Mehrfache Lineare Regression 1/9
|
|
- Brigitte Geisler
- vor 5 Jahren
- Abrufe
Transkript
1 Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach der Durcharbeitung der Fallstudie können Sie selbständig solche Regressionsanalysen durchführen und können die Ergebnisse anhand verschiedener Kenngrößen und Grafiken beurteilen. Wichtig: Um die beschriebenen Funktionalitäten zur Verfügung zu haben, wählen Sie bitte das Programmmodul Verfahren (Menübefehl: Modul Regressions- /Varianzanalyse). Schwerpunkte: Durchführen einer Regressionsanalyse Vorkenntnisse: Grundlagen der Regression MODUL REGRESSIONS- VARIANZANALYSE Ausgangssituation: Ammoniumsulfat wird in Säcke gefüllt. Dabei treten häufig Verklumpungen auf, die die Füllanlage blockieren. Die Beobachtung (Messung) möglicher Ursachen soll Hinweise geben, von welchen Einflussgrößen die Zielgröße Durchflussrate der Füllanlage abhängt. Folgende potentielle Einflussgrößen wurden untersucht: x1 = Feuchte des Ammoniumsulfats (in 0,01%), x2 = Verhältnis Länge/Breite der Kristalle und x3 = Verunreinigung des Ammoniumsulfats (in 0,01%) Insgesamt wurden 48 Datensätze erhoben. Aufgabe: Die erhobenen Daten sollen mittels einer mehrfachen linearen Regressionsanalyse untersucht werden, um die Bedeutung der einzelnen Einflussgrößen zu bestimmen. Vorgehensweise: 1. Wählen Sie den Menübefehl Datei Öffnen und öffnen Sie die Datei DURCHFLUSSREG.DFQ 2. Wählen Sie im Menü ANALYSE / VERFAHREN die REGRESSIONSANALYSE aus und markieren Sie MEHRFACHE REGRESSION / LINEARE REGRESSION. Hinweis: Die Daten finden Sie in der Datei DURCHFLUSSREG.DFQ Alternativ legen Sie die Datei mit der Datentabelle am Ende dieses Beispiels an REGRESSIONSANALYSE
2 2/9 Mehrfache Lineare Regression Icon Weiter 3. Durch einen Mausklick auf lineare Regression oder auf das Icon Weiter gelangen Sie in ein Auswahlmenü. Hier müssen Sie die Zielgröße und die Einflussgrößen durch Mausklick ankreuzen. Die Interpretation der Ergebnisse wird im Folgenden besprochen. Dabei wird im Fallbeispiel nur auf die wichtigsten Sachverhalte eingegangen. Parameterschätzung Die ersten Ergebnisse sind die Schätzungen für die Regressionskoeffizienten. Das Bestimmtheitsmaß ist mit B=57,493% nicht sehr hoch. Es gibt an, wie gut die Streuung der Zielgröße durch die Einflussgrößen erklärt werden kann. Doku-Nr.: S-FB 154 D 2008 Q-DAS GmbH & Co. KG, Weinheim Version: 1
3 Mehrfache Lineare Regression 3/9 Nach den Bezeichnungen der Ziel- und Einflussgrößen werden die Regressionskoeffizienten und deren Vertrauensbereiche (b i ) ausgegeben. Für die Beurteilung der Koeffizienten wird deren Standardabweichung (s ci ) und die t-statistik ausgegeben. Die Balkengrafik zeigt analog den t-werten, ob die Wirkung der Einflussgröße signifikant ist. Zusätzlich werden die VIF-Werte als Maße für die gegenseitige Abhängigkeit der einzelnen Einflussgrößen ausgegeben. Die Einflussgrößen erklären die Streuung vom Durchfluss nur zu 57,5 %. Somit wurden wichtige Effekte außer Acht gelassen. Die Verunreinigung ist die wichtigste Einflussgröße, gefolgt von dem Verhältnis Länge zu Breite. Modellbeurteilung Die nächsten Ergebnisse dienen der Beurteilung des gesamten Regressionsansatzes. Es wird geprüft, ob grundlegende Forderungen an das Modell erfüllt sind. Der erste Test dient der Überprüfung des (quasi-) linearen Zusammenhangs des gewählten Ansatzes. Der zweite Test prüft, ob die Einflussgrößen gemeinsam signifikant auf die Zielgröße wirken.
4 4/9 Mehrfache Lineare Regression Der gewählte lineare Zusammenhang für die Problemstellung kann verwendet werden. Die Hypothese des linearen Zusammenhangs wird nicht verworfen (grüne Farbe). Der gemeinsame Einfluss aller Einflussgrößen auf die Zielgröße ist signifikant (rote Farbe). Der gewählte Regressionsansatz ist also sinnvoll. Übersicht Funktion 3D Eine anschauliche grafische Interpretation des Zusammenhangs ist mit Hilfe dieser grafischen Darstellung möglich. Die Grafik zeigt den Einfluss zweier Einflussgrößen auf die Zielgröße unter der Bedingung der anderen Einflussgrößen. Die Abbildung zeigt die Wirkung der Feuchte [%] und dem Länge zu Breite Verhältnis [%] unter der gegebenen Verunreinigung von ca. 2 %. Je nach Variation der Verunreinigung [%] ändert sich die Fläche. Bei der gewählten Einstellung ist der höchste Durchfluss oben links (rot) zu erkennen. Doku-Nr.: S-FB 154 D 2008 Q-DAS GmbH & Co. KG, Weinheim Version: 1
5 Mehrfache Lineare Regression 5/9 Einflussgrößen Übersicht In der Einflussgrößen Übersicht ist erkennbar, welche Einflussgrößen wie wirken und mit welchem Prognosewert für eine vorgegebene Einstellung der Einflussgrößen zu rechnen ist. Bei den gewählten Einstellungen für die Einflussgrößen (Rote Linien) ist mit einem Durchfluss von ca. 4 zu rechnen, mit einem Vorhersageintervall von ± 1,7, das die Genauigkeit der Prognose wiedergibt. Analyse der Residuen Anhand der Residuen (Abweichung zwischen berechnetem und gemessenem Wert für die Zielgröße) lässt sich grafisch beurteilen, ob wichtige Annahmen des Regressionsansatzes erfüllt sind.
6 6/9 Mehrfache Lineare Regression 1. Der Werteverlauf der Residuen (Abbildung oben) soll zeigen, wie sich die Residuen über die Wertenummern verhalten. Im Idealfall verlaufen die Residuen zufällig. 2. Das Wahrscheinlichkeitsnetz (Abbildung unten links) dient der Beurteilung der Annahme der Normalverteilung der Residuen. 3. Die Abbildung unten rechts stellt die Residuen und die geschätzten Werte (gefittete Werte) in einem Streuungsdiagramm gegenüber. Im Idealfall liegen diese zufällig im Koordinatensystem. Die Residuen scheinen zumindest ab dem 35-igsten Wert nicht mehr zufällig. Hier sollte z.b. geprüft werden, ob sich während der Datenerhebung etwas Besonderes ereignet hat. Die Annahme der Normalverteilung der Residuen lässt sich anhand des Wahrscheinlichkeitsnetzes nicht widerlegen. Das Streuungsdiagramm zwischen den gefitteten Werten und den Residuen weist ebenfalls keine Besonderheiten auf. Doku-Nr.: S-FB 154 D 2008 Q-DAS GmbH & Co. KG, Weinheim Version: 1
7 Mehrfache Lineare Regression 7/9 Weitere grafische Beurteilungen des Modells Leverage Der Leverage gibt an, wie weit die einzelnen Werte der Einflussgrößen von ihrem Mittelpunkt (Mittelwertvektor) entfernt sind. Das Maß dient der Überprüfung, ob einzelne Wertesätze der Einflussgrößen als Ausreißer interpretiert werden können. Bei geringen Stichprobenumfängen können extreme Werte die Berechnung der Regressionskoeffizienten stark beeinflussen. Die Werte Nummer 22, 35 und 42 können als Ausreißer betrachtet werden und die Berechnungen beeinflussen. Zur Überprüfung könnte die Regression ohne diese Werte berechnet und mit dem bereits vorhandenen Ansatz verglichen werden. Dies würde im vorliegenden Fall zu einem etwas geringeren Bestimmtheitsmaß führen, die Bedeutung der Einflussgrößen würde sich aber nicht ändern. Cook-Distanzen Die Cook-Distanzen beurteilen die Bedeutung einzelner Datensätze für die Schätzung der Modellparameter. Geprüft wird, wie sich die Schätzung der Zielgröße ändert, wenn ein Wertesatz aus der Stichprobe entfernt wird. Werden die Cook-Distanzen den Leverage-Werten in einem Streuungsdiagramm gegenübergestellt, wird
8 8/9 Mehrfache Lineare Regression ersichtlich, ob bestimmte Ausreißer der Einflussgrößen für die Schätzung der Parameter verantwortlich sind. Hier sind keine Auffälligkeiten zu erkennen. Die einzelnen Cook-Distanzen sind gering. Der extremen Ausreißer (hoher Lerverage-Wert: Datensätze 22, 35 und 42) haben eine relativ hohe Cook- Distanz und damit einen wichtigen Einfluss auf die Schätzung der Modellparameter. Datensätze: Nr. Durchfluss Feuchte Länge zu Breite Verunreinigung 1 5, , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,00 0 Doku-Nr.: S-FB 154 D 2008 Q-DAS GmbH & Co. KG, Weinheim Version: 1
9 Mehrfache Lineare Regression 9/9 Nr. Durchfluss Feuchte Länge zu Breite Verunreinigung 16 4, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,20 2
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrHistogramm und Wahrscheinlichkeitsnetz 1/12
Histogramm und Wahrscheinlichkeitsnetz 1/12 Ziel: Ziel der Aufgabe ist es, die Grafiken Histogramm und Wahrscheinlichkeitsnetz und die Funktionalitäten (z.b. C-Wert-Funktion) von qs-stat kennen zu lernen.
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
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
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
Mehr» 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
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrDiagnostik von Regressionsmodellen (1)
Diagnostik von Regressionsmodellen (1) Bei Regressionsanalysen sollte immer geprüft werden, ob das Modell angemessen ist und ob die Voraussetzungen eines Regressionsmodells erfüllt sind. Das Modell einer
Mehr19 Punkte. Aufgabe 1. Einkommen niedrig mittel hoch Männer Frauen Geschlecht. a) Bestimmen Sie die fehlenden Werte!
Aufgabe 1 19 Punkte Sie haben die Einkommensdaten von 369 Personen gegeben. Diese wurden in die Gehaltsgruppen niedrige, mittlere und hohe Einkommensklassen kategorisiert - jeweils nach Frauen und Männer
MehrAusgangssituation: Prüfprozess: Bei der Kolbenherstellung ist im Rahmen der Maschineneinstellung
Fallbeispiel VDA5 (Beispiel 1) 1/15 Ziel: Umsetzung der Studien zur Prüfprozesseignung und Messunsicherheit in qs-stat nach der Vorlage VDA Band 5 Anhang 6 Beispiel 1. Es soll die Eignung eines Prüfprozesses
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren 7., aktualisierte und erweiterte Auflage Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner HANSER VII Inhalt
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
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
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
Mehr5. Statistische Auswertung
5. Statistische Auswertung 5.1 Varianzanalyse Die Daten der vorliegenden Versuchsreihe zeigen eine links steile, rechts schiefe Verteilung. Es wird untersucht, ob sich die Meßdaten durch Transformation
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
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
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
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?
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
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
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
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
MehrBereiche der Statistik
Bereiche der Statistik Deskriptive / Exploratorische Statistik Schließende Statistik Schließende Statistik Inferenz-Statistik (analytische, schließende oder konfirmatorische Statistik) baut auf der beschreibenden
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrBiometrische und Ökonometrische Methoden I! Lösungen 6
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 6 1. a) MTB > Read "H:\STUDENT\MINITAB\CNP.DAT"
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
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
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrPhallosan-Studie. Statistischer Bericht
Phallosan-Studie Statistischer Bericht Verfasser: Dr. Clemens Tilke 15.04.2005 1/36 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Einleitung... 3 Alter der Patienten... 4 Körpergewicht... 6 Penisumfang...
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
MehrÜ B U N G S S K R I P T S T A T I S T I K
Ü B U N G S S K R I P T S T A T I S T I K A. Ploner H. Strelec C. Yassouridis Universität für Bodenkultur Department für Raum, Landschaft und Infrastruktur Institut für Angewandte Statistik & EDV Peter-Jordan-Strasse
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrProzessoptimierung mit statistischen Verfahren
Prozessoptimierung mit statistischen Verfahren Eine anwendungsorientierte Einführung mit destra und Minitab Bearbeitet von Lorenz Braun, Claus Morgenstern, Michael Radeck 1. Auflage 010. Buch. IX, 354
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
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
MehrBiostatistik. 4y Springer. Wolfgang Köhler Gabriel Schachtel Peter Voleske. Vierte, aktualisierte und erweiterte Auflage
Wolfgang Köhler Gabriel Schachtel Peter Voleske Biostatistik Vierte, aktualisierte und erweiterte Auflage Mit 65 Abbildungen und 50 Tabellen 4y Springer Einleitung 1 Kapitel I: Merkmalsauswahl 5 1 Wahl
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrBarbara Bredner. NOT-Statistik. Nachweise führen, Optimierungen finden, Toleranzen berechnen mit Minitab und R. Auszug: Inhaltsverzeichnis
Barbara Bredner NOT-Statistik Nachweise führen, Optimierungen finden, Toleranzen berechnen mit Minitab und R Auszug: Inhaltsverzeichnis Barbara Bredner, NOT-Statistik. Nachweise führen, Optimierungen finden,
MehrInhaltsverzeichnis. Test nach Cochran. - Stand vom:
Inhaltsverzeichnis Test nach Cochran... 2 Lernhinweise... 2 Einführung... 2 Theorie & Fallbeispiel (1-4)... 2 1. Ausgangslage und Fragestellung... 2 2. Voraussetzungen, Arbeits- und Alternativhypothesen...
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
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
MehrGrundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
MehrSigmaStat Nina Becker, Christoph. Rothenwöhrer. Copyright 2004 Systat Software, Inc.
SigmaStat 3.11 Copyright 2004 Systat Software, Inc. http://www.systat.com Nina Becker, Christoph Rothenwöhrer Die Aufgabe der Statistik ist die Zusammenfassung von Daten, deren Darstellung, Analyse und
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2014
Signifikanzprüfung Peter Wilhelm Herbstsemester 2014 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha- Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrStatistik II (Sozialwissenschaften)
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden http://www.math.tu-dresden.de/sto/mueller/ Statistik II (Sozialwissenschaften) 2. Konsultationsübung,
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrMusterlösung. 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
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
MehrFerienkurse Mathematik Sommersemester 2009
Ferienkurse Mathematik Sommersemester 2009 Statistik: Grundlagen 1.Aufgabenblatt mit praktischen R-Aufgaben Aufgabe 1 Lesen Sie den Datensatz kid.weights aus dem Paket UsingR ein und lassen sie die Hilfeseite
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Die Bevölkerungsentwicklung in Deutschland
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Die Bevölkerungsentwicklung in Deutschland Das komplette Material finden Sie hier: School-Scout.de SCHOOL-SCOUT Statistiken analysieren
MehrINGENIEUR-STATISTIK DR. JOSEF HEINHOLD DR. KARL-WALTER GAEDE R. OLDENBOURG VERLAG MÜNCHEN WIEN 1979
INGENIEUR-STATISTIK DR. JOSEF HEINHOLD o. Professor für Angewandte Mathematik und Mathematische Statistik an der Technischen Universität München DR. KARL-WALTER GAEDE o. Professor für Mathematische Statistik
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
Mehr11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
MehrName Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
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
MehrMittelwert, Standardabweichung, Median und Bereich für alle durchgeführten Messungen (in Prozent)
3. Ergebnisse 3.1 Kennwerte, Boxplot Die Kennwerte der deskriptiven Statistik sind in der Tabelle 1 für alle Messungen, in der Tabelle 2 für die Messungen, bei denen mit der Referenzmethode eine festgestellt
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
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrInformationen zur KLAUSUR am
Wiederholung und Fragen 1 Informationen zur KLAUSUR am 24.07.2009 Raum: 032, Zeit : 8:00 9:30 Uhr Bitte Lichtbildausweis mitbringen! (wird vor der Klausur kontrolliert) Erlaubte Hilfsmittel: Alle Unterlagen,
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrInhaltsverzeichnis. Vorwort. 1 Einführung in die multivariate Datenanalyse 1
V Inhaltsverzeichnis Vorwort XI 1 Einführung in die multivariate Datenanalyse 1 1.1 Was ist multivariate Datenanalyse? 1 1.2 Datensätze in der multivariaten Datenanalyse 4 1.3 Ziele der multivariaten Datenanalyse
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrWolfgang Kohn Riza Öztürk. Statistik für Ökonomen. Datenanalyse mit R und SPSS. 3., überarbeitete Auflage. 4^ Springer Gabler
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 3., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme 3 1.1 Kleine Einführung
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
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
MehrStatistische Methoden 2
Lothar Sachs Statistische Methoden 2 Planung und Auswertung Mit 48 Tabellen und 21 Übersichten Springer-Verlag Berlin Heidelberg New York London Paris Tokyo Hong Kong Inhaltsverzeichnis Vorwort VII Die
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
Mehr