Gedichtinterpretation und Modellbildung

Ähnliche Dokumente
Andreas Gryphius - Es ist alles eitel ( )

Deutsche. Literatur von Analyse und. Vermittlung im. Deutschunterricht

Einführung in die Philosophie der Frühen Neuzeit. Vorlesung Geschichte der Philosophie III (3) Frühjahrssemester Prof. Dr. Hans-Joachim Pieper

ungeheuer dieses Geld

aragam Kunstpreis Nike

»lyrix«- Unterrichtsmaterialien März / April 2011: Andreas Gryphius: Es ist alles eitel

Tutorial: Regression Output von R

Im Original veränderbare Word-Dateien

Prognoseintervalle für y 0 gegeben x 0

Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression

Lean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am Autor: Ludwig Bothmann

Auswertung und Lösung

Beispiel: Multiples Modell/Omitted Variable Bias I

Statistik für Biologen 1. Fachsemester Mono-Bachelor

Literatur zur Vorlesung Praktische Philosophie (1), Methodische Grundlagen:

Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016

Übungsblatt 7: Schätzung eines Mietspiegels

Beispiel: Multiples Modell/Omitted Variable Bias I

Fragen zum zweiten Teil der Vorlesung

Züchtungslehre - Lösung 3

Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)

Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)

Multiple Regression III

Fragen. Einführung in die induktive Statistik. Übersicht. Lineare Einfachregression

Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j

Lineare Modelle in R: Einweg-Varianzanalyse

Hans-Georg Gadamer. Hermeneutik I. Wahrheit und Methode. Grundzüge einer philosophischen Hermeneutik. ARTIBUS INi

1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:

Einführung in die formale Demographie Übung

10. Übung (Korrelation und lineare Regressionsanalyse)

Teil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.

7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien

Hans Ineichen. Philosophische Hermeneutik. Verlag Karl Alber Freiburg/München

> r.lm < lm(log10(ersch) log10(dist), > summary(r.lm) > r.lms < summary(r.lm) R-Funktionen zur linearen Regression. data = d.

Vorlesung: Statistik II für Wirtschaftswissenschaft

1 Kodierung kategorialer Einflussgrößen

Einführung in die formale Demographie Übung

Aufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:

Biostatistik 101 Korrelation - Regressionsanalysen

CIM2004 Übung 7: Permutationstest, Bootstrap & Jackknife

Statistische Datenanalyse mit R, Korrelation und Regression. Dr. Andrea Denecke Leibniz Universität IT-Services

Nachholklausur ÖKONOMETRIE für Bachelor VWL

Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)

Einführung in die Literaturtheorie

Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)

Musterlösung. Kind Blume (beredet) Blume (nicht beredet)

Empirische Wirtschaftsforschung in R

Bachelorprüfung: Statistik (1 Stunde)

Wolfgang Ludwig Schneider Objektives Verstehen

11. Übungsblatt zur Vorlesung Ökonometrie SS 2014

Biostatistik 101 Korrelation - Regressionsanalysen

Die Geburt der Interpretation ; ; ä

Schweizer Statistiktage, Aarau, 18. Nov. 2004

1 Analyse von Kontigenztafeln: Das loglineare Modell

Technische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten

Interaktion unter Berücksichtigung des Skalenniveaus der Prädiktoren Dr. Markus Stöcklin, Universität Basel, Fakultät für Psychologie

Stillleben Stille Leben - Stille

Kovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen

Mehrfache und polynomiale Regression

Ausprägung und Ursache von Anreizen bei der Vermietung von Büroliegenschaften im Grossraum Zürich

Entschädigungen von Stiftungsräten

6 Korrelation und Regression

Schriftliche Prüfung (90 Minuten)

Lyrik des Barock. Andreas Gryphius ( ) Einsamkeit [1637/63] Andreas Gryphius ( ) Es ist alles Eitel. [1663]

Statistik Einführung // Lineare Regression 9 p.2/72

Inhaltsverzeichnis. Danksagung 5. Siglenverzeichnis 11

Klausur zu Methoden der Statistik II (mit Kurzlösung) Wintersemester 2012/13. Aufgabe 1

Einführung in die multiple Regression

4 Multiple lineare Regression Multikollinearität 4.9

4 Multiple lineare Regression Multikollinearität 4.9

Konfidenz-, Prognoseintervalle und Hypothesentests IV im multiplen linearen Regressionsmodell mit heteroskedastischen Störgrößen

Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen

FUNKTIONEN UND FORMELN IN

Schriftliche Prüfung (90 Minuten)

FORMELN IN. Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg

Christlicher Glaube in moderner Gesellschaft

Freiheit und Gnade" und weitere Beiträge zu Phänomenologie und Ontologie

Beipiele zum Üben und Wiederholen Wirtschaftsstatistik 2 (Kurs 3) Lösungen

Schriftliche Prüfung (2 Stunden)

Vorlesung Wirtschaftsstatistik 2 (FK ) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13

Logistische Regression

Datentypen und -strukturen. Statistische Software. Datenstrukturen in R. Datentypen in R. Micha Schneider

Es wird keine Garantie für die Vollständigkeit der Aufgaben übernommen. 0 Regressionsmodelle: Erinnerung und Ausblick 2

Wirtschaftswissenschaftliches Prüfungsamt

Perfekte Multikollinearität III. Multikollinearität

FRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1

Konfidenz-, Prognoseintervalle und Hypothesentests II bei heteroskedastischen Störgrößen

Fragestunde zur Übung

Prof. Dr. Karl-Werner Hansmann

Musterlösung zu Serie 1

Dr. M. Kalisch. Statistik (für Biol./Pharm. Wiss.) Winter Musterlösung

VO Biostatistik im WS 2006/2007

Einleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse

Eine Einführung in R: Varianzanalyse

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: "Abend" von Andreas Gryphius - Unterrichtsbausteine

Transkript:

Gadamers philosophische Hermeneutik angewandt auf die Statistik Seminar Wissenschaftstheorie für Statistiker bei PD Dr. Rudolf Seising, Prof. Dr. Thomas Augustin

Gadamers philosophische Hermeneutik angewandt auf die Statistik Seminar Wissenschaftstheorie für Statistiker bei PD Dr. Rudolf Seising, Prof. Dr. Thomas Augustin Lehre vom Auslegen und Verstehen von Texten

Historische Hermeneutik Philologische Hermeneutik Theologische Hermeneutik Juristische Hermeneutik Statistische Modellbildung

Historische Hermeneutik Philologische Hermeneutik Theologische Hermeneutik Juristische Hermeneutik Statistische Hermeneutik Theorie der universalen Hermeneutik Interpretation des Modells, des Parameters,

Gliederung Die Grundstruktur des Verstehens Beispiele: Gedicht und Datensatz Das hermeneutische Grundproblem Darüber und darüberhinaus

Die Grundstruktur des Verstehens Verständnis Erkenntnis Erklärung aus bekannten Strukturen Vorverständnis Anderes Verständnis konstruktiv Direkter Zugang zur Wahrheit deduktiv

Die Grundstruktur des Verstehens Hermeneutischer Zirkel Text Daten Anwendung Quelle Quelle Wirft neue Fragen auf Vorverständnis Verständnis Modell

Die Grundstruktur des Verstehens Hermeneutischer Zirkel (in Sinusdarstellung) Quelle Quelle Anwendung Wirft neue Fragen auf Vorverständnis Verständnis Modell

Die Grundstruktur des Verstehens Vorverständnis Literatur Statistik Wortbedeutungen Gefühl für Zusammenhänge Gesellschaftskenntnis Intuitionen Verfügbare Methoden Modellannahmen Sachkenntnis Repräsentativität

Die Grundstruktur des Verstehens Vorverständnis Bias Basis Fehlspezifikation Idealisierung Unrepräsentative Stichproben Tendenz zur Sebstbestätigung

Gliederung Die Grundstruktur des Verstehens Beispiele: Gedicht und Datensatz Das hermeneutische Grundproblem Darüber und darüberhinaus

Beispiele Es ist alles eitel Du sihst / wohin du sihst nur Eitelkeit auff Erden. Was dieser heute baut / reist jener morgen ein: Wo itzund Städte stehn / wird eine Wiesen seyn / Auff der ein Schäfers-Kind wird spielen mit den Herden. Was itzund prächtig blüht / sol bald zutretten werden. Was itzt so pocht und trotzt ist morgen Asch und Bein / Nichts ist / das ewig sey / kein Ertz / kein Marmorstein. Itzt lacht das Glück uns an / bald donnern die Beschwerden. Der hohen Thaten Ruhm muß wie ein Traum vergehn. Soll denn das Spiel der Zeit / der leichte Mensch bestehn? Ach! was ist alles diß / was wir vor köstlich achten / Als schlechte Nichtigkeit / als Schatten / Staub und Wind; Als eine Wiesen-Blum / die man nicht wider find t. Noch wil was ewig ist kein einig Mensch betrachten! Andreas Gryphius, 1637 Siehe: http://de.wikipedia.org/wiki/es_ist_alles_eitel

Beispiele Es ist alles eitel Du siehst, wohin du siehst, nur Eitelkeit auf Erden. Was dieser heute baut, reißt jener morgen ein: Wo jetzt noch Städte stehn, wird eine Wiese sein, Auf der ein Schäferskind wird spielen mit den Herden. Was jetzt noch prächtig blüht, soll bald zertreten werden. Was jetzt so pocht und trotzt, ist morgen Asch und Bein, Nichts ist, das ewig sei, kein Erz, kein Marmorstein. Jetzt lacht das Glück uns an, bald donnern die Beschwerden. Der hohen Taten Ruhm muss wie ein Traum vergehn. Soll denn das Spiel der Zeit, der leichte Mensch, bestehn? Ach! Was ist alles dies, was wir für köstlich achten, Als schlechte Nichtigkeit, als Schatten, Staub und Wind; Als eine Wiesenblum, die man nicht wieder find t. Noch will, was ewig ist, kein einzig Mensch betrachten! Andreas Gryphius, 1637 Siehe: http://de.wikipedia.org/wiki/es_ist_alles_eitel

Beispiele Münchener Mietspiegel 2003 nm nmqm wfl rooms bj bez wohngut wohnbest ww0 zh0 badkach0 badextra kueche 741.39 10.9 68 2 1918 2 1 0 0 0 0 0 0 715.82 11.01 65 2 1995 2 1 0 0 0 0 0 0 528.25 8.38 63 3 1918 2 1 0 0 0 0 0 0 553.99 8.52 65 3 1983 16 0 0 0 0 0 1 0 698.21 6.98 100 4 1995 16 1 0 0 0 0 1 1 935.65 11.55 81 4 1980 16 0 0 0 0 0 0 0 204.85 3.72 55 2 1924 6 0 0 0 0 0 1 0 426.93 5.4 79 3 1924 6 0 0 0 0 0 0 0 446.33 8.58 52 1 1957 6 0 0 0 0 0 0 0 381.45 4.95 77 3 1948 6 0 0 0 0 0 0 0 337.26 9.64 35 1 1957 6 0 0 0 0 0 0 0 756.73 11.13 68 2 1985 6 1 0 0 0 0 0 0 945.9 10.28 92 3 1918 12 1 0 0 0 0 0 0 264.93 11.52 23 1 1957.5 4 1 0 0 0 0 0 0 540.58 6.84 79 2 1918 12 1 0 0 0 0 0 0 757.74 9.24 82 4 1966 10 0 0 0 0 1 0 0 538.7 7.48 72 3 1972 10 0 0 0 0 0 0 0 796.07 4.47 178 6 1918 1 1 0 1 1 0 0 0 461.19 9.41 49 2 2001 3 1 0 0 0 1 0 0 752.27 8.65 87 3 1966 4 0 0 0 0 1 1 0 446.55 10.38 43 2 1972 4 0 0 0 0 0 0 0 548.17 8.99 61 2 1957 4 0 0 0 0 1 0 0 421.03 7.02 60 3 1966 4 0 0 0 0 1 0 0 759.57 8.53 89 4 1960 4 0 0 0 0 1 0 0 390 4.24 92 3 1918 4 1 0 1 1 0 0 0 436.89 6.72 65 2 1918 4 1 0 0 0 0 0 0 174.76 3.07 57 3 1957 14 0 0 0 0 1 0 0 354.91 9.34 38 1 1967 14 0 0 0 0 1 0 1 Fahrmeir, L. / Künstler, R. / Pigeot, I. / Tutz, G., 2004 Siehe: http://www.stat.uni-muenchen.de/service/datenarchiv/miete/miete03.html

Beispiele Münchener Mietspiegel 2003 Nettomiete in pro m² 20 15 MMMMMMMMMM mm 2 = 9,9 0,02 WWWWhnnnnnnäcchee + εε RR 2 0,05 10 5 50 100 150 Wohnfläche in m²

Beispiele Münchener Mietspiegel 2003 Nettomiete in pro m² 20 15 10 MMMMMMMMMM mm 2 = 6,6 + 108 RR 2 0,09 1 WWWWhnnnnnnäcchee + εε 5 50 100 150 Wohnfläche in m²

Beispiele Transformation Es ist alles eitel vergänglich Siehe: http://de.wikipedia.org/wiki/eitelkeit

Beispiele Es ist alles eitel Du siehst, wohin du siehst, nur Eitelkeit auf Erden. Was dieser heute baut, reißt jener morgen ein: Wo jetzt noch Städte stehn, wird eine Wiese sein, Auf der ein Schäferskind wird spielen mit den Herden. Was jetzt noch prächtig blüht, soll bald zertreten werden. Was jetzt so pocht und trotzt, ist morgen Asch und Bein, Nichts ist, das ewig sei, kein Erz, kein Marmorstein. Jetzt lacht das Glück uns an, bald donnern die Beschwerden. Der hohen Taten Ruhm muss wie ein Traum vergehn. Soll denn das Spiel der Zeit, der leichte Mensch, bestehn? Ach! Was ist alles dies, was wir für köstlich achten, Als schlechte Nichtigkeit, als Schatten, Staub und Wind; Als eine Wiesenblum, die man nicht wieder find t. Noch will, was ewig ist, kein einzig Mensch betrachten! Andreas Gryphius, 1637

Beispiele Form: Sonett Zeit: Barock Vanitas, Memento mori Zäsur Es ist alles eitel Gegenüberstellung Buch Kohelet Du siehst, wohin du siehst, nur Eitelkeit auf Erden. Was dieser heute baut, reißt jener morgen ein: Wo jetzt noch Städte stehn, wird eine Wiese sein, Auf der ein Schäferskind wird spielen mit den Herden. Was jetzt noch prächtig blüht, soll bald zertreten werden. Was jetzt so pocht und trotzt, ist morgen Asch und Bein, Nichts ist, das ewig sei, kein Erz, kein Marmorstein. Jetzt lacht das Glück uns an, bald donnern die Beschwerden. Der hohen Taten Ruhm muss wie ein Traum vergehn. Soll denn das Spiel der Zeit, der leichte Mensch, bestehn? Ach! Was ist alles dies, was wir für köstlich achten, Resümee Als schlechte Nichtigkeit, als Schatten, Staub und Wind; Als eine Wiesenblum, die man nicht wieder find t. Noch will, was ewig ist, kein einzig Mensch betrachten! Andreas Gryphius, 1637 Psalm 103: Des Menschen Tage sind wie Gras, er blüht wie die Blume des Feldes. Fährt aber der Wind darüber, ist sie dahin. Der Ort, wo sie stand, weiß von ihr nichts mehr. Siehe: http://de.wikipedia.org/wiki/es_ist_alles_eitel Dreißigjähriger Krieg

Beispiele Münchener Mietspiegel 2003

Beispiele Münchener Mietspiegel 2003

Beispiele Münchener Mietspiegel 2003 MMMMMMMMMM 1 mm 2 = bb 0 + bb 1 + bb WWWWhnnnnnnäcchee 2 BBBBBBBBBBhrr + bb 3 BBBBBBBBBBhrr ² + bb 4 GGGGGGGGGGGGGGee + bb 5 BBBBBBBBBBBBBBBBee + bb 6 BBBBBBBBBBBBBBaa + bb 7 KKücchee + bb 8 ZZZZZZZZZZZZZZheeeeeeeeeegg + εε Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 3.044e+03 2.946e+02 10.331 < 2e-16 *** invers(wfl) 1.277e+02 6.982e+00 18.296 < 2e-16 *** bj -3.129e+00 3.018e-01-10.370 < 2e-16 *** I(bj^2) 8.051e-04 7.724e-05 10.423 < 2e-16 *** wohnguttrue 8.259e-01 9.435e-02 8.753 < 2e-16 *** wohnbesttrue 1.927e+00 3.117e-01 6.180 7.72e-10 *** badextratrue 5.344e-01 1.606e-01 3.328 0.000889 *** kuechetrue 1.169e+00 1.803e-01 6.485 1.11e-10 *** zentralhtrue 2.078e+00 1.712e-01 12.144 < 2e-16 *** --- Signif. codes: 0 *** 0.001 ** 0.01 * 0.05. 0.1 1 Residual standard error: 2.042 on 2044 degrees of freedom Multiple R-squared: 0.3177, Adjusted R-squared: 0.315 F-statistic: 119 on 8 and 2044 DF, p-value: < 2.2e-16 Siehe: Regression von: Fahrmeir, Ludwig, Kneib, Thomas, Lang, Stefan

Beispiele Münchener Mietspiegel 2003 MMMMMMMMMM 1 mm 2 = 3044 + 128 3,1BBBBBBBBBBhrr + 8 10 4 BBBBBBBBBBhrr ² WWWWhnnnnnnäcchee + 0,8GGGGGGGGGGGGGGee + 1,9BBBBBBBBBBBBBBBBee + 0,5BBBBBBBBBBBBBBaa + 1,2KKücchee + 2,1ZZZZZZZZZZZZZZheeeeeeeeeegg + εε Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 3.044e+03 2.946e+02 10.331 < 2e-16 *** invers(wfl) 1.277e+02 6.982e+00 18.296 < 2e-16 *** bj -3.129e+00 3.018e-01-10.370 < 2e-16 *** I(bj^2) 8.051e-04 7.724e-05 10.423 < 2e-16 *** wohnguttrue 8.259e-01 9.435e-02 8.753 < 2e-16 *** wohnbesttrue 1.927e+00 3.117e-01 6.180 7.72e-10 *** badextratrue 5.344e-01 1.606e-01 3.328 0.000889 *** kuechetrue 1.169e+00 1.803e-01 6.485 1.11e-10 *** zentralhtrue 2.078e+00 1.712e-01 12.144 < 2e-16 *** --- Signif. codes: 0 *** 0.001 ** 0.01 * 0.05. 0.1 1 Residual standard error: 2.042 on 2044 degrees of freedom Multiple R-squared: 0.3177, Adjusted R-squared: 0.315 F-statistic: 119 on 8 and 2044 DF, p-value: < 2.2e-16

Gliederung Die Grundstruktur des Verstehens Beispiele: Gedicht und Datensatz Das hermeneutische Grundproblem Darüber und darüberhinaus

Das hermeneutische Grundproblem Was kann einer Objektivitätsvorderung entgegengesetzt werden? Wie kann Interpretation Wahrheit behaupten? Alle rechte Auslegung muß [ ] den Blick auf die Sachen selber richten Gadamer S.271 Die Daten sprechen lassen.

Das hermeneutische Grundproblem Wer zu verstehen sucht, ist der Beirrung durch Vor- Meinungen ausgesetzt, die sich nicht an den Sachen selbst bewähren. Die Ausarbeitung der rechten, sachangemessenen Entwürfe, die als Entwürfe Vorwegnahmen sind, die sich an den Sachen erst bestätigen sollen, ist die ständige Aufgabe des Verstehens. Es gibt hier keine andere Objektivität als die Bewährung, die eine Vormeinung durch ihre Ausarbeitung findet. Gadamer S.273

Das hermeneutische Grundproblem Tragende Rolle der Anwendung Anwendung: Ausgangspunkt Anwendung Anwendung Anwendung: Aussage Die Quelle spricht nicht von allein Objektivität nicht Außerhalb des Standpunktes der Anwendung

Das hermeneutische Grundproblem Tragende Rolle der Anwendung Ziele einer Interpretation: Vermittlung zwischen Quelle und Standpunkt der Anwendung Gerade keine Unabhängigkeit von der Anwendung Klärung der Wirkungsverlaufs, der zur Aussage führt

Gliederung Die Grundstruktur des Verstehens Beispiele: Gedicht und Datensatz Das hermeneutische Grundproblem Darüber und darüberhinaus

Darüber und darüberhinaus Hans-Georg Gadamer (1900-2002) Deutscher Philosoph aus Tübingen Sein Hauptwerk erschien 1960 Kapitel: Grundzüge der Theorie einer hermeneutischen Erfahrung Wilhelm Dilthey (1833-1911) Lebensphilosophie Edmund Husserl (1859-1938) Hinter die Objektivität der Wissenschaft auf die Lebenswelt Paul Graf Yorck von Wartenburg (1835-1897) Gerade so wie Natur bin ich Geschichte. Graf Yorck Martin Heidegger (1889-1976) Verstehen ist die ursprüngliche Vollzugsform des Daseins G. S.264 H.-G. Gadamer

Darüber und darüberhinaus Die Rolle des Autors bei der Interpretation von Texten: Nicht: Autor bestimmt das richtige Verständnis des Textes. Autor Text Leser Richtiges Verständnis

Darüber und darüberhinaus Die Rolle des Autors bei der Interpretation von Texten: Sondern: alles solche Verstehen [ist] am Ende ein Sichverstehen Gadamer S.265 Text Standpunkt des Autors Standpunkt des Lesers Präsentation von statistischen Ergebnissen

Vielen Dank! Drei Hasen tanzen im Mondenschein im Wiesenwinkel am See: Der eine ist ein Löwe, der andre eine Möwe, der dritte ist ein Reh. Christian Morgenstern