Materialband. Marktforschung
|
|
- Lioba Gärtner
- vor 6 Jahren
- Abrufe
Transkript
1 Materialband Marktforschung Multivariate statistische Verfahren 5. Sem. Prof. Dr. Rößler
2 Themenbereiche 1 Regressionsanalyse 2 Varianzanalyse 3 Diskriminanzanalyse 4 Faktorenanalyse 5 Clusteranalyse
3 Regressionsanalyse Menge y i Besuche x 1i Streudiagramm Menge y i Besuche x 2i Prof. Dr. Rößler Seite 1
4 Regressionsanalyse Regression Modellzusammenfassung (b) Korrigiertes Standardfehler des Durbin-Watson- Modell R R-Quadrat R-Quadrat Schätzers Statistik 1 0,588 (a) 0,346 0, ,4678 2,656 (a) Einflußvariablen : (Konstante), BESUCHE x1i (b) Abhängige Variable: ABSATZ Modell 1 ANOVA (b) Quadratdf Mittel der Quadrate F Signifikanz summe Regression , ,108 4,224 0,074 (a) Residuen , ,436 Gesamt ,6 9 (a) Einflußvariablen : (Konstante), BESUCHE x1i (b)abhängige Variable: ABSATZ Modell Koeffizienten (a) Nicht standardisierte Standardisierte 95%-Konfidenzintervall für B Koeffizienten Koeffizienten T Signifikanz Standard- B Beta Untergrenze Obergrenze fehler (Konstante) 39, ,517 0,046 0, , ,335 1 BESUCHE x1i 18,881 9,187 0,588 2,055 0,074-2,305 40,067 (a) Abhängige Variable: ABSATZ Prof. Dr. Rößler Seite 2
5 Regressionsanalyse Menge y i Besuche x 1i Preis x 2i Ausgaben x 3i , , , , , Prof. Dr. Rößler Seite 3
6 Regressionsanalyse Modell Regression Aufgenommene/Entfernte Variablen (b) Aufgenommene Variablen Entfernte Variablen AUSGABEN x3i, 1 PREIS x2i, () g BESUCHE x1i(a) aufgenommen. (b) Abhängige Variable: ABSATZ Methode, Eingeben Modell R R-Quadrat Modellzusammenfassung (b) Korrigiertes R- Quadrat Standardfehler des Schätzers Durbin- Watson- Statistik 1,962 (a) 0,926 0, ,126 3,49 (a) Einflußvariablen : (Konstante), AUSGABEN x3i, PREIS x2i, BESUCHE x1i (b) Abhängige Variable: ABSATZ ANOVA (b) Modell Quadrat- Mittel der df summe Quadrate F Signifikanz Regression , ,9 24,862 0,001 (a) 1 Residuen , ,817 Gesamt ,6 9 (a) Einflußvariablen : (Konstante), AUSGABEN x3i, PREIS x2i, BESUCHE x1i (b) Abhängige Variable: ABSATZ Modell Koeffizienten (a) Nicht standardisierte Koeffizienten Standard- B fehler Standardisierte Koeffizienten Beta T Signifikanz 95%-Konfidenzintervall für B Untergrenze Obergrenze (Konstante) -6, ,205-0,01 0, , ,398 1 BESUCHE x1i 11,085 4,428 0,345 2,504 0,046 0,251 21,919 PREIS x2i 9,927 38,164 0,034 0,26 0,803-83, ,312 AUSGABEN x3i 0,655 0,103 0,794 6,382 0,001 0,404 0,907 (a) Abhängige Variable: ABSATZ Prof. Dr. Rößler Seite 4
7 Regressionsanalyse Aufgenommene/Entfernte Variablen (b) Modell Aufgenommene Variablen Entfernte Variablen 1 AUSGABEN x3i, BESUCHE x1i (a) (a) Alle gewünschten Variablen wurden aufgenommen. (b) Abhängige Variable: ABSATZ Methode, Eingeben Modellzusammenfassung Modell R R-Quadrat Korrigiertes Standardfehler R-Quadrat des Schätzers 1,962 (a) 0,925 0, ,7711 (a) Einflußvariablen : (Konstante), AUSGABEN x3i, BESUCHE x1i ANOVA(b) Modell Quadratsumme df Mittel der Quadrate F Signifikanz Regression , ,901 42,99 0,000(a) 1 Residuen , ,971 Gesamt ,6 9 (a) Einflußvariablen : (Konstante), AUSGABEN x3i, BESUCHE x1i (b) Abhängige Variable: ABSATZ Koeffizienten (a) Nicht standardisierte Koeffizienten Standardisierte Koeffizienten T Signifikanz Korrelationen Modell B Standardfehler Beta Nullter Ordnung Partiell Teil (Konstante) 144, ,25 0,458 0,661 1 BESUCHE x1i 10,487 3,522 0,326 2,977 0,021 0,588 0,748 0,309 AUSGABEN x3i 0,664 0,091 0,805 7, ,911 0,941 0,761 (a) Abhängige Variable: ABSATZ r 2 = 0,748 2 = 0,559 r 2 = 0,941 2 = 0,885 Prof. Dr. Rößler Seite 5
8 Varianzanalyse Plazierung Absatz Normalregal 1 47 Normalregal 1 39 Normalregal 1 40 Normalregal 1 46 Normalregal 1 45 Zweitplazierung 2 68 Zweitplazierung 2 65 Zweitplazierung 2 63 Zweitplazierung 2 59 Zweitplazierung 2 67 Kühlregal 3 59 Kühlregal 3 50 Kühlregal 3 51 Kühlregal 3 48 Kühlregal 3 53 Prof. Dr. Rößler Seite 6
9 Varianzanalyse ANOVA ABSATZ Quadratsumme ANOVA df Mittel der Quadrate F Signifikanz Zwischen den Gruppen 1112, ,067 38,087 0 Innerhalb der Gruppen 175, ,6 Gesamt 1287, ABSATZ Test der Homogenität der Varianzen Levenedf1 df2 Signifikanz Statistik 0, ,94 Post-Hoc-Tests Homogene Untergruppen ABSATZ Subset for alpha =.05 N PLAZIERU ,4 Duncan (a) , ,4 Signifikanz Die Mittelwerte für die in homogenen Untergruppen befindlichen Gruppen werden angezeigt. (a) Uses Harmonic Mean Sample Size = 5,000 Prof. Dr. Rößler Seite 7
10 Varianzanalyse Plazierung Absatz Verpackung Normalregal Becher Normalregal Becher Normalregal Becher Normalregal Becher Normalregal Becher Normalregal Papier Normalregal Papier Normalregal Papier Normalregal Papier Normalregal Papier Zweitplazierung Becher Zweitplazierung Becher Zweitplazierung Becher Zweitplazierung Becher Zweitplazierung Becher Zweitplazierung Papier Zweitplazierung Papier Zweitplazierung Papier Zweitplazierung Papier Zweitplazierung Papier Kühlregal Becher Kühlregal Becher Kühlregal Becher Kühlregal Becher Kühlregal Becher Kühlregal Papier Kühlregal Papier Kühlregal Papier Kühlregal Papier Kühlregal Papier Prof. Dr. Rößler Seite 8
11 Varianzanalyse kg Becher Papier Normalreg. Zweitplaz. Kühlreg. Plazierung Becher Papier Normalreg. 43,4 37,4 Zweitplaz. 64,4 55,8 Kühlreg. 52,2 49,8 Prof. Dr. Rößler Seite 9
12 Varianzanalyse Gesamtstreuung SQT Streuung zwischen den Gruppen SQE Streuung innerhalb der Gruppen SQR Streuung durch Faktor A SQE A Streuung durch Faktor B SQE B Streuung durch Wechselwirkung von A und B SQE AxB Prof. Dr. Rößler Seite 10
13 Varianzanalyse ANOVA Verarbeitete Fälle (a) Fälle Eingeschlossen Ausgeschlossen Insgesamt N Prozent N Prozent N Prozent ,00% 0 0,00% ,00% (a) ABSATZ /nach PLAZIERU, VERPACKU ANOVA (a,b) Eindeutige Methode Quadratsumme df Mittel der Quadrate F Sig. (Kombiniert) 2185, ,344 73,446 0 Haupteffekte PLAZIERU 1944, ,1 98,027 0 VERPACKU 240, ,833 24,286 0 ABSATZ 2-Weg-Wechselwirkungen PLAZIERU * VERPACKU 48, ,233 2,444 0,108 Modell 2233, ,7 45,045 0 Residuen ,917 Insgesamt 2471, ,224 (a) ABSATZ /nach PLAZIERU, VERPACKU (b) Alle Effekte gleichzeitig eingegeben Prof. Dr. Rößler Seite 11
14 Varianzanalyse Multiple Klassifikationsanalyse (MCA) (a) Vorhergesagtes Mittel Abweichung N Nicht angepaßt Korrigiert nach Faktoren Nicht angepaßt Korrigiert nach Faktoren ,400 40,400-10,100-10,100 PLAZIERU ,100 60,100 9,600 9,600 ABSATZ ,000 51,000 0,500 0, ,333 53,333 2,833 2,833 VERPACKU ,667 47,667-2,833-2,833 (a) ABSATZ /nach PLAZIERU, VERPACKU ABSATZ Faktorauswertung (a) (a) ABSATZ /nach PLAZIERU, VERPACKU Beta Eta Korrigiert nach Faktoren PLAZIERU 0,887 0,887 VERPACKU 0,312 0,312 Güte der Anpassung für das Modell R R-Quadrat ABSATZ nach PLAZIERU, VERPACKU 0,94 0,884 Prof. Dr. Rößler Seite 12
15 Varianzanalyse Gesamtstreuung SQT Streuung zwischen den Gruppen SQb Streuung innerhalb der Gruppen SQR Haupteffekte Interaktionen Streuung durch Faktor A SQE A Streuung durch Wechselwirkung von AxB SQE AxB Streuung durch Faktor B SQE B Streuung durch Wechselwirkung von AxC SQE AxC Streuung durch Faktor C SQE C Streuung durch Wechselwirkung von BxC SQE BxC Streuung durch Wechselwirkung von AxBxC SQE AxBxC Prof. Dr. Rößler Seite 13
16 t-test Gewicht Maschine Prof. Dr. Rößler Seite 14
17 t-test T-Test GEWICHT Gruppenstatistiken MASCHINE N Mittelwert Standardabweichung Standardfehler des Mittelwertes , ,6008 5, , ,6718 5,0792 GEWICHT Levene-Test der Varianzgleichheit Test bei unabhängigen Stichproben F Signifikanz T df T-Test für die Mittelwertgleichheit Sig. (2-seitig) Mittlere Differenz Standardfehler der Differenz 95% Konfidenzintervall des Mittelwerts Untere Obere Varianzen sind gleich 0,026 0,874 0, ,967 0,3 7, , ,2869 Varianzen sind nicht gleich 0,042 24,638 0,967 0,3 7, , ,1074 Prof. Dr. Rößler Seite 15
18 Diskriminanzanalyse Marke Streichfähigkeit Haltbarkeit Prof. Dr. Rößler Seite 16
19 Diskriminanzanalyse 8 7 Marke A Marke B Haltbarkeit Streichfähigkeit Marke 6 5 Marke A Marke B Häufigkeit Streichfähigkeit Marke 3,5 3 Marke A Marke B 2,5 Häufigkeit 2 1,5 1 0, Haltbarkeit Prof. Dr. Rößler Seite 17
20 Diskriminanzanalyse Zusammenfassung der kanonischen Diskriminanzfunktionen Eigenwerte Funktion Eigenwert % der Kumulierte Kanonische Varianz % Korrelation 1,912 (a) ,691 (a) Die ersten 1 kanonischen Diskriminanzfunktionen werden in dieser Analyse verwendet. Wilks' Lambda Test der Funktion(en) Wilks-Lambda Chi-Quadrat df Signifikanz 1 0,523 13, ,001 Standardisierte kanonische Diskriminanzfunktionskoeffizienten Funktion 1 HALTBAR -0,843 STREICHF 1,184 Struktur-Matrix Funktion STREICHF 0,714 HALTBAR -0,183 Gemeinsame Korrelationen innerhalb der Gruppen zwischen Diskriminanzvariablen und standardisierten kanonischen Diskriminanzfunktionen Variablen sind nach ihrer absoluten Korrelationsgröße innerhalb der Funktion geordnet. 1 Kanonische Diskriminanzfunktionskoeffizienten Funktion 1 HALTBAR -0,565 STREICHF 1,031 (Konstant) -1,982 Nicht-standardisierte Koeffizienten Funktionen bei den Gruppen-Zentroiden Funktion MARKE 1 1-0, ,914 Nicht-standardisierte kanonische Diskriminanzfunktionen, die bezüglich des Gruppen-Mittelwertes bewertet werden Prof. Dr. Rößler Seite 18
21 Fallweise Statistiken Höchste Gruppe P(D>d G=g) Tatsächliche Gruppe Vorhergesagte P(G=g D=d) Fallnummer Gruppe p df Quadrierter Mahalanobis- Abstand zum Zentroid Zweithöchste Gruppe Gruppe P(G=g D=d) Diskriminanzanalyse Quadrierter Mahalanobis- Abstand zum Zentroid Diskriminanzwerte Funktion , ,95 0,49 2 0,05 6,394-1, , ,891 0, ,109 4,252-1, (**) 0, ,926 0, ,074 5,269 1, , ,553 0, ,447 1,063-0, ,37 1 0,508 0, ,492 0,87-0, ,37 1 0,965 0, ,035 7,425-1, , ,958 0, ,042 6,9-1, , ,982 1, ,018 9,568-2, , ,597 0,49 2 0,403 1,275-0, , ,985 1, ,015 10,185-2, ,74 1 0,744 0,11 2 0,256 2,242-0, , ,777 0, ,223 2,546-0,681 Original , ,158 3,345 0, , ,694 0, ,306 1,856 0, , ,988 2, ,012 11,065 2, (**) 0,74 1 0,744 0,11 2 0,256 2,242-0, (**) 0, ,553 0, ,447 1,063-0, , ,977 1, ,023 8,751 2, , ,864 0,01 1 0,136 3,714 1, , ,655 0, ,345 1,598 0, , ,613 0, ,387 1,36 0, , ,937 0, ,063 5,729 1, , ,972 1, ,028 8,179 1, , ,817 0,01 1 0,183 2,995 0,816 ** Falsch klassifizierter Fall Prof. Dr. Rößler Seite 19
22 Diskriminanzanalyse Diskriminanzachse Marke A Marke B -3-2,5-2 -1,5-1 -0,5 0 0,5 1 1,5 2 2,5 3 Prof. Dr. Rößler Seite 20
23 Diskriminanzanalyse Klassifizierungsstatistiken Original Anzahl % Klassifizierungsergebnisse (a) (a) 87,5% der ursprünglich gruppierten Fälle wurden korrekt klassifiziert. Vorhergesagte Gruppenzugehörigkeit MARKE 1 2 Gesamt ,7 8, ,7 83,3 100 Zusammenfassung der Verarbeitung von Klassifizierungen Verarbeitet 24 Ausgeschlossen Fehlende oder außerhalb des Bereichs liegende Gruppencodes 0 Wenigstens eine Diskriminanzvariable fehlt 0 In der Ausgabe verwendet 24 A-priori-Wahrscheinlichkeiten der Gruppen In der Analyse A-priori verwendete Fälle MARKE Ungewichtet Gewichtet 1 0, , Gesamt Klassifizierungsfunktionskoeffizienten MARKE 1 2 STREICHF 1,729 3,614 HALTBAR 1,28 0,247 (Konstant) -6,597-10,223 Lineare Diskriminanzfunktionen nach Fisher Prof. Dr. Rößler Seite 21
24 Diskriminanzanalyse Univariate Analyse der Streichfähigkeit Eigenwerte Funktion Eigenwert % der Varianz Kumulierte % Kanonische Korrelation 1 0,466 (a) ,564 (a) Die ersten 1 kanonischen Diskriminanzfunktionen werden in dieser Analyse verwendet. Wilks' Lambda Test der Funktion(en) Wilks-Lambda Chi-Quadrat df Signifikanz 1 0,682 8, ,004 Univariate Analyse der Haltbarkeit Eigenwerte Funktion Eigenwert % der Varianz Kumulierte % Kanonische Korrelation 1 0,031 (a) ,172 (a) Die ersten 1 kanonischen Diskriminanzfunktionen werden in dieser Analyse verwendet. Wilks' Lambda Test der Funktion(en) Wilks-Lambda Chi-Quadrat df Signifikanz 1 0,97 0, ,421 Gruppenstatistik Gültige Werte (listenweise) Standard- Mittelwert MARKE abweichung Ungewichtet Gewichtet 1 2 Gesamt STREICHF 3,5 1, HALTBAR 4,5 1, STREICHF 5 1, HALTBAR 4 1, STREICHF 4,25 1, HALTBAR 4,25 1, Gleichheitstest der Gruppenmittelwerte Wilks-Lambda F df1 df2 Signifikanz STREICHF 0,682 10, ,004 HALTBAR 0,97 0, ,421 Prof. Dr. Rößler Seite 22
25 Faktorenanalyse Marke Anteil ungesättigter Fettsäuren Kaloriengehalt Vitamingehalt Haltbarkeit Preis Rama Sanella Becel Du darfst Holl. Butter Weihnachtsbutter FETTSÄUR HALTBARK KALORIEN MARKE weihnach PREIS s anella rama holl. bu VITAMING du darfs becel Prof. Dr. Rößler Seite 23
26 Faktorenanalyse Marke 2 Du darfst 1,5 Faktor1 1 0,5 0 Becel Weihnachtsbutter -0,5 Sanella Holl. Butter -1 Rama -1,5-1,5-1 -0,5 0 0,5 1 1,5 Faktor2 Marke fac1_1 fac2_1 Rama -1, ,25027 Sanella -0, ,26891 Becel 0,5705 0,19027 Du darfst 1, ,88742 Holl. Butter -0, ,94719 Weihnachtsbutter 0,1953 1,26914 Prof. Dr. Rößler Seite 24
27 Faktorenanalyse Korrelation Korrelationsmatrix (a) FETTSÄUR KALORIEN VITAMING HALTBARK PREIS FETTSÄUR 1 0,712 0,961 0,109 0,044 KALORIEN 0, ,704 0,138 0,067 VITAMING 0,961 0, ,078 0,024 HALTBARK 0,109 0,138 0, ,983 PREIS 0,044 0,067 0,024 0,983 1 FETTSÄUR 0,056 0,001 0,419 0,467 KALORIEN 0,056 0,059 0,397 0,45 Signifikanz VITAMING 0,001 0,059 0,441 0,482 (1-seitig) HALTBARK 0,419 0,397 0,441 0 PREIS 0,467 0,45 0,482 0 (a) Determinante = 9,603E-04 KMO- und Bartlett-Test Maß der Stichprobeneignung nach Kaiser-Meyer-Olkin. 0,576 Bartlett-Test auf Sphärizität Ungefähres Chi-Quadrat 17,371 df 10 Signifikanz nach Bartlett 0,067 Anti-Image-Matrizen FETTSÄUR KALORIEN VITAMING HALTBARK PREIS FETTSÄUR,597 (a) -0,108-0,926-0,237 0,223 Anti-Image- Korrelation KALORIEN -0,108,878 (a) -0,15-0,239 0,227 VITAMING -0,926-0,15,598 (a) 0,207-0,193 HALTBARK -0,237-0,239 0,207,471 (a) -0,986 PREIS 0,223 0,227-0,193-0,986,467 (a) (a) Maß der Stichprobeneignung Prof. Dr. Rößler Seite 25
28 Faktorenanalyse Berechnung von partiellen Korrelationskoeffizienten der Anti-Image-Korrelationsmatrix Führt man eine lineare Regressionsanalyse durch mit der abhängigen Variablen ungesättigte Fettsäuren und den 3 unabhängigen Variablen Vitamine, Haltbarkeit und Preis, so erhält man das Bestimmtheitsmaß Modellzusammenfassung Korrigiertes Standardfehler Modell R R-Quadrat R-Quadrat des Schätzers 1 0,964 (a) 0, ,826 0,6148 (a) Einflußvariablen : (Konstante), VITAMING, PREIS, HALTBARK Fügt man jetzt die Variable Kalorien als weitere unabhängige Variable hinzu, so daß die Regressionsanalyse für die abhängige Variable ungesättigte Fettsäuren und die 4 unabhängigen Variablen Vitamine, Haltbarkeit, Preis und Kalorien durchgeführt wird, so ergibt sich das Bestimmtheitsmaß Modellzusammenfassung Korrigiertes Standardfehler Modell R R-Quadrat R-Quadrat des Schätzers 1,965 (a) 0, ,655 0,8644 (a) Einflußvariablen : (Konstante), KALORIEN, PREIS, VITAMING, HALTBARK Aus diesen beiden Bestimmtheitsmaßen berechnet sich das partielle Bestimmtheitsmaß der Variablen ungesättigte Fettsäuren und Kalorien als Quotient (0, , )/(1-0, )=0, D.h.: 1,17% der durch die 3 Variablen Vitamine, Haltbarkeit und Preis nicht erklärten Varianz der ungesättigten Fettsäuren wird durch Hinzunahme der Variablen Kalorien erklärt. Zieht man die Wurzel, so erhält man den partiellen Korrelationskoeffizienten der Variablen ungesättigte Fettsäuren und Kalorien 0,10794 In der Anti-Image-Korrelationsmatrix werden nicht die partiellen Korrelationskoeffizienten selbst, sondern ihre negativen Werte ausgewiesen. Prof. Dr. Rößler Seite 26
29 Kommunalitäten Anfänglich Extraktion FETTSÄUR 0,931 0,968 KALORIEN 0,541 0,526 VITAMING 0,929 0,953 HALTBARK 0,974 0,991 PREIS 0,973 0,981 Extraktionsmethode: Hauptachsen- Faktorenanalyse. Faktorenanalyse Erklärte Gesamtvarianz Anfängliche Eigenwerte Summen von quadrierten Faktorladungen Rotierte Summe der quadrierten Ladungen für Extraktion Faktor Gesamt % der Kumulierte % der Kumulierte % der Kumulierte Gesamt Gesamt Varianz % Varianz % Varianz % 1 2,645 52,903 52,903 2,507 50,138 50,138 2,447 48,946 48, ,934 38,678 91,581 1,911 38,225 88,363 1,971 39,417 88, ,369 7,374 98, ,930E-02 0,786 99, ,296E-02 0, Extraktionsmethode: Hauptachsen-Faktorenanalyse. Faktorenmatrix (a) Faktor 1 2 FETTSÄUR 0,943-0,28 KALORIEN 0,707-0,162 VITAMING 0,928-0,302 HALTBARK 0,389 0,916 PREIS 0,323 0,936 Extraktionsmethode: Hauptachsen- Faktorenanalyse. (a) 2 Faktoren extrahiert. Es werden 7 Iterationen benötigt. Prof. Dr. Rößler Seite 27
30 Faktorenanalyse Reproduzierte Korrelation Residuum (a) Reproduzierte Korrelationen FETTSÄUR KALORIEN VITAMING HALTBARK PREIS FETTSÄUR 0,968 (b) 0,712 0,96 0,11 4,241E-02 KALORIEN 0,712 0,526 (b) 0,705 0,127 7,717E-02 VITAMING 0,96 0,705 0,953 (b) 8,461E-02 1,722E-02 HALTBARK 0,11 0,127 8,461E-02 0,991 (b) 0,983 PREIS 4,241E-02 7,717E-02 1,722E-02 0,983 0,981 (b) FETTSÄUR -1,708E-04 1,006E-03-1,412E-03 1,445E-03 KALORIEN -1,708E-04-8,276E-04 1,061E-02-1,065E-02 VITAMING 1,006E-03-8,276E-04-6,363E-03 6,400E-03 HALTBARK -1,412E-03 1,061E-02-6,363E-03 9,539E-05 PREIS 1,445E-03-1,065E-02 6,400E-03 9,539E-05 Extraktionsmethode: Hauptachsen-Faktorenanalyse. (a) Residuen werden zwischen beobachteten und reproduzierten Korrelationen berechnet. Es gibt 0 (,0%) nichtredundante Residuen mit Absolutwerten > 0,05. (b) Reproduzierte Kommunalitäten Rotierte Faktorenmatrix (a) Koeffizientenmatrix der Faktorwerte Faktor Faktor FETTSÄUR 0,984 3,229E-02 FETTSÄUR 0,551-0,049 KALORIEN 0,722 7,020E-02 KALORIEN 0,015-0,01 VITAMING 0,976 6,941E-03 VITAMING 0,422 0,001 HALTBARK 7,962E-02 0,992 HALTBARK 0,261 0,673 PREIS 1,060E-02 0,99 Extraktionsmethode: Hauptachsen- Faktorenanalyse. Rotationsmethode: Varimax mit Kaiser- Normalisierung. (a) Die Rotation ist in 3 Iterationen konvergiert. PREIS -0,281 0,331 Extraktionsmethode: Hauptachsen- Faktorenanalyse. Rotationsmethode: Varimax mit Kaiser- Normalisierung. Methode für Faktorwerte: Regression. Faktor-Transformationsmatrix Kovarianzmatrix für Faktorwerte Faktor 1 2 Faktor ,949 0, ,983 2,270E ,316 0, ,270E-03 0,993 Extraktionsmethode: Hauptachsen- Extraktionsmethode: Hauptachsen- Faktorenanalyse. Faktorenanalyse. Rotationsmethode: Varimax mit Kaiser- Normalisierung. Rotationsmethode: Varimax mit Kaiser- Normalisierung. Methode für Faktorwerte: Regression. Prof. Dr. Rößler Seite 28
31 Faktorenanalyse 3,0 Screeplot 2,5 2,0 1,5 1,0 Eigenwert,5 0, Faktornummer Prof. Dr. Rößler Seite 29
32 Faktorenanalyse 1,0 Faktordiagramm preis haltbark,5 0,0 kalorien vitaming fettsäur -,5 Faktor 2-1,0-1,0 -,5 0,0,5 1,0 Faktor 1 1,0 Faktordiagramm im gedrehten Faktorbereich,5 0,0 kalorien vitaming fettsäur -,5 Faktor 2-1,0-1,0 -,5 0,0,5 1,0 Faktor 1 1,0 Faktordiagramm im gedrehten Faktorbereich,5 0,0 kalorien vitaming fettsäur -,5 Faktor 2-1,0-1,0 -,5 0,0,5 1,0 Faktor 1 Prof. Dr. Rößler Seite 30
33 Clusteranalyse Lagerzeit mehr als 1 Monat Diätprodukt Nationale Werbung Becherverpackung Pfundgröße Verkaufshilfen Eignung für Sonder- angebote Direktbezug vom Hersteller Handelsspanne mehr als 20% Becel Du darfst Rama Delicado Sahnebutter Holländische Butter Weihnachtsbutter Homa Flora SB Sanella Botteram Beanstandungen im letzten Jahr Prof. Dr. Rößler Seite 31
34 Clusteranalyse Fall 1:Becel 2:Du darfst 3:Rama 4:Delicado Sahnebutter Näherungsmatrix Ähnlichkeitsmaß nach Jaccard 5:Holländ. Butter 6:Weihnachtsbutter 7:Homa 8:Flora 9:SB 10:Sanella 11:Botteram 1:Becel 0,375 0,444 0,5 0 0,143 0,222 0,714 0,375 0,5 0,25 2:Du darfst 0,375 0,4 0,111 0,167 0,125 0,714 0,3 0,5 0,3 0,375 3:Rama 0,444 0,4 0,5 0,125 0,222 0,556 0,667 0,556 0,875 0,444 4:Delicado Sahnebutter 0,5 0,111 0,5 0 0,167 0,111 0,571 0,25 0,571 0,286 5:Holländische Butter 0 0,167 0, , , ,2 6:Weihnachtsbutter 0,143 0,125 0,222 0, ,286 0,25 0,125 0,25 0,333 7:Homa 0,222 0,714 0,556 0,111 0,167 0,286 0,3 0,5 0,444 0,571 8:Flora 0,714 0,3 0,667 0, ,25 0,3 0,625 0,75 0,333 9:SB 0,375 0,5 0,556 0,25 0,167 0,125 0,5 0,625 0,444 0,375 10:Sanella 0,5 0,3 0,875 0, ,25 0,444 0,75 0,444 0,333 11:Botteram 0,25 0,375 0,444 0,286 0,2 0,333 0,571 0,333 0,375 0,333 Dies ist eine Ähnlichkeitsmatrix Prof. Dr. Rößler Seite 32
35 Clusteranalyse Fall 1:Becel 2:Du darfst 3:Rama 4:Delicado Sahnebutter Näherungsmatrix Ähnlichkeitsmaß nach Russell und Rao 5:Holländ. Butter 6:Weihnachtsbutter 7:Homa 8:Flora 9:SB 10:Sanella 11:Botteram 1:Becel 0,3 0,4 0,3 0 0,1 0,2 0,5 0,3 0,4 0,2 2:Du darfst 0,3 0,4 0,1 0,1 0,1 0,5 0,3 0,4 0,3 0,3 3:Rama 0,4 0,4 0,4 0,1 0,2 0,5 0,6 0,5 0,7 0,4 4:Delicado Sahnebutter 0,3 0,1 0,4 0 0,1 0,1 0,4 0,2 0,4 0,2 5:Holländische Butter 0 0,1 0, ,1 0 0,1 0 0,1 6:Weihnachtsbutter 0,1 0,1 0,2 0,1 0 0,2 0,2 0,1 0,2 0,2 7:Homa 0,2 0,5 0,5 0,1 0,1 0,2 0,3 0,4 0,4 0,4 8:Flora 0,5 0,3 0,6 0,4 0 0,2 0,3 0,5 0,6 0,3 9:SB 0,3 0,4 0,5 0,2 0,1 0,1 0,4 0,5 0,4 0,3 10:Sanella 0,4 0,3 0,7 0,4 0 0,2 0,4 0,6 0,4 0,3 11:Botteram 0,2 0,3 0,4 0,2 0,1 0,2 0,4 0,3 0,3 0,3 Dies ist eine Ähnlichkeitsmatrix Prof. Dr. Rößler Seite 33
36 Clusteranalyse Fall 1:Becel 2:Du darfst 3:Rama Näherungsmatrix Ähnlichkeitsmaß der einfachen Übereinstimmung 4:Delicado Sahnebutter 5:Holländ. Butter 6:Weihnachtsbutter 7:Homa 8:Flora 9:SB 10:Sanella 11:Botteram 1:Becel 0,5 0,5 0,7 0,4 0,4 0,3 0,8 0,5 0,6 0,4 2:Du darfst 0,5 0,4 0,2 0,5 0,3 0,8 0,3 0,6 0,3 0,5 3:Rama 0,5 0,4 0,6 0,3 0,3 0,6 0,7 0,6 0,9 0,5 4:Delicado Sahnebutter 0,7 0,2 0,6 0,5 0,5 0,2 0,7 0,4 0,7 0,5 5:Holländische Butter 0,4 0,5 0,3 0,5 0,6 0,5 0,2 0,5 0,2 0,6 6:Weihnachtsbutter 0,4 0,3 0,3 0,5 0,6 0,5 0,4 0,3 0,4 0,6 7:Homa 0,3 0,8 0,6 0,2 0,5 0,5 0,3 0,6 0,5 0,7 8:Flora 0,8 0,3 0,7 0,7 0,2 0,4 0,3 0,7 0,8 0,4 9:SB 0,5 0,6 0,6 0,4 0,5 0,3 0,6 0,7 0,5 0,5 10:Sanella 0,6 0,3 0,9 0,7 0,2 0,4 0,5 0,8 0,5 0,4 11:Botteram 0,4 0,5 0,5 0,5 0,6 0,6 0,7 0,4 0,5 0,4 Dies ist eine Ähnlichkeitsmatrix Prof. Dr. Rößler Seite 34
37 Clusteranalyse Start Berechnung der Ausgangsdistanzmatrix Suche nach den beiden Objekten/Clustern mit der geringsten Distanz Zusammenfassung der ähnlichsten Objekte/Cluster zu einer Gruppe Berechnung neuer Abstände und Veränderung der Distanzmatrix Alle Untersuchungsobjekte nein in einer Gruppe ja Ende Prof. Dr. Rößler Seite 35
38 Clusteranalyse Kaloriengehalt Preis Vitamingehalt Rama Homa Flora SB Weihnachtsbutter Prof. Dr. Rößler Seite 36
39 Clusteranalyse Verarbeitete Fälle (a) Fälle Gültig Fehlend Gesamt N Prozent N Prozent N Prozent 5 83,3 1 16, (a) Linkage zwischen den Gruppen Näherungsmatrix City-Block-Distanzmaß 1:Rama 2:Homa 3:Flora 4:SB 5:Weih- Fall nach 1:Rama :Homa :Flora :SB :Weihnach Dies ist eine Unähnlichkeitsmatrix Zuordnungsübersicht für Linkage zwischen den Gruppen Zusammen- Erstes Nächgeführte Cluster Koeffizi Vorkommen des ster Cluster Cluster enten Cluster Cluster Schritt Schritt , Vertikales Eiszapfendiagramm Fall Anzahl der Cluster 5:Weihnach 4:SB 2:Homa 3:Flora 1:Rama 1 X X X X X X X X X 2 X X X X X X X X 3 X X X X X X X 4 X X X X X X Dendrogramm * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E Label Num Rama Flora Homa I SB Weihnach Prof. Dr. Rößler Seite 37
40 Clusteranalyse Verarbeitete Fälle (a) Fälle Gültig Fehlend Gesamt N Prozent N Prozent N Prozent (a) Einfach-Linkage 5 83,3 1 16, Näherungsmatrix Quadriertes euklidisches Distanzmaß 1:Rama 2:Homa 3:Flora 4:SB 5:Weih- Fall nach 1:Rama :Homa :Flora :SB :Weihnach Dies ist eine Unähnlichkeitsmatrix Zuordnungsübersicht für Einfach-Linkage Zusammenge- Erstes Nächführte Cluster Koeffizi Vorkommen des ster Cluster Cluster enten Cluster Cluster Schritt Schritt Vertikales Eiszapfendiagramm Fall Anzahl der Cluster 5:Weihnach 4:SB 2:Homa 3:Flora 1:Rama 1 X X X X X X X X X 2 X X X X X X X X 3 X X X X X X X 4 X X X X X X Dendrogramm * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num Rama Flora Homa I SB Weihnach Prof. Dr. Rößler Seite 38
41 Clusteranalyse Näherungsmatrix Korrelation zwischen Wertevektoren Fall 1:Rama 2:Homa 3:Flora 4:SB 5:Weihnach 1:Rama 0,5 0-0, :Homa 0,5-0,866 0,189 0,5 3:Flora 0-0,866-0, :SB -0,756 0,189-0,655-0,756 5:Weihnach 1 0,5 0-0,756 Dies ist eine Ähnlichkeitsmatrix Prof. Dr. Rößler Seite 39
42 Clusteranalyse Verarbeitete Fälle (a) Fälle Gültig Fehlend Gesamt N Prozent N Prozent N Prozent (a) Gesamt-Linkage 5 83,3 1 16, Näherungsmatrix Quadriertes euklidisches Distanzmaß 1:Rama 2:Homa 3:Flora 4:SB 5:Weih- Fall nach 1:Rama :Homa :Flora :SB :Weihnach Dies ist eine Unähnlichkeitsmatrix Zuordnungsübersicht für Gesamt-Linkage Zusammen- Erstes Nächgeführte Cluster Koeffizi Vorkommen des ster Cluster Cluster enten Cluster Cluster Schritt Schritt Vertikales Eiszapfendiagramm Fall Anzahl der Cluster 5:Weihnach 4:SB 2:Homa 3:Flora 1:Rama 1 X X X X X X X X X 2 X X X X X X X X 3 X X X X X X X 4 X X X X X X Dendrogramm * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * Dendrogram using Complete Linkage Rescaled Distance Cluster Combine C A S E Label Num Rama 1 -+ Flora Homa 2 -+ I SB Weihnach Prof. Dr. Rößler Seite 40
43 Clusteranalyse Verarbeitete Fälle (a) Fälle Gültig Fehlend Gesamt N Prozent N Prozent N Prozent (a) Ward-Linkage 5 83,3 1 16, Näherungsmatrix Quadriertes euklidisches Distanzmaß 1:Rama 2:Homa 3:Flora 4:SB 5:Weih- Fall nach 1:Rama :Homa :Flora :SB :Weihnach Dies ist eine Unähnlichkeitsmatrix Zuordnungsübersicht für Ward-Linkage Zusammenge- Erstes Nächführte Cluster Koeffizi Vorkommen des ster Cluster Cluster enten Cluster Cluster Schritt Schritt , , , Vertikales Eiszapfendiagramm Fall Anzahl der 5:Weih- Cluster nach 4:SB 2:Homa 3:Flora 1:Rama 1 X X X X X X X X X 2 X X X X X X X X 3 X X X X X X X 4 X X X X X X Dendrogramm * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * Dendrogram using Ward Method Rescaled Distance Cluster Combine C A S E Label Num Rama 1 -+ Flora Homa 2 -+ I SB Weihnach Prof. Dr. Rößler Seite 41
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
MehrGeschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3
Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193
MehrHauptkomponentenanalyse. Die Schritte bei einer Hauptkomponentenanalyse
Die Schritte bei einer FACTOR /VARIABLES f06_r f06_r f06_r f06_4r f06_5r f06_6r f06_7r f06_8r f06_9r f06_0r /MISSING LISTWISE /ANALYSIS f06_r f06_r f06_r f06_4r f06_5r f06_6r f06_7r f06_8r f06_9r f06_0r
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
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 13 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Die Variablen sollten hoch miteinander korrelieren. Deshalb sollten die einfachen Korrelationskoeffizienten hoch ausfallen.
MehrEinführung in die Cluster-Analyse mit SPSS
Einführung in die -Analyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen. Juli 00 Inhalt. analyse im allgemeinen Definition, Distanzmaße, Gruppierung, Kriterien. analyse mit SPSS a) Hierarchische
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrKapitel 25 Diskriminanzanalyse
Kapitel 25 Diskriminanzanalyse Ziel der Diskriminanzanalyse ist es, die Werte einer abhängigen (zu erklärenden) Variablen durch die Werte einer oder mehrerer unabhängigen (erklärenden) Variablen zu erklären.
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrEinführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS. Datenanalyse HS09 Susan Kriete Dodds 18. November 2009
Einführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS Datenanalyse HS09 Susan Kriete Dodds 18. November 2009 Hauptkomponentenanalyse Öffne die Datei Kamera.csv Analysieren > Dimensionsreduzierung
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrKapitel 5: Einfaktorielle Varianzanalyse
Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse
MehrZur Erklärung menschlicher Verhaltensweisen oder allgemeiner sozialer Phänomene ist häufig eine Vielzahl von Einflussfaktoren zu berücksichtigen.
4.3 Faktorenanalyse Problemstellung Zur Erklärung menschlicher Verhaltensweisen oder allgemeiner sozialer Phänomene ist häufig eine Vielzahl von Einflussfaktoren zu berücksichtigen. Je größer jedoch die
MehrMultivariate Statistische Methoden und ihre Anwendung
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg R. Oldenbourg Verlag München Wien
MehrKreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:
Kreuzvalidierung. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS: SPSS erzeugt eine neue Variable Filter_$. Die herausgefilterten Fälle werden im Datenfenster angezeigt
MehrSPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben
SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen
MehrSkript Einführung in SPSS
SPSSinteraktiv Faktorenanalyse - 1 - Skript Einführung in SPSS Faktorenanalyse Explorative Faktorenanalyse Hauptkomponentenanalyse (PCA) Hinweise zum Schreiben des statistischen Reports 1. Sämtliche Tabellen
MehrEigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung. 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend?
Eigene MC-Fragen Kap. 4 Faktorenanalyse, Aggregation, Normierung 1. Welche Aussage zu den Prinzipien der Faktorenanalyse ist zutreffend? a) Die Faktorenanalyse hat ihren Ursprung in der theoretischen Intelligenzforschung.
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches
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
MehrSPSS III Mittelwerte vergleichen
SPSS III Mittelwerte vergleichen A Zwei Gruppen ------------ Zwei-Stichproben t-test Beispieldatei: Seegräser Fragestellung: Unterscheidet sich die Anzahl der Seegräser in Gebieten mit und ohne Seeigelvorkommen
MehrEinführung in SPSS. Sitzung 5: Faktoranalyse und Mittelwertsvergleiche. Knut Wenzig. 22. Januar 2007
Sitzung 5: Faktoranalyse und Mittelwertsvergleiche 22. Januar 2007 Verschiedene Tests Anwendungsfall und Voraussetzungen Anwendungsfall Mehrere Variablen, die Gemeinsamkeiten haben, werden gebündelt. (Datenreduktion)
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
MehrInstitut für Marketing und Handel Prof. Dr. W. Toporowski. SPSS Übung 5. Heutige Themen: Faktorenanalyse. Einführung in Amos
SPSS Übung 5 Heutige Themen: Faktorenanalyse Einführung in Amos 1 Faktorenanalyse Datei Öffnen V:/Lehre/Handelswissenschaft/Daten_Übung3/Preisimage_F_und_C.sav 2 Datensatz (I) v1 Wenn Produkte zu Sonderpreisen
MehrFaktorenanalyse. Fakultät für Human und Sozialwissenschaften Professur für Forschungsmethodik und Evaluation in der Psychologie
Faktorenanalyse Fakultät für Human und Sozialwissenschaften Professur für Forschungsmethodik und Evaluation in der Psychologie Seminar: Multivariate Analysemethoden Seminarleiter: Dr. Thomas Schäfer Referenten:
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 28. März 2014, 9.00-11.00 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 12 a)
LÖSUNG 12 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 "Analysieren", "Klassifizieren", "Diskriminanzanalyse" öffnet die Dialogbox "Diskriminanzanalyse". Die Variable BESUCH (der
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
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
MehrProjekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?
AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrHeinz Holling & Günther Gediga. Statistik - Deskriptive Verfahren
Heinz Holling & Günther Gediga Statistik - Deskriptive Verfahren Übungen Version 15.12.2010 Inhaltsverzeichnis 1 Übung 1; Kap. 4 3 2 Übung 2; Kap. 5 4 3 Übung 3; Kap. 6 5 4 Übung 4; Kap. 7 6 5 Übung 5;
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...
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
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
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
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
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
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 09. Mai 2009 09. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Arbeitsschritte bei der Datenanalyse Datenmanagement (Einlesen von Daten, Teilen von
MehrSPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests. H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab.
SPSS IV Gruppenvergleiche (>2 Gruppen) A priori & post hoc-tests A parametrisch -- ANOVA Beispieldatei: Seegräser_ANOVA H0: Die mittlere Anzahl der Seegräser (µ) hängt nicht von der Seeigel menge ab. µ
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
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
MehrHypothesentests mit SPSS. Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav
Beispiel für eine einfaktorielle Varianzanalyse Daten: museum_m_v05.sav Hypothese: Die Beschäftigung mit Kunst ist vom Bildungsgrad abhängig. 1. Annahmen Messniveau: Modell: Die Skala zur Erfassung der
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
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrInhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden
Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
Mehr9.3 Lineare Regression
9.3 Lineare Regression 115 A B C D E F G H 1 2 Pearsonscher Korrelationskoeffizient 3 4 5 6 x-werte y-werte ANALYSE ASSISTENT 7 2,4-4 8 3,2-1 9 8,3 6,4 Spalte 1 Spalte 2 10 6,4 6 Spalte 1 1 11 7,2 6,3
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
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
MehrKapitel 22 Partielle Korrelationen
Kapitel 22 Partielle Korrelationen Bereits im vorhergehenden Kapitel wurden mit der Prozedur KORRELATION, BIVARIAT Korrelationskoeffizienten berechnet. Korrelationskoeffizienten dienen allgemein dazu,
Mehr17. Januar Ruhr-Universität Bochum. Methodenlehre III, WS 2010/2011. Prof. Dr. Holger Dette. 1. Matrizenrechnung. 2.
Ruhr-Universität Bochum 17. Januar 2011 1 / 232 Methodenlehre III 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
MehrMultivariate Verfahren
Faktorenanalyse 1 Matthias Rudolf & Johannes Müller Multivariate Verfahren Eine praxisorientierte Einführung mit Anwendungsbeispielen in SPSS Praxisbeispiel zur Faktorenanalyse: FABA Inhalt: 1 Beschreibung
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrVorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13
Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger
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
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
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrInhalt. Einführung in die Faktorenanalyse mit SPSS. 1. Faktorenanalyse: Wozu? 1. Faktorenanalyse: Wie?
Einführung in die Faktorenanalyse mit SPSS Benutzertreffen am URZ Christoph Witzel. Juni 00 Inhalt. Faktorenanalyse: Wozu und wie?. Beispieldaten Metalle. Vorgehensweise. Verfahren zur Berechnung der Faktoren.
Mehr6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrHäufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche
Lehrveranstaltung Empirische Forschung und Politikberatung der Universität Bonn, WS 2007/2008 Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche 30. November 2007 Michael
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrStatistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
Mehr2. Korrelation, lineare Regression und multiple Regression
2., Linear 2., lineare multiple 2., lineare 2.1 2.2 Lineare 2.1 2.2 Lineare 2.7 Partielle 2.7 Partielle 1 / 149 2., Linear 2., lineare 2.1 2.2 Lineare 2.1 2.7 Partielle 2 / 149 2.1 Beispiel: Arbeitsmotivation
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrEvaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am 03.08.2007 (1.Termin)
Evaluation & Forschungsmethoden (Multivariate Analyse Hauptdiplom-Prüfungsklausur am 03.08.007 (1.Termin Name: Matrikel-Nr.: Aufgabe 1: (3 Punkte Es seien zwei Vektoren a und b (mit mehr als Koordinaten
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 26. August 2009 26. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Bivariate Datenanalyse, Überblick bis Freitag heute heute Donnerstag Donnerstag Freitag
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrHierarchische Clusteranalyse
Hierarchische Clusteranalyse Unter dem Menupunkt Statistik - Klassifizieren finden sich sowohl agglomerative ( hierarchische ) als auch partitionierende ( Clusterzentren ) Clusteranalyseverfahren. Da die
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
MehrEmpirische Forschungsmethoden: Multivariate Datenanalyse
Vorlesung Empirische Forschungsmethoden: Multivariate Datenanalyse Prof. Dr. Jost Adler Lehrstuhl für Marketing Department of Management & Marketing Universität Duisburg-Essen Umbenennung der Veranstaltungen
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrExplorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr4. Skalenbildung: Faktorenanalyse, Aggregation von Items & Normierung
4. Skalenbildung: Faktorenanalyse, Aggregation von Items & Normierung Über die interne Struktur eines Tests bestehen präzise theoretische Vorstellungen --> ja: Konfirmatorische Faktorenanalyse CFA -->
MehrStatistik. Für Sozialwissenschaftler. Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen
Jürgen Bortz Statistik Für Sozialwissenschaftler Dritte, neu bearbeitete Auflage Mit 71 Abbildungen und 224 Tabellen Springer-Verlag Berlin Heidelberg Newlfork London Paris Tokyo Inhaltsverzeichnis Einleitung
MehrBefehl: Analysieren > Deskriptive Statistiken > Häufigkeiten. Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere Lagemasse
Grundeinstellungen Befehl: Bearbeiten >Optionen > Allgemein: Namen anzeigen Häufigkeiten Befehl: Analysieren > Deskriptive Statistiken > Häufigkeiten Unter: Statistiken: Angabe Kurtosis/ Schiefe/ andere
Mehr