Logistische Regression
|
|
- Thomas Lenz
- vor 6 Jahren
- Abrufe
Transkript
1 Logstsche Regresson 2..2
2 Enführung Bespele Medkament, Phase-I study (FDA): Suche Doss, sd. max. /3 von (gesunden) Probanden Nebenwrkungen zegt. Terversuch: Be welcher Doss überleben 5% der Mäuse (=LD5)? Frühgeburten: We hängt de Überlebenswahrschenlchket ab von gewssen Varablen (Gewcht, Alter, APGAR score,...)? Technk: Be welchen Bedngungen fallen Geräte aus? Customer-Relatonshp-Management (CRM): Was für Massnahmen snd erfolgrech, damt en Kunde z.b. auf en teureres Produkt wechselt? Google nach Nate Slver (Oscar-, Electon-predcton etc.)
3 Gemensamketen Bnäre Zelgrösse (ja/nen, lebt/tot,... ). Belebge erklärende Varablen. Des hat de Form enes Regressonsmodells. Was st neu? De Zelgrösse st ncht mehr stetg, sondern bnär.
4 Bespel Ader-Verengung Y : Ader-Verengung ja () / nen () Erklärende: Atem-Volumen (Vol) und Atem-Frequenz (Rate) Rate Vol Ausgefüllte Symbole: Ader-Verengung ja ().
5 Modellansatz Zel Modellere P(Y = x (), x (2) Ansatz P(Y = x (), x (2) Bemerkung Für Y {, } glt,..., x (m) ), x (2),..., x (m) ) = h(x () E[Y ] = P(Y = ) + P(Y = ) = P(Y = ). D.h. wr modelleren egentlch E[Y x (),..., x (m) we n der lnearen Regresson. ] = h(x (),..., x (m) ),..., x (m) )
6 Ansatz mt lnearer Regresson? Y = β + β x () + β 2 x (2) β m x (m) + E Es glt dann P(Y = x ) = E(Y x ) = β +β x () +β 2 x (2) +...+β m x (m) D.h. de Funkton h wäre lnear. Geschätzte Werte können daher < und > werden Transformaton von Y? 2 Werte bleben 2 Werte Ausweg: Transformaton von E(Y ) = P(Y = )! Am Besten transformeren wr de Wahrschenlchketen so, dass wr kene Enschränkungen mehr haben.
7 Logstsches Regressonsmodell Benutze Logt-Funkton g : [, ] R ( ) π g(π) = log π De Funkton g transformert de Wahrschenlchketen auf de gesamte reelle Achse! ( ) log π π snd de log-odds (sehe Vorlesung kategorelle Varablen)!
8 Modell Auf der transformerten Skala verwenden wr den alten lnearen Ansatz, d.h. ( ) P(Y = x ) g(p(y = x )) = log P(Y = x ) Termnologe = β + β x () + β 2 x (2) β m x (m) = x T β = η. η = x T β hesst lnearer Prädktor. g hesst Lnkfunkton. De Lnkfunkton transformert den Erwartungswert auf de geegnete Skala.
9 Lnk- und nverse Lnkfunkton g(π) g (η) π η
10 Kennt man den lnearen Prädktor (oder de β k s), so erhält man de Wahrschenlchketen durch P(Y = ) = g (η ) = exp{η } + exp{η }, bzw. P(Y = ) = P(Y = ) = + exp{η }. Aus notatonellen Gründen lassen wr das Bedngen auf x weg.
11 Ader-Verengung: Illustraton W keten vs. lnearer Prädktor Y
12 Bespel Ader-Verengung Angepasstes Modell lefert g(p(y = )) = Vol Rate. Punkte mt glechen W keten haben de Egenschaft, dass Vol Rate = const. D.h. Rate hängt dann lnear von Vol ab. Bzw. Punkte mt glechen W keten legen auf (parallelen) Geraden m Raum (Vol, Rate).
13 Illustraton angepasstes Modell für Ader-Verengung Rate Vol Punkte auf gestrchelten Geraden lefern alle de glechen W keten.
14 Interpretaton der Parameter Wr betrachten de odds P(Y = x) odds (Y = x) = P(Y = x) { = exp β + β x () + + β m x (m)}. = exp{β } exp{β } x() exp{β m } x(m). Wenn man x (j) um ene Enhet erhöht (und alles andere fx lässt), so ändern sch de odds um den Faktor exp{β j }. Das Doppelverhältns (odds rato) st exp{β j } odds ( Y = x (j) = c j + ) odds ( Y = x (j) = c j ) = exp{β j }, für belebges c j. Das log odds-rato st dann entsprechend β j.
15 Grupperte Daten Manchmal hat man zu den glechen erklärenden Varablen mehrere Beobachtungen (Replkate) der Zelvarable. Notaton m l Beobachtungen Y zu glechen x = x l. Defnere Ỹl = m l :x =ex l Y (Antel Erfolge ). Es glt dann m l Ỹ l Bn(m l, π l ) E[Ỹl] = π l, wobe π l = P(Y = x l ), g( π l ) = x T l β. Wr verwenden das gleche Modell we vorher. Be grupperten Daten hat man den Vortel, dass man mehr Informatonen hat. Man könnte egentlch für jede Gruppe de W ket enzeln schätzen wenn m l genügend gross st.
16 Bespel grupperte Daten: Frühgeburten 247 Säuglnge Erklärende Varable: Geburtsgewcht Klassen von je g Gewcht Zelvarable: Survval (ja / nen) n Surv.no Surv.yes Weght
17 Illustraton: Frühgeburten Survval Weght De Fläche der Krese st proportonal zu der Anzahl Beobachtungen gewählt.
18 Modell der latenten Varablen Nehme an, es ex. ncht-beobachtbare Z, sd. Z = x T β + E. Wr beobachten aber nur, ob Z grösser oder klener als en Schwellenwert c st. { Z c Y = Z < c. Jetzt glt aber: π = P(Y = ) = P(Z c) = P(E c x T = F E (c ( β + )) β j x (j) j, β) wobe F E : kumulatve Vertelungsfunkton der Zufallsfehler E.
19 Defnere nun β = [ β c, β,..., β m ]. Jetzt glt P(Y = ) = g (x T β) mt g (η) = F E ( η) = F E (η). E Logstsche Vertelung E Normalvertelung E Extremwertvertelung Logstsche Regressonsmodell Probtmodell Komplementäres log-log Modell Das logstsche Regressonsmodell hat den Vortel, dass de Parameter de schöne Interpretaton mt den odds-rato haben.
20 Illustraton latente Varable x latente V. c
21 Schätzungen und Tests Verwende Maxmum-Lkelhood Prnzp. Wähle β so, dass de Wahrschenlchket des beobachteten Eregnsses maxmal wrd. Wr haben für unsere n unabhänggen Beobachtungen l(β) = P β (Y = y,..., Y n = y n ) = n P β (Y = y ), mt P β (Y = y ) = π y ( π) y. π hängt natürlch von β ab. Um das Produkt zu vermeden, arbetet man mt der log-lkelhood ll(β) = log(l(β)). =
22 Schlussendlch erhält man ll(β) = n y x T β log ( + exp{x T β} ). = Maxmere des bzgl. β Schätzer β. Im Gegensatz zur lnearen Regresson haben wr kene geschlossen darstellbare Lösung Iteratve numersche Verfahren werden benötgt. Grunddee: Aproxmere das Problem mt enem gewchteten lnearen Regressonsproblem und löse dann sukzessve vele gewchtete lneare Regressonen. Entsprechende Routnen snd n allen Statstkpaketen mplementert (Stchwort: Generalzed Lnear Models, GLM)
23 Vertelung der geschätzten Koeffzenten Approxmaton mt lnearen Regressonsproblemen lefert auch (approxmatve) Vertelung der Parameter ( Standardfehler). β st approxmatv normalvertelt mt Erwartungswert β und ener Kovaranzmatrx V. Teststatstken snd dann T j = β j β j Vjj approx. N(, ). Verwende her Normal- statt t-vertelung. Des st en sogenannter Wald-Test.
24 R-Output m Bespel der Ader-Verengungen Call: glm(formula = Y ~ Volume + Rate, famly = bnomal, data = vaso) Coeffcents: Estmate Std. Error z value Pr(> z ) (Intercept) ** Volume ** Rate ** --- (Dsperson parameter for bnomal famly taken to be ) Null devance: 54.4 on 38 degrees of freedom Resdual devance: on 36 degrees of freedom AIC: Number of Fsher Scorng teratons: 6
25 Devanzen Resduen-Devanz (früher: Resduenquadratsumme) Für grupperte Daten Ỹl. Vergleche log-lkelhood des geschätzten Modells mt derjengen des maxmalen Modells. ( ( )) D(ỹ ; π) = 2 ll (M) ll β. ll (M) : Kann für jede Gruppe π l fre wählen (grösstes möglches Modell). Be ungrupperten Daten glt: ll (M) = (perfekter ft). Resduen-Devanz verglecht geschätztes Modell mt maxmalen Modell ( Anpassungstest ). Geht nur be ncht zu klenen m l.
26 Devanz-Dfferenz (zum Verglech von Modellen) Lkelhood-Rato Test für Modellverglech K G: D(y; π (K), π (G) ) = D(y; π (K) ) D(y; π (G) ) = 2(ll (G) ll (K) ). Asymptotsch χ 2 d-vertelt, wenn das klene Modell stmmt. Anzahl Frehetsgrade d st de Dfferenz der Anzahl Parameter der beden Modelle: d = G K. Kann also geschachtelte Modelle mtenander verglechen. Dese Lkelhood-Rato Tests snd n der Regel den Wald-Tests vorzuzehen. R-Befehle Teste z.b. Faktoren > drop(ft, test = "Chsq") Allg. zum Verglech von geschachtelten Modellen > anova(ft., ft.2, test = "Chsq")
27 Null-Devanz (früher: ( Y Y ) 2 ) Klenstes Modell (Nullmodell): Besteht nur aus Intercept, d.h. π st für alle Beobachtungen glech: π () = n = y k/n (globaler Antel). ( D(y; π () ) = 2 ll (M) ( β() )) ll. Damt kann man enen Gesamt-Test für das Modell konstrueren (H : alle β j =, j =,..., m) ( ) D(y; π () ) D(y; π) = 2 ll ( β ( β() )) ll. Unter H st des approxmatv χ 2 p vertelt.
28 Resduenanalyse Schwerger als früher. Was st her en Resduum? Es ex. mehrere möglche Defntonen. Response Resduals, Raw Resduals R l = Ỹl π l, π l = g ( x T l β) (grupperte Daten) Pearson Resduals R (P) l = R l / πl ( π l )/m l (standardsert) Workng Resduals, Lnk Resduals Berechnung der logstschen Regresson: teratv gewchtete Klenste Quadrate lneare Näherung Resduen: workng resduals.
29 Devanz-Resduen R (D) = sgn(y π ) d, wobe d der entsprechende Summand der Resduendevanz st. d entsprcht R 2 n der gewöhnlchen lnearen Regresson.
30 Grafsche Darstellungen QQ-Plot machen n der Regel kenen Snn. Tukey-Anscombe Plot am geegnetsten. Z.B. Raw Resduals vs. geschätzte π Workng Resduals vs. lnearer Prädktor η. Insbesondere be ncht grupperten Daten braucht man enen Glätter (wegen Artefakten ).
31 Bespel: Resduenplot be ungrupperten Daten raw resdual.5..5 Pearson resdual estmated p estmated p Man hat mmer de beden Kurven (Artefakt).
32 Resduenplot be grupperten Daten Survval ~ Weght lr lf Besser nterpreterbar.
33 Merkpunkte Logstsche Regresson für bnäre Zelgrössen. Gleche Flexbltät we gewöhnlche lneare Regresson. Interpretaton mt odds bzw. odds-rato: log(odds) = lnearer Prädktor β j : log(odds rato) falls man j-te Varable um ene Enhet erhöht. Schätzungen, Tests, Vertrauensntervalle va Lkelhood-Methoden (Devanzen) und entsprechende Asymptotk. Resduen: Mehrere Möglchketen, wegen Artefakten wrd Glätter benötgt
b Example: Shrinked blood vessels Y : shrinked: yes (1) / no (0) erkl.: Breath Volume (Vol) and Frequency (Rate) Ziel: P Y = 1 Vol,Rate modellieren!
Logstc Regresson. Introducton Only partally translated at ths tme b Example: Shrnked blood vessels Y : shrnked: yes () / no () erkl.: Breath Volume (Vol) and Frequency (Rate) Zel: P Y = Vol,Rate modelleren!
MehrY : Ader-Verengung ja (1) / nein (0)
2 Logstsche Regresson 2. Enletung b Bespel Ader-Verengung Y : Ader-Verengung ja () / nen (0) Eng.: Atem-Volumen (Vol) und Atem-Frequenz (Rate) Zel: P Y = Vol, Rate modelleren! c P Y = = h x (), x (2),...,
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
MehrLogistische Regression
Logistische Regression 13.11.2017 Motivation Regressionsrechnung: Untersuchung des Zusammenhangs zwischen einer (oder mehreren) Zielvariablen und einer oder mehreren erklärenden Variablen. Bisher gesehen:
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrEin semi-bayes'scher Anpassungstest für das logistische Regressionsmodell mit schwach besetzten Zellen
En sem-bayes'scher Anpassungstest für das logstsche Regressonsmodell mt schwach besetzten Zellen Olver Kuß Insttut für Medznsche Epdemologe, Bometre und Informatk, Unverstät Halle-Wttenberg, Magdeburger
MehrStatistischen Praktikum
Insttut für Stochastk SS 2008 Unverstät Karlsruhe JProf. Dr. H. Holzmann Dpl.-Math. oec. D. Engel Übungen zum Statstschen Praktkum Aufgabe 1 (Zusatzaufgabe 1 zur logstschen Regresson) Am 28.01.1986 exploderte
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
Mehr9 Verallgemeinerte Lineare Modelle
9 Verallgemenerte Lneare Modelle 9.1 Das Modell der Posson-Regresson a Während sch de logstsche Regresson mt bnären Zelgrössen befasst, lefert de Posson- Regresson Modelle für andere Zähldaten. Wr wollen
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrEINFÜHRUNG IN DIE POISSON REGRESSION
INTERDISZIPLINÄRES SEMINAR STATISTISCHE VERFAHREN IN DEN GEOWISSENSCHAFTEN EINFÜHRUNG IN DIE POISSON REGRESSION VON MARGRET OELKER BETREUT DURCH VIOLA SVEJDAR MÜNCHEN, 5. NOVEMBER 2009. EINLEITUNG BEISPIEL
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrZweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrVerallgemeinerte Lineare Modelle
Verallgemenerte Lneare Modelle Tel des Weterbldungs-Lehrgangs Statstk der ETH Zürch Werner Stahel Semnar für Statstk, ETH Zürch und Lsa Prtscher Ma 2004 Inhaltsverzechns 1 Ene und zwe kategorelle Varable
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr7 Eine und zwei kategorielle Variable
7 Ene und zwe kategorelle Varable 7.1 Enletung a b In Umfragen wrd für jede Frage vorzugswese ene Lste von Auswahlantworten angeboten. Es wrd bespelswese gefragt, welches von 5 Produkten man bevorzugt.
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
Mehr1 Einführung in die statistische Regression Beispiele zur linearen Regression Fragestellungen Ausblick...
Inhalt 1 Enführung n de statstsche Regresson 1 1.1 Bespele zur lnearen Regresson........................ 1 1.2 Fragestellungen.................................. 8 1.3 Ausblck......................................
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
MehrBei Strecken höherer Ordnung wird auch hier die Strecke durch die Methode der Ersatzzeitkonstante
Lösung Übung 9 Aufgabe: eglerauslegung mt blnearer Transformaton n s In der kontnuerlchen egelungstechnk wrd für gewöhnlch en PI-egler verwendet, um de größte Zetkonstante zu kompenseren bzw. be IT-Strecken
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrLineare Regression. Werner Stahel Seminar für Statistik, ETH Zürich. Mai 2012
Lneare Regresson Werner Stahel Semnar für Statstk, ETH Zürch Ma 2012 Unterlagen zum Modul G3: Wahrschenlchket und Statstk des Zertfkatskurses über Rsko und Scherhet Dese Unterlagen stammen aus enem umfangrechen
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrModellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell
Modellerung von Hydrosystemen Numersche und daten-baserte Methoden BHYWI-22-21 @ 2018 Fnte-Elemente-Methode Selke-Modell Olaf Koldtz *Helmholtz Centre for Envronmental Research UFZ 1 Technsche Unverstät
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
MehrApproximationsalgorithmen. Facility Location K-Median. Cheng, Wei 12. Juli
Approxmatonsalgorthmen aclty Locaton K-Medan heng We 12. Jul aclty Locaton Defnton Gegeben: möglche Standorte = { 1 2 m } Städte = { 1 2 n } Eröffnungskosten f für Verbndungskosten c zwschen und Dreecksunglechung
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrStatistische Regressionsmodelle
Statstsche Regressonsmodelle Tel II: Verallgemenerte Lneare Modelle Werner Stahel Semnar für Statstk, ETH Zürch März 2005 / Ma 2008 Zweter Tel der Unterlagen zu enem Kurs über Regressonsmodelle, gehalten
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr