Interpretation SPPS Output Mediationsanalyse mit PROCESS Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
|
|
|
- Artur Albrecht
- vor 6 Jahren
- Abrufe
Transkript
1 Interpretation SPPS Output Mediationsanalyse mit PROCESS Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: Mit dem folgenden Tutorial lernen Sie die sichere Interpretation des SPSS-Outputs zur Prüfung von Mediationshypothesen mit Bootstrapping anhand der PROCESS-Makros. Vorab drei wichtige Punkte: 1. Lernen an Beispielen Dieses Tutorial beruht auf dem lernpsychologischen Prinzip des Lernen an Beispielen. Zuerst werden Sie an mehreren Beispielen durch die Interpretation des Tests geführt. Es folgen mehrere Übungsaufgaben, anfangs noch mit Lösungshinweisen, später nur die reine Aufgabe. Und für jede Aufgabe sind im Anschluss die einzelnen Lösungsschritte aufgeführt. Dieses Lernprinzip wirkt jedoch nur, wenn Sie nach den Beispielen die Übungsaufgaben zuerst selbst bearbeiten und sich erst dann die jeweilige Lösung ansehen. 2. Voraussetzungen Die sonstigen diversen Voraussetzungen für die Durchführung einer Regressionsanalyse sollen für alle folgenden Beispiele und Aufgaben gegeben sein. In Ihrer Bachelorarbeit oder Masterarbeit müssten Sie das aber vorher natürlich prüfen. 3. Aufruf von PROCESS Bei den Beispielen und Aufgaben wurde jeweils das l 4 mit den folgenden Zusatzoptionen (Dialogfenster Options) aufgerufen: - Effect size - Sobel test - Total effect model 1
2 Beispiel 1 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über einen Mediator M einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Wie sind die unstandardisierten Pfadkoeffizienten für die Pfade c, a, b, c'? b. Ist der indirekte Pfad signifikant (anhand Bootstrapping)? c. Wie hoch ist die Effektstärke (vollständig standardisierter Effekt)? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 54 Outcome: M,6936,4811, ,2045 1, ,0000,0000 constant 2,3413,8947 2,6168,0116,5459 4,1367 X,5000,0720 6,9429,0000,3555,6445,6907,4771 1, ,2671 2, ,0000,0000 constant 11,3046 1,7354 6,5142,0000 7, ,7886 M 1,0815,2528 4,2773,0001,5739 1,5891 X,1570,1823,8615,3930 -,2089,5230 ************************** TOTAL EFFECT MODEL ****************************,5381,2895 2, ,1911 1, ,0000,0000 constant 13,8367 1,8831 7,3477, , ,6155 X,6978,1516 4,6034,0000,3936 1,
3 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y,6978,1516 4,6034,0000,3936 1,0019 Direct effect of X on Y,1570,1823,8615,3930 -,2089,5230 Indirect effect of X on Y M,5407,1633,2491,8989 Partially standardized indirect effect of X on Y M,3092,0826,1532,4809 Completely standardized indirect effect of X on Y M,4170,1133,2105,6643 Ratio of indirect to total effect of X on Y M,7750,2699,3567 1,4275 Ratio of indirect to direct effect of X on Y M 3, ,6529-2, ,8326 R-squared mediation effect size (R-sq_med) M,2819,0875,1138,4547 Normal theory tests for indirect effect Effect se Z p,5407,1496 3,6146,0003 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX Lösungsschritte Mediation mit PROCESS Schritt 1. Ablesen der Pfadkoeffizienten Schritt 2. Ablesen des Konfidenziintervalls für den indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des completly standardised indirect effect 3
4 Lösung Beispiel 1 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 54 Outcome: M,6936,4811, ,2045 1, ,0000,0000 constant 2,3413,8947 2,6168,0116,5459 4,1367 X,5000,0720 6,9429,0000,3555,6445 a = 0.500,6907,4771 1, ,2671 2, ,0000,0000 constant 11,3046 1,7354 6,5142,0000 7, ,7886 M 1,0815,2528 4,2773,0001,5739 1,5891 X,1570,1823,8615,3930 -,2089,5230 b = c' = ************************** TOTAL EFFECT MODEL ****************************,5381,2895 2, ,1911 1, ,0000,0000 constant 13,8367 1,8831 7,3477, , ,6155 X,6978,1516 4,6034,0000,3936 1,0019 c = ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y,6978,1516 4,6034,0000,3936 1,0019 Direct effect of X on Y,1570,1823,8615,3930 -,2089,
5 Indirect effect of X on Y M,5407,1633,2491,8989 Partially standardized indirect effect of X on Y M,3092,0826,1532,4809 indir. Effekt: Konfidenzintervall: [0.249, 0.899] enthält 0 nicht, Effekt also signifikant Completely standardized indirect effect of X on Y M,4170,1133,2105,6643 Ratio of indirect to total effect of X on Y M,7750,2699,3567 1,4275 Vollständig standardisierter indirekter Effekt: Ratio of indirect to direct effect of X on Y M 3, ,6529-2, ,8326 R-squared mediation effect size (R-sq_med) M,2819,0875,1138,4547 Normal theory tests for indirect effect Effect se Z p,5407,1496 3,6146,0003 ******************** ANALYSIS NOTES AND WARNINGS ************************* (Hinweis: Das ist das Ergebnis des Sobel-Tests, ist hier also auch signifikant, da <.05) Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
6 Beispiel 2 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über einen Mediator M einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Wie sind die unstandardisierten Pfadkoeffizienten für die Pfade c, a, b, c'? b. Ist der indirekte Pfad signifikant (anhand Bootstrapping)? c. Wie hoch ist die Effektstärke (vollständig standardisierter Effekt)? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 54 Outcome: M,2364, ,1133 3,0781 1, ,0000,0852 constant 16,2034 3,6947 4,3855,0001 8, ,6175 X,5841,3329 1,7544,0852 -,0840 1,2522,8967,8041 3, ,6968 2, ,0000,0000 constant 10,6294 1,5489 6,8628,0000 7, ,7389 M,5995, ,0698,0000,4998,6992 X,6017,1227 4,9026,0000,3553,8480 ************************** TOTAL EFFECT MODEL ****************************,4947, , ,8454 1, ,0000,0001 constant 20,3433 2,5736 7,9045, , ,5077 X,9518,2319 4,1043,0001,4865 1,
7 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y,9518,2319 4,1043,0001,4865 1,4172 Direct effect of X on Y,6017,1227 4,9026,0000,3553,8480 Indirect effect of X on Y M,3502,1959 -,0239,7361 Partially standardized indirect effect of X on Y M,0863,0436 -,0089,1607 Completely standardized indirect effect of X on Y M,1820,0921 -,0123,3447 Ratio of indirect to total effect of X on Y M,3679,4533 -,0225,5721 Ratio of indirect to direct effect of X on Y M,5820,3442 -,0228 1,3366 R-squared mediation effect size (R-sq_med) M,1524,0926 -,0106,3523 Normal theory tests for indirect effect Effect se Z p,3502,2024 1,7304,0836 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX Lösungsschritte Mediation mit PROCESS Schritt 1. Ablesen der Pfadkoeffizienten Schritt 2. Ablesen des Konfidenziintervalls für den indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des completly standardised indirect effect 7
8 Lösung Beispiel 2 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 54 Outcome: M,2364, ,1133 3,0781 1, ,0000,0852 constant 16,2034 3,6947 4,3855,0001 8, ,6175 X,5841,3329 1,7544,0852 -,0840 1,2522 a = 0.584,8967,8041 3, ,6968 2, ,0000,0000 constant 10,6294 1,5489 6,8628,0000 7, ,7389 M,5995, ,0698,0000,4998,6992 X,6017,1227 4,9026,0000,3553,8480 b = c' = ************************** TOTAL EFFECT MODEL ****************************,4947, , ,8454 1, ,0000,0001 constant 20,3433 2,5736 7,9045, , ,5077 X,9518,2319 4,1043,0001,4865 1,4172 c = ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** 8
9 Total effect of X on Y,9518,2319 4,1043,0001,4865 1,4172 Direct effect of X on Y,6017,1227 4,9026,0000,3553,8480 Indirect effect of X on Y M,3502,1959 -,0239,7361 Partially standardized indirect effect of X on Y M,0863,0436 -,0089,1607 indir. Effekt: Konfidenzintervall: [-0.024, 0.736] enthält 0, Effekt also nicht signifikant Completely standardized indirect effect of X on Y M,1820,0921 -,0123,3447 Ratio of indirect to total effect of X on Y M,3679,4533 -,0225,5721 Vollständig standardisierter indirekter Effekt: Ratio of indirect to direct effect of X on Y M,5820,3442 -,0228 1,3366 R-squared mediation effect size (R-sq_med) M,1524,0926 -,0106,3523 Normal theory tests for indirect effect Effect se Z p,3502,2024 1,7304,0836 (Hinweis: Das ist das Ergebnis des Sobel-Tests, ist hier also nicht signifikant, da >.05) ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
10 Alles klar? Und jetzt sind Sie dran. Mit den folgenden Aufgaben können Sie Ihr Verständnis des Gelernten prüfen und weiter festigen. Damit Sie einen optimalen Lernerfolg erzielen, sollten Sie jeweils zuerst versuchen, eine Aufgabe zu lösen, bevor Sie sich auf der folgenden Seite den Lösungsvorschlag ansehen. 10
11 Aufgabe 1 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über einen Mediator M einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Wie sind die unstandardisierten Pfadkoeffizienten für die Pfade c, a, b, c'? b. Ist der indirekte Pfad signifikant (anhand Bootstrapping)? c. Wie hoch ist die Effektstärke (vollständig standardisierter Effekt)? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,5073,2573 1, ,0277 1, ,0000,0000 constant 6,0088, ,7493,0000 4,8959 7,1217 X,7968,1533 5,1988,0000,4917 1,1020,8875,7876, ,7554 2, ,0000,0000 constant 8,9939, ,8622,0000 8,1747 9,8131 M,6151, ,6274,0000,5097,7204 X,3878,0831 4,6672,0000,2223,5533 ************************** TOTAL EFFECT MODEL ****************************,6439,4146, ,2524 1, ,0000,0000 constant 12,6898, ,4594, , ,5474 X,8779,1181 7,4332,0000,6428 1,
12 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y,8779,1181 7,4332,0000,6428 1,1131 Direct effect of X on Y,3878,0831 4,6672,0000,2223,5533 Indirect effect of X on Y M,4901,1050,3017,7090 Partially standardized indirect effect of X on Y M,3800,0646,2541,5066 Completely standardized indirect effect of X on Y M,3595,0617,2411,4822 Ratio of indirect to total effect of X on Y M,5583,0906,3961,7457 Ratio of indirect to direct effect of X on Y M 1,2638,7920,6559 2,9324 R-squared mediation effect size (R-sq_med) M,3546,0702,2165,4908 Normal theory tests for indirect effect Effect se Z p,4901,1036 4,7315,0000 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX Lösungsschritte Mediation mit PROCESS Schritt 1. Ablesen der Pfadkoeffizienten Schritt 2. Ablesen des Konfidenziintervalls für den indirekten Effekt, prüfen ob es 0 enthält (= nicht signifikant) oder ob es 0 nicht enthält (= signifikant) Schritt 3. Ablesen des completly standardised indirect effect 12
13 Lösung Aufgabe 1 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,5073,2573 1, ,0277 1, ,0000,0000 constant 6,0088, ,7493,0000 4,8959 7,1217 X,7968,1533 5,1988,0000,4917 1,1020 a = 0.797,8875,7876, ,7554 2, ,0000,0000 constant 8,9939, ,8622,0000 8,1747 9,8131 M,6151, ,6274,0000,5097,7204 X,3878,0831 4,6672,0000,2223,5533 b = c' = ************************** TOTAL EFFECT MODEL ****************************,6439,4146, ,2524 1, ,0000,0000 constant 12,6898, ,4594, , ,5474 X,8779,1181 7,4332,0000,6428 1,1131 c =
14 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y,8779,1181 7,4332,0000,6428 1,1131 Direct effect of X on Y,3878,0831 4,6672,0000,2223,5533 Indirect effect of X on Y M,4901,1050,3017,7090 Partially standardized indirect effect of X on Y M,3800,0646,2541,5066 indir. Effekt: Konfidenzintervall: [0.302, 0.709] enthält 0 nicht, Effekt also signifikant Completely standardized indirect effect of X on Y M,3595,0617,2411,4822 Ratio of indirect to total effect of X on Y M,5583,0906,3961,7457 Vollständig standardisierter indirekter Effekt: Ratio of indirect to direct effect of X on Y M 1,2638,7920,6559 2,9324 R-squared mediation effect size (R-sq_med) M,3546,0702,2165,4908 Normal theory tests for indirect effect Effect se Z p,4901,1036 4,7315,0000 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
15 Aufgabe 2 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über einen Mediator M einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Wie sind die unstandardisierten Pfadkoeffizienten für die Pfade c, a, b, c'? b. Ist der indirekte Pfad signifikant (anhand Bootstrapping)? c. Wie hoch ist die Effektstärke (vollständig standardisierter Effekt)? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,1903, ,3591 2,9317 1, ,0000,0908 constant 5,4075 6,3148,8563,3944-7, ,9794 X 1,3585,7934 1,7122,0908 -,2211 2,9381,9121,8319 1, ,5605 2, ,0000,0000 constant 7,8654 1,7529 4,4870,0000 4, ,3560 M,5890, ,8285,0000,5267,6513 X,3306,2233 1,4806,1428 -,1140,7753 ************************** TOTAL EFFECT MODEL ****************************,2410,0581 9,0204 4,8099 1, ,0000,0313 constant 11,0506 4,1037 2,6928,0087 2, ,2206 X 1,1308,5156 2,1932,0313,1043 2,
16 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,1308,5156 2,1932,0313,1043 2,1574 Direct effect of X on Y,3306,2233 1,4806,1428 -,1140,7753 Indirect effect of X on Y M,8002,4751 -,0934 1,7583 Partially standardized indirect effect of X on Y M,2602,1488 -,0394,5409 Completely standardized indirect effect of X on Y M,1705,0973 -,0234,3542 Ratio of indirect to total effect of X on Y M, ,0881 -,1916 1,2140 Ratio of indirect to direct effect of X on Y M 2, ,5351-4, ,2170 R-squared mediation effect size (R-sq_med) M,0533,0474 -,0012,1787 Normal theory tests for indirect effect Effect se Z p,8002,4699 1,7028,0886 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
17 Lösung Aufgabe 2 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,1903, ,3591 2,9317 1, ,0000,0908 constant 5,4075 6,3148,8563,3944-7, ,9794 X 1,3585,7934 1,7122,0908 -,2211 2,9381 a = 1.359,9121,8319 1, ,5605 2, ,0000,0000 constant 7,8654 1,7529 4,4870,0000 4, ,3560 M,5890, ,8285,0000,5267,6513 X,3306,2233 1,4806,1428 -,1140,7753 b = c' = ************************** TOTAL EFFECT MODEL ****************************,2410,0581 9,0204 4,8099 1, ,0000,0313 constant 11,0506 4,1037 2,6928,0087 2, ,2206 X 1,1308,5156 2,1932,0313,1043 2,1574 c =
18 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,1308,5156 2,1932,0313,1043 2,1574 Direct effect of X on Y,3306,2233 1,4806,1428 -,1140,7753 Indirect effect of X on Y M,8002,4751 -,0934 1,7583 Partially standardized indirect effect of X on Y M,2602,1488 -,0394,5409 indir. Effekt: Konfidenzintervall: [-0.093, 1.758] enthält 0, Effekt also nicht signifikant Completely standardized indirect effect of X on Y M,1705,0973 -,0234,3542 Ratio of indirect to total effect of X on Y M, ,0881 -,1916 1,2140 Vollständig standardisierter indirekter Effekt: Ratio of indirect to direct effect of X on Y M 2, ,5351-4, ,2170 R-squared mediation effect size (R-sq_med) M,0533,0474 -,0012,1787 Normal theory tests for indirect effect Effect se Z p,8002,4699 1,7028,0886 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
19 Aufgabe 3 Sie wollen prüfen, ob mit den Daten die Hypothese vereinbar ist, dass die unabhängige Variable X über einen Mediator M einen Einfluss auf die abhängige Variable Y ausübt. Bitte beantworten Sie auf Basis der Auswertung aus PROCESS die folgenden Fragen: a. Wie sind die unstandardisierten Pfadkoeffizienten für die Pfade c, a, b, c'? b. Ist der indirekte Pfad signifikant (anhand Bootstrapping)? c. Wie hoch ist die Effektstärke (vollständig standardisierter Effekt)? Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,4200,1764 1, ,7049 1, ,0000,0001 constant 6,5081 1,8523 3,5136,0007 2, ,1957 X,9538,2334 4,0872,0001,4892 1,4184,4512,2036 3,0568 9,8405 2, ,0000,0002 constant 7,8096 2,7623 2,8272,0060 2, ,3100 M,4935,1569 3,1453,0024,1811,8059 X,5410,3563 1,5183,1330 -,1685 1,2505 ************************** TOTAL EFFECT MODEL ****************************,3182,1012 3,4053 8,7864 1, ,0000,0040 constant 11,0213 2,7090 4,0684,0001 5, ,4145 X 1,0117,3413 2,9642,0040,3322 1,
20 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,0117,3413 2,9642,0040,3322 1,6912 Direct effect of X on Y,5410,3563 1,5183,1330 -,1685 1,2505 Indirect effect of X on Y M,4707,1959,1727,9711 Partially standardized indirect effect of X on Y M,2434,0944,0932,4695 Completely standardized indirect effect of X on Y M,1480,0572,0574,2886 Ratio of indirect to total effect of X on Y M,4652,4913,1651 1,2910 Ratio of indirect to direct effect of X on Y M, ,7099, ,3173 R-squared mediation effect size (R-sq_med) M,0774,0379,0194,1716 Normal theory tests for indirect effect Effect se Z p,4707,1923 2,4471,0144 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
21 Lösung Aufgabe 3 Run MATRIX procedure: ************* PROCESS Procedure for SPSS Release ****************** Written by Andrew F. Hayes, Ph.D. = 4 Y = Y X = X M = M Sample size 80 Outcome: M,4200,1764 1, ,7049 1, ,0000,0001 constant 6,5081 1,8523 3,5136,0007 2, ,1957 X,9538,2334 4,0872,0001,4892 1,4184 a = 0.954,4512,2036 3,0568 9,8405 2, ,0000,0002 constant 7,8096 2,7623 2,8272,0060 2, ,3100 M,4935,1569 3,1453,0024,1811,8059 X,5410,3563 1,5183,1330 -,1685 1,2505 b = c' = ************************** TOTAL EFFECT MODEL ****************************,3182,1012 3,4053 8,7864 1, ,0000,0040 constant 11,0213 2,7090 4,0684,0001 5, ,4145 X 1,0117,3413 2,9642,0040,3322 1,6912 c =
22 ***************** TOTAL, DIRECT, AND INDIRECT EFFECTS ******************** Total effect of X on Y 1,0117,3413 2,9642,0040,3322 1,6912 Direct effect of X on Y,5410,3563 1,5183,1330 -,1685 1,2505 Indirect effect of X on Y M,4707,1959,1727,9711 Partially standardized indirect effect of X on Y M,2434,0944,0932,4695 indir. Effekt: Konfidenzintervall: [0.173, 0.971] enthält 0 nicht, Effekt also signifikant Completely standardized indirect effect of X on Y M,1480,0572,0574,2886 Ratio of indirect to total effect of X on Y M,4652,4913,1651 1,2910 Vollständig standardisierter indirekter Effekt: Ratio of indirect to direct effect of X on Y M, ,7099, ,3173 R-squared mediation effect size (R-sq_med) M,0774,0379,0194,1716 Normal theory tests for indirect effect Effect se Z p,4707,1923 2,4471,0144 ******************** ANALYSIS NOTES AND WARNINGS ************************* Number of bootstrap samples for bias corrected bootstrap confidence intervals: 5000 Level of confidence for all confidence intervals in output: 95,00 NOTE: Kappa-squared is disabled from output as of version END MATRIX
23 Copyrighthinweis: * SPSS ist ein geschütztes Warenzeichen von IBM. Impressum: Arndt Regorz Alemannenstraße Bochum mail@regorz-statistik.de Wie kann ich Sie weiter unterstützen? Nachhilfe & Prüfungsvorbereitung Statistik Statistik kann man umständlich und formel-lastig erklären, wie es viele Hochschulen leider tun. Und man kann Statistik so erklären, dass es verständlich ist. Wenn Ihnen mein Erklärungs-Stil liegt und Sie Nachhilfe in Statistik benötigen, finden Sie auf meiner Seite zu Statistik-Nachhilfe weitere Infos. Beratung für Datenauswertung bei Bachelorarbeit oder Masterarbeit Welche Auswertungen sind für Ihre Fragestellung richtig und was müssen Sie dabei beachten? Schon in einer Stunde (Telefon/Skype/vor Ort) kann man viele Fragen klären. Auf meiner Seite zu Statistik-Beratung finden Sie weitere Informationen. 23
Interpretation SPPS Output Mann-Whitney U-Test Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24
Interpretation SPPS Output Mann-Whitney U-Test Arndt Regorz (B.Sc.Psychologie & Dipl. Kaufmann) Für: SPSS*-Version 24 Stand: 01.12.2017 Mit dem folgenden Tutorial lernen Sie die sichere Interpretation
Tutorial. 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
Forschungslücken finden: Checkliste
Forschungslücken finden: Checkliste Arndt Regorz, Dipl. Kfm. & BSc (Psychologie) Stand: 08.12.2017 0 Einleitung Diese Checkliste soll Ihnen das Auffinden einer Forschungslücke für Ihre Bachelorarbeit,
Mediatioranalyse & 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
Übungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
FRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
Statistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
Aufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen Rängen. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
Literatur: Rudolf & Müller, S Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung SEM Folie Nr. 1
1 Korrelation und Kausalität 2 Grundsätzliches 3 Pfaddiagramme und lineare Strukturgleichungen 4 Struktur- und Messmodell 5 Modellspezifikation 6 Parameterschätzungen 7 Beurteilung der Schätzergebnisse
Aufgaben zu Kapitel 4
Aufgaben zu Kapitel 4 Aufgabe 1 a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl erinnerter positiver Adjektive. Wie nennt sich eine solche Korrelation und wie lässt sich der Output
Kapitel 6: Zweifaktorielle Varianzanalyse
Kapitel 6: Zweifaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung 1 Teststärkebestimmung a posteriori 4 Berechnen der Effektgröße f² aus empirischen Daten und Bestimmung
Aufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen ob die in diesem Datensatz untersuchte
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
Aufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
» S C H R I T T - F Ü R - S C H R I T T - A N L E I T U N G «M U L T I P L E L I N E A R E R E G R E S S I O N M I T S P S S / I B M Daniela Keller
» SCHRITT-FÜR-SCHRITTANLEITUNG«MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Daniela Keller Daniela Keller - MULTIPLE LINEARE REGRESSION MIT SPSS/IBM Impressum 2016 Statistik und Beratung Dipl.-Math. Daniela
# Befehl für den Lilliefors-Test
1/5 Matthias Rudolf & Diana Vogel R-Kurs Graduiertenakademie September 2017 Loesungsskript: Tests 1a library(nortest) 1b lillie.test Befehl für den Lilliefors-Test 2a, Datensatz "Schachbeispiel einlesen"
Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
Anhang zu Asexualität, sexuelle und nicht sexuelle Gewalt
Anhang zu Asexualität, sexuelle und nicht sexuelle Multivariate Varianzanalyse zur Analyse der Einflüsse von sexueller (Sexgewalt) und nicht sexueller () auf fünf Asexualitäts-Maße Bezüglich mögliche Auswirkungen
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Webergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
Übungsklausur 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
Kapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
Tutorial. Moderationsanalyse mit PROCESS
Tutorial Moderationsanalyse mit PROCESS stefan.pfattheicher@uni-ulm.de Das Konzept Moderation Ein Moderator verändert den Zusammenhang zwischen unabhängiger Variable (folgend X) und einer abhängigen Variable
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit 2. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle In vielen Untersuchungen soll eine komplexere Beziehungsstruktur untersucht werden.
X =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
Statistik mit R, Sitzung am
Statistik mit R, Sitzung am 19.06.07 Mike Kühne 1 R-Kurs INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Bivariate Statistik 3 1.1 Tabellen.............................. 3 1.2 Zusammenhangsmaße für nominal skalierte
Anwendung von Multi-Level Moderation in Worst Performance Analysen
Anwendung von Multi-Level Moderation in Worst Performance Analysen Präsentation auf der FGME 2015 - Jena Gidon T. Frischkorn, Anna-Lena Schubert, Andreas B. Neubauer & Dirk Hagemann 16. September 2015
Vergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test
Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden
BEDIENUNGSANLEITUNG 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
Parasoziale Interaktionen mit Sportlern in sozialen Medien. Eine Untersuchung mit Blick auf Nutzungsgewohnheiten und Sportinteresse.
Parasoziale Interaktionen mit Sportlern in sozialen Medien. Eine Untersuchung mit Blick auf Nutzungsgewohnheiten und Sportinteresse. Für Sportlerinnen und Sportler haben sich mit den sozialen Medien völlig
Metrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r
Dr. Wolfgang Langer - Methoden V: Explorative Faktorenanalyse SoSe 1999-1 Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala Für die Schätzung der Zuverlässigkeit einer additiven Itemskala,
Aufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
SPDS-Problem - proc summary auf View mit by-variable - Sortierung wird verlangt
News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren Allgemeine Fragen zu SAS SPDS-Problem - proc summary auf View mit by-variable - Sortierung wird verlangt
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
Grundlagen der Varianzanalyse
Grundlagen der Varianzanalyse Frank Huber Frederik Meyer Michael Lenzen Grundlagen der Varianzanalyse Konzeption Durchführung Auswertung Frank Huber LS für Marketing I Universität Mainz Mainz, Deutschland
Aufgaben zu Kapitel 5:
Aufgaben zu Kapitel 5: Aufgabe 1: Ein Wissenschaftler untersucht, in wie weit die Reaktionszeit auf bestimmte Stimuli durch finanzielle Belohnung zu steigern ist. Er möchte vier Bedingungen vergleichen:
Güteanalyse. Nochmal zur Erinnerung: Hypothesentest. Binominalverteilung für n=20 und p=0,5. Münzwurf-Beispiel genauer
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Güteanalyse Prof. Walter F. Tichy Fakultät für Informatik 1 Fakultät für Informatik 2 Nochmal zur Erinnerung: Hypothesentest Am Beispiel
Durchschnittswerte aller Seminare/ Vergleichswerte. Durchschnittswerte aller Seminare/ Vergleichswerte. mw=4.1 s=0.9. mw=4.4 s=0.9. mw=3.
Durchschnittswerte aller Seminare/ Vergleichswerte mw=4.1 s=0.9 mw=4.4 s=0.9 mw=3.9 s=1 mw=3.8 s=0.8 mw=2 s=0.8 Durchschnittswerte aller Seminare/ Vergleichswerte Anmerkung: Die Freitext-Angaben zur
Pflege Deine Vorurteile! A statistician is a person who draws a mathematically precise line from an unwarranted assumption to a foregone conclusion.
Pflege Deine Vorurteile! A statistician is a person who draws a mathematically precise line from an unwarranted assumption to a foregone conclusion. Statistik als wissenschaftliche Qualitätskontrolle Quo
Biometrische und Ökonometrische Methoden II Lösungen 1
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden II Lösungen 1 1. a) MTB > name c1 '100 mm'
Bachelorarbeit. Was ist zu tun?
Bachelorarbeit Was ist zu tun? Titelseite Zusammenfassung/Summary Inhaltsverzeichnis Abkürzungsverzeichnis Einleitung Material und Methoden Ergebnisse Diskussion Ausblick Literaturverzeichnis Danksagung
Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße
Angewandte Statistik und Informatik in den Biowissenschaften Statistische Signifikanz und biologische Relevanz und ihre Visualisierung über Effektstärkemaße Jörg Schmidtke, Kerstin Schmidt Schnickmannstraße
Logistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
Kapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
Lineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
Quantitative Auswertung II. Korpuslinguistik Heike Zinsmeister
Quantitative Auswertung II Korpuslinguistik Heike Zinsmeister 16.12.2011 Unterschiedstest Fall 1: unabhängige Stichproben Daten eine unabhängige Variable auf Nominal- oder Kategorialniveau eine abhängige
Zeilen in SAS-Datensatz einfügen
News Artikel Foren Projekte Links Über Redscope Join List Random Previous Next Startseite Foren ETL & Base SAS Zeilen in SAS-Datensatz einfügen 27 June, 2011-16:27 Gordon123 Hallo liebe Forengemeinde,
Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
Statistik für Ingenieure Vorlesung 13
Statistik für Ingenieure Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6. Februar 2018 5.1.4. Weitere ausgewählte statistische Tests a) Binomialtest Der Binomialtest
Prüfungsliteratur: Rudolf & Müller S , 342
1 Korrelations- und Regressionsanalyse 1.1 Grundlagen und allgemeiner Überblick 1.2 Einfache lineare Regression 1.2.1 Modell 1.2.2 Methode der kleinsten Quadrate 1.2.3 Voraussetzungen 1.2.4 Varianzzerlegung
Teil: 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
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen
Die Berücksichtigung hierarchischer Datenstruktur in quantitativen Untersuchungen Andreas Hartinger Kurzpräsentation im Rahmen des Doktorandenkolloquiums Regensburg, 15. Februar 2016 Agenda 1. Wo liegt
FERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
Kapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Anmerkung 1 Mann-Whitney U-Test 1 Wilcoxon-Test 3 Kruskal-Wallis H-Test 3 Literatur 6 Anmerkung In Kapitel 8 der Bücher wird erwähnt, dass für nichtparametrische Daten
Statistics, Data Analysis, and Simulation SS 2015
Mainz, June 11, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
Institut für Soziologie Benjamin Gedon. Methoden 2. Kausalanalyse
Institut für Soziologie Methoden 2 Kausalanalyse Inhalt 1. Kausalanalyse 2. Anwendungsbeispiel 3. Wiederholung 4. Übungsaufgabe # 2 Kausalanalyse Kausalität: Identifizieren von Ursache-Wirkungs-Beziehungen
INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE. Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße
DAS THEMA: INFERENZSTATISTIK III INFERENZSTATISTISCHE AUSSAGEN FÜR LAGEMAßE UND STREUUNGSMAßE Inferenzstatistik für Lagemaße Inferenzstatistik für Streuungsmaße Inferenzstatistik für Lagemaße Standardfehler
Faire Führung = gesunde Führung?
Torsten J. Holstad Kathleen Otto Christiane R. Stempel Thomas Rigotti Präsentation auf dem 7. Kongress der Fachgruppe für Arbeits-, Organisations-, und Wirtschaftspsychologie der DGPs Was ist gesundheitsförderliche
Log-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
Fragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
Übung zur Logistischen Regression Juli 2011
Lehrveranstaltung Empirische Forschung und Politikberatung Sommersemester 2011 Übung zur Logistischen Regression - - - - - 1.Juli 2011 Anja Hall, Bundesinstitut für Berufsbildung, AB 2.2: Qualifikation,
Lernziele Experimentelles Praktikum
Lernziele Experimentelles Praktikum Inhaltsverzeichnis 1. Theoretischer Hintergrund des Artikels 2. Grundlagen des Experimentierens 3. Schritte der allgemeinen Versuchsplanung 4. Unabhängige Variablen
Spitzner Arzneimittel. Statistik in der Stabilitätsprüfung von. Phytopharmaka. DPhG Marburg 04./ Dr. H. Höwer-Fritzen
Statistik in der Stabilitätsprüfung von Phytopharmaka? Statistik eine wissenschaftliche Methode zur zahlenmäßigen Erfassung, Untersuchung und Darstellung von Massenerscheinungen Eine geeignete Methode
Inhaltsverzeichnis Einführung und deskriptive Statistik Grundlagen der Inferenzstatistik 1: Zufallsvariablen
Inhaltsverzeichnis 1 Einführung und deskriptive Statistik... 1 1.1 Wichtige mathematische Schreibweisen... 1 1.1.1 Das Summenzeichen... 1 1.1.2 Mengentheoretische Schreibweisen... 3 1.1.3 Variablentransformationen...
Kapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (010). Quantitative Methoden. Band (3. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 7 a)
LÖSUNG 7 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Aufrufen der Varianzanalyse: "Analysieren", "Mittelwerte vergleichen", "Einfaktorielle ANOVA ", "Abhängige Variablen:" TVHOURS;
iid N(0, σ 2 ), b i, ε ij unabhängig i, j
Aufgabe 2 Betrachten Sie erneut den Datensatz zum Blutdruck. Als Signifikanzniveau wird in dieser Aufgabe α = 5% verwendet. (a) Fitten Sie folgendes Modell in R, wobei gender i = 0, falls Person i weiblich
1.1. Vergleich von Mittelwerten
1.1. Vergleich von Mittelwerten 1.1.1. Eine glückliche Familie: Die t-tests Die einfachsten inferenzstatistischen Verfahren sind die t-tests. Bei ihnen dreht sich alles um Mittelwerte und die Frage: Sind
Aufgaben zu Kapitel 4
Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Musterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Beschwerdemanagement / Complaint Management
Beschwerdemanagement / Complaint Management Structure: 1. Basics 2. Requirements for the implementation 3. Strategic possibilities 4. Direct Complaint Management processes 5. Indirect Complaint Management
Kapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
Statistik 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
Correlational analysis
Correlational analysis Students performance on an exam are influenced by multiple factors. Two possible factors are (i) anxiety and (ii) study time. In order to test the effect of these two factors on
Musterlösung zu Serie 8
Prof. Dr. W. Stahel, Dr. J. Ernest Regression HS 2017 Musterlösung zu Serie 8 1. Im Data Frame http://stat.ethz.ch/teaching/datasets/wbl/umwelt.dat sind die Ergebnisse einer Umfrage zum Umweltschutz gegeben.
Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7. Tierkreiszeichen * Crosstabulation
2012 03 31 Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7 Count Tierkreiszeichen * Crosstabulation Total nicht Tierkreiszeichen 22.12.-20.01. Steinbock 36278 22383 58661 21.01.-19.02.
Erwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht in R in R In R gibt es eine Reihe von Funktionen zur : lm(): lineare Regression glm(): allgemeines lineares Modell aov(): manova(): multivariate gam():
Hypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
Kapitel 3. FRAGESTELLUNG 1 und 2. Öffne die Datei commercial.sav. Folgende Darstellung sollte in der Datenansicht erscheinen:
Kapitel 3 FRAGESTELLUNG 1 und 2 Öffne die Datei commercial.sav. Folgende Darstellung sollte in der Datenansicht erscheinen: Wenn in der SPSS Datenansicht bis nach unten gescrollt wird, kann festgestellt
Das Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker
Die Bedeutung der klinischen Relevanz für f r die Machbarkeit klinischer Studien Eine Herausforderung für r den Kliniker und Biometriker Prof. Dr. Dieter Hauschke Köln, den 18.06.2010 Klinische Relevanz,
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien
Berechnung von Konfidenzintervallen für Impact Numbers aus Fall-Kontroll und Kohorten-Studien Mandy Hildebrandt 1,2, Ralf Bender 1 und Maria Blettner 2 1 Institut für Qualität und Wirtschaftlichkeit im
Statistik I. Hinweise zur Bearbeitung. Aufgabe 1
Statistik I, SS 2002, Seite 1 von 8 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
Methodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
t-tests Lösung: b) und c)
t-tests 2015 Assessmentmodul 1 - Frage B10: Ein Team von Gesundheitspsychologinnen hat ein Programm entwickelt, das die Studierenden der Universität Zürich dazu anregen soll, mehr Sport zu treiben. In
Multivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
Übung 5 im Fach "Biometrie / Q1" Thema: Wilcoxon, Chi-Quadrat, multiples Testen
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.