I.V. Methoden 2: Deskriptive Statistik WiSe 02/03
|
|
- Paulina Graf
- vor 5 Jahren
- Abrufe
Transkript
1 I.V. Methoden 2: Deskriptive Statistik WiSe 02/03 Vorlesung am 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 1: Maßzahlen für Zusammenhänge von Variablen mit ordinalem Messniveau (Rangdaten) 3 Wiederholung: Was ist ordinales Messniveau? 3 Das Prinzip des Paarvergleichs als Grundlage für die Bestimmung der Richtung und Stärke der Rangkorrelation 3 Grundtypen gerichteter Paare: Gleichsinnig geordnete, konkordante Paare Gegensinnig geordnete, diskordante Paare In X verknüpfte Paare (Ties X) In Y verknüpfte Paare (Ties Y) In X und Y verknüpfte Paare (Ties XY)
3 Gliederung 2: 3 Das Summentheorem der Paarzerlegung 3 Anwendungsbeispiel aus der Eurobarometer 30: Alte Bundesländer 1988 Forschungsfrage: Hängt die subjektive Einschätzung der Größe der Ausländerpopulation von der Anzahl ausländischer Freunde ab? Empirische Tabelle Wie ermitteln wir die Anzahl der fünf Paartypen?
4 Gliederung 3: 3 Rangkorrelationsmaße für ordinale Indikatoren Goodman und Kruskals Gamma ()-Koeffizient Die Maße von Maurice Kendall: Tau a (- a ) - Koeffizient Tau b (- b ) - Koeffizient Tau c (- c ) - Koeffizient Die Maße von Somers D YX (Y als abhängige Variable) D XY (X als abhängige Variable) D S (Symetrische Version) Berechnung der, - a, - b, - c, D YX für die EB30- Tabelle
5 Wiederholung: Ordinales Messniveau? Darf s ein bißchen mehr sein? Ordnung der Objekte in separate Kategorien, wobei diese ihrer Größe nach in unscharfen Relationen geordnet sind, ohne dass deren Größenunterschiede exakt bestimmt sind. Die Kategorien bilden eine Rangordnung, wobei ihre Relationen nur einem kleiner als oder größer als -Verhältnis entsprechen. 3 Anforderung: Vollständigkeit der Rangordnung Wechselseitiger Ausschluß der Kategorien Zahlenkodes der Kategorien müssen die Rangordnung widerspiegeln
6 Ordinales Messniveau II: 3 Beispiel: Anzahl ausländischer Freunde Kategorien: keine < einige < viele Zahlencodes: 1 < 2 < 3 3 Subjektive Einschätzung der Ausländerpopulation (EB 30 ff) Kategorien: wenige < viele < Zu viele Zahlencodes: 1 < 2 < 3
7 Das Prinzip des Paarvergleichs bei der Bestimmung der Rangkorrelationen zweier ordinaler Variablen X und Y 3 Jede Untersuchungseinheit weist jeweils einen Rangplatz für die Variable X und die Variable Y auf. 3 Für jeweils zwei Untersuchungseinheiten / Befragte vergleichen wir ihre jeweiligen Rangplätze auf X und Y und prüfen, ob sie gleich- oder entgegengesetzt ausgerichtet sind.
8 Untersuchungsziele bei Paarvergleich: Bestimmung der Richtung und Stärke des Zusammenhangs der ordinalen Variablen X und Y 3 Überprüfung der statistischen Hypothen: Existenz eines positiven Zusammenhangs: (+) Je höher der Rangplatz in X, desto höher der Rangplatz in Y Existenz eines negativen Zusammenhangs: (-) Je höher der Rangplatz in X, desto niedriger der Rangplatz in Y oder Je niedriger der Rangplatz in X, desto höher der Rangplatz in Y. 3 Funktion der Rangkorrelationsmaße : Numerische Angabe des Stärke des Zusammenhangs
9 Welche Arten von Paaren gibt es? (Benninghaus 2002,S ) 1. Gleichsinnig geordnete, konkordante Paare 3 Definition: Die Untersuchungseinheiten können im Hinblick auf X und Y dieselbe Rangordnung haben. Diese konkordanten Paare werden mit dem Symbol N c bezeichnet. (S.144) 3 Beispiel: Wir betrachten die Schulnoten zweier Schüler in den Fächern Mathematik und Physik: X Y Schüler Mathematik Physik a 5 5 b 4 4
10 Gleichsinnig geordnete, konkordante Paare II: 3 Schüler b ist mit der Notenkombination 4-4 in beiden Fächern eine Note besser als Schüler a mit der Notenkombination 5-5 3Das heißt, daß die Schüler a und b in Mathematik (X) und Physik (Y) dieselbe Rangordnung aufweisen 3 Ein solches Paar wird als konkordant, konsistent, positiv oder gleichsinnig im Deutschen bezeichnet. Die englische Bezeichnung lautet: condordant, same ordered
11 2. Gegensinnige oder diskordante Paare: 3 Defintion: Die Untersuchungseinheiten können im Hinblick auf X und Y eine unterschiedliche Rangordnung haben. Diese diskordanten Paare werden mit dem Symbol N d bezeichnet.(s.144) 3 Beispiel: Wir betrachten die Noten in Mathematik und Physik zweier weiterer Schüler c und d. X Y Schüler Mathematik Physik c 1 3 d 2 2
12 2. Gegensinnige oder diskordante Paare II: 3 Schüler c ist zwar mit seiner Notenkombination (1-3) in Mathematik (X) besser als Schüler d (2-2), aber er tauscht mit Schüler d in Physik (Y) den Rangplatz, da dieser dort eine 2 und er aber nur eine 3 hat. 3 D.h.: In beiden Fächern besteht eine Umkehrung der Rangordnung. Ein solches Paar wird als diskordant, inkonsistent, negativ oder gegensinnig bezeichnet. Im Englischen nennt man es discordant oder differently-ordered.
13 3. In X verknüpfte Paare (Tied on X): 3 Die Untersuchungseinheiten können im Hinblick auf X verknüpft sein (engl. tied on X), jedoch im Hinblick auf Y verschieden sein. Diese Paare werden mit dem Symbol T x bezeichnet (S. 144) 3 Beispiel: Wir betrachten die Noten in Mathematik und Physik zweier weiterer Schüler e und f: X Y Schüler Mathematik Physik e 3 2 f 3 4
14 3. In X verknüpfte Paare (Tied on X) II: 3 Beide Schüler e und f haben in Mathematik (X) die Note 3 und somit nehmen sie denselben Rangplatz ein. Lediglich in Physik (Y) nimmt der Schüler f mit der Note 2 einen höheren Rang ein als der Schüler e mit seiner Note 4. 3 Da beide Schüler in Mathematik (X) denselben Rang einnehmen, sich aber in Physik (Y) unterscheiden, bezeichnet man dieses Paar als in X verknüpft oder im Englischen als tied on X.
15 4. In Y verknüpfte Paare (Tied on Y) I: 3 Die Untersuchungseinheiten können im Hinblick auf X verschieden, jedoch im Hinblick auf Y verknüpft sein (engl. tied on Y). Diese Paare werden mit dem Symbol T y bezeichnet (S. 144) 3 Beispiel: Wir betrachten die Noten in Mathematik und Physik zweier weiterer Schüler g und h: X Y Schüler Mathematik Physik g 2 3 h 4 3
16 4. In Y verknüpfte Paare (Tied on Y) II: 3 Beide Schüler g und h haben in Physik (Y) die Note 3 und nehmen somit denselben Rangplatz ein. Lediglich in Mathematik (Y) nimmt der Schüler g mit der Note 2 einen höheren Rang ein als der Schüler h mit seiner Note 4. 3Da beide Schüler in Physik (Y) denselben Rang einnehmen, sich aber in Mathematik (X) unterscheiden, bezeichnet man dieses Paar als in Y verknüpft oder im Englischen als tied on Y.
17 5. In X und Y verknüpfte Paare (Tied on X andy) I: 3 Die Untersuchungseinheiten können im Hinblick auf X und Y verknüpft sein. Diese Paare werden mit dem Symbol T xy bezeichnet (S. 144) 3 Beispiel: Wir betrachten die Noten in Mathematik und Physik zweier weiterer Schüler i und j: X Y Schüler Mathematik Physik i 1 2 j 1 2
18 5. In X und Y verknüpfte Paare (Tied on Y) II: 3 Beide Schüler i und j haben teilen sich jeweils mit einer Note 2 in Physik und der Note 2 in Mathematik den jeweiligen Rangplatz in X und Y. 3Da beide Schüler in Mathetmatik (X) und Physik (Y) denselben Rang jeweils einnehmen bezeichnet man dieses Paar als in X und Y verknüpft oder im Englischen als tied on X and Y.
19 Das Summentheorem der Paarzerlegung: 3Die Summe aller möglichen Paargleiche einer Tabelle ist gleich der Summen der konkordanten, diskordanten, in X-, in Y-sowie der in X-und-Yverknüpften Paare von Untersuchungseinheiten. N 2 Legende: N(N 1) 2 N c N d T x T y T xy N: Stichprobenumfang der Tabelle N c : Anzahl konkordanter Paare N d : Anzahl diskordanter Paare T x : Anzahl der in X verknüpften Paare T y : Anzahl der in Y verknüpften Paare T xy : Anzahl der in X und Y verknüpften Paare
20 Anwendungsbeispiel aus Eurobarometer 30: Alte Bundesländer Forschungsfrage: Hängt die Furcht vor Überfremdung von der Anzahl der sozialen Kontakte zu Ausländern ab? 3 Theoretischer Ansatz: Die Kontakttheorie von G.F.Allport Je mehr freiwillig gewählte Kontakte zur Fremdgruppe vorliegen, desto geringer sind die Vorurteile des Befragten gegenüber der Fremdgruppe 3 Operationalisierungen: Kontakte: Anzahl ausländischer Freunde. Antwortvorgaben: Keine, wenige, viele Furcht vor Überfremdung: Subjektive Einschätzung der Größe der Ausländerpopulation Anwortvorgaben: Wenige, Viele, Zu viele Ausländer in Deutschland
21 Kreuztabelle: Subjektive Bewertung der Ausländerpopulation auf ausländische Freunde Subj.Bewertung der Ausländerpopulation Gesamt wenige (1) Anzahl % von Anzahl von Ausländern im Freundeskreis viele (2) Anzahl % von Anzahl von Ausländern im Freundeskreis zu viele(3) Anzahl % von Anzahl von Ausländern im Freundeskreis Anzahl % von Anzahl von Ausländern im Freundeskreis Anzahl von Ausländern im Freundeskreis keine (1) einige (2) viele (3) Gesamt ,1% 6,3% 16,7% 5,8% ,3% 62,5% 58,3% 45,6% ,6% 31,1% 25,0% 48,7% ,0% 100,0% 100,0% 100,0%
22 Berechnung der Anzahl aller möglichen Paarvergleich: Anzahl der möglichen Paarvergleiche N 2 N(N 1) (1040 1)
23 Berechnung der Anzahl konkordanten Paare I: Wieviel Paare haben einen höheren Rangplaz in X und Y als die betrachtete Rangkombination in X und Y(blau)? Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=1) N C(1;1) = 34 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=1) N C(2;1) = 22 * (14+6) = 440
24 Berechnung der Anzahl konkordanten Paare II: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=2) N C(1;2) = 243 * (108+6) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=2) N C(2;2) = 217 * (6) = Gesamtsumme der konkordanten Paare = =
25 Berechnung der Anzahl diskordanter Paare I: Wieviele Paare haben entgegengesetzte Rangplätze X und Y im Vergleich zur betrachteten Rangkombination (blau)? Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=3;Y=1) N d(3;1) = 4 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=1) N d(2;1) = 22 * ( ) =
26 Berechnung der Anzahl diskordanter Paare II: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=3;Y=2) N d(3;2) = 14 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) Vergleichsrang: (X=2;Y=2) N d(2;2) = 217 * (392) = zu viele (3) Gesamtsumme der diskordanten Paare = =
27 Berechnung der Anzahl in X verknüpfter Paare I: Wieviele Paare weisen im Vergleich zur betrachten X-Y- Kombination identische X-Werte aber unter unterschiedliche Y-Werte auf? Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=1) N Tx(1;1) = 34 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=2) N Tx(1;2) = 243 * (392) =
28 Berechnung der Anzahl in X verknüpfter Paare II: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=1) N Tx(2;1) = 22 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=2) N Tx(2;2) = 217 * (108) =
29 Berechnung der Anzahl in X verknüpfter Paare III: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=3;Y=1) N Tx(3;1) = 4 * (14 + 6) = 80 Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=3;Y=2) N Tx(3;2) = 14 * (6) = 84 Gesamtsumme der in X verknüpften Paare = =
30 Berechnung der Anzahl in Y verknüpfter Paare I: Wieviele Paare weisen im Vergleich zur betrachten X-Y- Kombination identische Y-Werte aber unter unterschiedliche X- Werte auf? Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=1) N Ty(1;1) = 34 * (22 + 4) = 884 Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=1) N Ty(2;1) = 22 * (4) = 88
31 Berechnung der Anzahl in Y verknüpfter Paare II: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=2) N Ty(1;2) = 243 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=2) N Ty(2;2) = 217 * (14) = 3.038
32 Berechnung der Anzahl in Y verknüpfter Paare III: Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=1;Y=3) N Ty(1;3) = 392 * ( ) = Y \ X keine (1) einige (2) viele(3) wenige (1) viele (2) zu viele (3) Vergleichsrang: (X=2;Y=3) N Ty(2;3) = 108 * (6) = 648 Gesamtsumme der in Y verknüpften Paare = =
33 Berechnung der in X und Y verknüpften Paare I: Wie viele Paarvergleiche müssen wir bei identischen Rängen in X und Y durchführen oder wie viele Paarvergleiche ergeben sich aus der Besetzung jeder einzelnen Tabellenzelle? Ties in X und Y I i1 J j1 n i,j (n i,j 1) 2 n i,j Anzahl der Fälle in Zelle mit den Ausprägungen i in y und j in x
34 Berechnung der in X und Y verknüpften Paare II: Berechnung der in den Werten ihrer X und Y Variablen verknüpften Paare: QUANTPAN: FREUNDAN: N = Anzahl T xy = wenige (1) keine (1) 34 (34*33) / 2 = 561 wenige (1) einige (2) 22 (22*21) / 2 = 231 wenige (1) viele (3) 4 (4*3) / 2 = 6 viele (2) keine (1) 243 (243*242) / 2 = viele (2) einige (2) 217 (217*216) / 2 = viele (2) viele (3) 14 (14*13) / 2 = 91 zu viele (3) keine (1) 392 (392*391) / 2 = zu viele (3) einige (2) 108 (108*107) / 2 = zu viele (3) viele (3) 6 (6*5) / 2 =
35 Übersicht der Paarzerlegungsmengen: EB 30 Tabelle, ABL (1988) 3 Summe aller möglichen Paare = Konkordante Paare: N c = Diskordante Paare: N d = In Y verknüpfte Paare: T y = In X verknüpfte Paare: T x = In X und Y verknüpfte Paare: T xy = (Anteil der T x,t y,t xy an allen Paaren = 72,0%!) 3 Anzahl der Fälle/Beobachtungen = 1.040
36 Rangkorrelationsmaße für ordinale Indikatoren? Konstruktionsprinzip: Überwiegen die konkordanten oder die diskordanten Paare in der Kreuztabelle? 3 Goodman und Kruskals Gamma-()-Koeffizient: Differenz von konkordanten und diskordanten Paaren Summe von konkordaten und diskordanten Paaren (N c N d ) (N c N d ) [ 1 ;1 ] +1 : Perfekt positiver Zusammenhang: Wenn X um einen Rangplatz ansteigt, nimmt Y ebenfalls um einen Rangplatz zu. 0 : Kein Zusammenhang zwischen X und Y. - 1 : Perfekt negativer Zusammenhang: Wenn X um einen Rangplatz ansteigt, sinkt Y um einen Rangplatz oder umgekehrt.
37 Berechnung des Gamma-Koeffizienten für EB 30-Datentabelle: Erforderliche Paarmengen: N c und N d Goodman& Kruskals ,4548 Zuvor berechnete Paarmengen: N c N d Interpretation: Vorliegen einer relativen starken negativen Rangkorrelation zwischen den Anzahl ausländischer Freunde und der Furcht vor Überfremdung
38 Die Rangkorrelationsmaße von Maurice Kendall I: Benötigen neben N c und N d, N..,die T x, T y sowie das Minimum der Zeilen- oder Spaltenanzahl 3Kendalls Tau a (- a )- Koeffizient 2 a Differenz von konkordanten und diskordanten Paaren Summe der möglichen Paarvergleiche (N c N d ) N (N 1) 2 [ 1 ;1 ]
39 Berechnung des tau a (- a )-Koeffizienten für die EB30-Tabelle: N c, N d, N.. werden benötigt Kendalls 2 a ( ) 2 68, ,1271 Zuvor berechnetepaarmengen: N c N d N Anzahl der möglichen Paarvergleiche: Interpretation: Schwache negative Rangkorrelation zwischen deranzahl ausländischer Freunde und der Furcht vor Überfremdung.
40 Die Rangkorrelationsmaße von M. Kendall II: 3Kendalls Tau b (- b )-Koeffizient: 2 b N c N d (N c N d T x )(N c N d T y ) [ 1 ;1 ] Legende: N c : Anzahl konkordanter Paare N d : Anzahl diskordanter Paare T x : Anzahl in X verknüpfter Paare T y : Anzahl in Y verknüpfter Paare
41 Berechnung des Tau b (- b )-Koeffizienten für die EB 30 Tabelle: N c, N d, T X und T Y benötigt Zwischenschritt: Berechnung der Summe der geordneten Paare: N cd N c N d Kendalls 2 b ( ) ( ) ,2482 Legende: N c T x N d T y
42 Die Rangkorrelationsmaße von M. Kendall III: 3 Der Kendalls Tau c (- c )-Koeffizient: 2 c N c N d 1 2 N 2 m 1 m 2 (N c N d ) N 2 m 1 m 2 m (N c N d ) N 2 (m 1) [ 1 ;1 ] Legende: N c : Anzahl konkordanter Paare N d : Anzahl diskordanter Paare N: Stichprobenumfang (Randverteilungssumme N..) m: Minimum der Zeilen oder Spaltenanzahl
43 Berechnung des Kendalls tau c (- c )-Koeffizienten für die EB 30 Tabelle: Benötigt werden N c, N d, N,m Kendalls 2 c 2 ( ) Legende: ,1906 N c N N d m 3
44 Die Rangkorrelationsmaße von Somers Sie korrigieren nur den Gamma-()-Koeffizienten im Hinblick auf die Verknüpfungen in X oder Y (ties) je nach angenommener Richtung der Kausalität 3 Somers d yx -Koeffizient: (Asymetrisches Maß) Differenz von konkordanten und diskordanten Paaren d yx Summe von konkordaten und diskordanten Paaren Ties Y (N c N d ) (N c N d T y ) [ 1;1]
45 Berechnung des Somers d yx -Koeffizienten für die EB 30-Daten: Benötigt werden N c,n d,t y Somers D yx ( ) ,2678 Legende: N c T y N d
Die Beziehung zwischen ordinal skalierten Variablen
Die Beziehung zwischen ordinal skalierten Variablen Schüler Englisch Deutsch a 5 5 b 4 besser 4 besser Konkordante Paare: Die Untersuchungseinheiten können im Hinblick auf X und Y dieselbe Rangordnung
MehrTEIL 11: BIVARIATE ANALYSE FÜR ORDNINALSKA- LIERTE VARIABLEN
TEIL 11: BIVARIATE ANALYSE FÜR ORDNINALSKA- LIERTE VARIABLEN GLIEDERUNG Verfahren, welche auf dem paarweisen Vergleich beruhen Tau-a-Koeffizient Tau-b-Koeffizient Gamma-Koeffizient Alternativen zum paarweisen
Mehr5.5 PRE-Maße (Fehlerreduktionsmaße) 6
359 5.5 PRE-Maße (Fehlerreduktionsmaße) 6 5.5.1 Die grundlegende Konstruktion Völlig andere, sehr allgemeine Grundidee zur Beschreibung von Zusammenhängen. Grundlegendes Prinzip vieler statistischer Konzepte.
Mehr5.5 PRE-Maße (Fehlerreduktionsmaße)
5.5 PRE-Maße (Fehlerreduktionsmaße) 5.5.1 Die grundlegende Konstruktion Völlig andere, sehr allgemeine Grundidee zur Beschreibung von Zusammenhängen. Grundlegendes Prinzip vieler statistischer Konzepte.
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrKendall s Tau. Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt:
Kendall s Tau Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt: konkordant, diskordant, falls x i < x j und y i < y j oder x i > x j und y i > y j falls x i < x j und y i >
MehrWas sind Zusammenhangsmaße?
Was sind Zusammenhangsmaße? Zusammenhangsmaße beschreiben einen Zusammenhang zwischen zwei Variablen Beispiele für Zusammenhänge: Arbeiter wählen häufiger die SPD als andere Gruppen Hochgebildete vertreten
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrI.V. Methoden 2: Deskriptive Statistik WiSe 02/03
I.V. Methoden 2: Deskriptive Statistik WiSe 02/03 Vorlesung am 27.01.2003 Statistic can t work magic. Howard S. Winer Dr. Wolfgang Langer Institut für Soziologie Martin-Luther-Universität Halle-Wittenberg
MehrZusammenhangsmaße II
Sommersemester 2009 Wiederholung/ Eine nominale und eine intervallskalierte Variable χ 2 =?!? Übung von Simone Reutzel Heute im HS1, altes ReWi-Haus Zum Nachlesen Agresti/Finlay: Kapitel 8.5, 9.4 Gehring/Weins:
MehrBivariater Zusammenhang in der Vierfeldertafel PEΣO
Bivariater Zusammenhang in der Vierfeldertafel PEΣO 12. Oktober 2001 Zusammenhang zweier Variablen und bivariate Häufigkeitsverteilung Die Bivariate Häufigkeitsverteilung gibt Auskunft darüber, wie zwei
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 17.12.2002 Life is the art of drawing sufficient conclusions from insufficient premises. Samuel Butler Dr. Wolfgang Langer Institut für
MehrZusammenhangsmaße II
Sommersemester 2009 Eine nominale und eine intervallskalierte Variable χ 2 =?!? Übung von Simone Reutzel Heute im HS1, altes ReWi-Haus Zum Nachlesen Agresti/Finlay: Kapitel 8.5, 9.4 Gehring/Weins: Kapitel
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Mehr2. Zusammenhangsmaße
2. Zusammenhangsmaße Signifikante χ²-werte von Kreuztabellen weisen auf die Existenz von Zusammenhängen zwischen den zwei untersuchten Variablen X und Y hin. Für die Interpretation interessieren jedoch
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge Tabellenanalyse: Kreuztabellierung und Kontingenzanalyse Philosophische Fakultät Institut für Soziologie Berufsverläufe und Berufserfolg von Hochschulabsolventen Dozent: Mike Kühne
MehrZum Begriff der Paare: ab ordinalem Messniveau
Zum Begriff er Paare: ab orinalem Messniveau Begriffsefinition von Paaren: gleihe bzw. untershielihe Rangornung zwishen Untersuhungsobjekten (z. B. Personen) Paare können konkorant oer iskorant sein 1)
Mehr3. Lektion: Deskriptive Statistik
Seite 1 von 5 3. Lektion: Deskriptive Statistik Ziel dieser Lektion: Du kennst die verschiedenen Methoden der deskriptiven Statistik und weißt, welche davon für Deine Daten passen. Inhalt: 3.1 Deskriptive
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
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
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
MehrLösungen zum Aufgabenblatt 2: Bivariate Kreuztabellen mit nominalem Messniveau
Lösungen zum Aufgabenblatt 2 1 Lösungen zum Aufgabenblatt 2: Bivariate Kreuztabellen mit nominalem Messniveau Nach dem Laden des Datensatzes (G:\DATEN\METH2\DATEN\EUROBAR\ Euba30.sav) ist zunächst der
MehrKapitel XI - Korrelationsrechnung
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008 Kapitel XI - Korrelationsrechnung
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrVariablen und Skalenniveaus
Analytics Grundlagen Variablen und Skalenniveaus : Photo Credit: Unsplash, Roman Mager Statistik Was ist eigentlich eine Variable? Variable In der Datenanalyse wird häufig die Bezeichnung Variable verwendet.
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
MehrMedizinisches Beispiel
Problemstellung Stimmen zwei oder mehrere Beobachter in ihrer Einschätzung überein? (im engl.: rater agreement oder interrater agreement) Beispiel: Zwei Professoren beurteilen die Referate oder Seminararbeiten
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
MehrBivariate Verteilungen
Bivariate Verteilungen Tabellarische Darstellung: Bivariate Tabellen entstehen durch Kreuztabulation zweier Variablen. Beispiel: X Y Student(in) Herkunft Fakultät 0001 Europa Jura 000 Nicht-Europa Medizin
Mehr6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
MehrAnalyse von Kontingenztafeln bei ordinalskalierten Merkmalen
Analyse von Kontingenztafeln bei ordinalskalierten Merkmalen Weisen die in einer Kontingenztafel dargestellten Merkmale zusätzlich Ordinalskalenniveau auf, so kommen auch Kenngrößen zum Einsatz, die in
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 11 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 5. Januar 2009 1 / 22 Online-Materialien Die Materialien
MehrEinführung in die Statistik
Elmar Klemm Einführung in die Statistik Für die Sozialwissenschaften Westdeutscher Verlag INHALTSVERZEICHNIS 1. Einleitung und Begrifflichkeiten 11 1.1 Grundgesamtheit, Stichprobe 12 1.2 Untersuchungseinheit,
MehrWichtige statistische Koeffizienten und Formeln
Wichtige statistische Koeffizienten und Formeln Felix Baumann Skalenniveau Art des Koeffizienten Koeffizient Formel (ab) ominalskala: (Unterscheidung nach Gleichheit/Ungleichheit; jeder Ausprägung eine
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
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es systematische Zusammenhänge oder Abhängigkeiten
MehrI.V. Methoden 2: Deskriptive Statistik WiSe 02/03
I.V. Methoden 2: Deskriptive Statistik WiSe 02/03 Vorlesung am 04.11.2002 Figures won t lie, but liars will figure. General Charles H.Grosvenor Dr. Wolfgang Langer Institut für Soziologie Martin-Luther-Universität
MehrMusterlösung zur Aufgabensammlung Statistik I Teil 3
Musterlösung zur Aufgabensammlung Statistik I Teil 3 2008, Malte Wissmann 1 Zusammenhang zwischen zwei Merkmalen Nominale, Ordinale Merkmale und Mischungen Aufgabe 12 a) x\ y 1.Klasse 2.Klasse 3.Klasse
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
MehrBivariate Analyse: Gemeinsame (bivariate) Häufigkeitstabelle. Sie wird auch Kontingenz-, Assoziations- oder Korrelationstabelle (f b )genannt.
Bivariate Analyse: Tabellarische Darstellung: Gemeinsame (bivariate) Häufigkeitstabelle. Sie wird auch Kontingenz-, Assoziations- oder Korrelationstabelle (f b )genannt. Beispiel: Häufigkeitsverteilung
MehrPrüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko
Prüfen von Unterschiedshypothesen für ordinale Variablen: Mann-Whitney Test und Ko Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik
Mehr6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale
6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale 397 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig
MehrHypothesentests mit SPSS
Beispiel für einen chi²-test Daten: afrikamie.sav Im Rahmen der Evaluation des Afrikamie-Festivals wurden persönliche Interviews durchgeführt. Hypothese: Es gibt einen Zusammenhang zwischen dem Geschlecht
MehrAlle weiteren Messoperationen schließen die Klassifikation als Minimaloperation ein.
1 unterschiedliche Skalenniveaus Wir haben zuvor schon kurz von unterschiedlichen Skalenniveaus gehört, nämlich dem: - Nominalskalenniveau - Ordinalskalenniveau - Intervallskalenniveau - Ratioskalenniveau
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Arbeitsblatt SPSS Kapitel 8 Seite Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon aus, dass Sie die Datei elporiginal.sav geöffnet haben.
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrKlausur zu Methoden der Statistik I mit Lösung Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I mit Lösung Sommersemester 2009 Aufgabe 1 Es wurden 410 Studierende
MehrForschungsstatistik II
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg R. 06-06 (Persike) R. 06-3 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik II Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
Mehr11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen
11. Sitzung Auswertungsstrategien; Darstellung von Forschungsergebnissen 1 Gliederung der Vorlesung 1. Probleme der Auswertung bei quantitativem Vorgehen 2. Probleme der Auswertung bei qualitativem Vorgehen
MehrLösung zu Serie 3. Lineare Algebra D-MATH, HS Prof. Richard Pink. Sei K ein beliebiger Körper.
Lineare Algebra D-MATH, HS 204 Prof. Richard Pink Lösung zu Serie 3 Sei K ein beliebiger Körper.. [Aufgabe] Sei n Z 0 eine gegebene nicht-negative ganze Zahl. Übersetzen Sie die folgenden Aussagen in eine
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
MehrStatistik I. Sommersemester 2009
I Sommersemester 2009 I χ 2 =?!? Nächste Woche: Maße für ordinale, nominal/intervallskalierte und intervallskalierte Daten I Zum Nachlesen Agresti/Finlay: Kapitel 8.1-8.4 Gehring/Weins: Kapitel 7.1 Schumann:
Mehr11. Zusammenhangsmaße für nominale Variablen
Statistik I Übung 11. Zusammenhangsmaße für nominale Variablen Dozent: Jürgen Leibold 1 Evaluation Nominale Zusammenhangsmaße Übersicht Chi-Quadrat Phi Cramers V Nominale Zusammenhangsmaße 3 Randverteilung
Mehr6.4 Der Kruskal-Wallis Test
6.4 Der Kruskal-Wallis Test Der Test von Kruskal und Wallis, auch H-Test genannt, ist ein Test, mit dem man die Verteilungen von Teilstichproben auf Unterschiede untersuchen kann. Bei diesem Test geht
MehrDeskriptivstatistik a) Univariate Statistik Weiters zum Thema der statistischen Informationsverdichtung
20 Weiters zum Thema der statistischen Informationsverdichtung M a ß z a h l e n Statistiken bei Stichproben Parameter bei Grundgesamtheiten Maßzahlen zur Beschreibung univariater Verteilungen Maßzahlen
MehrZusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
MehrBivariate Kreuztabellen
Bivariate Kreuztabellen Kühnel, Krebs 2001 S. 307-342 Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/33 Häufigkeit in Zelle y 1 x 1 Kreuztabellen Randverteilung x 1... x j... x J Σ
MehrDer χ 2 -Test. Überblick. Beispiel 1 (χ 2 -Anpassungstest)
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrDer χ2-test Der χ2-test
Der χ 2 -Test Überblick Beim χ 2 -Test handelt es sich um eine Familie ähnlicher Tests, die bei nominal- oder ordinalskalierten Merkmalen mit zwei oder mehr Ausprägungen angewendet werden können. Wir behandeln
MehrAufgaben zur Wahrscheinlichkeitsrechnung: 1. Beispiel aus der Prüfungspraxis des Physikums:
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Aufgaben zur Wahrscheinlichkeitsrechnung: 1. Beispiel aus der Prüfungspraxis des Physikums: Zum Staatsexamen teilt
Mehr5.3 (Empirische) Unabhängigkeit und χ 2
5.3 (Empirische) Unabhängigkeit und χ 2 5.3 (Empirische) Unabhängigkeit und χ 2 5.3.1 (Empirische) Unabhängigkeit Durch den Vergleich der bedingten Häufigkeiten mit den Randhäufigkeiten kann man Zusammenhänge
MehrKapitel 8: Verfahren für Rangdaten
Kapitel 8: Verfahren für Rangdaten Der Mann-Whitney U-Test 1 Der Wilcoxon-Test 3 Der Kruskal-Wallis H-Test 4 Vergleich von Mann-Whitney U-Test und Kruskal-Wallis H-Test 6 Der Mann-Whitney U-Test In Kapitel
MehrDr. Renate Prust WS 2004/05
Dr. Renate Prust WS 2004/05 Klausur zur Vorlesung Einführung in die quantitativen Forschungsmethoden ------------------------------------------------------------------------------------------------------------------------------------
MehrForschungsmethoden in der Sozialen Arbeit
Forschungsmethoden in der Sozialen Arbeit Fachhochschule für Sozialarbeit und Sozialpädagogik Alice- Salomon Hochschule für Soziale arbeit, Gesundheit, Erziehung und Bildung University of Applied Sciences
MehrV a r i a b l e X x 1 x 2 x 3 x 4 Σ y y y Σ Variable Y. V a r i a b l e X
Ausgangsüberlegung: Verschiedene Kontingenztabellen bei gleicher Randverteilung und gleichem Stichprobenumfang n sind möglich. Beispiel: Variable Y V a r i a b l e X x 1 x x 3 x 4 Σ y 1 60 60 y 0 0 y 3
Mehr6 Korrelationsanalyse: Zusammenhangsanalyse stetiger. Merkmale
6 Korrelationsanalyse: Zusammenhangsanalyse stetiger Merkmale 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
MehrDer Korrelationskoezient nach Pearson
Der Korrelationskoezient nach Pearson 1 Motivation In der Statistik werden wir uns häug mit empirisch erfassten Daten beschäftigen. Um diese auszuwerten, ist es oftmals notwendig einen Zusammenhang zwischen
MehrHerzlich willkommen zur Vorlesung Statistik
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik Zusammenhänge zwischen nominalen (und/oder ordinalen) Merkmalen: analyse und II: Signifikanztests und Maße der Assoziation
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrBivariater Zusammenhang in der Mehrfeldertafel PEΣO
Bivariater Zusammenhang in der Mehrfeldertafel PEΣO 9. November 2001 Bivariate Häufigkeitsverteilungen in Mehrfeldertabellen In der Mehrfeldertabelle werden im Gegensatz zur Vierfeldertabelle keine dichotomen
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
Mehr5 Assoziationsmessung in Kontingenztafeln
5 Assoziationsmessung in Kontingenztafeln 51 Multivariate Merkmale 51 Multivariate Merkmale Gerade in der Soziologie ist die Analyse eindimensionaler Merkmale nur der allererste Schritt zur Beschreibung
MehrBIOMETRIE I - KLINISCHE EPIDEMIOLOGIE
BIOMETRIE I - KLINISCHE EPIDEMIOLOGIE Wintersemester 2003/04 - Übung zur Vorlesung Biometrie I Ein Lösungsvorschlag von Christian Brockly Lösungsvorschlag zur Übung Biometrie I Bei diesem Dokument handelt
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrÜbungsblatt 3: Bivariate Deskription I (Sitzung 4)
1 Übungsblatt 3: Bivariate Deskription I (Sitzung 4) Aufgabe 1 Eine Kreuztabelle beinhaltet unterschiedliche Verteilungen. a) Geben Sie an, wie diese Verteilungen heißen und was sie beinhalten. b) Welche
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
MehrAufgaben zu Kapitel 8
Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.
MehrAufgabe 1. Studiensemester Anzahl Studierende 1. Semester Semester Semester Semester Semester 5 6.
Aufgabe 1 Als sogenanntes Nachzügler-Phänomen wird im Bachelorstudium das Phänomen bezeichnet, dass zwar der Großteil der Studierenden die Pflichtkurse in ähnlicher Abfolge der Semester belegt, aber es
MehrBivariate Statistik: Kreuztabelle
Bivariate Statistik: Kreuztabelle Beispiel 1: Im ALLBUS wurde u.a. nach dem Nationalstolz und nach dem Gefühl der Überfremdung gefragt: Würden Sie sagen, dass Sie sehr stolz, ziemlich stolz, nicht sehr
MehrMathematik 2 für Bauingenieure
Mathematik 2 für Bauingenieure Name (bitte ausfüllen): Prüfung am 20.6.207 Reinhard Winkler Matrikelnummer (bitte ausfüllen): Terminwünsche für die mündlichen Prüfungen können Sie morgen Mittwoch (2.6.)
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 4B a.) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit "Deskriptive Statistiken", "Kreuztabellen " wird die Dialogbox "Kreuztabellen" geöffnet. POL wird in das Eingabefeld von
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrDozent: Dawid Bekalarczyk Universität Duisburg-Essen Fachbereich Gesellschaftswissenschaften Institut für Soziologie Lehrstuhl für empirische
TEIL 3: MESSEN UND SKALIEREN 1 Das Messen eine Umschreibung Feststellung der Merkmalsausprägungen von Untersuchungseinheiten (z.b. Feststellung, wie viel eine Person wiegt oder Feststellung, wie aggressiv
MehrStatistik I. Sommersemester 2009
I Sommersemester 2009 I Wiederholung/Einführung χ 2 =?!? I Wiederholung/Einführung χ 2 =?!? Nächste Woche: Maße für ordinale, nominal/intervallskalierte und intervallskalierte Daten I Zum Nachlesen Agresti/Finlay:
MehrGLIEDERUNG Das Messen eine Umschreibung Skalenniveaus von Variablen Drei Gütekriterien von Messungen Konstruierte Skalen in den Sozialwissenschaften
TEIL 3: MESSEN UND SKALIEREN GLIEDERUNG Das Messen eine Umschreibung Skalenniveaus von Variablen Drei Gütekriterien von Messungen Objektivität Reliabilität Validität Konstruierte Skalen in den Sozialwissenschaften
Mehr1. Datei Informationen
1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten
MehrI.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
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...
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrPhasen des Forschungsprozesses (hypothesenprüfende Studie)
Phasen des Forschungsprozesses (hypothesenprüfende Studie) Konzeptspezifikation/ Operationalisierung/Messung rot: Planungsphase Auswahl des Forschungsproblems Theoriebildung Auswahl der Untersuchungseinheiten
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Post Hoc Tests A priori Tests (Kontraste) Nicht-parametrischer Vergleich von Mittelwerten 50 Ergebnis der ANOVA Sprossdichte der Seegräser 40 30 20 10
MehrÜbungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik. Lösungsblatt zu Nr. 2
Martin-Luther-Universität Halle-Wittenberg Institut für Soziologie Dr. Wolfgang Langer 1 Übungsblätter zu Methoden der Empirischen Sozialforschung III: Inferenzstatistik Lösungsblatt zu Nr. 2 1. Für die
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrEinführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005
Sitzung 4: Bivariate Zusammenhänge 27. Januar 2005 Inhalt der letzten Sitzung Übung: ein Index Umgang mit missing values Berechnung eines Indexes Inhalt der letzten Sitzung Übung: ein Index Umgang mit
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
MehrInhaltsverzeichnis (Ausschnitt)
4 Zweidimensionale Daten Inhaltsverzeichnis (Ausschnitt) 4 Zweidimensionale Daten Häufigkeitsverteilungen unklassierter Daten Häufigkeitsverteilungen klassierter Daten Bedingte Häufigkeitsverteilungen
Mehr