Marketing. Eine managementorientierte Einführung. Bearbeitet von Prof. Dr. Franz-Rudolf Esch, Prof. Dr. Andreas Herrmann, Prof. Dr.
|
|
- Reinhardt Weber
- vor 6 Jahren
- Abrufe
Transkript
1 Marketing Eine managementorientierte Einführung Bearbeitet von Prof. Dr. Franz-Rudolf Esch, Prof. Dr. Andreas Herrmann, Prof. Dr. Henrik Sattler 5. Auflage Buch. XX, 500 S. Kartoniert ISBN Format (B x L): 17,0 x 24,0 cm Wirtschaft > Spezielle Betriebswirtschaft > Marketing, Werbung, Marktforschung Zu Inhalts- und Sachverzeichnis schnell und portofrei erhältlich bei Die Online-Fachbuchhandlung beck-shop.de ist spezialisiert auf Fachbücher, insbesondere Recht, Steuern und Wirtschaft. Im Sortiment finden Sie alle Medien (Bücher, Zeitschriften, CDs, ebooks, etc.) aller Verlage. Ergänzt wird das Programm durch Services wie Neuerscheinungsdienst oder Zusammenstellungen von Büchern zu Sonderpreisen. Der Shop führt mehr als 8 Millionen Produkte.
2 4. Daten auswerten 139 Quelle df Abweichungs- Mittel der F-Wert p-wert quadratsumme Quadrate Regression 3 (Ŷ i Y ) 2 = 51233, ,9 16,51 <0,0001 i Residuen 16 (Y i Ŷ i ) 2 = 16550,4 1034,4 i Gesamt 19 (Y i Y ) 2 = 67784,0 i Abbildung C.27: ANOVA des Regressionsmodells Zur Bestimmung des F-Werts werden die jeweiligen Abweichungsquadratsummen durch die Anzahl der Freiheitsgrade (df) geteilt, um so die mittlere Quadratsumme zu erhalten. Der Quotient aus der mittleren Quadratsumme, die durch das Regressionsmodell erklärt wird, und der nicht erklärten mittleren Quadratsumme ergibt den empirischen F-Wert. Die Freiheitsgrade entsprechen der Anzahl der Parameter minus 1 (im Beispiel: k 1 = 3) sowie der Anzahl der Fälle abzüglich der Anzahl zu schätzender Parameter (n k = 16). In diesem Fall wäre das gesamte Regressionsmodell mit einem empirischen F-Wert von 16,51 hoch signifikant (p < 0,0001). Dies bedeutet, dass die Nullhypothese, nach welcher keiner der Variablen Preis, Werbebudget und Handzetteleinsatz den Absatz erklären kann (H 0 : b=c=d=0), mit einer Irrtumswahrscheinlichkeit von 0,01 % verworfen werden kann. Aus den Quadratsummen der Varianzanalyse lässt sich außerdem ein zentrales Gütekriterium für das Modell ableiten. Das Bestimmtheitsmaß R 2 basiert ebenfalls auf dem Varianzzerlegungssatz und entspricht dem Anteil der durch das Regressionsmodell erklärten Abweichungsquadratsumme bezogen auf die gesamte Quadratsumme von Y. Zentrales Gütekriterium der Regression ist das Bestimmtheitsmaß, welches den Anteil der durch das Regressionsmodell erklärten Varianz an der Gesamtvarianz von Y angibt. Wird die gesamte Varianz der abhängigen Variablen durch die unabhängigen Variablen erklärt, ergibt sich somit ein Bestimmtheitsmaß von 1. Im Beispiel berechnet es sich, wie aus Abbildung C.27 ersichtlich, als R 2 = 51233,6/67784,0 = 0,756. Die Unterschiede im Absatz lassen sich also zu 75,6 % durch den Preis, das Marketingbudget und die Handzettelverteilung erklären. Da jedoch das Bestimmtheitsmaß mit jeder zusätzlich aufgenommenen Variablen zunimmt, unabhängig davon, ob die Variable für das Modell relevant ist oder nicht, wird häufig zusätzlich ein korrigiertes R 2 angegeben. Dieses korrigiert den ursprünglichen Wert wie folgt: R = R 2 2 korr 2 ( 1 R ) ( k 1) ( n k)
3 140 C. Märkte analysieren Insgesamt muss bei der linearen Regression beachtet werden, dass ihr Einsatz nur dann gerechtfertigt ist, sofern verschiedene Voraussetzungen erfüllt sind, die für das Modell bzw. die Schätzung gelten. Zu den Prämissen gehören (z. B. Lehmann/Gupta/Steckel, 1998, S. 482 ff.): Linearität, d. h. ein linear-additiver Zusammenhang zwischen den Variablen. Ein linearer Zusammenhang kann dabei auch approximativ für einen bestimmten Wertebereich gelten oder durch Transformation hergestellt werden. Homoskedastizität, d. h. die beobachteten Residuen dürfen nicht von den Prädiktorvariablen und von der Reihenfolge der Beobachtungen abhängen. Fehlende Autokorrelation bzw. Unkorreliertheit der Residuen, d. h. die Verteilung der Residuen muss zufällig sein. Die Residuen dürfen also nicht voneinander abhängen. Autokorrelation tritt vor allem bei Zeitreihenanalysen auf. Normalverteilung der Residuen. Diese Annahme ist u. a. für das Schätzen auf Signifikanz erforderlich. Problematisch für die Schätzung und Interpretation der Ergebnisse ist es weiterhin, wenn die unabhängigen Variablen untereinander hoch korreliert sind. Treten hohe Abhängigkeiten der Variablen, d. h. Multikollinearität auf, führt dies dazu, dass die Koeffizienten der korrelierten Variablen verzerrt werden und somit keine reliablen Aussagen möglich sind. Durch die Quadrierung der Residuen mit der Methode der kleinsten Quadrate haben weiterhin Ausreißer, d. h. Extremwerte, einen großen Einfluss auf die Schätzergebnisse. Treten diese Fälle auf, sind sie sorgfältig zu berücksichtigen und ggf. aus dem Datensatz zu eliminieren. Zur Überprüfung der Annahmen und zur Identifikation von möglichen Problemen können grafische Betrachtungen oder geeignete Testverfahren herangezogen werden (z. B. Lehmann/Gupta/Steckel, 1998, S. 482 ff.). Logistische Regression Die logistische Regression untersucht analog zur linearen Regression Beziehungen zwischen einer abhängigen Variablen (Y) und einer oder mehreren unabhängigen Variablen (X). Der Unterschied ist, dass die abhängige Variable bei der logistischen Regression binär ausgeprägt ist, d. h. lediglich zwei Werte annehmen kann (kodiert als 0 und 1). Die unabhängigen Variablen können, wie bei der linearen Regression, metrisch oder nicht-metrisch skaliert sein (z. B. Lehmann/Gupta/Steckel, 1998, S. 695 ff.; Frenzen/Krafft, 2008). Die logistische Regression dient dazu, eine binär ausgeprägte Variable durch eine oder mehrere unabhängige Variablen zu erklären bzw. zu prognostizieren. Anstelle logistischer Regressionen wurden bislang vielfach Diskriminanzanalysen eingesetzt. Aufgrund spezifischer statistischer Vorteile der logistischen Regression
4 4. Daten auswerten 141 (Frenzen/Krafft, 2008) werden Diskriminanzanalysen mittlerweile jedoch kaum noch eingesetzt. Beispiele für die Anwendungen der logistischen Regression sind die Untersuchung der Determinanten für den Kauf oder Nicht-Kauf von Produkten, die Wahl zwischen Handelsvertretern und Reisenden oder die Wahl einer Hersteller- oder Handelsmarke. Mithilfe der logistischen Regression lässt sich beispielsweise analysieren, unter welchen Rahmenbedingungen (unabhängige Variablen wie z. B. Ausmaß der Reisetätigkeiten oder Anzahl der zu vertreibenden Produkte) die Wahl eines Handelsvertreters gegenüber dem Einsatz eines Reisenden (abhängige Variable) vorteilhaft ist. Die logistische Regression ist der linearen Regression ähnlich. Geht man zunächst vom linear-additiven Zusammenhang aus, gilt analog zur linearen Regression Ŷ = a + b X. Diese Modellierung einer Variablen, die nur die Werte 0 oder 1 annehmen kann, ist allerdings nicht angemessen, da hier Y beliebige Werte annehmen könnte. Anstatt direkt die Werte der abhängigen Variablen Y zu schätzen, geht die logistische Regression dazu über, die Wahrscheinlichkeit des Eintritts von Y, p(y), zu schätzen. Somit ergibt sich: ˆp(Y) = a + b X (1) Da die geschätzte Wahrscheinlichkeit ˆp(Y) allerdings auch keine beliebigen Werte annehmen kann, sondern nur zwischen den Werten 0 und 1 definiert ist, muss eine weitere Modifikation vorgenommen werden: ˆp(Y) ln = a + b X 1 p(y) ˆ Der Term p(y)/(1 ˆ p(y)) ˆ, also die Wahrscheinlichkeit zur Gegenwahrscheinlichkeit, wird als odds bezeichnet. Die odds sind definiert für das Intervall [0,+ [. Die Logarithmierung der odds (log odds bzw. Logit) ergibt dann die gewünschte lineare Beziehung im erwünschten Wertebereich von],+ [. Die Wahrscheinlichkeit des Eintretens von Y als abhängige Variable ergibt sich nun durch Rücktransformation: exp(a + b X) 1 ˆp(Y) = = (1 + exp(a + b X)) (1 + exp( 1 (a + b X))) Nach Transformation wird durch (3) die S-förmige logistische Funktion beschrieben, die auf das Intervall zwischen 0 und 1 definiert ist. Ein Beispiel für eine solche logistische Funktion ist in Abbildung C.28 aufgeführt. Während bei der linearen Regression die Schätzer der unabhängigen Variablen den direkten Einfluss auf die abhängige Variable angeben, ist die Interpretation der Schätzer bei der logistischen Regression schwieriger. Sie geben den Einfluss auf die log odds an (Gleichung (2)). Dieser Wert sowie das weitere Vorgehen bei der logistischen Regression sollen an einem Beispiel erläutert werden. (2) (3)
5 142 C. Märkte analysieren Das Beispiel in Abbildung C.28 stellt eine Untersuchung der Teilnahme an fünf Wellen einer Online-Panelumfrage (Y, mit 0 = keine Teilnahme, 1 = Teilnahme) in Abhängigkeit von der Entlohnung der Panelmitglieder (E: Wert in Euro) sowie des Besitzes einer Internet-Flatrate (F, mit 0 = nicht vorhanden, 1 = vorhanden) dar. Der dazugehörige Datensatz umfasst 110 Werte. Wird zunächst nur der Einfluss des Entgelts (E) auf die Wahrscheinlichkeit der Teilnahme p(y) betrachtet, ergibt sich das in Abbildung C.28 angegebene Streuungsdiagramm. Die Werte wurden dabei in horizontaler Richtung grafisch gestreckt. Das Strecken ist lediglich als Hilfsmittel zu verstehen, sodass alle Datenpunkte sichtbar werden. p (Y) 1 { 0,5 0 { E Abbildung C.28: Logistischer Funktionsverlauf Die Grafik lässt vermuten, dass die Höhe des Entgelts (E) einen positiven Einfluss auf die Teilnahmewahrscheinlichkeit hat, da bei niedrigerer Entlohnung mehr Werte bei 0 liegen und umgekehrt. Um nun die in der Grafik dargestellte logistische Funktion zu schätzen, wird die Maximum-Likelihood-Schätzung (ML) eingesetzt. Sie wählt die Koeffizienten so, dass die Wahrscheinlichkeit der Beobachtung der empirischen Daten maximiert wird (Frenzen/Krafft, 2008, S. 629). Sie liefert für das multiple Modell das in Abbildung C.29 aufgeführte Ergebnis. Variablen Koeffizient Exp Standard- t-wert p-wert (Koeffizient) fehler E 1,335 3,800 0,144 9,298 <0,001 F 0,743 2,102 0,290 2,562 0,012 Konstante 9,175 1,031 8,901 <0,001 Abbildung C.29: Schätzergebnisse für die logistische Regression
6 4. Daten auswerten 143 Die p-werte des t-tests (analog zur linearen Regression) weisen für alle Parameter signifikante Werte auf. Die Wahrscheinlichkeit der Teilnahme am Panel wird demnach laut (3) beschrieben durch: 1 ˆp(Y) = (1 + exp( 1 ( 9, , 335 E + 0,743 F))) Mit den Schätzwerten lassen sich nun die Wahrscheinlichkeiten der Teilnahme am Panel berechnen. Für einen Probanden, der keine Internet-Flatrate besitzt (F = 0) und für die Teilnahme 5 Euro (E = 5) bekommt, gilt: 1 ˆp(Y E = 5,F = 0) = = 0, 076 (1 + exp( 1 ( 9, , ,743 0))) Dieser Wert entspricht den odds von 0,076/(1 0,076) = 0,082. Wird das Entgelt auf 6 Euro erhöht (c. p.), so ergibt sich analog eine vorhergesagte Wahrscheinlichkeit der Teilnahme von ˆp(Y E = 6,F = 0) = 0,238 bzw. ein odds von 0,238/ (1 0,238) = 0,312. Wird der Quotient aus beiden odds gebildet, erhält man das so genannte odds ratio (OR). Das odds ratio gibt den Faktor an, um den sich die Chance der Teilnahme ändert, sofern die unabhängige Variable um eine Einheit erhöht wird und alle weiteren Variablen konstant gehalten werden. Für das Beispiel erhält man ein odds ratio von OR = 0,312/0,082 = 3,8. Eine Erhöhung des Entgelts für die Teilnahme um einen Euro steigert demnach die Chance, dass der Proband an der Umfrage teilnimmt um den Faktor 3,8. Dieser Wert entspricht exp(koeffizient) und wird wegen der besseren Interpretation häufig in den Schätzergebnissen mit aufgeführt. Für Probanden, die eine Internet-Flatrate besitzen, kann eine um den Faktor 2,1 höhere Chance an allen Wellen des Panels teilzunehmen, angenommen werden (Abbildung C.30). Die Güte einer logistischen Regression kann zum einen anhand der Likelihood-Werte der Schätzung beurteilt werden. Ein Gütekriterium, das auf den Likelihood-Werten basiert, ist z. B. McFaddens R 2 (Frenzen/Krafft, 2008, S. 634). Es kann näherungsweise analog zum Prognostiziert Teilnahme Keine Korrekte Teilnahme Klassifizierung Beobachtet Teilnahme ,4 % Keine Teilnahme ,9 % Gesamtprozentsatz 72,7 % Abbildung C.30: Klassifikationsmatrix
7 144 C. Märkte analysieren Bestimmtheitsmaß der linearen Regressionsanalyse interpretiert werden. Ein weiteres Kriterium zur Beurteilung der Güte stellt der Anteil der durch das Modell richtig klassifizierten Fälle dar. Werden Wahrscheinlichkeitswerte von p(y) > 0,5 als Teilnahme und Werte darunter als Nicht-Teilnahme interpretiert, so lassen sich diese Vorhersagen mit den tatsächlichen Werten vergleichen. Es ergibt sich die in Abbildung C.30 dargestellte Klassifikationsmatrix (allgemein Frenzen/Krafft, 2008, S. 635). Der Anteil insgesamt korrekt klassifizierter Fälle, der auch als hit ratio bezeichnet wird (Frenzen/Krafft, 2008, S. 635), entspricht im Beispiel demnach ( ) /110 = 0,727, also 72,7 %. Strukturgleichungsmodelle Wie die Regressionsanalyse ist auch die Strukturgleichungsmodellierung ein Verfahren zur empirischen Überprüfung von Ursache-Wirkungs-Zusammenhängen (Hildebrandt/ Homburg, 1998; Weiber/Mühlhaus, 2010). Im Vergleich zur Regressionsanalyse weisen Strukturgleichungsmodelle jedoch insbesondere die folgenden Vorteile auf: Während die Regressionsanalyse eine fehlerfreie Messung der Variablen unterstellt, erlaubt die Strukturgleichungsmodellierung die explizite Berücksichtigung von Messfehlern. Strukturgleichungsmodelle ermöglichen im Gegensatz zur Regressionsanalyse die Überprüfung komplexer Abhängigkeitsstrukturen, wie z. B. wechselseitige Abhängigkeiten (z. B. Markeneinstellung Markenwahl) oder kausale Ketten (z. B. Werbung Markenbekanntheit Kaufabsicht). Korrelationen können zwischen den unabhängigen Variablen explizit im Rahmen der Modellformulierung und -schätzung berücksichtigt werden. Sie stellen somit im Gegensatz zur Regressionsanalyse (Multikollinearitätsproblem) kein prinzipielles Problem dar. Strukturgleichungsmodelle überwinden verschiedene Restriktionen der Regressionsanalyse, indem sie Messfehler explizit berücksichtigt, komplexe Abhängigkeitsstrukturen überprüft und Korrelationen zwischen den unabhängigen Variablen prinzipiell zulässt. Zur Veranschaulichung der Strukturgleichungsmodellierung soll auf eine Studie zurückgegriffen werden, die sich mit den Erfolgsfaktoren von Markentransfers beschäftigt (Völckner, 2003; siehe hierzu genauer Kapitel E. 3.). Die Studie basiert auf einer Konsumentenbefragung (Quotenstichprobe, n = 2426). Die Aufgabe der Befragten bestand darin, eine Reihe von Markentransfers anhand verschiedener Merkmale zu beurteilen. Dabei wurden unter anderem die Größen Muttermarkenstärke, Marketingunterstützung des Transferprodukts und subjektiv wahrgenommener Erfolg des Transferprodukts berücksichtigt. Die genannten Größen stellen komplexe Konstrukte dar, die nicht direkt beobachtet und gemessen werden können. Strukturgleichungsmodelle sind in der Lage, Wirkungszusammenhänge zwischen komplexen Konstrukten zu überprüfen. Eine grundlegende Besonderheit von Strukturglei-
8 4. Daten auswerten 145 chungsmodellen liegt in der Unterscheidung von beobachteten (d. h. direkt messbaren) Variablen (so genannten Indikatorvariablen bzw. Items, z. B. die subjektiv wahrgenommene Qualität der Muttermarke) und latenten Variablen (z. B. das Konstrukt Muttermarkenstärke). Letztere stellen komplexe Größen dar, die nicht direkt gemessen werden können, sondern nur indirekt über die Indikatorvariablen erfasst werden können. Die Grundidee von Strukturgleichungsmodellen besteht nun darin, auf der Basis empirisch gemessener Varianzen und Kovarianzen von Indikatorvariablen Rückschlüsse auf die Wirkungszusammenhänge zwischen den zugrunde liegenden latenten Variablen zu ziehen (Homburg/Pflesser/Klarmann, 2008, S. 557). Die Analyse kann in vier Ablaufschritte unterteilt werden, die im Folgenden näher betrachtet werden sollen. 1. Schritt: Modellformulierung Ein vollständiges Strukturgleichungsmodell besteht aus jeweils einem Messmodell für die latenten exogenen (d. h. erklärenden) und latenten endogenen (d. h. durch die Kausalstruktur erklärten) Variablen und aus einem Strukturmodell. Im Rahmen des Messmodells wird festgelegt, welche Konstrukte betrachtet und wie diese gemessen werden sollen. In der Regel wird eine einzelne latente Variable über mehrere Indikatorvariablen (Items) gemessen. Dabei wird unterstellt, dass jeder Indikator eine fehlerbehaftete Messung der zugrunde liegenden latenten Variablen darstellt (Hildebrandt/Homburg, 1998). Das Messmodell des Strukturgleichungsmodells entspricht damit dem Grundgedanken der konfirmatorischen Faktorenanalyse (siehe hierzu auch Kapitel C. 4.2). In Abbildung C.31 ist das Messmodell für das Konstrukt Muttermarkenstärke des Anwendungsbeispiels dargestellt. Auf einer 7-stufigen Ratingskala wurde jeweils der Grad der Zustimmung zu den einzelnen Items erfasst. Analog sind Messmodelle für die übrigen Konstrukte zu formulieren. Ein Strukturgleichungsmodell kann reflektive und formative Konstrukte enthalten. Das Strukturgleichungsmodell in Abbildung C.31 umfasst ausschließlich reflektive Konstrukte. Ein reflektives Konstrukt ist dadurch gekennzeichnet, dass es die ihm zugeordneten Indikatoren verursacht. Die Beziehungen zwischen Konstrukt und zugehörigen Indikatoren werden hier über Faktorladungen beschrieben. Daneben gibt es formative Konstrukte, deren wesentliches Merkmal darin zu sehen ist, dass sie durch ihre Indikatoren verursacht werden. Die Indikatoren sind nicht austauschbar, sondern in ihrer Gesamtheit zur vollständigen Erfassung des betrachteten Konstrukts erforderlich (Chin, 1998). Das Strukturmodell beschreibt die hypothetischen Beziehungen zwischen den betrachteten Konstrukten (also den latenten Variablen). Die entsprechenden Hypothesen des Anwendungsbeispiels zwischen den Konstrukten sind in Abbildung C.31 dargestellt. Beispielsweise wurden hier die Hypothesen aufgestellt, dass die Marketingunterstützung einen positiven Einfluss auf die Handelsakzeptanz ausübt (Hypothese 6) und sich die wahrgenommene Ähnlichkeit zwischen Muttermarke und Transferprodukt positiv auf den Erfolg eines Transferprodukts auswirkt (Hypothese 4). Im Strukturmodell finden sich somit Grundgedanken der Regressionsanalyse wieder.
9 146 C. Märkte analysieren δ λ δ λ ξ λ δ η ξ η ξ η ξ η Abbildung C.31: Messmodell und Strukturmodell des Strukturgleichungsmodells Reflektive und formative Konstrukte Die Unterscheidung zwischen reflektiven und formativen Konstrukten soll anhand des Konstrukts Trunkenheit veranschaulicht werden (Chin, 1998). Möchte man das Ausmaß der Trunkenheit einer Person messen, so könnte man z. B. die Indikatoren Blutalkohol, Fahrtüchtigkeit und das Abschneiden der Person bei Kopfrechenaufgaben erfassen. Trunkenheit stellt in diesem Fall ein reflektives Konstrukt dar. Denn je größer das Ausmaß der Trunkenheit ist, desto schlechter wird z. B. die Fahrtüchtigkeit der Person oder ihr Abschneiden beim Kopfrechnen sein, d. h. das Konstrukt verursacht die zugrunde liegenden Indikatoren. Umgekehrt verursacht z. B.
Teil: 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
Empirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
Seminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
Einführung 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
Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
Bivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
Kapitel 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
Preis und Markendehnung
Schriften zu Marketing und Handel 11 Preis und Markendehnung Eine empirische Analyse Bearbeitet von Katia Rumpf 1. Auflage 2011. Buch. XIX, 288 S. Hardcover ISBN 978 3 631 61742 7 Gewicht: 500 g Wirtschaft
Filme der Kindheit Kindheit im Film
Kinder- und Jugendkultur, -literatur und -medien 66 Filme der Kindheit Kindheit im Film Beispiele aus Skandinavien, Mittel- und Osteuropa Bearbeitet von Christine Gölz, Anja Tippner, Karin Hoff 1. Auflage
Schätzen 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
Lineare 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
Verhaltenswissenschaftliche Determinanten der Spenderbindung
Marktorientierte Unternehmensführung 33 Verhaltenswissenschaftliche Determinanten der Spenderbindung Eine empirische Untersuchung und Implikationen für das Spenderbindungsmanagement Bearbeitet von Julia
Statistische Verfahren zur Maschinen- und Prozessqualifikation
Statistische Verfahren zur Maschinen- und Prozessqualifikation Bearbeitet von Edgar Dietrich, Alfred Schulze 5., aktualisierte Auflage 2005. Buch. XVIII, 630 S. Hardcover ISBN 978 3 446 22894 8 Format
Die Unternehmergesellschaft
Die Unternehmergesellschaft Recht, Besteuerung, Gestaltungspraxis Bearbeitet von Prof. Dr. Dr. hc. Michael Preißer, Gültan Acar 1. Auflage 2016. Buch. 300 S. Hardcover ISBN 978 3 7910 3445 4 Format (B
Marketing III - Angewandte Marktforschung (SS 2016)
TECHNISCHE UNIVERSITÄT ILMENAU Fakultät für Wirtschaftswissenschaften und Medien Fachgebiet Marketing Univ.-Prof. Dr. rer. pol. habil. Anja Geigenmüller Marketing III - Angewandte Marktforschung (SS 2016)
9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
Zeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
Fortgeschrittene 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
Regression 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
Statistik 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
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
Weitere 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
Freisetzen und Fixieren von Parametern in Strukturgleichungsmodellen
Freisetzen und Fixieren von Parametern in Strukturgleichungsmodellen 1 Variablen und Parameter Variablen haben für verschiedene Personen unterschiedliche Werte. Parameter haben für eine gegebene Population
Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
Forschungsergebnisse der Wirtschaftsuniversität Wien 45
Forschungsergebnisse der Wirtschaftsuniversität Wien 45 Der Einfluss von Kundenzufriedenheit auf die Kundenloyalität und die Wirkung der Wettbewerbsintensität am Beispiel der Gemeinschaftsverpflegungsgastronomie
Zeitung als Zeichen. Identität und Mediennutzung nationaler Minderheiten in Deutschland. Bearbeitet von Swea Starke
Zeitung als Zeichen Identität und Mediennutzung nationaler Minderheiten in Deutschland Bearbeitet von Swea Starke 1. Auflage 2014. Taschenbuch. XIII, 286 S. Paperback ISBN 978 3 631 65738 6 Format (B x
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
Korrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
Annahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
Analyse 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
Regressionsanalyse - Einführung in das Thema
Regressionsanalyse - Einführung in das Thema Referent: Dr. Ralf Gutfleisch - AG Methodik Veranstaltung: Frühjahrstagung 2013 in Wolfsburg Datum: 18. März 2013 Strukturen-prüfende Verfahren Regressionsanalyse
Ergänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Statistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
Intrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung
Intrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung Bearbeitet von Martina Sümnig Erstauflage 2015. Taschenbuch. 176 S. Paperback ISBN 978 3 95485
Einfluss von Kommunikationsmaßnahmen mit CSR-Bezug auf die Einstellung zur Marke
Forschungsergebnisse der Wirtschaftsuniversität Wien 65 Einfluss von Kommunikationsmaßnahmen mit CSR-Bezug auf die Einstellung zur Marke Entwicklung und Überprüfung eines konzeptionellen Modells Bearbeitet
Modul 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
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
Statistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
Bei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
Schulungspaket ISO 9001
Schulungspaket ISO 9001 PPT-Präsentationen Übungen Dokumentationsvorlagen Bearbeitet von Jens Harmeier 1. Auflage 2014. Onlineprodukt. ISBN 978 3 8111 6740 7 Wirtschaft > Management > Qualitätsmanagement
Tests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
Brückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
Datenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
Multinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
Statistik 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
1 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
So führe ich mein Team
Beck kompakt So führe ich mein Team Teams aufbauen, fördern und entwickeln Bearbeitet von Dr. Gunnar C. Kunz 1. Auflage 2015. Buch. 126 S. Kartoniert ISBN 978 3 406 68418 0 Format (B x L): 10,4 x 16,1
Drittvariablenkontrolle 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
Überblick über multivariate Verfahren in der Statistik/Datenanalyse
Überblick über multivariate Verfahren in der Statistik/Datenanalyse Die Klassifikation multivariater Verfahren ist nach verschiedenen Gesichtspunkten möglich: Klassifikation nach der Zahl der Art (Skalenniveau)
Faktorenanalysen höherer Ordnung
Faktorenanalysen höherer Ordnung 1 Ausgangssituation Übliche Faktorenanalysen (erster Ordnung) gehen von Zusammenhängen zwischen manifesten, beobachteten Variablen aus und führen diese Zusammenhänge auf
Explorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
Schätzverfahren 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
Einführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Die Erwartungen der Eltern an die weiterführende Schule beim Schulübertritt ihres Kindes von der Grundschule in die Sekundarstufe I
Europäische Hochschulschriften / European University Studies / Publications Universitaires Européennes 1035 Die Erwartungen der Eltern an die weiterführende Schule beim Schulübertritt ihres Kindes von
Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
Sozialwissenschaftliche 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
Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
Soziale Phobie bei Jugendlichen
Soziale Phobie bei Jugendlichen Kognitives Behandlungsmanual. Mit Online-Materialien Bearbeitet von Regina Steil, Simone Matulis, Franziska Schreiber, Ulrich Stangier 1. Auflage 2011. Buch. 194 S. Hardcover
Analyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
90-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
Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
50 Strategien, die falschen Mitarbeiter zu finden... und wie Sie es besser machen können
50 Strategien, die falschen Mitarbeiter zu finden... und wie Sie es besser machen können Bearbeitet von Uwe Peter Kanning 1. Auflage 2017. Buch. 264 S. Hardcover ISBN 978 3 407 36622 1 Format (B x L):
Hypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
Mathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre 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
Stochastik für Informatiker
Statistik und ihre Anwendungen Stochastik für Informatiker Bearbeitet von Lutz Dumbgen 1. Auflage 2003. Taschenbuch. XII, 267 S. Paperback ISBN 978 3 540 00061 7 Format (B x L): 15,5 x 23,5 cm Gewicht:
Angewandte 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
Wiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
Wie mehrsprachige Kinder in der Deutschschweiz mit Schweizerdeutsch und Hochdeutsch umgehen
Zürcher germanistische Studien 63 Wie mehrsprachige Kinder in der Deutschschweiz mit Schweizerdeutsch und Hochdeutsch umgehen Eine empirische Studie Bearbeitet von Carol Suter Tufekovic 1. Auflage 2008.
Grundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Statistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
Statistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
Multivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
Kommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
Parametrische Statistik
Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642
Wie Kinder ein Bilderbuch verstehen
Explorationen 60 Wie Kinder ein Bilderbuch verstehen Eine empirische Studie zur Entwicklung des Textverstehens- Schulsynode Bearbeitet von Inge Rychener 1. Auflage 2011. Taschenbuch. 494 S. Paperback ISBN
TEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
Anwendungen der Linearen Algebra
Anwendungen der Linearen Algebra mit MATLAB Bearbeitet von Günter M. Gramlich 1. Auflage 4. Buch. 179 S. Hardcover ISBN 978 3 446 22655 5 Format (B x L): 14,5 x 21 cm Gewicht: 265 g Weitere Fachgebiete
Hypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
Grundlagen der Volkswirtschaftslehre
Klausurentraining Weiterbildung - für Betriebswirte, Fachwirte, Fachkaufleute und Meister Grundlagen der Volkswirtschaftslehre 100 Klausurtypische Aufgaben und Lösungen. Bearbeitet von Uwe Maassen 1. Auflage
Studiendesign/ Evaluierungsdesign
Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung
Mathe: sehr gut, 6. Klasse - Buch mit Download für phase-6
mentor sehr gut: Deutsch, Mathe, Englisch für die 5. - 8. Klasse Mathe: sehr gut,. Klasse - Buch mit Download für phase- Mit Download für phase- Bearbeitet von Uwe Fricke 1. Auflage 2009. Taschenbuch.
Das Identifikationsproblem
Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende
Bonus-Lektion: Prüfung der Voraussetzungen und Transformationen
Seite 1 von 8 Bonus-Lektion: Prüfung der Voraussetzungen und Transformationen Ziel dieser Lektion: Du weißt, wie Du die einzelnen Voraussetzungen für die Signifikanztests und komplexeren Modelle prüfen
Eine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
I. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Zwischen fristgerechter und verspäteter Einschulung
Internationale Hochschulschriften 613 Zwischen fristgerechter und verspäteter Einschulung Die Einschulungsentscheidung und ihre Bewährung aus Elternsicht Bearbeitet von Franziska Wehner 1. Auflage 2015.
Interne 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
6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...