Analyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
|
|
- Marielies Heinrich
- vor 6 Jahren
- Abrufe
Transkript
1 Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff
2 Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum Vorlesung Einführung Beispiele Daten Variablen Bivariate Regression Kontrolle von Drittvariablen Multiple Regression Statistische Inferenz Signifikanztests I Signifikanztests II Spezifikation der unabhängigen Variablen Spezifikation der Regressionsfunktion Heteroskedastizität Regression mit Dummy-Variablen Logistische Regression
3 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
4 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
5 Beispiel : Bildungsrendite ln( wage ˆ ),84,9 educ,4 eper, tenure R,6, n 56 (wage.dta) Wenn die abhängige Variable logarithmiert ist, kann man die Koeffizienten als prozentuale Veränderungen interpretieren (s. spätere Vorlesungen). Ein Jahr mehr Ausbildung erhöht das Einkommen um 9, Prozent. Frühere Untersuchungen ergaben jedoch eine Bildungsrendite von 5 Prozent. Frage: Hat sich die Bildungsrendite vergrößert?
6 Einseitiger Test. Nullhypothese :5% Rendite ( Alternativhypothese: höhere Rendite (.Signifikanzniveau : z.b. α. kritischer Wert : c t 4. Teststatistik in der Stichprobe : t 5. Entscheidung t t > c c H H widerlegt -α, n-k- nicht widerlegt, 5,5) ( α verwenden) > ˆ j j se( ˆ ) j,5) ˆ j,5 se( ˆ ) Wert der Nullhypothese verwenden! j
7 Beispiel : Rendite von Colleges ln( wage ˆ ),47,667 jc,769 univ R,, n 6.76 (twoyear.dta),49 eper Ein Jahr Ausbildung an einem Junior College (jc) erhöht das Einkommen um 6,7 Prozent. Ein Jahr Ausbildung an einem Four-Year College (univ) erhöht das Einkommen um 7,7 Prozent. Frage: Ist das Studium an einem Junior College gleich rentabel wie das Studium an einem Four- Year College?
8 Zweiseitiger Test der Differenz. Nullhypothese : kein Unterschied ( Alternativhypothese: Unterschied eistiert (.Signifikanzniveau : z.b. α, 5. kritischer Wert : c t 4. Teststatistik in der Stichprobe : 5. Entscheidung t > c H t c H widerlegt -α /, n-k- nicht widerlegt ( α / verwenden) ) ) ( ˆ ˆ ) ( ) t se( ˆ ˆ ) ( ˆ ˆ ) se( ˆ ˆ )
9 Standardfehler der Differenz se( ˆ ˆ ) Var( ˆ ) Var( ˆ ) Cov( ˆ, ˆ ) zum Vergleich : se( ˆ ˆ ) ( ) Var Man benötigt Varianz - Kovarianz - Matri der Schätzer : jc univ eper _cons jc.47 univ.9e-6 5.e-6 eper -.7e-8.9e-8.5e-8 _cons e-6.444
10 Oder: Umformulierung des Modells Definiere neuen Parameter : θ H : θ versus H : θ Löse nach einem alten Parameter auf ln( wage) ( θ ) Umformen und neue Variable bilden : ln( wage) θ ln( wage) θ jc ( jc univ eper u jc univ) eper u jc totcoll eper u und setze ein : Regression auf jc, eper und die neue Variable totcoll (jcuniv) ergibt (s. Handout) eine Schätzung der Differenz (Effekt von jc) sowie Standardfehler der Differenz (Standardfehler von jc).
11 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
12 Nochmal: Hierarchische Modelle Zwei Modelle A und a sind hierarchisch (nested), wenn die Parameter des Modells a eine Teilmenge der Parameter des Modells A sind. Das (restringierte) Modell a ergibt sich aus dem (nicht restringierten) Modell A, indem man für die Parameter in A lineare Restriktionen formuliert. (nicht restringiertes) Modell A: zwei Restriktionen : ergibt (restringiertes) Modell a : y und y u u
13 Beispiel: Test des Modellfits Der in der letzten Sitzung besprochene F- Test für den Modellfit (bzw. für R-Quadrat) vergleicht das Modell mit allen unabhängigen Variablen und das Konstanten-Modell (nicht restringiertes) Modell A: drei Restriktionen : ergibt (restringiertes) Modell a : y y u u
14 Beispiel: Schrittweise Modellüberprüfung Liefern die Variablen und noch einen signifikanten Erklärungszuwachs, wenn bereits berücksichtigt ist? (nicht restringiertes) Modell A: zwei Restriktionen : ergibt (restringiertes) Modell a : y und y u u
15 Beispiel: Test eines Koeffizienten Hat die Variable keinen Einfluss, so dass sie weggelassen werden kann? u y a u y A : Modell ergibt (restringiertes) eine Restriktion : : Modell (nicht restringiertes)
16 Beispiel: Test eines Koeffizienten Hat die Variable einen bestimmten Einfluss, so dass ihr Effekt nicht mehr geschätzt werden muss? u y a u y A,5 : Modell ergibt (restringiertes),5 eine Restriktion : : Modell (nicht restringiertes)
17 Beispiel: Differenz der Koeffizienten Haben die Variablen und den gleichen Einfluss? Anders ausgedrückt: Ist die Differenz ihrer Effekte gleich Null? Im restringierten Modell sind eigentlich nur noch drei Parameter zu schätzen. u y a u y A : Modell ergibt (restringiertes) ) ( eine Restriktion : : Modell (nicht restringiertes)
18 F-Test für lineare Restriktionen f ( SSR SSR r ur SSR ( n k ur ) q ) mit f ~ F( q, n k ) q Anzahl der Restriktionen SSR SSR r ur Summe der quadrierten Abweichungen im restringierten Modell Summe der quadrierten Abweichungen im nicht restringierten Modell k Anzahl der Variablen im nicht restringierten Modell n Fallzahl
19 Spezialfall: Test des Modellfits f SSE k SSR ( n k ) ( SST SSR) k SSR ( n k ) wegen SST SSE SSR k q Anzahl der Restriktionen (keine Variable hat Effekt) SST SSRr SS restringiertes Modell (Konstantenmodell) SSR SSR SS nicht restringiertes Modell (alle Variablen) ur k Anzahl Variablen im nicht restringierten Modell n Fallzahl
20 Beispiel : Leistungsgerechte Bezahlung im Baseball Werden Baseball-Spieler nach sportlicher Leistung (bavg, hrunsyr, rbisyr) oder nach Seniorität (years) und Anwesenheit (gamesyr) bezahlt (vgl. WO 4ff.)? nicht restringiertes ln( salary) n bavg 5, restringiertes n 5, Modell : 4 Modell years gamesyr hrunsyr SSR 8,86, R SSR 98,, R rbisyr 5,678,597 u ln( salary) years gamesyr u
21 Beispiel : F-Test widerlegt H,78 47 :,,, Wert für kritischer,6 47 :,,5, Wert für kritischer 9,55 ) 5 (5 8,86 8,86) (98, ), ( ~ mit ) ( ) ( trifft nicht zu H : H versus : H 5 4 c df df c df df f k n q F f k n SSR q SSR SSR f ur ur r α α
22 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
23 Statistische Signifikanz und praktische Relevanz prate ˆ 8,9 (,78) 5,44 mrate (,5) n.54,69 age (,45) R,, totemp (,4) Eample 4.6 (WO 4f.): Teilnahmequote in Pensionskasse (prate), Zuzahlung der Firma (mrate), Laufzeit (age), Firmengröße (totemp) totemp ist hoch signifikant: t,/,4,5 Praktisch ist der Effekt aber sehr klein: Bei. zusätzlichen Beschäftigten erhöht sich die Teilnahmequote um, Prozentpunkte. Achtung große Fallzahlen: auch kleine Effekte sind häufig statistisch signifikant.
24 Richtig H widerlegt Die Hypothese, dass die Variable... keinen Einfluss hat, wurde mit einer Irrtumswahrscheinlichkeit von fünf Prozent widerlegt. kurz: Der Effekt der Variablen... ist signifikant (α,5). H nicht widerlegt Die Hypothese, dass die Variable... keinen Einfluss hat, konnte mit einer Irrtumswahrscheinlichkeit von fünf Prozent nicht widerlegt werden. kurz: Der Effekt der Variablen... ist nicht signifikant (α,5).
25 Falsch Testergebnis: H ( j ) nicht widerlegt Interpretation: Die Hypothese, dass die Variable... keinen Effekt hat, wurde mit einer Irrtumswahrscheinlichkeit von fünf Prozent bestätigt. Falsch, weil andere Nullhypothesen (in der Nähe von Null, z.b. j,) mit den gleichen Daten auch nicht widerlegt werden können. Die Hypothesen j und j, können nicht gleichzeitig richtig sein!
26 Falsch Testergebnis: H ( j ) widerlegt Interpretation: Die Hypothese, dass die Variable... keinen Effekt hat, konnte mit einer Sicherheit von 95 Prozent widerlegt werden. Klingt besser (sicherer), ist aber nicht das, was ein Hypothesentest macht. Er betrachtet die etremen Abweichungen von der Nullhypothese als Ablehnungen der H, obwohl sie selbst bei Geltung der H möglich sind, wenngleich mit sehr geringer Wahrscheinlichkeit. Ein Irrtum ist also möglich, daher Irrtumswahrscheinlichkeit.
27 Falsch Testergebnis: H ( j ) widerlegt, H ( j >) Interpretation: Die Alternativhypothese, dass die Variable... einen positiven Effekt hat, wurde mit einer Irrtumswahrscheinlichkeit von 5 Prozent bestätigt. Klingt besser (positive statt verneinende Aussage), ist aber nicht das, was ein Hypothesentest macht. Da die Alternativhypothese in der Regel nicht konkretisiert wird, dreht sich der ganze Test um die Nullhypothese (konkret lässt sich häufig eben nur das hinschreiben, was eigentlich nicht interessiert: j ). Annahme- und Ablehnungsbereich werden ausgehend von H konstruiert, von daher muss die Interpretation des Testergebnisses auch darauf Bezug nehmen.
28 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
29 Preisfrage Wie kann man Übung mit Regression lösen? Berechnen Sie ein 95%-Konfidenzintervall für das Durchschnittsalter aller Einwohner der Großstadt. Wie kann man Übung mit Regression lösen? An der Untersuchung nehmen 8 Studierende teil und es ergibt sich eine Durchschnittsmiete von 496, Euro. Formulieren Sie die unterschiedlichen Meinungen des Verwaltungsrates als Hypothesentest. Der Hypothesentest soll mit einer Irrtumswahrscheinlichkeit von Prozent entschieden werden.
30 Gliederung. Fortsetzung: Tests einzelner Regressionskoeffizienten. Test linearer Restriktionen. Interpretation von Testergebnissen 4. Preisfrage 5. Nachträge Formel für Standardfehler Freiheitsgrade
31 Varianzformel plausibel? Var( ˆ ) j σ SST ( j R j ) mit SST j n i ( ij j ) Varianz ist abhängig von (WO 96, Theorem.): Varianz der Fehlerterme (und implizit der Fallzahl) Streuung der jeweiligen unabhängigen Variablen Korrelationder jeweiligen unabhängigen Variablen mit allen anderen unabhängigen Variablen (R j ist der Determinationskoeffizient der Regression von j auf alle anderen unabhängigen Variablen)
32 Definition: Freiheitsgrade Die Anzahl der Freiheitsgrade entspricht der Anzahl der Daten abzüglich der Anzahl der geschätzten Parameter des jeweiligen Modells. Anwendbar auf: Standardabweichung, Chi-Quadrat-Test, Varianzanalyse, Regression und vieles mehr
33 Beispiel: Standardfehler der Regression { } ˆ ˆ ) ( ) )( ( ˆ gelten muss : wobei ) ˆ ( ) ˆ ( ) ˆ ( ˆ ˆ, 8 6,,, : mit Beispiel ) ˆ ( ˆ ˆ Allgemeine Formel: y y y y y y y n k n y y u k n i i i i i i i i n i i i n i i σ σ Wieviele y-werte kann man frei wählen, wenn gleichzeitig eine Regressionskonstante von und ein Regressionskoeffizient von gegeben sein soll?
34 Zum Schluss
35 Zusammenfassung Tests einzelner Koeffizienten Tests linearer Restriktionen Interpretation Freiheitsgrade Koeffizient ist Null Koeffizient hat einen bestimmten Wert Differenz von Koeffizienten hierarchische Modelle restringiertes, nicht restringiertes Modell Restriktion lineare Gleichung mit mindestens einem Parameter eine oder mehrere Restriktion gleichzeitig testbar F-Test (der Veränderung der Summe der quadrierten Abweichungen durch Restriktion(en)) praktische versus statistische Signifikanz falsch: Bestätigung der Nullhypothese falsch: Sicherheit von 95 Prozent falsch: Bestätigung der Alternativhypothese Anzahl Daten minus Anzahl geschätzter Parameter
36 Wichtige Fachausdrücke Deutsch Englisch Deutsch Englisch hierarchisches Modell hierarchical (nested) model Varianz-Kovarianz- Matri der Schätzer variancecovariance-matri of estimators Restriktion restriction Freiheitsgrade degrees of freedom restringiertes Modell restricted model nicht restringiertes Modell unrestricted model
37 Weiterführende Literatur Wooldridge behandelt in Kapitel 4 (WO 6-65) Schätz- und Testverfahren. Lesen Sie zur heutigen Sitzung noch einmal die Abschnitte 4.4 und 4.5 (WO 9-54). Abschnitt 4.6 (WO 54-56) zeigt, wie man die Ergebnisse einer Regressionsanalyse (inkl. der inferenzstatistischen Ergebnisse) darstellen sollte. Ausführliche Hinweise zur Durchführung eines empirischen Projektes (inkl. Ergebnispräsentation) enthält Kapitel 9 (WO ).
38 Stata-Befehle Nach der Eingabe des Regressionskommandos reg kann man mit weiteren Befehlen zusätzliche (Test-)Ergebnisse abrufen vce test eper test (educ) (eper) test educ eper test educ.5 test jcuniv Ausgabe der Varianz-Kovarianz-Matri der Schätzer Test linearer Restriktion: Effekt von eper gleichzeitiger Test mehrerer Restriktionen Kurzform des vorherigen Tests Test auf bestimmte Werte Test auf gleiche Effekte
Analyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
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...
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
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
MehrAnalyse von Querschnittsdaten. Einführung
Analyse von Querschnittsdaten Einführung Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung 5. Übung Gliederung 1. Einordnung
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
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
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
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
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
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
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:
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
Mehr14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler
DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:
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
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
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
Mehr2. 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
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
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
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
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...
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
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
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)
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,
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
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
MehrEinfache Hypothesentests für multiple Regressionen
Kapitel 6 Einfache Hypothesentests für multiple Regressionen Economists have inherited from the physical sciences the myth that scientific inference is objective, and free of personal prejudice. This is
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
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
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
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
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...
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.
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrAufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1)
Klausur: Einführung in die Ökonometrie Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: WS 1999/00 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner Diese Klausur besteht
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
Mehr12.1 Wie funktioniert ein Signifikanztest?
Sedlmeier & Renkewitz Kapitel 12 Signifikanztests 12.1 Wie funktioniert ein Signifikanztest? Zentrales Ergebnis eine Signifikanztests: Wie wahrscheinlich war es unter der Bedingung dass H0 gilt, diesen
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
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
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
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
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
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
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
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
Mehr27. Statistische Tests für Parameter. Was ist ein statistischer Test?
27. Statistische Tests für Parameter Wenn du eine weise Antwort verlangst, musst du vernünftig fragen Was ist ein statistischer Test? Ein statistischen Test ist ein Verfahren, welches ausgehend von Stichproben
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
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
MehrRegression mit Gretl Eine erste Einführung 1
Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst
Springer-Lehrbuch Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Franz Kronthaler Hochschule für Technik und Wirtschaft HTW Chur, Schweiz ISSN 0937-7433 ISBN 978-3-642-53739-4 DOI
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
Mehr3. Der t-test. Der t-test
Der t-test 3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene
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
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
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
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
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
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrAufgabenblatt 10 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015
Universität Bern Bern, den 27. April 2015 Professur für Quantitative Methoden der BWL Schützenmattstr. 14, 3012 Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Fragestunde
MehrDiskriminanzanalyse Beispiel
Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode
MehrEinführung in die statistische Datenanalyse I
Einführung in die statistische Datenanalyse I Inhaltsverzeichnis 1. EINFÜHRUNG IN THEORIEGELEITETES WISSENSCHAFTLICHES ARBEITEN 2 2. KRITIERIEN ZUR AUSWAHL STATISTISCH METHODISCHER VERFAHREN 2 3. UNIVARIATE
MehrEinführung in statistische Testmethoden
Einführung in statistische Testmethoden und die Bearbeitung von Messdaten mit Excel 1. Beispielhafte Einführung in den Gebrauch von Testmethoden 2. Typen von Messwerten, Verteilungen 3. Mittelwert, Varianz,
MehrBitte schreiben Sie in Druckbuchstaben und vergessen Sie nicht zu unterschreiben. Name, Vorname:. Studiengang/ Semester:. Matrikelnummer:..
Institut für Erziehungswissenschaft der Philipps-Universität Marburg Prof. Dr. Udo Kuckartz Arbeitsbereich Empirische Pädagogik/Methoden der Sozialforschung Wintersemester 004/005 KLAUSUR FEBRUAR 005 /
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
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
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
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
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
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
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
MehrStudiendesign/ Evaluierungsdesign
Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung
Mehr3. Der t-test. Der t-test
3 3. Der t-test Dieses Kapitel beschäftigt sich mit einem grundlegenden statistischen Verfahren zur Auswertung erhobener Daten: dem t-test. Der t-test untersucht, ob sich zwei empirisch gefundene Mittelwerte
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrV A R I A N Z A N A L Y S E
V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrEinleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25
Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen
MehrVersuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung
Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise
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
Mehr4. Das Capital Asset Pricing Model (CAPM) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection.
4. Das Capital Asset Pricing Model (CAPM) The Tool is cool, but be leery of the Theory (Robert A. Haugen) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection. CAPM: Theorie der Gleichgewichtspreise
MehrStudiendesign und Statistik: Interpretation publizierter klinischer Daten
Studiendesign und Statistik: Interpretation publizierter klinischer Daten Dr. Antje Jahn Institut für Medizinische Biometrie, Epidemiologie und Informatik Universitätsmedizin Mainz Hämatologie im Wandel,
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
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
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrKommentierter 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
MehrKoeffizienten der Logitanalyse. Kurt Holm. Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at
Koeffizienten der Logitanalyse Kurt Holm Almo Statistik-System www.almo-statistik.de holm@almo-statistik.de kurt.holm@jku.at 1 Kurt Holm Koeffizienten der Logitanalyse Eine häufig gestellte Frage lautet:
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner Carl Hanser Verlag München Wien VII Inhalt 1 Einführung 1 1.1
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
MehrGrundlagen von Versuchsmethodik und Datenanalyse
Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit. Lineare Regression Statistisches Modell Realisierung mit der SPSS-Prozedur Regression
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Lineare Regression Statistisches Realisierung mit der SPSS-Prozedur Regression Statistische Zusammenhangsanalyse Lineare Regression Um zu untersuchen,
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
MehrEinseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.
Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte
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
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
Mehr