Schätzfehler in der linearen Regression (1) Einführung

Ähnliche Dokumente
Streuungs-, Schiefe und Wölbungsmaße 1

Grundgedanke der Regressionsanalyse

II. Das Bestimmtheitsmaß R 2

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Lösungen zum 3. Aufgabenblock

Kapitel 7. Netzplantechnik CPM/PERT. - Bezeichnung der Aktivitäten und ihre Beschreibung - Festlegung der Vorgänger - Dauer der Aktivitäten

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Lineare Regression (1) - Einführung I -

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

Multiple Regression (1) - Einführung I -

Produkt-Moment-Korrelation (1) - Einführung I -

Nomenklatur - Übersicht

Lineare Regression - Mathematische Grundlagen

Vorlesung: Multivariate Statistik für Psychologen

Analyse von Querschnittsdaten. Bivariate Regression

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

Erwartungswert, Varianz, Standardabweichung

Beschreibende Statistik Mittelwert

Statistik Exponentialfunktion

Validierung der Software LaborValidate Testbericht

Streuungs-, Schiefe und Wölbungsmaße

FORMELSAMMLUNG STATISTIK (I)

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Gewichtetes arithmetisches Mittel und Streuung

Standardnormalverteilung / z-transformation

Maße der zentralen Tendenz (10)

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

3 Einführung und Validierung von Analysenmethoden

Auswertung univariater Datenmengen - deskriptiv

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Rückblick Regression II: Anpassung an Polynome

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Definition des linearen Korrelationskoeffizienten

z.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!

Multivariate Analysemethoden

6. Modelle mit binären abhängigen Variablen

-70- Anhang: -Lineare Regression-

ISBN (Print); (PDF)

2.1 Einfache lineare Regression 31

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Empirische Wirtschaftsforschung

2 Zufallsvariable und Verteilungen

Einführung und Validierung von Analysenmethoden

folgende Wärmeübergangsbeziehung: Nu = 0, 664 Re

Ökometrie I 10 Korrelation - Regression

Dynamisches Programmieren

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)

Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Wie man für einen Test Peroe testet

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

Formelsammlung. Unter diesen Annahmen kann der Korrelationskoeffizient nach folgenden Schritten getestet werden:

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

5 Gemischte Verallgemeinerte Lineare Modelle

Prof. Dr. Roland Füss Statistik II SS 2008

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Aufgaben zur Einführung in die Messtechnik Die ISO/BIPM-GUM Sicht: Schätzwert & Messunsicherheit

Auswertung univariater Datenmengen - deskriptiv

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas

Manhattan-Metrik anhand des Beispiels

Sei 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 ).

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

(Essentiell) τ-äquivalente Tests:

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

1 Definition und Grundbegriffe

1.1 Beispiele zur linearen Regression

4.2 Grundlagen der Testtheorie

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte

8 Logistische Regressionsanalyse

Netzsicherheit I, WS 2008/2009 Übung 2. Prof. Dr. Jörg Schwenk

Die Transzendenz der Eulerschen Zahl e

Eine kurze Einführung in die Dichtefunktionaltheorie (DFT)

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

Elemente der Mathematik - Sommer 2016

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz

Einführung in die numerische Mathematik

Statistische Methoden für Bauingenieure WS 13/14

Mathematische und statistische Methoden II

Computerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst

Übung zu Erwartungswert und Standardabweichung

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

4. Musterlösung. Problem 1: Kreuzende Schnitte **

Netzwerkstrukturen. Entfernung in Kilometer:

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik

Hausübung 1 Lösungsvorschlag

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.

Statistische Kennzahlen für die Lage

Protokoll zum Grundversuch Mechanik

Weitere NP-vollständige Probleme

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

3. Lineare Algebra (Teil 2)

6. Übung zur Linearen Algebra II

Transkript:

Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler t. ˆ mt den Egenchaften: e e Der durchchnttlche Schätzfehler t. Unter und Überchätzungen heben ch gegenetg auf. Entprechend de Krterum der klenten Quadrate t de Summe der quadrerten Abwechungen der beobachteten von den vorhergeagten Werten [de quadrerten Schätzfehler] mnmal. Der durchchnttlch quadrerte Schätzfehler ergbt ch au: am ( e ( ˆ ( ˆ e mn Schätzfehler n der lnearen Regreon ( Schätzfehlervaranz We groß t de Varanz der Schätzfehler? ( e e e e ( ( ˆ Der durchchnttlch quadrerte Schätzfehler entprcht der Varanz der Schätzfehler und wrd al Schätzfehlervaranz (bzw. Redualvaranz bezechnet: ( e ( ˆ am

Schätzfehler n der lnearen Regreon ( Standardchätzfehler De Wurzel au der Schätzfehlervaranz entprcht dem Standardchätzfehler. ( ˆ Der Standardchätzfehler t en Maß dafür, we tark de gechätzten Werte von den tatächlchen Werten n etwa m Durchchntt abwechen. Er kennzechnet de Streuung der Werte um de Regreongerade und t damt en Gütemaßtab für de Genaugket der Regreonvorheragen. De Genaugket der Regreonvorherage wächt mt klener werdendem Standardchätzfehler. Der Standardchätzfehler lät ch auch über folgende Bezehung betmmen: rx Schätzfehler n der lnearen Regreon ( Varanzzerlegung I Da Prnzp der Varanzzerlegung m lnearen Regreonmodell De Abwechung ene jeden Werte von enem Mttelwert dartellen al ( ( ˆ + ( ˆ lät ch de Summe der Abwechung der tatächlchen Werte von den gechätzten Werten und der Abwechung der gechätzten Werte vom Mttelwert. Herbe t: ˆ ˆ de Abwechung der Werte vom Mttelwert. der Antel, der durch de Regreonvorherage erfat wrd. der Antel, der durch de Regreonvorherage ncht erfat wrd [ bzw. Reduum].

Schätzfehler n der lnearen Regreon ( Varanzzerlegung II 9 8 7 geamt 6 geamt erfat erfat ( ( ˆ + ( ˆ TESTY geamt + erfat 6 8 6 8 TESTX Schätzfehler n der lnearen Regreon (6 Varanzzerlegung III 9 8 ˆ 7 6 ˆ VP : 9 (9 7.67 + (7.67 TESTY VP : (. + (. 6 8 6 8 TESTX

Schätzfehler n der lnearen Regreon (7 Varanzzerlegung IV 8 7 6 Y Geamtvaranz.6 6 7 X Varanzzerlegung (. +.*x + e Schätzfehler n der lnearen Regreon (8 Varanzzerlegung V 8 7 6 Y varanz 6 7 X Varanzzerlegung (. +.*x + e.6

Schätzfehler n der lnearen Regreon (9 Varanzzerlegung VI 8 7 6 Y Varanz der vorhergeagten Werte 6 7 X Varanzzerlegung (. +.*x + e. ŷ Schätzfehler n der lnearen Regreon ( Varanzzerlegung VII Erklärte Varanz + varanz ˆ ( ˆ ( ˆ Geamtvaranz (

Schätzfehler n der lnearen Regreon ( Varanzzerlegung VIII Standardabwechung der Varablen Y. [Repräentert de Abwechungen vom Mttelwert, de durch den Prädktor erklärt werden ollen.] ˆ ˆ Standardabwechung der gechätzten Werte. [Repräentert de Abwechungen, de durch den Prädktor erklärt werden.] Standardabwechung de Schätzfehler oder Standardchätzfehler. [Repräentert de Abwechungen, de durch den Prädktor ncht erklärt werden.] Merke: de Standardabwechungen nd ncht addtv we de Varanzen. Schätzfehler n der lnearen Regreon ( Vorheragevaldtät und Standardchätzfehler DeVorheragevaldtät ene Prädktor für en Krterum t de Korrelaton beder Varablen. Erfolgt de Vorherage aufgrund ener lnearen Regreonglechung, t de Produkt Moment Korrelaton der Varablen de Vorheragevaldtät. Je größer de Produkt Moment Korrelaton zwchen zwe Varablen, deto höher de Vorheragevaldtät. It de Korrelaton glech ull, nd alle gechätzten Werte glech dem Mttelwert der beobachteten Werte, und der Standardfehler t maxmal: für ˆ glt : fehler Der Standardchätzfehler für ene Blndchätzung t de Standardabwechung de Krterum.

Vpn r. Tet x Tet ŷ ( ( ( î.8.66 77.87 8 9 7.6 76 9.9.8 67. 9.8. 6. 69 6.7.8 8 8 9.96 79.86 76.8 6 6.. 76 97. ; r x.876; 9.766 Schätzfehler n der lnearen Regreon ( Bepel zum Standardchätzfehler ˆ ( ˆ 97. 679. n ( ˆ.76 6. n ˆ fehler ( 886 n fehler fehler fehler rx 6..7 9.766.876.7 Schätzfehler n der lnearen Regreon ( Determnatonkoeffzent Frage Welchen relatven Antel der Geamtvaranz macht de erklärte Varanz au? ˆ r r Werteberech: r Der Determnatonkoeffzent (r (auch Betmmthetmaß genannt t da Quadrat der Produkt Moment Korrelaton: Er gbt an, welcher relatve Antel der Varaton (Varanz der enen Varablen durch de lneare Determnaton aufgrund der anderen Varablen erklärt werden kann. Be der Regreonanale wrd de erklärte Varanz mt R² (tatt r² dargetellt, da e her auch mehr al ene UV geben kann. Se gbt an, welcher Antel der Varanz der AV durch de UV( ngeamt erklärt werden kann. Da Unbetmmthetmaß ( r gbt mt multplzert den prozentualen Antel an, der ncht durch X erklärt werden kann.

Schätzfehler n der lnearen Regreon ( Standardchätzfehler der Regreon und Populatonmodell We de Regreongerade n der Populaton verläuft, kann anhand der Stchprobendaten nur gechätzt werden. Dabe hängt de Schätzung owohl von der Anzahl der Fälle n der Stchprobe al auch von der Komplextät de Modell (der Anzahl der Koeffzenten ab. Üblcherwee wrd dehalb der Standardchätzfehler mt ener anderen al der bher dargetellten Formel berechnet, wobe de Summe der Abwechungquadrate von beobachteten und gechätzten Werten ncht enfach durch n ondern durch (n m dvdert wrd, wobe m de Anzahl der Koeffzenten der Regreonglechung t: σˆ ( ˆ n m Dabe tellt (n m de Frehetgrade de Modell dar: Be ener enfachen lnearen Regreon mt ener UV gbt zwe Koeffzenten (a und b, der Dvor t dann glech (n.