I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
|
|
- Julia Knopp
- vor 6 Jahren
- Abrufe
Transkript
1 I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: Life is the art of drawing sufficient conclusions from insufficient premises. Samuel Butler Dr. Wolfgang Langer Institut für Soziologie Martin-Luther-Universität Halle-Wittenberg Dr. Wolfgang Langer 2002
2 Gliederung I: 3 Einführung in die nichtlineare (polynome) Regression Exploration nichtlinearer Zusammenhänge mit Hilfe des Streudiagramms HZ rechtsextremer Gewalttaten gegen Ausländer auf Ausländeranteil an der Wohnbevölkerung 1998 Entwicklung der von gemeldeten Neuerkrankungen an AIDS (Robert-Koch-Institut) Entwicklung des Bevölkerungswachstums in den USA
3 Gliederung II: 3Die quadratische Regression: Modellgleichung Berücksichtigung der quadratischen Komponente im linear-additiven Modell über eine Hilfsvariable Ermittlung der Steigung/Tangente mit Hilfe der partiellen Ableitung Schätzung des linearen und quadratischen Regressionsmodells für den GEWALT98-Datensatz Zentrierung des Ausländeranteils Bildung der Hilfsvariablen Schätzung beider Modellformen mit hierarchischem Modelltest Interpretation der Effekte
4 Gliederung III: 3Das exponentielle Wachstumsmodell Die Zunahme der US-Bevölkerung von Modulierung des exponentiellen Wachstumsmodells Reformierung in logarithmierter Form Modellschätzung und Rücktransformation in die exponentielle Form
5 Exploration nichtlinearer Zusammenhänge 3HZ Rechtsextremer Gewalttaten gegen Ausländer auf Ausländeranteil ,5 LSA 3,0 MV 2,5 BR B 2,0 SAC 1,5 TH SH HH 1,0,5 NS RP NRW BW BAY H 0,0 SAAR HB Ausländeranteil an Wohnbevölkerung 1998 in %
6 Entwicklung der Neuerkrankungen an AIDS (1984: alle zuvor gemeldten Fälle) Erhebungsjahr
7 Bevölkerungswachstum der US von Bevölkerungsgröße in Millionen (absolut) Logarithmische Darstellung
8 (Urban 1982, S. 168f.)
9 Die quadratische Regression: 3 Modellgleichung für die Parabellform y = b 0 + b 1 *X + b 2 *X 2 + e 3 Berücksichtigung im linear-additiven Modell durch eine zusätzliche Hilfsvariable, welche die quadrierten Beobachtungswerte von X enthält. 3 Zuvor Zentrierung von X erforderlich, damit die Regressionskonstante b 0 inhaltlich interpretiert werden kann. Zentrierung am durchschnittlichen Ausländeranteil von % Zentrierung am Minimum des Ausländeranteils von 1,30 % (Thüringen)
10 Vergleich der geschätzten linearen und qudratischen Regressionsmodelle: Zentrierung am Mittelwert des Ausländeranteils Modellzusammenfassung c Änderungsstatistiken Modell R R-Quadrat Korrigiertes R-Quadrat Standardf ehler des Schätzers Änderung in R-Quadrat Änderung in F df1 df2 Änderung in Signifikanz von F 1,538 a,289,239,90670,289 5, ,032 2,779 b,607,547,69940,318 10, ,006 a. Einflußvariablen : (Konstante), Ausländeranteil am Mittelwert von 7,87% zentriert b. Einflußvariablen : (Konstante), Ausländeranteil am Mittelwert von 7,87% zentriert, AUSLPRC2 c. Abhängige Variable: Häufigkeitsziffer rechtsextremer Gewalttaten gegen Ausländer 1998
11 Vergleich der Regressionskoeffizienten des linearen und quadratischen Modells Modell 1 2 Koeffizienten a Standardisiert Nicht standardisierte e Koeffizienten Koeffizienten Standardf B ehler Beta T Signifikanz 1,236,227 5,451,000 (Konstante) Ausländeranteil am Mittelwert von -,104,044 -,538-2,387,032 7,87% zentriert (Konstante),621,258 2,406,032 Ausländeranteil am Mittelwert von -,135,035 -,694-3,850,002 7,87% zentriert AUSLPRC2,023,007,585 3,245,006 a. Abhängige Variable: Häufigkeitsziffer rechtsextremer Gewalttaten gegen Ausländer 1998
12 Interpretation des Effekts des Ausländeranteils über die zugehörige partielle Ableitung: 3 Prognosegleichung: Y=0,621-0,135*AUSPROZ Z7,87 +0,023*AUSPROZ 2 Z7,87 3 Partielle Ableitung von Y nach X: (Ausgangspunkt:Land mit durchschnittl.ausländeranteil) 0Y 0X b 1 2b 2 X 0, ,023X
13 Verteilung der geschätzten HZ Rechtsextremer Gewalttaten in Abhängigkeit vom Ausländeranteil 3,0 TH 2,5 MV LSA SAC 2,0 BR HH 1,5 SH 1,0 NS SAAR,5 RP BAY NRW BW HB H B 0, Ausländeranteil an Wohnbevölkerung 1998 in %
14 Schätzung des linearen und quadratischen Modell mit dem am Minimum von 1,3% zentrierten Ausländeranteil Modellzusammenfassung c Änderungsstatistiken Modell R R-Quadrat Korrigiertes R-Quadrat Standardf ehler des Schätzers Änderung in R-Quadrat Änderung in F df1 df2 Änderung in Signifikanz von F 1,538 a,289,239,90670,289 5, ,032 2,779 b,607,547,69940,318 10, ,006 a. Einflußvariablen : (Konstante), Ausländeranteil zentriert am Minimum von 1,3% b. Einflußvariablen : (Konstante), Ausländeranteil zentriert am Minimum von 1,3%, Quadrat des am Minimum zentrierten Ausländeranteils c. Abhängige Variable: Häufigkeitsziffer rechtsextremer Gewalttaten gegen Ausländer 1998
15 Vergleich der Regressionskoeffizienten des linearen und quadratischen Modells Modell 1 2 (Konstante) Ausländeranteil zentriert am Minimum von 1,3% (Konstante) Ausländeranteil zentriert am Minimum von 1,3% Quadrat des am Minimum zentrierten Ausländeranteils Koeffizienten a Standardisiert Nicht standardisierte e Koeffizienten Koeffizienten Standardf B ehler Beta T Signifikanz 1,920,366 5,253,000 -,104,044 -,538-2,387,032 2,490,332 7,496,000 -,435,107-2,242-4,053,001,023,007 1,795 3,245,006 a. Abhängige Variable: Häufigkeitsziffer rechtsextremer Gewalttaten gegen Ausländer 1998
16 Interpretation des Effekts des Ausländeranteils über die zugehörige partielle Ableitung: 3 Prognosegleichung: Y=2,490-0,435*AUSPROZ Z1,30 +0,023*AUSPROZ 2 Z1,30 3 Partielle Ableitung von Y nach X: (Ausgangspunkt:Thüringen als Bundesland mit niedrigsten Ausländeranteil) 0Y 0X b 1 2b 2 X 0,435 20,023X
17 Bei welchem Ausländeranteil kippt die Entwicklung rechtsextremer Gewalttaten um? 3 Die Abnahme rechtsextremer Gewalttaten schlägt am Minimum der Parabel in eine Zunahme der Gewalttaten um 3 Um das Minimum der Parabel zu bestimmen, setzen wir die partielle Ableitung gleich Null und addieren auf das für X errechnete Ergebnis den Zentrierungswert von 1,3auf. 0 = -0, *0,023*X X = 0,435 / 0,046 = 9, ,3 = 10,76
18 Vergleich der beobachteten (rot) und geschätzten HZ (blau) rechtsextremer Gewalttaten 1998
19 Das exponentielle Wachstumsmodelle I: 3 Multiplikative Modellgleichung: Y = a * e b*x * u ; u: Fehlerterm 3 Durch Logarithmieren beider Seiten erhalten wir die linear-additive Form: (Logarithmus naturalis) ln Y = ln a + b*x + ln u 3 Der unstandardisierte Regressionskoeffizient b läßt sich direkt als Wachstumsrate interpretieren wobei sie als Anteilswerts [0;1] geschätzt wird.
20 Das exponentielle Wachstumsmodelle II: 3Um nach der Schätzung die multiplikative Form wieder zu erhalten, bilden wir den Antilogarithmus (e x ) der beiden Seiten der Prognosegleichung Y = e a * e b*x 3Vor der Schätzung müssen wir die unabhängige Variable X, in unserem Fall das Erhebungsjahr sinnvoll zentrieren, um das exponentielle Wachstumsmodell zu verankern. Wonnacott&Wonnacott (1977, S.449) verwenden hierzu in die Intervallmitte 1880
21 Das exponentielle Wachstumsmodell III: Übersicht der transformierten Daten JAHR POPULAT JAHRK JAHRKC80 LNPOP ,00-20,00 3, ,00-10,00 3, ,00,00 3, ,00 10,00 4, ,00 20,00 4,33
22 Das exponentielle Wachstumsmodell IV: 3 Schätzgleichung der linear additiven Form des Wachstumsmodells: LNPOP = a + b * JAHRKC80 3 Modellanpassung: Modell 1 Modellzusammenfassung b Standardf Korrigiertes ehler des R R-Quadrat R-Quadrat Schätzers,999 a,998,998,01740 a. Einflußvariablen : (Konstante), um 80 zentriertes Erhebungsjahr b. Abhängige Variable: Natürliche Logarithmus der Bevölkerungsgröße
23 Das exponentielle Wachstumsmodell V: Geschätzte Regressionskoeffizienten des linearisierten Wachstumsmodells: Modell 1 (Konstante) um 80 zentriertes Erhebungsjahr Koeffizienten a Nicht standardisierte Standardisierte Koeffizienten Koeffizienten Standardf B ehler Beta T Signifikanz 3,904, ,660,000,022,001,999 40,471,000 a. Abhängige Variable: Natürliche Logarithmus der Bevölkerungsgröße Additive Form: LNPOP = 3, ,022*JAHRKC80 3,904 +0,022*JAHRKC80 Multiplikative F.:POP = e = e 3,904 * e 0,022*JAHRKC80 = 49,6 * e 0,022*JAHRKC80
24 Interpretation der geschätzten Regressionskoeffiziente: 3 Regressionskonstante a: Linearer Form: Natürliche Logarithmus für Y im zentriertem Jahr Null (1880) Multiplikative Form: Geschätzte Bevölkerung in Millionen im zentrierten Jahr Null (1880): 49,6 Millionen 3 Regressionskoeffizient b: Geschätzte Wachstumsrate von 2,2% pro Jahr (Als Anteilswert: 0,022)
25 Vorhergesagte Werte der linearen und multiplikativen Form:
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 22.10.2002 All Mathematics would suggest A steady straight line as the best But left and right alternately Is consonant with History. W.H.Auden
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse Lösungsblatt zu Nr. 2 1. a) Je
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
MehrStatistik 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
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
MehrAufgaben 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
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
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
MehrSPSS-Ausgabe 1: Univariate Varianzanalyse. Profildiagramm. [DatenSet1] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav. Seite 1
SPSS-Ausgabe : Univariate Varianzanalyse [DatenSet] D:\Sozialwiss2006_7\STAT2\Daten\mathsalaries.sav Tests der Zwischensubjekteffekte Abhängige Variable: Einkommen Quelle Korrigiertes Modell Konstanter
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
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
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 29.10.2002 To err is human, to forgive is devine - but to include errors in your design is statistical Leslie Kish Dr. Wolfgang Langer
MehrHypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
MehrForschungspraktikum 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.
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
MehrEinführung 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
MehrZiel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.
Lineare Regression Einfache Regression Beispieldatensatz: trinkgeld.sav Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X. H0: Y lässt sich nicht durch X erklären, das heißt
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
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
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrGliederung. 1. Einführung. Heute schon Musik gehört?
Regressionsanalyse Technische Universität Chemnitz Seminar: Forschungsmethodik und Evalua
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
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
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrAufgabe 1 (Exponentielles Wachstum, wird teilweise auch in Vorlesung besprochen, Teile a) bis c) sind exakt die Aufgaben von Blatt 2, Aufgabe 3))
Formalisierungspropädeutikum Übungsblatt 3 Prof. Dr. Th. Augustin, Dr. R. Poellinger, C. Jansen, J. Plaß, G. Schollmeyer WiSe 2015/16 Aufgabe 1 (Exponentielles Wachstum, wird teilweise auch in Vorlesung
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
MehrMultiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
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
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
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
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
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;
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
Mehr6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen Bei der Zentrierung handelt es sich um eine lineare
MehrInstitut 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
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
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
MehrBivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 10.15-11-45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
MehrVorlesung Waldwachstumskunde. Fingerübungen 1 Funktionale Beziehungen. Otto U. Bräker Swiss Federal Research Institute WSL, CH-8903 Birmensdorf
Vorlesung Waldwachstumskunde Fingerübungen 1 Funktionale Beziehungen Otto U. Bräker Swiss Federal Research Institute WSL, CH-8903 Birmensdorf 29.05.02 1 Übersicht: Lineare Funktionen Quadratische Funktionen
MehrEinführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012
Einführung in die Statistik für Politikwissenschaftler Wintersemester 2011/2012 Es können von den Antwortmöglichkeiten alle, mehrere, eine oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. . Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
Mehr13. 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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
MehrLogistische 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 /
MehrAnalyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum..4..4 7..4..4..4 7..4 4..4..4
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
MehrStatistik II Übung 3: Hypothesentests
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
MehrSeminar: Multivariate Verfahren g Dr. Thomas Schäfer Referenten: Wiebke Hoffmann, Claudia Günther
Seminar: Multivariate Verfahren g Dr. Thomas Schäfer Leitung: Referenten: Wiebke Hoffmann, Claudia Günther 18.05.2010 Regressionsanalyse was war das nochmal? Grundlagen Einfaches lineares Regressionsmodell
MehrÜbungen zur Vorlesung. Statistik 2
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Blatt 11 Dipl.-Math. oec. D. Engel Übungen zur Vorlesung Statistik 2 Aufgabe 40 (R-Aufgabe, keine Abgabe) In dieser Aufgabe
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 multiple lineare Regressionsmodell
Das multiple lineare Regressionsmodell Worum geht es in diesem Lernmodul? Das Modell Schätzen der Koeffizienten Interpretation der Koeffizienten Testen der Koeffizienten Worum geht es in diesem Lernmodul?
MehrLineare Strukturgleichungsmodelle (LISREL)
Sommersemester 2007 Übung zu Anwendungen in multivariater Datenananlyse Lineare Strukturgleichungsmodelle (LISREL) Dienstags 16.15-17.45 in Oec I 21 Organisation und Scheinvoraussetzungen Dienstags 16.15
MehrDie Berücksichtigung nichtlinearer Effekte exogener Merkmale bei der Schätzung der Logits und Wahlwahrscheinlichkeiten
Dr. Wolfgang Langer - Verallgemeinerte lineare Modelle - SoSe 2001-1 2.2.4.3 Die Berücksichtigung nichtlinearer Effekte exogener Merkmale bei der Schätzung der Logits und Wahlwahrscheinlichkeiten Im Rahmen
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
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
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)
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Hauptkomponenten- und enanalyse Hauptkomponentenanalyse Von der Hauptomponentenananlyse zur exploratischen enanalyse Bestimmung der Zahl der en
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
MehrDie 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
MehrEinfache lineare Regressionsanalyse
Dr. Matthias Rudolf Modul M3: Multivariate Statistik Aufgaben und Lösungshinweise zum Computerseminar ERA: Einfache lineare Regressionsanalyse Dr. Matthias Rudolf: Modul BA-M3 Multivariate Statistik Seite
MehrEinführung in die Grundlagen der explorativen Pfadanalyse
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS2002/2003 - Einführung in die Grundlagen der explorativen Pfadanalyse Wenden wir uns zunächst dem Wrightschen Pfadfinderspiel zu. Ausgangspunkt:
MehrAnwendung 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
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1. LÖSUNG 9A a.
LÖSUNG 9A a. Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Das Regressionsmodell soll nur für Büropersonal angewendet werden Management- und Bewachungspersonal (MIND =0) soll nicht einbezogen
MehrProbeklausur für die Abschlussklausur Statistik II
Georg-August-Universität Göttingen Methodenzentrum Sozialwissenschaften Probeklausur für die Abschlussklausur Statistik II Nachname: Vorname: Matrikelnummer: Studiengang bitte ankreuzen BA: Diplom: Magister:
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrModell (Konstante) 0,411 0,155 male 0,212 0,13 job 0,119 0,131 alcohol 0,255 0,05 a. Abhängige Variable: skipped
Aufgabe 1 [14 Punkte] Sie möchten untersuchen, wovon die Abwesenheit der Studierenden in den Vorlesungen an einer Universität abhängt. Sie verfügen über einen Datensatz zu 282 Studierenden mit folgenden
MehrZusammensetzung der Kosten der Krankenhäuser 2002 und 2013 (absolute Kosten in TEuro)
Zusammensetzung der Kosten der Krankenhäuser 2002 und 2013 (absolute Kosten in TEuro) 195.302; 0,3% 38.138; 0,1% 2002 2013 503.936; 1% 141.873 ; 0,2% 20.415.267; 33,9% 39.541.980; 65,7% 33.760.283 ; 38,3%
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS tfü. Springer Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R 3 1.1 Installieren und Starten von R 3 1.2 R-Befehle
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrWiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
MehrPrognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft
Prognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft Inhaltsverzeichnis I. Allgemeine Aussagen II. Subjektive Planzahlenbestimmung III. Extrapolierende Verfahren 1. Trendanalyse:
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
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
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrSyntax: Motivation. Syntax
S. Heim/C. Heumann SPSS Kurs, SS 2007, 57 Syntax: Motivation Syntaxgebrauch ermöglicht Analysen zu replizieren und reproduzieren kommunizieren und diskutieren dokumentieren zwecks Transparenz und Verständlichkeit
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrDiese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Wa
103 Diese Fragen sollten Sie auch ohne Skript beantworten können: Was beschreibt der Differenzenquotient? Wie kann man sich die Steigung im vorstellen? Was bedeutet das für die Ableitungen? Was ist eine
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
Mehr