6.2 Lineare Regression
|
|
- Detlef August Messner
- vor 6 Jahren
- Abrufe
Transkript
1 6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 ) 2 min. i=1 W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 487 / 564
2 Lineare Regression 6. Multivariate Verfahren Lineare Regression Die Summe der Quadrate der Länge der Streckenabschnitte soll minimal werden. S XY = S 2 X = 1 n 1 1 n 1 (X i X)(Y i Y) i (X i X) 2 i Regression_Venusmuscheln Regression_Plot W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 489 / 564
3 Lineare Regression 6. Multivariate Verfahren Lineare Regression Multiple lineare Regression Modell Y i Y i = θ 0 + θ 1 x 1i + θ 2 x 2i θ m x mi + ǫ i = θ 0 + θ 1 X 1i + θ 2 X 2i θ m X mi + ǫ i Y i, ǫ i Zufallsvariablen, unabh., ǫ i (0, σ 2 ), i = 1...n θ 0...θ m, σ : Modellparameter zu schätzen Man unterscheidet Fälle: x i = (x 1i,..., x mi ) fest, und X i = (X 1i,..., X mi ) zufällig oder auch gemischt. Matrix-Schreibweise: Y = Xθ + ǫ W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 490 / 564
4 Lineare Regression Multiple lineare Regression 6. Multivariate Verfahren Lineare Regression Y = Xθ + ǫ Y 1 ǫ 1 1 X X 1m Y =... ǫ =... X = Y n ǫ n 1 X n1... X nm θ 0 θ =... θ m Methode der kleinsten Quadrate: Bestimme ˆθ so daß (Y Xˆθ) (Y Xˆθ) = min θ (Y Xθ) (Y Xθ) W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 491 / 564
5 Lineare Regression Multiple lineare Regression 6. Multivariate Verfahren Lineare Regression Kleinste Quadrat-Schätzung Vor.: rg(x X) = m (voll) ˆθ = (X X) 1 X Y wenn (X X) nicht regulär: verallg. Inverse (Moore-Penrose) ˆθ = (X X) X Y W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 492 / 564
6 Lineare Regression Multiple lineare Regression 6. Multivariate Verfahren Lineare Regression Kleinste Quadrat-Schätzung, Spezialfall m = 1 (1) (X X) 1 = = = ( ) 1 X X X n1 1 X n1 ( n i X ) 1 i i X (X i = X 1i) i i X2 i ( 1 X n Xi 2 ( 2 i ) X i X i ) 2 X i n W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 493 / 564
7 Lineare Regression Multiple lineare Regression 6. Multivariate Verfahren Lineare Regression Kleinste Quadrat-Schätzung, Spezialfall m = 1 (2) X Y = ( ) X X n ˆθ = (X X) 1 X Y = 1 n X 2 i ( X i ) 2 Y 1... Y n ( ) Yi = Xi Y i ( X 2 i Yi ) X i Xi Y i X i Yi + n X i Y i W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 494 / 564
8 Lineare Regression Multiple lineare Regression 6. Multivariate Verfahren Lineare Regression Schätzung für Y: Ŷ = Xˆθ Vergleiche mit Y = Xθ + ǫ Einsetzen von ˆθ = (X X) 1 X Y : Ŷ = X(X X) 1 X Y }{{} H = H Y H: Hat-Matrix Aus dem Beobachtungsvektor Y wird der geschätzte Beobachtungsvektor Ŷ. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 495 / 564
9 Lineare Regression Multiple Lineare Regression (Fortsetzung) Quadratsummenaufspaltung: (Yi Y) 2 }{{} SST = (Ŷ i Y) 2 }{{} SSM + (Y i Ŷ i ) 2 }{{} SSE MST = 1 SST: Schätzung für n 1 σ2. MSE = 1 SSE = n m 1 ˆσ2. (e-treu) MSM = 1 SSM (m+1 Einflussvariablen) m Bestimmtheitsmaß (wie bei der Varianzanalyse) R 2 = SSM SST. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 496 / 564
10 Geometrische Veranschaulichung zur Multiplen Linearen Regression Y = (Y 11,..., Y knk ) Dimension N Ŷ = (Ŷ 1,...,Ŷ 1 ) Y = (Y,...,Y), Y = }{{} 1 N i,j Y ij n mal Y Y SSE SST... 0 γ SSB Ŷ Y SSB + SSW = SST R 2 = cos 2 γ Ŷ Y 2 + Y Ŷ 2 = Y Y 2 W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 497 / 564
11 Lineare Regression Multiple Lineare Regression (Fortsetzung) H 0 : θ 1 = θ 2 =... = θ m = 0 Unter der Annahme ǫ i Normal F = SSM SSE n m 1 F m,n m 1 m PROC REG; MODEL y = x1 x2 x3 / Optionen; TEST x2=0 x3=0; /*zusaetzl. Hypothesen*/ RUN; Regression_Tibetan Regression_Phosphor Zusätzliche Hypothesen, z.b.: H 0a : θ 1 = 0, H 1a : θ 1 0 H 0b : θ k = 0, H 1b : θ k 0 H 0c : θ 1 = θ 2 = 0, H 1b : θ 1 0 θ 2 0 W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 499 / 564
12 Lineare Regression Multiple Lineare Regression (Fortsetzung) R 2 -adjustiert für Anzahl p der Parameter im Modell Adj R 2 = 1 n i n p (1 R2 ) { i = 0 ohne intercept i = 1 mit intercept Dependent Mean: Mittelwert der abhängigen Variable StdError MeanPredict: Standardfehler für vorhergesagten Erwartungswert W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 500 / 564
13 Lineare Regression Multiple Lineare Regression (Fortsetzung) Optionen (Auswahl) XPX: Ausgabe der Matrizen X X, X Y, Y Y I: Ausgabe der Inversen von X X COVB: Schätzung der Kovarianzmatrix der Schätzung = ˆσ 2 (X X) 1 CLM, CLI: Konfidenzbereiche (s.u.) CLB: Konfidenzintervall für Parameter θ R: studentisierte Residuen (s.u.) DW: Durbin-Watson Test auf Autokorrelation (s.u.) W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 501 / 564
14 Lineare Regression Multiple Lineare Regression (Fortsetzung) Output Statistics (Optionen CLI, CLM, R) Dependent Variable Y i Predicted Value Ŷ i = ˆθX StdErrorMeanPredict ˆσŶi 95% CL Mean (s.u.) nur Variablität in der Parameterschätzung berücksichtigt 95% CL Predict (s.u.) Variablilität im Fehlerterm mit berücksichtigt Residual StdErrorResidual e i = Y i Ŷ i s.u., s 1 h ii Student Residual r i Cooks D i s.u. Predicted Residual SS s.u. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 502 / 564
15 Lineare Regression Multiple Lineare Regression (Fortsetzung) Konfidenzintervalle für allg. Parameter ϑ i : ˆϑ i ϑ i S ˆϑi t n 1 Vor. ǫ j N(0, σ 2 ) u.a. KI: [ˆϑ i t 1 α 2,n 1 Sˆϑi, ˆϑ i + t 1 α 2,n 1 Sˆϑi ] 95% Konfidenzintervall für E(Y i ) (ϑ i = E(Y i ), Option CLM) Nur die Variabilität in der Parameterschätzung wird berücksichtigt. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 503 / 564
16 Lineare Regression Multiple Lineare Regression (Fortsetzung) 95% Konfidenzintervall für Vorhersagen Y i (ϑ i = Y i, Option CLI) Die Variabilität im Fehlerterm wird mit berücksichtigt. 95% Konfidenzintervall für θ (ϑ i = θ j, Option CLB) Darstellung von Konfidenzbereichen bei der einfachen Regressionsanalyse SYMBOL I=RLCLI95; PROC GPLOT; W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 504 / 564
17 Multiple Lineare Regression (Forts.) Residualanalyse Studentisierte Residuen (Option R) r i = e i s 1 h ii e i = y i ŷ i (Residuen) sind korreliert, var e i = σ 2 (1 h ii ) s = ˆσ Cook s D i D i = (ˆθ ˆθ (i) ) (X X)(ˆθ ˆθ (i) ) (m + 1)S 2, i = 1...n beschreibt den Einfluß der i-ten Beobachtung auf die Parameterschätzung ˆθ (i) : KQS von θ ohne Beobachtung i. Faustregel: D i > 1 starker Einfluß W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 505 / 564
18 Multiple Lineare Regression (Forts.) Residualanalyse (2) Predicted Residual SS (PRESS) (yi ŷ i(i) ) 2 ŷ i(i) : i-te Beob. weggelassen. Test auf Autokorrelation: Durbin-Watson-Test (Option DW) n i=1 DW = (e i e i 1 ) 2 n i=1 e2 i DW=2: Unkorreliertheit der Residuen W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 506 / 564
19 Multiple Lineare Regression (Forts.) Residualanalyse (3) Weitere Bewertung der Residuen Kommando PLOT in der Prozedur REG PLOT rstudent.*obs.; OUTPUT OUT=dateiname RESIDUAL=; PLOT residual.*y residual.*predicted.; und evtl. Test auf Normalverteilung. W. Kössler (IfI HU Berlin) Werkzeuge der empirischen Forschung 507 / 564
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
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
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
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
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrDer Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien
Der Umgang mit fehlenden Werten in epidemiologischen und Versorgungssforschungsstudien Oliver Kuß Institut für Medizinische Epidemiologie, Biometrie und Informatik, Medizinische Fakultät, Martin-Luther-Universität
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
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
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
MehrMultivariate Zeitreihenanalyse mit EViews 4.1
Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive
MehrMultiple 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
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
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,
MehrPrüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
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
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
MehrInhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23
Fragestellungen und Methoden 11 Vorwort 15 Kapitel 1 Einführung 17 1.1 KonzeptiondesBuchs... 18 1.2 AufbaudesBuchs... 19 1.3 Programmversionen von PASW bzw. SPSS..... 20 1.4 WiekanndiesesBuchverwendetwerden?...
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
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
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze
Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen
MehrMehrgleichungsmodelle
Mehrgleichungsmodelle Stichwörter: Typen von Mehrgleichungsmodellen multivariates Regressionsmodell seemingly unrelated Modell interdependentes Modell Schätzen der Parameter Bestimmtheitsmass Spezifikationstests
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrDie Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab
Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
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
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrDas 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
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen
MehrMÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN
MÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN Mario Ziller Friedrich-Loeffler-Institut Bundesforschungsinstitut für Tiergesundheit Institut für Epidemiologie Seestr. 55,
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
Mehr6.1 Grundbegriffe und historischer Hintergrund
Kapitel 6 Regression 61 Grundbegriffe und historischer Hintergrund Bedeutung der Regression: Eines der am häufigsten verwendeten statistischen Verfahren Vielfache Anwendung in den Sozialwissenschaften
MehrPanelregression (und Mehrebenenanwendungen)
Panelregression (und Mehrebenenanwendungen) Henning Lohmann Universität zu Köln Lehrstuhl für Empirische Sozial- und Wirtschaftsforschung SOEP@Campus 2007, Universität Duisburg-Essen, 11. Oktober 2007
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2014 Walter Sanddorf-Köhle Foliensatz Nr. 8 1 / 40 Erweiterungen des Binomialmodells Dividendenzahlungen Sei S der Wert einer Aktie
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische irtschaftsforschung, SS 2009 ach: Prüfer: Bachelorprüfung Praxis der empirischen irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
MehrVorlesung. Versuchsplanung und Stichproben. Prof. Dr. Helmut Küchenhoff WS 2005/06. Teil 2: Versuchsplanung
Institut für Statistik Ludwig Maximilians Universität Ludwigstr. 33 80539 München 1 Vorlesung Versuchsplanung und Stichproben Prof. Dr. Helmut Küchenhoff WS 2005/06 Teil 2: Versuchsplanung INHALTSVERZEICHNIS
MehrKapitel 3: Interpretationen
Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...
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:
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
MehrDie Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden
Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
MehrEinsatz von SPSS-Trends bei der Regressionsanalyse mit seriell abhängigen Daten
Universitäts-Rechenzentrum rier AWS.SPSS.4 rier, den 5..998 Einsatz von SPSS-rends bei der Regressionsanalyse mit seriell abhängigen Daten EINLEIUNG 3 OLS-REGRESSION ROZ AUOKORRELIERER RESIDUEN 7. Schätz-
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Einführung 2 Deskriptive Statistik
MehrFormelsammlung zu Multivariate Verfahren
Institut für Statistik Gerhard Tutz, Moritz, Wolfgang Pößnecker Sommersemester 204 Formelsammlung zu Multivariate Verfahren Inhaltsverzeichnis Version 0804204 Diese Formelsammlung darf in der Klausur verwendet
MehrUntersuchungen zum Thema Tracking Error
Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors
MehrGeoadditive Regression
Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für
MehrAbschlussklausur (60 Minuten), 15. Juli 2014
Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit
MehrBiostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH
Biostatistische Studienplanung II Dr. Matthias Kohl SIRS-Lab GmbH Inhalt Lineare Modelle: Definition und Beispiele KQ- und robuste Schätzer Diagnostik Ausblick: Mixed-Effects Definition des linearen Modells
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrBEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)
AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix
MehrKommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17)
R.Niketta Multiple Regressionsanalyse Kommentierter SPSS-Output für die multiple Regressionsanalyse (SPSS-Version 17) Daten: Selbstdarstellung und Kontaktsuche in studi.vz (POK VIII, AG 3) Fragestellung:
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
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
Mehr6.2 Regressionsanalyse
c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des
MehrInhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3
I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von
MehrStatistik II: Regressions- und Varianzanalyse
Statistik II: Regressions- und Varianzanalyse Eine Einführung für Studierende der Psychologie Helge Toutenburg und Christian Heumann mit Beiträgen von Michael Schomaker überarbeitet von Hans-Georg Sonnenberg
MehrAusgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0
1 Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0 Text: grund1_spss20.doc Daten: grund1_?.sav Lehrbuch: W. Timischl, Biostatistik.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
Mehrˆ Einfaches Varianzanalysemodell (X ist kategoriell) ˆ Poisson Mehrgruppenmodell (Y ist ganzzahlig, X ist kategoriell) P Y ( X = x) = P o(λ x )
apitel 4 Regression 4.1 Allgemeines Regressionsmodell Oft werden in der Statistik die Abhängigkeiten einer Variable Y (genannt Zielgröße oder Variable) von Einflüssen X 1,..., X d (genannt unabhängigen
MehrPASW Advanced Statistics 18
i PASW Advanced Statistics 18 Weitere Informationen zu SPSS Inc.-Software-Produkten finden Sie auf unserer Website unter der Adresse http://www.spss.com oder wenden Sie sich an SPSS Inc. 233 South Wacker
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrKapitel 23 Lineare Regression
Kapitel 23 Lineare Regression Sowohl einfache als auch multiple Regressionsanalysen können Sie mit dem Befehl STATISTIK REGRESSION LINEAR... durchführen. Dabei lassen sich mit Hilfe diverser Optionen zahlreiche
MehrNichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrPRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)
FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.
MehrNichtparametrische statistische Verfahren
Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
MehrInhaltsverzeichnis. a. Standorte...3 1. Minitab... 6. A. Minitab... 6 B. R...14. C. Statistik...16
2 Inhaltsverzeichnis a. Standorte...3 1. Minitab... 6 A. Minitab... 6 i. Statistik für Ingenieure mit Minitab... 6 ii. Statistische Qualitätskontrolle mit Minitab...8 iii. Statistische Versuchsplanung
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
Mehr