Technische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten
|
|
- Jasmin Albert
- vor 6 Jahren
- Abrufe
Transkript
1 Name: Frau Herr (nichtzutreffendes bitte streichen) Fachrichtung geb. am (Tag/Mon/Jahr) Semestralklausur aus Praktikum BWL-Statistik Technische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten Prüfer: Prof. Dr. J. Edenhofer/Dr. W. Schlee Vorname: Matr.-Nr.: HINWEISE: Die Angabe umfaßt 16 Seiten einschließlich dieses Deckblatts. Tragen Sie Ihre Lösung handschriftlich in den dafür vorgesehenen Platz ein. Er ist reichlich bemessen. Alle Antworten sind zu begründen. Jede Teilfrage wird mit 2 Punkten bewertet. Die Prüfung gilt als bestanden, wenn mindestens 17 Punkte erreicht sind. Es sind alle eigenen im Prüfungsraum befindlichen Hilfsmittel erlaubt, jedoch kein Informationsaustausch mit den anderen Prüflingen.Ausgenommen sind auch Computer auf denen SPSS,R, oder Excel installiert ist oder installiert werden könnte. Die Prüfungsnoten werden in der Form Matrikel-Nr., Note im Internet (Einverständnis siehe unten) und beim Bauteil 08, 3.Stock im FMI-Gebäude baldmöglichst (jedoch frühestens nach drei Wochen) ausgehängt. (Bitte bei der Ausweiskontrolle ausfüllen) HÖRSAAL: 1200 REIHE: PLATZ: Ich bin mit einer Veröffentlichung meiner Note im Internet einverstanden( diesen Satz eventuell streichen). Note: Aufgabe 1 Aufgabe 2 Aufgabe 3 Aufgabe 4 Unterschrift:...
2 Die Problemstellung: Aus dem Buch von E.W.Frees : Data Analysis Using Regression Models entnehmen wir die untenstehende Tabelle mit Jahresgehältern(salary) von 82 Baseball- Spielern. Ferner sind die zugehörigen Jahre der Erfahrung(year) in diesem Beruf angegeben. salary year salary year salary year salary year Auf diese Daten wird das folgende SPSS-Programm angewendet. Es wird angenommen, dass sich die Daten in der Datei BWL 1PrufSS05A01.sav befinden. 1 GET 2 FILE='BWL_1PrufSS05A01.sav'. 3 MEANS 4 TABLES=Gehalt BY Jahr 5 /CELLS COUNT MEAN SEMEAN SKEW SESKEW STDDEV. 6 ONEWAY 7 Gehalt BY Jahr 8 /MISSING ANALYSIS. 9 REGRESSION 10 /MISSING LISTWISE 11 /STATISTICS COEFF OUTS CI R ANOVA 12 /CRITERIA=PIN(.05) POUT(.10) 13 /NOORIGIN 14 /DEPENDENT Gehalt 15 /METHOD=ENTER Jahr 16 /RESIDUALS NORM(ZRESID). Aufgabe 1 : Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 2
3 SPSS liefert folgendes Ergebnis: Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 3
4 Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 4
5 Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 5
6 (1) Wie unterscheiden sich die Werte in der Spalte Standardfehler des Mittelwerts von den Werten in der Spalte Standardabweichung? Standardfehler= Standardabweichung / N. Hierbei ist N der Wert aus der Spalte N. (2) Geben Sie eine kurze Erklärung, warum in der Tabelle Bericht für die Jahre 14, 15,18, 21 nur Mittelwerte angegeben werden! Für diese Jahre sind jeweils nur eine Beobachtung verfügbar. Der Mittelwert ist gleich dem Beobachtungswert. (3) Kann die Wahrscheinlichkeitsverteilung bei 3 Jahre Erfahrung als symmetrisch betrachtet werden? Welche Werte aus der Tabelle müssen hierzu betrachtet werden? Begründen Sie Ihre Antwort! Es muss die Schiefe(=0.878) und der Standardfehler der Schiefe(=0.661) herangezogen werden. Im groben Bereich ± ist der Wert 0 (Symmetrie) nicht enthalten, jedoch in dem genaueren Bereich0.878 ± Daher kann die Verteilung als symmetrisch angenommen werden. Nun betrachten wir die Tabelle, die ONEWAY ANOVA überschrieben ist: Zu- Entnehmen Sie die Antworten zu folgenden Fragen aus dem SPSS-Ergebnis: nächst betrachten wir die Tabelle, die mit Bericht überschrieben ist: (4) Was wird hier getestet? Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 6
7 (5) Welche Werte sind für die Überprüfung der Gleichheit der Mittelwerte maßgebend. Kann statistisch gesehen Gleichheit angenommen werden? Begründung! Je größer der F-Wert (hier=11.901) ist, desto eher muss die Gleichheit abgelehnt werden. Man orientiert sich an der Signifikanz des F-Wertes (hier= 0.000). Da diese Signifikanz kleiner als 0.05 ist,wird die Gleichheit der Mittelwerte abgelehnt. Im SPSS-Ergebnis folgt nun eine Regression. (6) Welcher Regressionsansatz wird hier gemacht? Es wird hier der Regressionsansatz gehalt= a + b mal Jahr gemacht. (7) Ist der Regressionsansatz statistisch gerechtfertigt? Begründung! Berücksichtigen Sie alle relevanten Ergebnisse von SPSS! Es werden hier die Mittelwerte, genauer die Erwartungswerte der Gehälter für alle Jahre verglichen. Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 7
8 1) Zunächst ist der F-Wert(=47.549) aus der Regressions-ANOVA-Tabelle zu betrachten. Da seine Signifikanz gleich ist, ist unter diesem Aspekt der Regressionsansatz statistisch gerechtfertigt. 2) In der nachfolgenden Tabelle Koeffizienten erkennt man dass die Signifikanz der Konstanten(=264,492,1) größer als 0.05 ist. Die Regression also fragwürdig ist. 3) Zudem ist das P-P-Diagramm ebenfalls ungünstig. Die Punkte liegen augenscheinlich nicht auf einer Geraden. Zusammenfassend gesagt, muss der Regressionsansatz verworfen werden. (8) Die Syntax-Zeilen sind durchnummeriert. Welche Zeilennummern betreffen den Regressionsbefehl? Die Zeilen 9 bis einschließlich 16. Da erst in der Zeile 16 ein Abschlusspunkt ist. Aufgabe 2 : Die Problemstellung: Aus dem Buch Small Datasets von Hand et al., erschienen bei Chapman und Hall, London 1994 entnehmen wir einen Teil des Datensatzes Nr. 386, und zwar die Preise(in Dollar) einer gewissen Whisky-Sorte in den sechziger Jahren des 20. Jahrhunderts in den USA: 4.82, 5.29, 4.89, 4.95, 4.55, 4.90, 5.25, 5.30, 4.29, 4.85, 4.54, 4.75, 4.85, 4.85, 4.50, 4.75, 4.79, 4.85, 4.79, 4.95, 4.95, 4.75, 5.20, 5.10, 4.80, MS-Excel liefert folgendes Ergebnis: Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 8
9 Entnehmen Sie die Antworten zu folgenden Fragen aus dem Excel-Ergebnis: (1) Was können Sie aus den angegebenen Werten für Mittelwert, Median und Schiefe entnehmen? Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 9
10 Der Median ist etwas größer als der Mittelwert (negative Schiefe), nahezu gleich, was auf Symmetrie der Werte schließen läßt. Die Schiefe berechnet sich direkt zu einem negativen Wert, aber ebenfalls nahe bei Null. Beide Kriterien für die Symmetrie stimmen also überein. (2) Wie hängen Standardfehler, Standardabweichung und Stichprobenvarianz zusammen? Standardfehler= Standardabweichung / N. Hierbei ist N der Wert aus der Spalte N. Die Stichprobenvarianz ist das Quadrat der Standardabweichung. (3) Welche der ausgedruckten Werte können Sie verwenden, um zu entscheiden, ob 5 ein geeigneter Wert für den Erwartungswert (=Modell-Mittelwert, theoretischer Mittelwert) ist? Hierzu kann der unter Konfidenzniveau ausgedruckte Wert verwendet werden. Der Wert 5 ist geeignet, wenn er im Intervall ± liegt. Dies ist aber offensichtlich nicht der Fall. (4) Können Sie sehen, was Excel mit Wertebereich meint? Was ist der größte und der kleinste Wert der Daten? Wieviele Daten sind verwendet worden? Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 10
11 Aufgabe 3 : Mit Wertebereich meint Excel die Differenz von maximalem Wert und minimalem Wert. Es sind 26 Daten verwendet worden. Der kleinste Wert ist 5.3, der größte Die Problemstellung: In der Süddeutschen Zeitung Nr. 96 vom Mittwoch, den 27. April 2005, Seite 21 finden sich im Wirtschaftsteil unter der Überschrift Deutschland steckt in der Wachstumskrise folgende Zahlen (Werte 2005,2006 geschätzt): Jahr Zeit Bruttoinlandsprodukt [Prozent] Arbeitslose[Tausend] Verbraucherpreise 1 [Prozent] Staatsdefizit 2 [Prozent] Änderungen gegenüber dem Vorjahr 2 in Prozenten des nominalen BIP R liefert folgendes Ergebnis: > x1 <- c(0.1, -0.1, 1.6, 0.7, 1.5) > x2 <- c(4061, 4377, 4381, 4844, 4518) > x3 <- c(1.4, 1.1, 1.6, 1.7, 1.5) > x4 <- c(-3.7, -3, -3.7, -3.4, -3.3) Regressionsmodell 1 > reg1 <- lm(x2 ~ x1 + x3 + x4) > summary(reg1) Call: lm(formula = x2 ~ x1 + x3 + x4) Residuals: Coefficients: Estimate Std. Error t value Pr(> t ) Lösung Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 11
12 (Intercept) x x x Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 Residual standard error: on 1 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 3 and 1 DF, p-value: Regressionsmodell 2 > reg2 <- lm(x2 ~ x3 + x4) > summary(reg2) Call: lm(formula = x2 ~ x3 + x4) Residuals: Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) ** x * x * --- Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 Residual standard error: 80.7 on 2 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 2 and 2 DF, p-value: Untersuchung der Residuen von Modell 2 > ks.test(reg2$residuals, "pnorm", 0, sd(reg2$residuals)) One-sample Kolmogorov-Smirnov test data: reg2$residuals D = , p-value = alternative hypothesis: two.sided > t.test(reg2$residuals) One Sample t-test data: reg2$residuals t = 0, df = 4, p-value = 1 Lösung Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 12
13 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: sample estimates: mean of x e-16 Entnehmen Sie die Antworten zu folgenden Fragen aus dem R-Ergebnis: (1) Schreiben Sie die Regressionsmodelle mit den ausgerechneten Koeffizienten auf! Modell 1: x2 = x x x4 Modell 2: x2 = x x4 (2) Schreiben Sie hier die beiden R-Programmzeilen auf, mit denen die beiden Regressionsmodelle berechnet werden! reg1 <- lm(x2 x1+x3+x4) reg2 <- lm(x2 x3+x4) (3) Können beide Regressionsmodelle statistisch akzeptiert werden? Begründen Sie Ihre Antwort! Es kann nur das Modell 2 statistisch akzeptiert werden. Hier ist die Signifikanz (pvalue) der F-Statistik < 0.05 und alle Koeffizienten können als von 0 verschieden angesehen werden (p-value <0.05!). (4) Können die Residuen des Modells 2 als normalverteilt mit Erwartungswert 0 angesehen werden? Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 13
14 Aus dem One-sample Kolmogorov-Smirnov test entnimmt man die Signifikanz der Testgröße als > Daher kann die Normalverteilung akzeptiert werden. (5) Kann ein Erwartungswert größer Null der Residuen des 2. Modells statistisch ausgeschlossen werden? Begründung! Aufgabe 4 : Ein Wert größer Null kann nicht ausgeschlossen werden, da das Vertrauensintervall [ , ] Werte größer 0 enthält. Die Problemstellung: Aus dem Buch Small Datasets von Hand et al., erschienen bei Chapman und Hall, London 1994 entnehmen wir den ganzen Datensatzes Nr. 386, und zwar die Preise(in Dollar) einer gewissen Whisky-Sorte in den sechziger Jahren des 20. Jahrhunderts in den USA. Damals gab es in einigen Bundesstaaten der USA nur staatliche Stellen, die Whisky verkaufen durften, in anderen Bundesstaaten war der Verkauf privaten Unternehmern übertragen worden (über den Rest der Bundesstaaten keine Angaben). Preise der staatlichen Verkaufsstellen: 4.65, 4.55, 4.11, 4.15, 4.20, 4.55, 3.80, 4.00, 4.19, 4.75, 4.74, 4.50, 4.10, 4.00, 5.05, 4.20 Preise der privaten Verkaufsstellen: 4.82, 5.29, 4.89, 4.95, 4.55, 4.90, 5.25, 5.30, 4.29, 4.85, 4.54, 4.75, 4.85, 4.85, 4.50, 4.75, 4.79, 4.85, 4.79, 4.95, 4.95, 4.75, 5.20, 5.10, 4.80, R liefert folgendes Ergebnis: Eingabe der Daten > staat <- c(4.65, 4.55, 4.11, 4.15, 4.2, 4.55, 3.8, 4, 4.19, 4.75, , 4.5, 4.1, 4, 5.05, 4.2) > priv <- c(4.82, 5.29, 4.89, 4.95, 4.55, 4.9, 5.25, 5.3, 4.29, , 4.54, 4.75, 4.85, 4.85, 4.5, 4.75, 4.79, 4.85, 4.79, , 4.95, 4.75, 5.2, 5.1, 4.8, 4.29) Lösung Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 14
15 Statistische Beschreibung der Daten > summary(priv) Min. 1st Qu. Median Mean 3rd Qu. Max > summary(staat) Min. 1st Qu. Median Mean 3rd Qu. Max Konfidenz-(Vertrauens-)intervalle für Mittelwerte > t.test(staat, conf.level = 0.95) One Sample t-test data: staat t = , df = 15, p-value < 2.2e-16 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: sample estimates: mean of x > t.test(priv, conf.level = 0.95) One Sample t-test data: priv t = , df = 25, p-value < 2.2e-16 alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: sample estimates: mean of x Vergleich von Varianzen und Mittelwerten > bartlett.test(list(staat, priv)) Bartlett test for homogeneity of variances Lösung data: list(staat, priv) Bartlett's K-squared = , df = 1, p-value = > t.test(staat, priv, mu = 0, var.equal = TRUE, conf.level = 0.95) Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 15
16 data: staat and priv t = , df = 40, p-value = 5.833e-06 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: sample estimates: mean of x mean of y Entnehmen Sie die Antworten zu folgenden Fragen aus dem R-Ergebnis: (1) Muss der theoretische Mittelwert (=Erwartungswert) 4.5 für die staatlichen und/oder privaten Verkaufsstellen statistische gesehen abgelehnt werden? 4.5 kann nur bei den staatlichen Verkaufsstellen nicht abgelehnt werden, da der Wert im Intervall [ , ] liegt,jedoch nicht in [ , ]. (2) Sind die Varianzen für die beiden Datensätze statistisch als gleich anzusehen? Die beiden Varianzen können als gleich angesehen werden, da die Signifikanz (pvalue) bein Bartlett-Test > 0.05 ist. (3) Sind die Mittelwerte beider Datensätze statistisch als gleich anzusehen? Die Mittelwerte beider Datensätze können nicht als gleich angesehen werden, da der vom Two Sample t-test gelieferte p-value < 0.05 ist. Two Sample t-test Praktikums-Übung Statistik(BWL/Wi-Inf) SS 2005 Prüfung 8. Juli 05 16
Lösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
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
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
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:
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........................................
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
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
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
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
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
Mehr(Repeated-measures ANOVA) path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/"))
Varianzanalyse mit Messwiederholungen (Repeated-measures ANOVA) Jonathan Harrington Befehle: anova2.txt path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Messwiederholungen:
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
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
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)
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test. und der Wilcoxon-Test
Wahrscheinlichkeitsrechnung und Statistik für Biologen 5. Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) und der Wilcoxon-Test Dirk Metzler 22. Mai 2015 Inhaltsverzeichnis 1 Wiederholung:
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
MehrGrundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
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
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
MehrR-WORKSHOP II. Inferenzstatistik. Johannes Pfeffer
R-WORKSHOP II Inferenzstatistik Johannes Pfeffer Dresden, 25.1.2011 01 Outline Lösung der Übungsaufgabe Selbstdefinierte Funktionen Inferenzstatistik t-test Kruskal-Wallis Test Übungsaufgabe TU Dresden,
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
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
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
MehrGefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrPrognosen. Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen. Auch ein Weiser hat nicht immer recht Prognosefehler sind hoch
Universität Ulm 8969 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 8/9 Prognosen
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,...,
MehrEvaluation der Normalverteilungsannahme
Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
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...
MehrProf. Dr. Karl-Werner Hansmann
Die Gelddruck-Maschine der Notenbanken ist für die Bekämpfung der Arbeitslosigkeit ungeeignet. von Prof. Dr. Karl-Werner Hansmann Universität Hamburg Vortrag beim Academic Network der Roland Berger School
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
Mehr6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Bei der Zentrierung handelt es sich um eine lineare
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
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
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...
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
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
MehrMediatioranalyse & Moderatoranalyse How to do
Mediatioranalyse & Moderatoranalyse How to do Die folgende Zusammenfassung zeigt beispielhaft, wie eine Mediatoranalyse bzw. eine Moderatoranalyse mit SPSS durchgeführt wird und wie die Ergebnisse in einem
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
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.
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
MehrWie man mit Statistik schlecht informiert: Praktiken der Ergebnisdarstellung bei Experimenten im Software Engineering
Wie man mit Statistik schlecht informiert: Praktiken der Ergebnisdarstellung bei Experimenten im Software Engineering Marcus Michalsky michalsk@inf.fu-berlin.de Institut für Informatik 28. Januar 2010
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,
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
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
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:
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
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
Mehr3.1 Annuitätsfunktionen (Rentenfunktionen)
Funktionen 3 Excel verfügt über eine unglaubliche Menge von Funktionen. Sie haben bereits einige Funktionen in diesem Buch kennen gelernt, und es werden noch viele dieser Funktionen angesprochen und deren
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
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
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
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:
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
MehrÜbung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA. Universität Bamberg. Professur für VWL, Sozialpolitik
Übung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA Universität Bamberg Professur für VWL, Sozialpolitik Sommersemester 2005 Dipl.-Vw. Christoph Wunder () Einführung
MehrMultidimensionale Paarvergleiche. Experten
Multidimensionale Paarvergleiche V l i h d Ri ik h h Kl i l d Vergleich der Risikowahrnehmung von Kleinanlegern und Experten Agenda Theoretischer Hintergrund Studiendesign Forschungsergebnisse 2 Überblick
MehrKlausur STATISTIK 2 für Diplom VWL
Klausur STATISTIK 2 für Diplom VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
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
MehrEmpirische Softwaretechnik. Einführung in das Statistikpaket R?! Entwickler von R. nicht vergleichbar mit den üblichen Statistikprogrammen
Empirische Softwaretechnik Einführung in das Statistikpaket Prof. Dr. Walter F. Tichy Dr. Frank Padberg Sommersemester 2007 1 2 R?! nicht vergleichbar mit den üblichen Statistikprogrammen wie SAS oder
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 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...
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
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
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
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
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
MehrBeispiele zur UE Wirtschaftsstatistik 1 bei Nagel
Beispiele zur UE Wirtschaftsstatistik 1 bei Nagel 1 Ereignisse und Wahrscheinlichkeiten 1. Ein Würfel wird zweimal geworfen, der Stichprobenraum Ω ist Ihnen nicht neu. Versuchen Sie, den Stichprobenraum
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
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,
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
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Angewandte Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines einfachen Beispieles Häufigkeitsauswertungen Grafiken Datenmanipulationen
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12
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
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
Mehr7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette
Ruhr-Universität Bochum 7. Mai 2010 1 / 95 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30-10.00
MehrTutorial. Mediationsanalyse mit PROCESS. stefan.pfattheicher@uni-ulm.de. Das Konzept Mediation
Tutorial Mediationsanalyse mit PROCESS stefan.pfattheicher@uni-ulm.de Das Konzept Mediation Ein Mediator (folgend M) erklärt den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrStatistische Software P. Fink. Statistische Software (R) Wiederholungshausübung SoSe 2015
Allgmeine Hinweise Die Hausübung umfasst 7 Aufgaben mit insgesamt 120 Punkten. Erstellen Sie eine R Skript-Datei mit Ihrer Matrikelnummer als Dateinamen. Diese Datei enthält Ihren vollständigen und mit
MehrStatistische Analyse von Ereigniszeiten
Statistische Analyse von Survival Analysis VO Biostatistik im WS 2006/2007 1 2 3 : Leukemiedaten (unzensiert) 33 Patienten mit Leukemie; Zielvariable Überlebenszeit. Alle Patienten verstorben und Überlebenszeit
MehrDSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI
DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS + BMI Sophie-Helene Narath Klemens Fuchs Günter Polt Bericht Nr.: B09_003_DSR Freigegeben im April 09 Österreichische Agentur für Gesundheit und Ernährungssicherheit
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
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
MehrErweiterung der Aufgabe. Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen:
VBA Programmierung mit Excel Schleifen 1/6 Erweiterung der Aufgabe Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen: Es müssen also 11 (B L) x 35 = 385 Zellen berücksichtigt
MehrGrundlagen Statistik Angewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Zur Person Constantin von Craushaar Consultant / Partner Innstat e.u. (www.innstat.com) info@innstat.com Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS
MehrEINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000
INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2 MODUL 13 EINFACHE LINEARE REGRESSION Erziehungswissenschaft/Haider
Mehr