Statistische Methoden in den Umweltwissenschaften
|
|
- Anton Kopp
- vor 6 Jahren
- Abrufe
Transkript
1 Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten
2 50 Ergebnis der ANOVA Sprossdichte der Seegräser Die manipulierte Seeigeldichte hat einen signifikanten Effekt auf die Sprossdichte der Seegräser (p < 0,05). 0 keine mittel hoch Manipulierte Seeigeldichte ABER: Welche Gruppe unterscheidet sich von welcher Gruppe? Multiple Vergleiche von Mittelwerten
3 Multiple Vergleiche von Mittelwerten Datensatz mit 3 Gruppen ANOVA: signifikantes Ergebnis Sprossdichte der Seegräser keine mittel hoch Manipulierte Seeigeldichte Gruppe n Werte MW STABW keine 5 15 ; 17 ; 18 ; 20 ; 21 18,2 2,4 mittel 5 13 ; 20 ; 22 ; 25 ; 28 21,6 5,7 hoch 5 31 ; 37 ; 38 ; 40 ; 45 38,2 5,1
4 Multiple Vergleiche von Mittelwerten Datensatz mit 3 Gruppen ANOVA: signifikantes Ergebnis Sprossdichte der Seegräser keine mittel hoch Manipulierte Seeigeldichte Paarweise t-tests? bei 3 Gruppen ergeben sich 3 Vergleiche bei 5 Gruppen ergeben sich bereits 10 Vergleiche G (G 1) 5 (5 1) Vergleiche (z) = = = Gruppe Vergleich 1 G1-G2 2 G1-G3 3 G2-G3
5 Multiple Vergleiche von Mittelwerten Alle paarweise Mittelwertvergleiche mit der entsprechenden Nullhypothese Vergleich Differenz der H 0 k H 1 k Mittelwerte G1-G2 18,2-21,6 = 3,4 µ1 = µ2 µ1 µ2 G1-G3 18,2-38,2 = 20,0 µ1 = µ3 µ1 µ3 G2-G3 21,6-38,2 = 16,6 µ2 = µ3 µ2 µ3 Wenn H 0 : µ1 = µ2 = µ3 gilt, dann gelten auch alle auf die paarweisen Vergleiche bezogenen Nullhypothesen
6 Unabhängige und abhängige Vergleiche Vergleich Differenz der H 0 k H 1 k Mittelwerte G1-G2 18,2-21,6 = 3,4 µ1 = µ2 µ1 µ2 G1-G3 18,2-38,2 = 20,0 µ1 = µ3 µ1 µ3 G2-G3 21,6-38,2 = 16,6 µ2 = µ3 µ2 µ3 Alle Vergleiche des Beispiels sind abhängige Vergleiche, d.h. mit überlappenden Informationen G1-G2, G1-G3 G1-G2, G2-G3 G1-G3, G2-G3
7 Unabhängige und abhängige Vergleiche Vergleich Differenz der Mittelwerte H 0 k H 1 k 5 Gruppen, d.h. 10 abhängige und unabhängige Vergleiche G1-G =16 µ1=µ2 µ1 µ2 G1-G =17 µ1=µ3 µ1 µ3 G1-G =17 µ1=µ4 µ1 µ4 G1-G =11 µ1=µ5 µ1 µ5 G2-G =1 µ2=µ3 µ2 µ3 G2-G =1 µ2=µ4 µ2 µ4 G2-G =6 µ2=µ5 µ2 µ5 G3-G =0 µ3=µ4 µ3 µ4 G3-G =6 µ3=µ5 µ3 µ5 Unabhängige Vergleiche z.b. G1-G2 und G3-G4 Abhängige Vergleiche mit überlappenden Informationen z.b. G1-G3, G1-G4 und G1-G5 G4-G =6 µ4=µ5 µ4 µ5
8 Inflation der Wahrscheinlichkeit des alpha-fehlers Die Wahrscheinlichkeit der Gesamtheit von 2 unabhängigen Vergleichen einen alpha-fehler zu begehen, erhöht sich! α gesamt = 1 (1 α einzel ) z = 1 (1 0,05) = 1 (1 0,05) 2 10 = 0,098 = 0,401 wobei z die Anzahl der Vergleiche ist Bei 2 unabhängigen Vergleichen verdoppelt sich bereits der alpha-fehler!!! Approximation: αgesamt z αeinzel = 2 0,05 = 0,1
9 Inflation der Wahrscheinlichkeit des alpha-fehlers Auf welchem Niveau sind die Einzelvergleiche zu prüfen, damit die Wahrscheinlichkeit der Gesamtheit von 2 unabhängigen Vergleichen einen alpha- Fehler zu begehen, 0,05 nicht überschreitet? 1/z 1/2 αeinzel = 1 (1 αgesamt) = 1 (1 0,05) = 0,025 Approximation: α α z 0,05 2 gesamt einzel = = 0,025
10 Inflation der Wahrscheinlichkeit des alpha-fehlers Sind nicht alle Vergleiche unabhängig, sind nur die Grenzen bekannt, zwischen denen die tatsächliche Wahrscheinlichkeit liegt, einen alpha-fehler zu machen. Sie liegt zwischen α einzel und α gesamt. α < α < einzel tatsächlich α gesamt bei 2 Vergleichen: bei 10 Vergleichen: 0,025 <???? < 0,050 0,005 <???? < 0,050
11 Inflation der Wahrscheinlichkeit des alpha-fehlers Nach Anpassung des alpha-fehlers liegt die Wahrscheinlichkeit der Gesamtheit von 3 unabhängigen und abhängigen Vergleichen einen alpha-fehler zu begehen, zwischen 0,017 und 0,050! Gruppe Vergleich 1 G1-G2 2 G1-G3 3 G2-G3 α = 1 (1 α ) = 1 (1 0,05) 1/3 1/3 einzel gesamt = 0,017
12 Post hoc Tests Ziel: alpha-fehler für die Gesamtheit der Vergleiche beschränken, meist auf p = 0,05 Methode: Absenkung des alpha-fehlers pro Einzelvergleich α < α < einzel tatsächlich α gesamt Viele Verfahren, auch in SPSS Gleiche oder ungleiche Stichprobenumfänge? Homogene Varianzen?
13 Bonferroni-Verfahren Neue kritische Irrtumswahrscheinlichkeit alpha wird durch Division der konventionellen alpha durch die Zahl der angestellten Vergleiche berechnet α neu = α z Testvorschrift: Ablehnen von H 0 (z), falls p z α / z Vorteil: einfaches Verfahren, alle Nullhypothesen werden mit gleicher Wahrscheinlichkeit abgelehnt Nachteil: sehr konservativ
14 Bonferroni-Verfahren Beispiel: für drei geplante Vergleiche gilt: 0,05 α neu = = 3 0,017 Gruppe Vergleich p-werte H 0 ablehnen? 1 G1-G2 0,798 nein 2 G1-G3 <0,001 ja 3 G2-G3 <0,001 ja
15 Bonferroni-Verfahren Sprossdichte der Seegräser ANOVA: p<0,001 a a b Die manipulierte Seeigeldichte hat einen signifikanten Effekt auf die Sprossdichte der Seegräser (p < 0,001). Keine Seeigel und eine mittlere Seeigeldichte unterscheiden sich nicht signifikant voneinander. Hohe Seeigeldichten bewirken die signifikant höchste Sprossdichte. 0 keine mittel hoch Manipulierte Seeigeldichte
16 Multiple Vergleiche von Mittelwerten Post hoc Vergleiche A priori Vergleiche Ungeplante Vergleiche Jede Gruppe wird mit jeder verglichen Geplante Vergleiche Kontraste in SPSS Fragestellungen, die von besonderem Interesse sind Vorzug der wenigen geplanten Vergleiche gegenüber allen möglichen ungeplanten Vergleichen, da keine unnötige Verschwendung des alpha-fehlers.
17 Geplante Mittelwertsvergleiche (Kontraste) Testen einer Teilmenge von Vergleichen Bestehen vor der Datenerhebung Hypothesen, welche Gruppenmittelwerte sich unterscheiden, sollten Kontraste formuliert werden Im Gegensatz zu post hoc-tests, prüfen Kontraste nur die a priori vermuteten Mittelwertdifferenzen auf Signifikanz Kontraste können im Gegensatz zu post hoc-tests auch gerichtet sein!
18 Kontrastberechnung Kontrastgewichte formulieren Kontrast A B C 1 A B,C B C Voraussetzungen prüfen Ist die Summe aller Gewichte = 0? Sind die Kontraste statistisch unabhängig (orthogonal)? Wiesen ohne Seeigel haben eine geringere Sprossdichte als Wiesen mit Seeigel (unabhängig von der Seeigeldichte). Sprossdichte der Seegräser Seegrasdichte in Wiesen mit mittlerer Seeigeldichte ist geringer als die in Wiesen mit hoher Seeigeldichte. 0 keine mittel hoch Manipulierte Seeigeldichte
19 Geplante Vergleiche (Kontraste) Es kann sinnvoll sein, nach einer signifikanten ANOVA nur wenige ausgewählte Gruppen miteinander zu vergleichen Vorteil: Teststärke dieser Paarungen wird nicht durch uninteressante Vergleiche gesenkt Achtung! Auch diese Vergleiche gegen Inflation von Fehlern 1. Ordnung schützen Dunnett-Test (auch in SPSS)
20 Was sind nicht-parametrische Tests? Setzen keine bestimmte Verteilung der Daten voraus, sind Verteilungsfreie Tests Anwendung, wenn Daten nicht normalverteilt sind, können aber auch auf normalverteilte Daten angewand werden Unempfindlich gegen Ausreißer Auch für ordinalskalierte Daten Messwerte Rangplätze
21 Zwei unabhängige Stichproben: Mann-Whitney U-Test Prüfung, ob sich mittlere Ränge von zwei unabhängigen Stichproben signifikant unterscheiden Nullhypothese H 0 : die mittleren Ränge sind unter beiden Bedingungen gleich
22 Zwei unabhängige Stichproben: Mann-Whitney U-Test Nullhypothese H 0 : die mittleren Ränge sind unter beiden Bedingungen gleich Kontrollgruppe Experimentalgruppe Messwert Rang Messwert Rang Gemeinsame Rangreihe der Werte beider Stichproben
23 Sta tistik für Test b IOW-Statistikseminar: 4. Veranstaltung Zwei unabhängige Stichproben: Mann-Whitney U-Test Mann-Whitney-U Wilcoxon-W Z Asymptotische Signifikanz (2-seitig) Exakte Signifikanz [2*(1-seitig Sig.)] Variable 2,000 12, 000-2,132,033,038 a a. Nicht für Bindungen korrigiert. b. Gruppenvariable: Gruppe Testgröße U: Wie häufig stehen Werte der Kontrollgruppe vor Werten der Experimentalgruppe? U gibt an, wie häufig Werte an falscher Stelle in der Rangfolge stehen. Kontrollgruppe Experimentalgruppe steht als einziger Wert der Experimentalgruppe vor 20 und 22 der Kontrollgruppe
24 Fishers Randomisationstest Auf wieviel verschiedene Arten können 10 Beobachtungen auf zwei Gruppen der Größe n 1 =4 und n 2 =6 aufgeteilt werden? K (n + n2)! = n! n! 1 = Kontrollgruppe Experimentalgruppe Messwert Messwert Wenn H 0 zutrifft, kann jede dieser 210 Aufteilungen mit gleicher Wahrscheinlichkeit auftreten Für alle möglichen Aufteilungen werden die zugehörigen U-Werte bestimmt Vollständige Stichprobenverteilung von U
25 Überprüfung der Nullhypothese: Fishers Randomisationstest Kontrollgruppe Messwert Experimentalgruppe Messwert Bereich der Verwerfung von H 0 : die 5% kleinsten Werte von U (d.h. einseitiger Test mit Irrtumswahrscheinlichkeit = 5%) Die kleinsten 5% der 210 möglichen U-Werte: 210 0,05 = 10,5, d.h. die 10 kleinsten Werte
26 Sta tistik für Test b IOW-Statistikseminar: 4. Veranstaltung Zwei unabhängige Stichproben: Mann-Whitney U-Test Mann-Whitney-U Wilcoxon-W Z Asymptotische Signifikanz (2-seitig) Exakte Signifikanz [2*(1-seitig Sig.)] Variable 2,000 12, 000-2,132,033,038 a a. Nicht für Bindungen korrigiert. b. Gruppenvariable: Gruppe Prüfgröße 2-seitige Irrtumswahrscheinlichkeit 1-seitige Irrtumswahrscheinlichkeit: 0,038 : 2 = 0,019 p = 0,038 ; d.h. p < 0,05 und H 0 wird abgelehnt Es besteht ein signifikanter Unterschied zwischen den beiden Gruppen.
27 Zwei unabhängige Stichproben: Mann-Whitney U-Test Prüfung von H 0 bis n=50 über exakte Stichprobenverteilung, ab dann approximativ Mit Zusatzmodul Exakte Tests lassen sich auch im Fall von größeren Stichproben exakte p-werte bestimmen, dann auch Berücksichtigung von Rangbindungen Rangbindungen ties, d.h. Werte liegen mehrfach vor, dann Korrektur
28 Testen von mittleren Rängen (MR): Nicht-parametrische ANOVA : Kruskal-Wallis H-Test keine mittel hoch Messwert Rang Messwert Rang Messwert Rang , , R 1 21,5 R 2 33,5 R 3 65 n 1 5 n 2 5 n 3 5 MR 1 4,3 MR 2 6,7 MR 3 13,0
29 Kruskal-Wallis H-Test keine mittel hoch R 1 21,5 R 2 33,5 R 3 65 n 1 5 n 2 5 n 3 6 MR 1 4,3 MR 2 6,7 MR 3 13,0 MR (21,5+33,5+65)/(5+5+5) = 8,0 Nullhypothese H 0 : MR 1 = MR 2 = MR 3 = MR Testgröße H: H = 12 N(N + 1) 3 j= 1 n j (MRj MR) 2 H ist annähernd χ 2 -Verteilt mit df=k-1 Freiheitsgraden
30 Kruskal-Wallis H-Test df = 2 (3-1 Gruppen) H ist annähernd χ 2 -verteilt Was ist das kritische H?? H kritisch = 5,992 H= 10,095 > 5,992 Die manipulierte Seeigeldichte hat einen signifikanten Effekt auf die Sprossdichte der Seegräser (p = 0,006).
31 Nicht-parametrischer post hoc Test Mann-Whitney-U Test: mit Bonferroni-Anpassung des alpha-fehlers (Test wird in SPSS angeboten, aber Bonferroni-Anpassung muss manuell durchgeführt werden)
Überblick 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
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
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
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...
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
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
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
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
MehrEinfache statistische Testverfahren
Einfache statistische Testverfahren Johannes Hain Lehrstuhl für Mathematik VIII (Statistik) 1/29 Hypothesentesten: Allgemeine Situation Im Folgenden wird die statistische Vorgehensweise zur Durchführung
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)
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
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
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
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
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
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
MehrEinige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
ue biostatistik: nichtparametrische testverfahren / ergänzung 1/6 h. Lettner / physik Statistische Testverfahren Einige Statistische Tests für den Ein- Zwei- und k-stichprobenfall (Nach Sachs, Stat. Meth.)
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,
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,
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
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
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
MehrMarktforschung I. Marktforschung I 2
Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
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:
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
Mehr(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik
II Übungen zur II Organisatorische Hinweise Keine Anwesenheitspflicht (aber empfehlenswert) Einführung in die statistische Datenanalyse II (VU) Lehrinhalte (.ppt Folien): elearning.univie.ac.at 3 Prüfungstermine:
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrAnhang A: Fragebögen und sonstige Unterlagen
Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben
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
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
MehrEtwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.
Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur
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
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
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
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
MehrStatistische Grundlagen für die Versuchstierkunde
Statistische Grundlagen für die Versuchstierkunde Prof. Peter Pilz Fachbereich Biologie Universität Tübingen So viele Tiere wie nötig, so wenig Tiere wie möglich Gliederung 1. Deskriptive Statistik & Power
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
Mehr26 Nichtparametrische Tests
26 Nichtparametrische Tests Das Menü und auch die Ergebnisausgabe von Nichtparametrische Tests ist seit der Version 18 neu gestaltet. Die Darstellung in der 8. Auflage des Buches bezieht sich ausschließlich
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
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,
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
MehrSTATISTIK 1 - BEGLEITVERANSTALTUNG
STATISTIK 1 - BEGLEITVERANSTALTUNG VORLESUNG 4 ALPHA / BETA-FEHLER 12.12.2014 1 12.12.2014 1 Mona Ulrich, Psychologie (M.Sc.) AGENDA 01 STATISTISCHE HYPOTHESEN 02 POPULATION / STICHPROBE 03 ALPHA/ BETA-FEHLER
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
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/
MehrAcademic Skills - Befragung und Auswertung
Otto-von-Guericke University Magdeburg Allgemein Befragung Eine Befragung ist eine wissenschaftliche Maßnahme zur Erforschung von Verhalten, Einstellung oder Wissen Des Weiteren können auch demographische
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
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
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
MehrUnivariate/ multivariate Ansätze. Klaus D. Kubinger. Test- und Beratungsstelle. Effektgrößen
Univariate/ multivariate Ansätze Klaus D. Kubinger Effektgrößen Rasch, D. & Kubinger, K.D. (2006). Statistik für das Psychologiestudium Mit Softwareunter-stützung zur Planung und Auswertung von Untersuchungen
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
MehrVarianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)
Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe
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
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
MehrT-TEST BEI EINER STICHPROBE:
Kapitel 19 T-Test Mit Hilfe der T-TEST-Prozeduren werden Aussagen über Mittelwerte getroffen. Dabei wird versucht, aus den Beobachtungen einer Stichprobe Rückschlüsse auf die Grundgesamtheit zu ziehen.
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
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
MehrWilcoxon-Rangsummen-Test
Wilcoxon-Rangsummen-Test Theorie: Wilcoxon-Rangsummen-Test Der Wilcoxon-Rangsummen-Test prüft, ob sich die Verteilungen der Grundgesamtheiten zweier Stichproben bezüglich ihrer Lage unterscheiden. Ein
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
MehrStatistische Datenanalyse mit SPSS
Jürgen Janssen Wilfried Laatz Statistische Datenanalyse mit SPSS Eine anwendungsorientierte Einführung in das Basissystem und das Modul Exakte Tests Siebte, neu bearbeitete und erweiterte Auflage 4ü Springer
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
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
Mehr1 Installieren von SPSS 1 1.1 Anforderungen an die Hard- und Software 1 1.2 Die Installation durchfuhren 1 1.3 Weitere Hinweise 3
1 Installieren von SPSS 1 1.1 Anforderungen an die Hard- und Software 1 1.2 Die Installation durchfuhren 1 1.3 Weitere Hinweise 3 2 Einführende Übungen mit SPSS 5 2.1 Die Oberfläche von SPSS für Windows
MehrWelch-Test. Welch-Test
Welch-Test Welch-Test Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten Varianzen durch Vergleich der Mittelwerte zweier unabhängiger Zufallsstichproben. Beispiel Im Labor
MehrEinfaktorielle Rangvarianzanalyse mit Messwiederholungen
Einfaktorielle Rangvarianzanalyse mit Messwiederholungen Inhaltsverzeichnis Einfaktorielle Rangvarianzanalyse mit Messwiederholungen... 2 Lernhinweise... 2 Einführung... 3 Theorie (1-3)... 3 Teil 1 -
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
MehrAusgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)
Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische e Lösung von Grundaufgaben mit SPSS (ab V..0) Text: akmv_v.doc Daten: akmv??.sav Lehrbuch: W. Timischl, Biostatistik. Wien - New York:
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
MehrBeispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests
Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?
MehrBeispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav
Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,
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
MehrVon der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und
Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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.
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
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
MehrDatenanalyse mit SPSS erste Schritte
Datenanalyse mit SPSS erste Schritte Arnd Florack Tel.: 0251 / 83-34788 E-Mail: florack@psy.uni-muenster.de Raum 2.001b Sprechstunde: Dienstags 15-16 Uhr 23. Mai 2000 aktualisiert am 25. Mai 2001 2 Anlegen
MehrEinführung in SPSS. 1. Die Datei Seegräser
Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten
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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Vergleich zweier Stichproben, nichtparametrische Tests Prof. Dr. Achim Klenke http://www.aklenke.de 11. Vorlesung: 27.01.2012 1/86 Inhalt 1 Tests t-test 2 Vergleich zweier
MehrBehandlung fehlender Werte
Halle/Saale, 8.6.2 Behandlung fehlender Werte Dipl.-Psych. Wilmar Igl - Methodenberatung - Rehabilitationswissenschaftlicher Forschungsverbund Bayern Einleitung () Fehlende Werte als allgegenwärtiges Problem
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
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.
MehrAuswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
MehrJ. Bortz/N. Döring: Forschungsmethoden und Evaluation (jeweils neueste Auflage) Springer, Berlin S. 463ff
J. Bortz/N. Döring: Forschungsmethoden und Evaluation (jeweils neueste Auflage) Springer, Berlin S. 463ff Signifikanztests Zur Logik des Signifikanztests Tests zur statistischen Überprüfung von Hypothesen
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,
MehrEinführung in die Geostatistik (2) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik () Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de Gliederung Allgemeine Statistik. Deskriptive Statistik. Wahrscheinlichkeitstheorie.3
MehrFragestellungen der Schließenden Statistik
Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für
Mehrwerden können. Wenn der Benutzer zudem eine konkrete Differenz mit praktischen Konsequenzen angibt, berechnet der Assistent den Stichprobenumfang,
Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten
MehrAbhängigkeit zweier Merkmale
Abhängigkeit zweier Merkmale Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/33 Allgemeine Situation Neben der Untersuchung auf Unterschiede zwischen zwei oder mehreren Untersuchungsgruppen hinsichtlich
MehrErstellung der Grundgesamtheiten
Inhaltsverzeichnis Erstellung der Grundgesamtheiten... 2 Normalverteilte Zufallszahlen... 2 t-verteilte Zufallszahlen... 2 chi²-verteilte Zufallszahlen... 2 Erwartungstreue - Erweiterung... 3 Zusammenfassung
MehrSFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015
SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen
Mehr