not in the Equation Variable Beta In Partial Min Toler T Sig T POSTMAT -, ,269282, ,142,0000 MATERIAL,124972,129202, ,260,0000 End Block Number 1 All requested variables entered.
5 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Modell 2: XENOPHOB auf V247, POSTMAT, MATERIAL * * * * M U L T I P L E R E G R E S S I O N * * * * Equation Number 1 Dependent Variable.. XENOPHOB Block Number 2. Method: Enter POSTMAT MATERIAL Variable(s) Entered on Step Number 2.. POSTMAT Postmaterialist vs. andere 3.. MATERIAL Materialist vs. andere Multiple R,42129 R Square,17749 R Square Change, )R 2 Adjusted R Square,17518 F Change 45,23350 Partielles F Standard Error 5,27433 Signif F Change, 0000 Signifikanz Analysis of Variance DF Sum of Squares Mean Square Regression , ,05197 Residual , ,81860 F = 76,82097 Signif F =,0000 Beim partiellen F-Test überprüfen wir, ob die zusätzlich einbezogenen Variablen POSTMAT und MATERIAL zu einer signifikanten Verbesserung der Modellanpassung im Sinne einer durch sie bewirkten Erhöhung des Determinationskoeffizienten R 2 führen. Seine Nullhypothese besagt, daß die Steigungskoeffizienten der beiden zusätzlich einbezogenen Variablen Null sind bzw. daß die Differenz der Determinationskoeffizienten des sparsameren und des vollständigeren Regressionsmodells Null ist ()R 2 = 0). Mit einem partiellen F-Wert von 45,23 können wir mit einer Irrtumswahrscheinlichkeit von weniger als einem Promille die Nullhypothese zurückweisen, daß die politische Orientierung keinen zusätzlichen Einfluß auf die geäußerte Ausländerfeindlichkeit ausübt. Den partiellen F-Wert können wir folgendermaßen über die Summen der Abweichungsquadrate oder die zugehörigen Determinationskoeffizienten berechnen:
6 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Wir erhalten folgendes Testergebnis: Wir können die Nullhypothese mit einer Irrtumswahrscheinlichkeit von weniger als 5 % verwerfen. Daher läßt sich der zusätzliche Erklärungbeitrag der politischen Orientierung von 7 % auf die Grundgesamtheit verallgemeinern.
7 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-7
8 Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/ Fortsetzung des Ausgabeprotokolls: Variables in the Equation Variable B SE B Beta T Sig T V247,093974,009780, ,609,0000 POSTMAT -3,349035, , ,434,0000 MATERIAL 1,179592,463975, ,542,0112 (Constant) 9,630356, ,559,0000 End Block Number 2 All requested variables entered. Residuals Statistics: Min Max Mean Std Dev N *PRED 7, , ,3834 2, *RESID -14, ,0203,0000 5, *ZPRED -2,2114 2,3282,0000 1, *ZRESID -2,7343 3,0374,0000, Total Cases = 1192 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * From Equation 1: 1 new variables have been created. Name Contents PRE_1 Predicted Value
Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je
MehrDie multiple lineare Regression mit Individualdaten
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die multiple lineare Regression mit Individualdaten Anhand der vorliegenden Individualdaten des ALLBUS 94 soll das folgende Kausalmodell
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
Mehr6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Bei der Zentrierung handelt es sich um eine lineare
MehrDie Analyse der Residuen des Regressionsmodells
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 22/23-1 Die Analyse der Residuen des Regressionsmodells Die Analyse der Residuen eines geschätzten Regressionsmodells verfolgt drei Ziele,
MehrKreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:
Kreuzvalidierung. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS: SPSS erzeugt eine neue Variable Filter_$. Die herausgefilterten Fälle werden im Datenfenster angezeigt
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrLineare Regressionsanalyse
Lineare Regressionsanalyse BIVARIATE REGRESSION. Beispiel: Übungsaufgabe I. (Skript, Anhang, S.) 3.. Darstellung der Regressionsgeraden im Streudiagramm 3.. Durchführung der Regression 4. Beispiel: Scherhorn-Studie
MehrTechnische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten
Name: Frau Herr (nichtzutreffendes bitte streichen) Fachrichtung geb. am (Tag/Mon/Jahr) Semestralklausur aus Praktikum BWL-Statistik Technische Universität München Zentrum Mathematik Sommersemester 2005
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
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
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
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
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden.
MehrStatistik-Quiz Sommersemester
Statistik-Quiz Sommersemester Seite 1 von 8 Statistik-Quiz Sommersemester Die richtigen Lösungen sind mit gekennzeichnet. 1 In einer Gruppe von 337 Probandinnen und Probanden wurden verschiedene Merkmale
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
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)
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrDie Berücksichtigung nichtlinearer Effekte exogener Merkmale bei der Schätzung der Logits und Wahlwahrscheinlichkeiten
Dr. Wolfgang Langer - Verallgemeinerte lineare Modelle - SoSe 2001-1 2.2.4.3 Die Berücksichtigung nichtlinearer Effekte exogener Merkmale bei der Schätzung der Logits und Wahlwahrscheinlichkeiten Im Rahmen
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
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrBiometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
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........................................
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrSchrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS /1 Verfahren und Kriterien Partielle Korrelationskoeffizienten
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
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 =
MehrLösungen zum Aufgabenblatt 2: Bivariate Kreuztabellen mit nominalem Messniveau
Lösungen zum Aufgabenblatt 2 1 Lösungen zum Aufgabenblatt 2: Bivariate Kreuztabellen mit nominalem Messniveau Nach dem Laden des Datensatzes (G:\DATEN\METH2\DATEN\EUROBAR\ Euba30.sav) ist zunächst der
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
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
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
MehrBiometrische und Ökonometrische Methoden I! Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 98/99 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 9 1. a) MTB > name c1 'DM'
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
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.
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen ob die in diesem Datensatz untersuchte
MehrÜbungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrInteraktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie
Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie 1 Einleitung 3 2 Modell mit 0-1 kodierten nominalen Prädiktoren X 1
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
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
MehrBiometrische und Ökonometrische Methoden I Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".
MehrBestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r
Dr. Wolfgang Langer - Methoden V: Explorative Faktorenanalyse SoSe 1999-1 Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala Für die Schätzung der Zuverlässigkeit einer additiven Itemskala,
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 6. Vorlesung: 28.04.2003 Organisatorisches Terminverlegung Übungsgruppen Gruppe 5 alter Termin: Donnerstag, 01.05.03, 12 14 Uhr, IfP SR 9 neuer Termin:
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 29.10.2002 To err is human, to forgive is devine - but to include errors in your design is statistical Leslie Kish Dr. Wolfgang Langer
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
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
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
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
MehrCrashkurs Einführung Biostatistik
Crashkurs Einführung Biostatistik Prof. Burkhardt Seifert Abteilung Biostatistik, ISPM Universität Zürich Deskriptive Statistik Wahrscheinlichkeitsrechnung, ersuchsplanung Statistische Inferenz Prinzip
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
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
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'.
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 13. Januar 2009 Bernd Klaus, Verena Zuber Das
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 09. Mai 2009 09. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Arbeitsschritte bei der Datenanalyse Datenmanagement (Einlesen von Daten, Teilen von
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
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
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
MehrAnalyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7. Tierkreiszeichen * Crosstabulation
2012 03 31 Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7 Count Tierkreiszeichen * Crosstabulation Total nicht Tierkreiszeichen 22.12.-20.01. Steinbock 36278 22383 58661 21.01.-19.02.
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
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrÜbung zur Logistischen Regression Juli 2011
Lehrveranstaltung Empirische Forschung und Politikberatung Sommersemester 2011 Übung zur Logistischen Regression - - - - - 1.Juli 2011 Anja Hall, Bundesinstitut für Berufsbildung, AB 2.2: Qualifikation,
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
MehrSchätzen 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
MehrAnhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
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
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
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:
MehrEinführung 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
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Christian Ganser Methoden 2 Regressionsanalyse II: Lineare multiple Regression Inhalt 1. Anwendungsbereich 2. Vorgehensweise bei multipler linearer Regression 3. Beispiel 4. Modellannahmen
MehrKapitel 22 Partielle Korrelationen
Kapitel 22 Partielle Korrelationen Bereits im vorhergehenden Kapitel wurden mit der Prozedur KORRELATION, BIVARIAT Korrelationskoeffizienten berechnet. Korrelationskoeffizienten dienen allgemein dazu,
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
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
MehrEinführung 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
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
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
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
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrProbeklausur für die Abschlussklausur Statistik II
Georg-August-Universität Göttingen Methodenzentrum Sozialwissenschaften Probeklausur für die Abschlussklausur Statistik II Nachname: Vorname: Matrikelnummer: Studiengang bitte ankreuzen BA: Diplom: Magister:
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
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
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
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
Mehr