LISREL/CFA: Modelltest
|
|
- Erica Fischer
- vor 8 Jahren
- Abrufe
Transkript
1 LISREL/CFA: Modelltest im Rahmen des Interdisziplinären Seminars Multivariate Statistik bei psychologischen Fragestellungen Martina Feilke, Martina Unterburger, Christoph Burkhardt Dozenten: Prof. Dr. Markus Bühner und Prof. Dr. Helmut Küchenhoff 3.Dezember / 40
2 1 Wie gut ist die Modellanpassung? 2 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz / 40
3 CFA: Spezialfall der linearen Strukturgleichungsmodelle (LISREL) Ziel der CFA: Theoretisch oder empirisch gut fundierte Modelle auf ihre Modellgüte zu testen. Fragestellung der CFA: Wie gut passt das theoretisch aufgestellte Modell zu den beobachteten Daten der Stichprobe? 3 / 40
4 - Testkonstruktion χ 2 -Test: Überprüfung der exakten Modellanpassung Hypothesen: H 0 : Das Modell passt zur Datenstruktur. H 1 : Das Modell weicht von der Datenstruktur ab. 4 / 40
5 Berechnung des χ 2 -Werts I Theoretisches Modell (geschätzte Kovarianzmatrix) Stichprobe (beobachtete Kovarianzmatrix) Diskrepanz Gewichtung F value of the fitting function 5 / 40
6 Berechnung des χ 2 -Werts II Rückblick (Diskrepanzfunktionen = fitting functions ) Prinzip: Minimierung des Abstands zwischen der beobachteten und der geschätzten Kovarianzmatrix Letztes Mal vorgestellt: OLS-Diskrepanzfunktion GLS-Diskrepanzfunktion ML-Diskrepanzfunktion 6 / 40
7 Berechnung des χ 2 -Werts III Idee des χ 2 -Tests: Unter H 0 : Spezifikation eines Modells, Treffen bestimmter. zugehöriger Restriktionen χ 2 -Test prüft somit auch, ob Restriktionen stimmen Likelihood-Ratio-Rationale: Unter H 0 : Restringiertes Modell Unter H 1 : Keinerlei Restriktionen Test, ob H 0 größere Likelihood hat als H 1, also besser passt 7 / 40
8 Testentscheidung I Berechnung des (1-α)-Quantils der χ 2 -Verteilung (=kritischer Wert): Berechnung der Freiheitsgrade (df) df = {[b b+1 2 ] f } b: Anzahl der Items f: Anzahl der frei zu schätzenden Parameter im Modell Festgelegtes α einsetzen χ 2 1 α (df ) aus Tabelle der χ2 -Verteilung ablesen χ 2 > χ 2 1 α (df ) H 0 ablehnen (signifikantes Testergebnis) χ 2 -Wert (Testgröße) und p-wert immer zusammen angeben! 8 / 40
9 Testentscheidung II χ 2 = (N-1) F SIGNIFIKANT Nicht SIGNIFIKANT H0 wird verworfen H0 wird nicht verworfen kein exakter Modell-Fit exakter Modell-Fit 9 / 40
10 Testentscheidung III If the model fits the data, it does not mean that it is the correct model or even the best model. In fact, there can be many equivalent models all of which will fit the data equally well as judged by any goodness of fit measure. To conclude that the fitted model is the best, one must be able to exclude all models equivalent to it on logical or substantive grounds (Jöreskog, 1993, S.298; vgl. Cole, 1987) Annahme der Nullhypothese richtiges oder wahres Modell (Entscheidung durch Hypothesentests nicht möglich) 10 / 40
11 Probleme bei Berechnung des χ 2 -Werts I Minimierung des β-fehlers H 0 : Das Modell passt zur Datenstruktur. H 1 : Das Modell weicht von der Datenstruktur ab. α Fehler (Fehler 1.Art): Entscheidung: Kein exakter Modell-Fit. Realität: β Fehler (Fehler 2.Art): Entscheidung:. Realität: Kein exakter Modell-Fit Wahrscheinlichkeit, dass Entscheidung für exakten Modell-Fit eine Fehlentscheidung ist, soll möglichst gering gehalten werden ( β-fehler minimieren) 11 / 40
12 Probleme bei Berechnung des χ 2 -Werts II Abhängigkeit von der Stichprobengröße χ 2 -Wert abhängig von der Größe der Stichprobe (N) Je größer Stichprobe, desto sensitiver χ 2 -Test Große Stichprobe: Kleine Abweichungen von perfektem Modell führen bereits zur Ablehnung von H 0 Kleine Stichprobe: Große Abweichungen von perfektem Modell können trotzdem zur Annahme von H 0 führen 12 / 40
13 Probleme bei Berechnung des χ 2 -Werts III χ 2 = (N-1) F SIGNIFIKANT Nicht SIGNIFIKANT kein exakter Modell-Fit exakter Modell-Fit Große Stichprobe Betrachtung der Fit-Indizes erforderlich Betrachtung der Fit-Indizes nicht zwingend Kleine Stichprobe Betrachtung der Fit-Indizes erübrigt sich Betrachtung der Fit-Indizes erforderlich 13 / 40
14 - Fit-Indizes Motivation für einen idealen Fit-Index Wertebereich normiert (idealerweise auf [0,1]) Unabhängigkeit vom Stichprobenumfang 2 Arten von Fit-Indizes Komparative Fit-Indizes: Vergleich mit Null-Modell (alle Variablen sind unkorreliert) Absolute Fit-Indizes: Vergleich mit saturiertem Modell (Modell mit perfektem Fit) 14 / 40
15 - Fit-Indizes Einteilung Goodness-of-Fit-Indizes: Wie gut beschreibt ein Modell die Daten? großer Wert guter approximativer Modell-Fit Badness-of-Fit-Indizes: Wie schlecht beschreibt ein Modell die Daten? kleiner Wert guter approximativer Modell-Fit 15 / 40
16 - Fit-Indizes Vorstellung der gängigsten Fit-Indizes in der Psychologie: für komparativen Fit-Index CFI e für absolute Fit-Indizes RMSEA SRMR 16 / 40
17 Komparativer Fit-Index: CFI CFI: Comparative-Fit-Index Einteilung: Goodness-of-Fit-Index (Wert nahe 1: guter Modell-Fit) CFI = 1 χ2 M df M χ 2 N df N χ 2 M : Diskrepanz beobachtete vs. geschätzte Kovarianzmatrix χ 2 N : Diskrepanz beobachtete vs. Kovarianzmatrix des Nullmodels 17 / 40
18 Absoluter Fit-Index: RMSEA RMSEA: Root-Mean-Square-Error of Approximation Einteilung: Badness-of-Fit-Index (Wert nahe 0: guter Modell-Fit) RMSEA berücksichtigt: χ 2 M -Wert RMSEA = Modellkomplexität (df M ) Stichprobenumfang N χ 2 M df M N df M Besonderheit: Konfidenzintervall kann berechnet werden 18 / 40
19 Absoluter Fit-Index: SRMR SRMR: Standardized-Root-Mean-Residual Einteilung: Badness-of-Fit-Index (Wert nahe 0: guter Modell-Fit) SRMR = j k<j r 2 jk b (b+1) 2 r jk : Differenz zwischen beobachteten und geschätzten Korrelationskoeffizient von Item j und Item k b: Anzahl der Items Besonderheit: χ 2 -Wert geht nicht mit ein 19 / 40
20 Cut-off-Werte I Cut-off-Werte (aus Simulationsstudien) CFI 0.95 RMSEA 0.06(N > 250) bzw. 0.08(N < 250) SRMR < 0.11 Vorsicht: Gelten nur bei Verwendung der ML-Diskrepanzfunktion Stark Situationsabhängig Stark umstritten!! 20 / 40
21 Cut-off-Werte II Decision rules such as RMSEA < 0.05 (...) may be useful in some solutions but they often lead to inappropriate decisions in other solutions (...) and should be considered only as rules of thumb. (Hu & Bentler, 1999, S.4) Cut-off-Werte nur als Daumenregeln verwenden!!! 21 / 40
22 Modell-Fit Empfehlung: Gemeinsame Betrachtung von χ 2 -Wert und zugehörigem p-wert CFI RMSEA SRMR It is important to remember that even a model with excellent overall fit indices can be unacceptable because of the components of the model (Bollen & Long, 1993, S.7) theoretische und logische Überlegungen sind unverzichtbar 22 / 40
23 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Korrelierte Fehlervariablen Annahme in klassischer Testtheorie: Korrelationen zwischen den Messfehlern eines Tests und/oder den Messfehlern zweier Tests sind gleich null. Möglichkeiten in der CFA: Testen, ob die Annahme unkorrelierter Fehler verletzt ist (Möglichkeit, Korrelationen zwischen Messfehlern zweier Items zuzulassen) Modifikationsindizes betrachten (zeigen an, ob korrelierte Messfehler vorliegen) an welcher Stelle sollte man das Modell verändern 23 / 40
24 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Konstruktreliabilität Reliabilität: Zuverlässigkeit der Messungen (konsistente und stabile Resultate) Konstruktreliabilität: Qualität, mit der ein Konstrukt gemessen wird Schätzung über: Kommunalität der Items (Mindestschätzung der Reliabilität) Cronbach-α (innere Konsistenz) Konstruktreliabilität 1 H = ( 1+ 1/ [ p a i 2 i=1 1 a i 2 ]) 24 / 40
25 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Minderungskorrigierte Korrelationen Unterschiedliche Ursachen für korrelierte latente Variablen: Querladungen auf fremden Faktoren Unterschiedliche Reliabilität der Skalen Wichtig: Bei der Interpretation der Korrelationen zwischen latenten Variablen muss immer auch die Reliabilität der Skalen berücksichtigt werden. Minderungskorrigierte Korrelationen berücksichtigen dies. 25 / 40
26 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz von Variablen oder Items I Aggregation von Items bei CFA möglich: Statt Verwendung der Einzelitems können mehrere Items, welche die gleiche latente Variable erfassen, zu Aggregaten zusammengefasst werden Bildung der Aggregate mit Hilfe von exploratorischer oder einfaktorieller konfirmatorischer Faktorenanalyse Items, die ein Aggregat bilden, sollten homogen sein (Korrelation untereinander höher als mit anderen Items) Aggregate, die einer latenten Variable zugeordnet werden, sollen ebenfalls homogen sein 26 / 40
27 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz von Variablen oder Items II Vorteile der Aggregation von Items Aggregat ist reliabler als Einzelitem... hat höhere Kommunalität als Einzelitem... weist höheren Prozentsatz an gemeinsamer Varianz im Vergleich zu spezifischer Varianz auf... besitzt meist günstigere Verteilung als Einzelitem zusätzlich: Reduktion der Anzahl der freien Parameter (weniger zu schätzende Ladungen und Fehlervarianzen) 27 / 40
28 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Multi-Trait-Multi-Method-Ansatz I Ziel: Erkennen, wie viel Varianz der Leistung auf den Trait (Kompetenz) einer Person zurückgeht und wieviel Varianz auf die unterschiedlichen Methoden zurückgeht Wünschenswert: Geringe Methoden-Varianz, die nur wenig zu. den Leistungsunterschieden der Personen beitragen 28 / 40
29 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Multi-Trait-Multi-Method-Ansatz II CU-Modell Annahme: Alle Fehlervariablen einer Methode sind korreliert e1 e2 e3 e4 e5 e6 e7 e8 e9 PR GD PK PR GD PK PR GD PK FF AD UD 29 / 40
30 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Multi-Trait-Multi-Method-Ansatz III CTC-Modell Spezifikation von Methodenfaktoren PR GD PK e1 e2 e3 e4 e5 e6 e7 e8 e9 PR GD PK PR GD PK PR GD PK FF AD UD 30 / 40
31 Reliabilität Aggregation von Items Multi-Trait-Multi-Method Ansatz Multi-Trait-Multi-Method-Ansatz IV Gesamtvarianz eines Items lässt sich additiv in mehrere Teile aufspalten: Trait-Varianz: Wieviel Varianz der Leistung gehen auf die Eigenschaft (den Trait ) der Person zurück? Methoden-Varianz: Wieviel Varianz geht auf die Messmethode zurück? Fehler-Varianz 31 / 40
32 1: Nur ein Faktor 32 / 40
33 1: Modell-Fit 33 / 40
34 2: Zwei korrelierte Faktoren 34 / 40
35 2: Modell-Fit 35 / 40
36 3: Zwei unkorrelierte Faktoren 36 / 40
37 3: Modell-Fit 37 / 40
38 der CFA (Spezialfall von LISREL) Strukturgleichungsmodell aufstellen Datenerhebung und Berechnung der beobachteten Kovarianzmatrix (aus den Daten) Prüfung der Identifizierbarkeit und evtl. Treffen von Restriktionen Parameterschätzung (Ladungen und Fehlervarianzen) Berechnung der geschätzten Kovarianzmatrix aus Modellgleichung Modellbeurteilung (durch χ 2 -Test und Fit-Indizes) evtl. Modellmodifikation 38 / 40
39 Vielen Dank für Ihre Aufmerksamkeit! Wir beantworten nun gerne Ihre Fragen! 39 / 40
40 Literatur Buehner Markus, 2006: Einführung in die Test- und Fragebogenkonstruktion; Pearson Studium. Hu L. & Bentler P.M., 1999: Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives; Structural Equation Modeling, 6(1), Fan X. & Thompson B. & Wang L., 1999: Effects of Sample Size, Estimation Methods, and Model Specification on Structural Equation Modeling Fit Indexes; Structural Equation Modeling, 6(1), Bollen K.A. & Long J.S., 1993: Testing Structural Equation Models; S.7. Jöreskog K., 1993: Testing Structural Equation Models; in K.A. Bollen & J.S. Long (Eds.) Testing Structural Equation Models, / 40
LISREL/CFA: Modelltest
LISREL/CFA: Modelltest im Rahmen des Interdisziplinären Seminars Multivariate Statistik bei psychologischen Fragestellungen Martina Feilke, Martina Unterburger, Christoph Burkhardt Dozenten: Prof. Dr.
MehrDie Technik und Logik von linearen Strukturgleichungsmodellen
Die Technik und Logik von linearen Strukturgleichungsmodellen Empfehlenswerte Einführungen in die Arbeit mit Strukturgleichungsmodellen ( structural equation modeling ) finden sich in Byrne (1994) (spezifisch
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
Mehr5 Zusammenhangsmaße, Korrelation und Regression
5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrFunktionen des Psychologiestudiums und Studienerfolg
Funktionen des Psychologiestudiums und Studienerfolg Katharina Stoessel & Stefan Stürmer FernUniversität in Hagen FernUniversität in Hagen / Horst Pierdolla Funktionen und Studienerfolg Studienerfolg von
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrInhaltsverzeichnis. Vorwort zur 3. Auflage 11. Kapitel 1 Einführung 13. Kapitel 2 Testtheoretische Grundlagen 29
Vorwort zur 3. Auflage 11 Kapitel 1 Einführung 13 1.1 Ziel des Buches............................................... 14 1.2 Testanwendungsbereiche........................................ 18 1.3 Arten von
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
MehrInterdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09
Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrÜbungen zur Veranstaltung Statistik 2 mit SPSS
Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrVeranstaltungsort Bildungsherberge der Studierendenschaft der FernUniversität Hagen
Bildungsurlaub-Seminare: Lerninhalte und Programm Seminartitel SPSS für Psychologen/innen (BH15113) Termin Mo, den 18.05.bis Fr, den 22.05.2015 (40 UStd.) Veranstaltungsort Bildungsherberge der Studierendenschaft
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrMessung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes
von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrKapitel 7: Varianzanalyse mit Messwiederholung
Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrLösungshinweise zur Einsendearbeit 2 SS 2011
Lösungshinweise zur Einsendearbeit 2 zum Kurs 41500, Finanzwirtschaft: Grundlagen, SS2011 1 Lösungshinweise zur Einsendearbeit 2 SS 2011 Finanzwirtschaft: Grundlagen, Kurs 41500 Aufgabe Finanzierungsbeziehungen
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrKapitel MK:IV. IV. Modellieren mit Constraints
Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrDominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH
Dominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH Peter Cullen, Microsoft Corporation Sicherheit - Die Sicherheit der Computer und Netzwerke unserer Kunden hat Top-Priorität und wir haben
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Kapitel 6 Einführung in die Test- und Fragebogenkonstruktion, Pearson Education 2003, Markus Bühner, 1 6.1 Grundkonzeption Die konfirmatorische Faktorenanalyse (CFA) dient
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrDie Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen
Die Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen Beitrag für den RatSWD-Nachwuchsworkshop: Längsschnittanalysen auf der Basis amtlicher Sozial- und Wirtschaftsdaten, Berlin, 25.-26.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrQuantilsschätzung als Werkzeug zur VaR-Berechnung
Quantilsschätzung als Werkzeug zur VaR-Berechnung Ralf Lister, Aktuar, lister@actuarial-files.com Zusammenfassung: Zwei Fälle werden betrachtet und die jeweiligen VaR-Werte errechnet. Im ersten Fall wird
MehrStatistik II. Statistik II, SS 2001, Seite 1 von 5
Statistik II, SS 2001, Seite 1 von 5 Statistik II Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrGütekriterien für evaluative Messinstrumente in der Rehabilitation
12. Rehabilitationswissenschaftliches Kolloquium Rehabilitation im Gesundheitssystem Bad Kreuznach, 10. bis 12. März 2003 Gütekriterien für evaluative Messinstrumente in der Rehabilitation Dipl.-Psych.
Mehr