Vorlesung: Multivariate Statistik für Psychologen
|
|
- Ernst Grosse
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung: Multivariate Statistik für Psychologen 8. Vorlesung: was man/frau schon immer wissen wollte I Interpolation und Extrapolation Schlussfolgerung auf erwarteten Wert einer Person aufgrund des geschätzten Regressionsmodells Vorgehen: Einsetzen der Werte der Person auf Prädiktor(en ) in Modellgleichung begriffliche Trennung Interpolation: Berechnung des Erwartungswerts für Personen mit Prädiktorausprägung(en) innerhalb des Bereichs der Daten, die zur Schätzung der Modellparameter verwendet Extrapolation: Berechnung des Erwartungswerts für Personen mit Prädiktorausprägung(en) außerhalb dieses Datenbereichs Beispiel: Zusammenhang Körpergröße und Gewicht Modellschätzung für Stichprobe mit Personen zwischen,55 m und,95 m Interpolation: Berechnung des erwarteten Gewichts für Person mit,77 m Extrapolation: Berechnung des erwarteten Gewichts für Person mit,00 m
2 was man/frau schon immer wissen wollte II einfache Korrelation vs. partielle Korrelation vs. partielle Regressionkoeffizienten einfache Korrelation standardisiertes Zusammenhangsmaß zwischen zwei Merkmalen X und Y Stärke des linearen Zusammenhangs (gegeben der Streuung der Personen) entspricht dem standardisierten Regressionskoeffizienten der einfachen Regression Berechnung: n Cov( XY, ) ( Xi X)( Yi Y) Kor( XY, ) = r i xy = = = sx sy sx sy Wertebereich: Kor( XY, ) + 3 was man/frau schon immer wissen wollte III Partialkorrelation standardisiertes Zusammenhangsmaß zwischen zwei Merkmalen X und Y "bereinigt" um den Einfluss eines dritten Merkmals Z Stärke des linearen Zusammenhangs zwischen den Regressionsresiduen exz i und e yz i der einfachen Regression Z X bzw. Z Y Berechnung rxy rxz ryz rxyiz = rxz ryz alternativ: "Umrechnung" aus standardisierten Regressionskoeffizienten: Interpretation rxyi z= βyxyz ( i ) βx( yixz ) Stärke des linearen Zusammenhangs zweier Variablen, aus dem linearer Einfluss einer dritten Variablen "eliminiert" wurde Wertbereich: r xyz i + nicht gleich dem standardisierten partiellen Regressionskoeffizienten β ( ) xyxz i 4
3 was man/frau schon immer wissen wollte IV standardisierter partieller Regressionskoeffizient kein "klassisches" Zusammenhangsmaß zwischen Merkmalen Regressionskoeffizienten sind Schätzungen des relativen Beitrags der Merkmale X und Z zur (möglichst optimalen) Vorhersage des Merkmals Y Berechnung: rxy rxz ryz β xyxz ( i ) = rxz alternativ: "Umrechnung" aus Partialkorrelation: rxyiz β xyxz ( i ) = β y( xi yz ) Interpretation standardisierter partieller Regressionskoeffizient als "Netto-Beitrag" des Prädiktors zur Vorhersage von Y gegeben der anderen Prädiktoren im Modell Beurteilung der "Wichtigkeit" der Prädiktoren über relative Größe der Koeffiz. Wertebereich:? β x ( y i xz ) +? nicht gleich der Partialkorrelation rxy i z und der einfachen Korrelation r xy 5 Agenda. Univariate Varianzanalyse (Wiederholung) i. Grundlagen Grundidee und Ziele der univariaten Varianzanalyse Beispiele ii. Statistisches Modell iii. iv. Prinzip der Varianzzerlegung Determinationskoeffizient Hypothesentesten bei der Varianzanalyse Varianzanalyse als Spezialfall der Regression Zusammenhang Regression und Varianzanalyse Exkurs: Dummy-Kodierung Berechnung einer Varianzanalyse mittels Regression Vergleich der Varianzzerlegung bei Regression und Varianzanalyse 6
4 Einführung in die Varianzanalyse I Ziel Zusammenhang zwischen Gruppenzugehörigkeit einer Person und dem Erwartungswert der Person auf der abhängigen Variablen einfacher: Unterschiede im Mittelwert bei verschiedenen Gruppen Aussage: unterscheiden sich die Gruppen hinsichtlich der abhängigen Variable Y? welche Gruppen unterscheiden sich? Einschränkungen keine kausalen Aussagen (Unterschiede auf Y w e g e n Gruppenzugehörigkeit) keine Differenzierung innerhalb der Gruppen keine Aussagen über Größe und Richtung der Gruppenunterschiede 7 Einführung in die Varianzanalyse II Beispiele Einstellung von SPD-, CDU-, FDP-, Grünen- und PDS-Anhängern zum Reformpaket "Agenda 00" Anzahl der Autopannen bei verschiedenen Automarken Flirthäufigkeit bei Männern vs. Frauen in verschiedenen Jahreszeiten Wirksamkeit verschiedener psychologischer Therapieverfahren (Verhaltenstherapie, Gesprächstherapie, Psychoanalyse) bei Depressiven Varianzanalyse als klassisches Testverfahren bei Experimenten in der empirischen Forschung: Vergleich verschiedener Experimentalgruppen Vergleich der Versuchs- und Kontrollgruppe 8
5 Einführung in die Varianzanalyse III Veranschaulichung der Varianzanalyse Mittelwertsunterschiede bei 3 Gruppen (gegeben der Streuung innerhalb der Gruppen) 9 Einführung in die Varianzanalyse IV eingehende Informationen kontinuierliche abhängige (vorherzusagende) Variable eine univariate Varianzanalyse (ANOVA) mehrere multivariate Varianzanalyse (MANOVA) diskrete unabhängige Variable (Faktor) eine einfaktorielle Varianzanalyse mehrere mehrfaktorielle Varianzanalyse Ergebnis Maß zur Beschreibung des (nicht-linearen!) Zusammenhangs Vorhandensein von Gruppenunterschiede Maß zur Güte des Zusammenhangs Anteil erklärter Varianz durch Gruppenvariable 0
6 Einführung in die Varianzanalyse V Überblick über die varianzanalytischen Verfahren eine abhängige Variable unabhängige Stichproben T-Test für unabhängige Stichproben ( unabhängige Stichproben/Gruppen) einfaktorielle Varianzanalyse ( oder mehr unabhängige Gruppen) abhängigen Stichproben (z.b. Messwiederholung) T-Test für abhängige Stichproben ( abhängige Stichproben/Gruppen) ANOVA mit Messwiederholung ( oder mehr abhängige Stichproben) zwei oder mehr abhängige Variablen unabhängige Stichproben Hotelling T²-Test ( unabhängige Stichproben/Gruppen) Multivariate Varianzanalyse ( oder mehr unabhängige Gruppen) abhängige Stichprobe (z.b. Messwiederholung) Multivariate Varianzanalyse mit Messwiederholung Einführung in die Varianzanalyse VI Abgrenzung von T-Test vs. Varianzanalyse Anzahl der unabhängigen Gruppen T-Test: Gruppen Faktorenanalyse: oder mehr Gruppen Faktorenanalyse vs. mehrere T-Tests bei mehr als Gruppen multiple T-Tests: Problem der Alpha-Fehler-Kumulierung Alpha-Fehler im Einzeltest festgelegt auf z.b. p = 0,05 Alpha-Fehler in Gesamtstudie (mehrere T-Tests) erhöht Wahrscheinlichkeit, dass bei q Tests mindestens einmal die Nullhypothese verworfen wird, obwohl diese gilt: P= ( a) Alternative: Korrektur des Alpha-Fehlerniveaus für alle Einzeltests q Adjustierung des Alpha-Fehler im Einzeltest, so dass Alpha-Fehler in Gesamtstudie p = 0,05 Problem: Verlust an Teststärke Alternative : Varianzanalyse mit gleichzeitigem Vergleich aller Gruppen Alpha-Fehler bei p = 0,05
7 Statistisches Modell der Varianzanalyse Eingangsgrößen Messwert einer abhängigen Variablen für k unabhängige Gruppen/Stichproben unabhängige Variable = Faktor Ergebnis Kennwert zur Testung der Gleichheit a l l e r Gruppenmittelwerte Statistische Hypothesen Nullhypothese Gleichheit der Mittelwerte aller Stichproben/Gruppen (gegeben der Streuung innerhalb der Gruppen) statistisch: µ = µ =... = µ k Alternativhypothese Mittelwertsunterschiede bei mindestens zwei Gruppen (welche unbekannt) 3 Verallgemeinerung des Stichprobenmodells auf Populationsebene Prüfgröße F-verteilte Prüfgröße zur Bestimmung der Wahrscheinlichkeit, dass alle Stichproben aus einer Population stammen (und damit denselben Mittelwert haben) Berechnung F BG = σ σ WG Legende: σ BG σ WG Zwischengruppenvarianz (erklärte Varianz) Innergruppenvarianz (nicht-erklärte Varianz) Freiheitsgrade: df = k df = k (n ) (bei gleich großen Gruppen) Entscheidung: F < Fa,df,df H 0 F Fa,df,df H 4
8 Varianzzerlegung bei der Varianzanalyse I Varianz als "abhängige Variable" Ziel der Varianzanalyse ist Erklärung von Mittelwertsunterschieden der Gruppen Unterschiede zwischen Personen verschiedener Gruppen im Verhältnis zu Unterschiede zwischen Personen derselben Gruppe Annahme: diese Varianz ist gleich für alle Gruppen Betrachtung der Varianz (Unterschiedlichkeit) der Personengruppen zwischen verschiedenen Gruppen dieser Anteil der Varianz wird vom Modell "erklärt" (Zwischengruppenvarianz; erklärte Varianz) innerhalb derselben Gruppen dieser Anteil der Varianz wird vom Modell nicht "erklärt" (Innergruppenvarianz; Fehlervarianz) 5 Varianzzerlegung bei der Varianzanalyse II Berechnung der Varianzanteile Innergruppenvarianz Schätzung der Populationsvarianz innerhalb der Gruppen Abweichung der Messwerte aller Personen vom jeweiligen Gruppenmittelwert σ WG = k n i= j= ( y ) ij yi k (n ) ( ) k n WG = i= j= ij i SS y y Zwischengruppenvarianz Maß für die Unterschiedlichkeit der Gruppen Abweichung aller Gruppenmittelwerte vom Gesamtmittelwert pro Person k i= σ BG = ( y y) i k BG k ( ) i SS = y y i= 6
9 Varianzzerlegung bei der Varianzanalyse III Berechnung der Varianzanteile Gesamtvarianz Abweichung der Messwerte aller Personen vom Gesamtmittelwert σ Y = k n i= j= ( y ) ij y N Additive Zerlegung der Gesamtvarianz Gesamtvarianz = Zwischengruppenvarianz + Innergruppenvarianz σy = σbg + σwg SS = SS + SS TO BG WG TO k n i= j= ( ) ij SS = y y 7 Varianzzerlegung bei der Varianzanalyse IV Veranschaulichung der Varianzzerlegung bei der Varianzanalyse 8
10 Varianzzerlegung bei der Varianzanalyse V Unterschied Varianzzerlegung Regression vs. Varianzanalyse Varianzzerlegung gleich erklärte Varianz: Varianz der Regression = Zwischengruppenvarianz nicht-erklärte Varianz: Fehlervarianz = Innergruppenvarianz Unterschiede in Restriktionen über Erwartungswerte pro Ausprägung des Prädiktors Regression lineare Restriktion der Erwartungswerte in Abhängigkeit von Ausprägung der Person auf Prädiktor Unterschiede Erwartungswerte für X und X+ gleich für alle X (entspricht b) Varianzanalyse keine Restriktionen für Erwartungswerte Erwartungswert für jede Ausprägung des Prädiktors ist Gruppenmittelwert 9 Interpretation der Ergebnisse der Varianzanalyse I Interpretation des Modelltests signifikantes Ergebnis der ANOVA Gruppenunterschiede zwischen mindestens Gruppen Problem: keine Informationen, welche Gruppenmittelwerte verschieden Folgetests bei signifikantem Ergebnis Post-hoc Tests innerhalb der Varianzanalyse direkter Vergleich der Mittelwerte aller Einzelgruppen (T-Test) Empfehlung bei gleichen Varianzen innerhalb der Gruppen Tukey-Test ("faire" Berücksichtigung der Alpha-Fehler-Kumulierung) LSD (keine Berücksichtigung der Alpha-Fehler-Kumulierung alle Tests gegen 5%) Scheffé-Test (Berücksichtigung der Alpha-Fehler-Kumulierung; sehr konservativ geringe Testsstärke) Empfehlung bei ungleichen Varianzen innerhalb der Gruppen Tamhane's T oder Dunnett-C 0
11 Interpretation der Ergebnisse der Varianzanalyse II Folgetests bei signifikantem Ergebnis (Fortsetzung) orthogonale Kontraste innerhalb der Varianzanalyse (Kontrastkodierung) gezielter Vergleich der Mittelwerte aller Gruppen, auch unter Berücksichtigung der Verhältnisse der Mittelwerte Regression mit Dummy-Variablen gleichzeitiger Vergleich aller Gruppen gegen Referenzgruppe (Kodierung mit Referenzgruppe) oder gegen Gesamtmittelwert (Effektkodierung) Vorhersagekraft des varianzanalytischen Modells Güte der Vorhersagekraft des statistischen Modells Vergleich der durch Modell erklärten (Zwischengruppen-)Varianz mit der nichterklärten (Innergruppen-)Varianz Gründe für nicht-erklärte Varianz Messfehler bei der Erhebung des Merkmals natürliche Variabilität des Merkmals Prädiktoren sagen abhängiges Merkmal nicht perfekt voraus Determinationskoeffizient R Verhältnis der vom Modell erklärten vs. nicht-erklärten Varianz R SSBG SSBG SS = = = SS SS + SS SS TO standardisiertes Zusammenhangsmaß: 0 R Prozent aufgeklärter Gesamtvarianz der Merkmals durch den Faktor WG BG WG TO
12 Varianzanalyse als Spezialfall der Regression I Prädiktoren in der Regression vs. Varianzanalyse Regression: kontinuierliche Variable (intervallskaliert) Varianzanalyse: diskrete Variable nominale Variablen: Religionszugehörigkeit, Automarke, Persönlichkeitstyp kontinuierliche Variable, die später kategorisiert (z.b. bei Verletzung der Annahmen): hoch vs. niedrig Ängstliche, Linke vs. Rechte Gedankenexperiment diskrete Variablen als Prädiktor bei Regression Probleme: Skalierung des Prädiktors nominal: keine Anordnung der Faktorstufen in Reihenfolge möglich kategorisierte, kontinuierliche Variable: Intervalle ungleich breit Problem bei Modellschätzung und Interpretation der Regressionskoeffizienten Ausnahme: Prädiktor mit Stufen (Beispiel) 3 Varianzanalyse als Spezialfall der Regression II Dummy-Kodierung Ausweg: Kodierung der Gruppenzugehörigkeit mittels künstlicher Variablen, Dummy-Variablen Voraussetzung: jede Person gehört genau einer Gruppe/Kategorie an Prinzip alle Mitglieder einer Gruppe/Kategorie erhalten denselben Wert; Mitglieder unterschiedlicher Gruppen verschiedene Werte keine Differenzierung innerhalb einzelner Gruppen/Kategorien Einschränkung keine Skalierung der Prädiktoren Aussagen über Gleichheit und Verschiedenheit der Gruppen/Kategorien eingeschränkte quantitative Interpretation der Regressionskoeffizienten keine Ordnung der Prädiktoren 4
13 Varianzanalyse als Spezialfall der Regression III Dummy-Kodierung (Fortsetzung) minimale Dekomposition der Gruppen/Kategorien Anzahl der Dummy-Variablen = Gruppen-/Kategorienzahl minus Eins Möglichkeit : Kodierung mit Referenzgruppe/-kategorie Dummy-Variable Gruppen 3 Gruppen X X X Gruppe Gruppe 0 Gruppe 3 0 Kodierungsprinzip Referenzgruppe/-kategorie auf allen Variablen gleich Null alle anderen Gruppen je auf einer Variable Eins, auf allen anderen Null 5 Varianzanalyse als Spezialfall der Regression IV Möglichkeit : Kodierung mit Referenzgruppe/-kategorie (Fortsetzung) Regressionsgleichungen Gruppen Modellgleichung: eingesetzte Gleichungen: 3 Gruppen Modellgleichung: eingesetzte Gleichungen: Yˆi = a + b X Ŷ = a Ŷ = a+ b i Y = a + b X + b X ˆi i i Ŷ = a Ŷ = a+ b Ŷ3 = a+ b Interpretation der Regressionsparameter Intercept a entspricht Gruppenmittelwert der Referenzgruppe/-kategorie Regressionskoeffizienten b k entsprechen Mittelwertsunterschied der Gruppe k zur Referenzgruppe/-kategorie Signifikanztests der Regressionskoeffizienten entsprechen Test auf Signifikanz der Unterschiede der Gruppenmittelwert 6
14 Varianzanalyse als Spezialfall der Regression V Dummy-Kodierung (Fortsetzung) Möglichkeit : Effektkodierung Dummy-Variable Gruppe Gruppe Gruppe 3 Gruppen X - 3 Gruppen X X Kodierungsprinzip erste Gruppe/Kategorie auf allen Variablen gleich - alle anderen Gruppen je auf einer Variable Eins, auf allen anderen Null 7 Varianzanalyse als Spezialfall der Regression VI Möglichkeit : Effektkodierung (Fortsetzung) Regressionsgleichungen Gruppen Modellgleichung: eingesetzte Gleichungen: 3 Gruppen Modellgleichung: eingesetzte Gleichungen: Yˆi = a + b X Ŷ = a b Ŷ = a+ b i Y = a + b X + b X ˆi i i Ŷ = a b b Ŷ = a+ b Ŷ3 = a+ b Interpretation der Regressionsparameter Intercept a entspricht Gesamtmittelwert aller Gruppen Regressionskoeffizienten b k entsprechen Mittelwertsunterschieden der Gruppen zum Gesamtmittelwert (für Gruppe Summe aller Koeffizienten) Signifikanztests der Regressionskoeffizienten entsprechen Test auf Signifikanz der Unterschiede der Gruppenmittelwert 8
15 Varianzanalyse als Spezialfall der Regression VII Dummy-Kodierung (Fortsetzung) Möglichkeit 3: Kontrastkodierung Test spezifischer Hypothesen möglich Beispiel : Gleichheit der Gruppen und 3 Beispiel : Gleichheit der Gruppe mit Mittelwert der Gruppen und 3 Dummy-Variable Gruppe Gruppe Gruppe 3 Beispiel X 0 - Beispiel X - Kodierungsprinzip abhängig von Hypothese nur Test orthogonaler Kontraste möglich (d.h. nicht redundante Hypothesen) 9 Varianzanalyse als Spezialfall der Regression VIII Möglichkeit 3: Kontrastkodierung (Fortsetzung) Regressionsgleichungen Beispiel Modellgleichung: Y = a + b X + b X eingesetzte Gleichungen: Ŷ = a Ŷ = a b Ŷ = a+ b Beispiel Modellgleichung: eingesetzte Gleichungen: Interpretation der Regressionsparameter ˆi i i 3 Y = a + b X + b X Y ˆ = a b Ŷ = a+ b Ŷ = a+ b ˆi i i 3 Bedeutung des Intercept und der Regressionskoeffizienten b k abhängig von Kodierung Signifikanztests der Regressionskoeffizienten entsprechen Test auf Gültigkeit der Hypothesen (z.b. Verhältnisse der Mittelwerte) 30
16 Varianzanalyse als Spezialfall der Regression IX Berechnung einer Varianzanalyse mittels Regression Durchführbarkeit Varianzanalyse ist als Regression berechenbar (Spezialfall) Restriktion der Linearität der Erwartungswerte für Personen mit unterschiedlicher Ausprägung auf Prädiktor(en) muss aufgehoben werden Anwendung der Dummy-Kodierung Berechnung der Dummy-Variablen für einzelne Prädiktoren (in SPSS: Transformieren > Umkodieren in neue Variable) Kontrastkodierung (Test von orthogonalen Kontrasten) auch in einfaktorieller Varianzanalyse verfügbar (in SPSS: Analysieren > Mittelwertsvergleich > einfaktorielle Varianzanalyse > Kontraste) Ergebnisse Interpretation der Regressionskoeffizienten abhängig von Dummy-Kodierung Äquivalenz der Tests Mittelwertsvergleich ANOVA = Mittelwertsvergleich Regression (Gesamttest) zusätzlich in Regression gezielte Gruppenvergleiche möglich 3 Varianzanalyse als Spezialfall der Regression X Vergleich der Varianzzerlegung und des Hypothesentests Varianzzerlegung gleich bei ANOVA und Regression mit Referenzgruppen- oder Effektkodierung systematische/erklärte Varianz: Innergruppenvarianz (ANOVA) gleich Varianz der Regression Abweichung der vorhergesagten Werte von Gesamtmittelwert Kodierung in Regression keine Restriktion der Erwartungswerte (=ANOVA) Fehler-/nicht erklärte Varianz: Innergruppenverlängerung (ANOVA) gleich Fehlervarianz in Regression Abweichung der beobachteten Werte von vorhergesagten Werten (Gruppenmittelwerte) Freiheitsgrade gleich bei ANOVA und Regression mit Referenzgruppen- oder Effektkodierung Freiheitsgrade des Effekts Regression: Anzahl der Prädiktoren (= Anzahl der Gruppen -) ANOVA: Anzahl der Gruppen - 3
17 Ausblick Univariate Varianzanalyse Mehrfaktorielle Varianzanalyse Annahmen und Voraussetzungen der univariaten Varianzanalyse Exkurs: Matrizenrechnung Multivariate Varianzanalyse (MANOVA) Grundidee und Ziele der MANOVA Uni- vs. multivariate Varianzanalyse Statistisches Modell Varianzzerlegung Multivariate Prüfgrößen und Hypothesentestung 33
Vorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 9. Vorlesung: 12.05.2003 Agenda 2. Univariate Varianzanalyse iv. Varianzanalyse als Spezialfall der Regression Zusammenhang Regression und Varianzanalyse
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 5. Vorlesung: 4.04.003 Agenda. Multiple Regression i. Grundlagen Grundidee, Ziele der multiplen Regression Beispiele ii. iii. Statistisches Modell Modell
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: 1.0.2003 Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele
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:
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 1. Vorlesung:.5.3 Agenda 4. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Statistisches Modell, Hypothesentestung
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
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
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
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrSkript zur Vorlesung Statistik 2
Weder die Autorin noch der Fachschaftsrat Psychologie übernimmt Irgendwelche Verantwortung für dieses Skript. Das Skript soll nicht die Lektüre der Prüfungsliteratur ersetzen. Verbesserungen und Korrekturen
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrInhalt. Vorwort Univariate Verteilungen Verteilungen Die Normalverteilung... 47
Inhalt Vorwort... 9 1 Einleitung: Grundlagen der Statistik... 11 1.1 Die statistische Fragestellung im Forschungsprozess... 11 1.2 Grundbegriffe der Statistik... 13 1.3 Voraussetzung jeder Statistik: Die
MehrMehrfaktorielle Varianzanalyse
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mehrfaktorielle Varianzanalyse Überblick Einführung Empirische F-Werte zu einer zweifaktoriellen
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrInhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrMethodenlehre. Vorlesung 11. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 11 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 03.12.13 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 11. Vorlesung: 18.0.200 Agenda. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse ii. iii. iv. Uni- vs. multivariate Varianzanalyse
MehrEinführung in die Varianzanalyse mit SPSS
Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen
MehrInferenzstatistik verstehen
Markus Janczyk Roland Pfister Inferenzstatistik verstehen Von A wie Signifikanztest bis Z wie Konfidenzintervall ^ Springer Spektrum vii 1 Einführung und deskriptive Statistik 1 1.1 Wichtige mathematische
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
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
MehrKapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten
Kapitel 5 - Einfaktorielle Experimente mit festen und zufälligen Effekten 5.1. Einführung Einfaktorielle Varianzanalyse Überprüft die Auswirkung einer gestuften (s), unabhängigen Variable X, auch Faktor
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 2. Vorlesung: 10.04.2003 Agenda 1. Organisatorisches 2. Datenbehandlung i. Unverfälschte Daten ii. Unverfälschte Korrelationen iii. Missing Data iv. Ausreißer
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
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
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
Mehrmethodenlehre ll ALM und Mehrfaktorielle ANOVA Mehrfaktorielle ANOVA methodenlehre ll ALM und Mehrfaktorielle ANOVA
15.04.009 Das Allgemeine lineare Modell Post hoc Tests bei der ANOVA Mehrfatorielle ANOVA Thomas Schäfer SS 009 1 Das Allgemeine lineare Modell (ALM) Varianz als Schlüsselonzept "The main technical function
MehrEinfaktorielle Varianzanalyse
Professur Psychologie digitaler Lernmedien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Einfaktorielle Varianzanalyse Überblick Einführung Alphafehler-Kumulierung Grundprinzip
MehrANOVA und Transformationen
und Statistik II 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 Literatur für nächste
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
MehrGlossar. den man als mindesten oder interessanten Effekt für die Population annimmt. Anpassungstest; 148 f., 151: Der Anpassungstest
Literatur Aron, A., Aron, E. N., and Coups, E. J. (2009). Statistics for Psychology. Upper Saddle River: Prentice Hall. Backhaus, K.; Erichson, B.; Plinke, W. und Weiber, R. (2006). Multivariate Analysemethoden.
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrStichprobenumfangsplanung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Stichprobenumfangsplanung Überblick Einführung Signifikanzniveau Teststärke Effektgröße
MehrStatistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
MehrMesswiederholungen und abhängige Messungen
Messwiederholungen und abhängige Messungen t Tests und Varianzanalysen für Messwiederholungen Kovarianzanalyse Thomas Schäfer SS 009 1 Messwiederholungen und abhängige Messungen Bei einer Messwiederholung
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Statistik & Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrAufgaben zu Kapitel 7:
Aufgaben zu Kapitel 7: Aufgabe 1: In einer Klinik sollen zwei verschiedene Therapiemethoden miteinander verglichen werden. Zur Messung des Therapieerfolges werden die vorhandenen Symptome einmal vor Beginn
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
MehrStatistik für Human- und Sozialwissenschaftler
Jürgen Bortz Statistik für Human- und Sozialwissenschaftler Sechste, vollständig überarbeitete und aktualisierte Auflage mit 84 Abbildungen und 242 Tabellen 4y Springer Inhaltsverzeichnis* > Vorbemerkungen:
MehrBivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation
Bivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation PEΣO 12. November 2001 Von der Tabellenanalyse zur Regression Die bivariate Verteilung zweier metrischer Variablen kann konzeptionell
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrStatistik für Psychologen und Sozialwissenschaftler. Pearson. Markus Bühner Matthias Ziegler. 2., aktualisierte und erweiterte Auflage
Statistik für Psychologen und Sozialwissenschaftler 2., aktualisierte und erweiterte Auflage Markus Bühner Matthias Ziegler Pearson Inhaltsübersicht Vorwort zur 1. Auflage Vorwort zur 2. Auflage XIII XV
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
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
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. 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
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
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrInhalt. I Einführung. Kapitel 1 Konzept des Buches Kapitel 2 Messen in der Psychologie... 27
Inhalt I Einführung Kapitel 1 Konzept des Buches........................................ 15 Kapitel 2 Messen in der Psychologie.................................. 27 2.1 Arten von psychologischen Messungen....................
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
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
MehrMittelwertsvergleich bei mehr als 2 Stichproben. Marcus Hudec
Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor
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
MehrGrundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2
Grundlagen sportwissenschaftlicher Forschung Inferenzstatistik 2 Dr. Jan-Peter Brückner jpbrueckner@email.uni-kiel.de R.216 Tel. 880 4717 Statistischer Schluss Voraussetzungen z.b. bzgl. Skalenniveau und
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse 2 Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Kovarianzanalyse 5 Multivariate Varianzanalyse 6 Zweifaktorielle Varianzanalyse
MehrSTATISTIK II. Hans-Otfried Müller Institut für Mathematische Stochastik.
STATISTIK II Hans-Otfried Müller Institut für Mathematische Stochastik http://www.math.tu-dresden.de/sto/mueller 1 Ausgewählte Verfahren der multivariaten Datenanalyse und Statistik Werden bei einer Analyse
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
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
MehrAnalyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum..4..4 7..4..4..4 7..4 4..4..4
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
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:
MehrMittelwertsvergleich bei mehr als 2 Stichproben
Mittelwertsvergleich bei mehr als 2 Stichproben Im Fall von 2 Gruppen kennen wir nunmehr verschiedene Varianten des t-tests für den Vergleich der Mittelwerte Liegen k > 2 Gruppen von Beobachtungen vor
MehrAnalyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 9..5 6..5..5 9..5 6..5..5..5
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
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
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
MehrStatistik. Für Sozialwissenschaftler. Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen
Jürgen Bortz Statistik Für Sozialwissenschaftler Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen Springer-Verlag Berlin Heidelberg Newlfork London Paris Tokyo Inhaltsverzeichnis Einleitung
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
Mehr