Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell

Ähnliche Dokumente
Übungsblätter zu Methoden der Empirischen Sozialforschung IV: Regressionsanalyse. Lösungsblatt zu Nr. 2

Die multiple lineare Regression mit Individualdaten

Syntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.

6.1.2 Die Interaktionseffekte von Dummy- und zentrierten metrischen Variablen

Die Analyse der Residuen des Regressionsmodells

Kreuzvalidierung. 1. Schritt: Aufteilung der Stichprobe in ungefähr gleiche Hälften nach dem Zufall. SPSS:

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS

Lineare Regressionsanalyse

Technische Universität München Zentrum Mathematik Sommersemester Juli 2005 Arbeitszeit 60 Minuten

1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.

1 Beispiel zur Methode der kleinsten Quadrate

Prognoseintervalle für y 0 gegeben x 0

Statistik II Übung 1: Einfache lineare Regression

Übungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg

Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit. 21. Juni 2007: Pfadanalyse und lineare Strukturgleichungsmodelle

Statistik-Quiz Sommersemester

1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.

Lineare Modelle in R: Klassische lineare Regression

SozialwissenschaftlerInnen II

Die Berücksichtigung nichtlinearer Effekte exogener Merkmale bei der Schätzung der Logits und Wahlwahrscheinlichkeiten

Übung V Lineares Regressionsmodell

Fragestunde zur Übung

Ziel: Vorhersage eines Kriteriums/Regressand Y durch einen Prädiktor/Regressor X.

13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)

Biometrische und Ökonometrische Methoden II Lösungen 1

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

Statistik II. IV. Hypothesentests. Martin Huber

Schrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination

Lösung - Übungsblatt 10

Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller

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

Lösungen zum Aufgabenblatt 2: Bivariate Kreuztabellen mit nominalem Messniveau

13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017

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

X =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?

Biometrische und Ökonometrische Methoden I! Lösungen 9

ANOVA und Transformationen. Statistik II

Dipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung

Eine Einführung in R: Varianzanalyse

Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen

Aufgaben zu Kapitel 9

Übungsblatt 10: Lineare Regression (Sitzung 11)

13. Übungswoche - Lösungen

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

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

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester Juli 2005

Kapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.

Biometrische und Ökonometrische Methoden I Lösungen 9

Bestimmung der Zuverlässigkeit / Reliabilität einer additiven Itemskala. Cronbach s. 1 (k 1)r

Vorlesung: Multivariate Statistik für Psychologen

Statistik II Übung 3: Hypothesentests Aktualisiert am

I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03

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

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

Statistik II Übung 3: Hypothesentests

FERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT

Crashkurs Einführung Biostatistik

Statistik II Übung 2: Multivariate lineare Regression

Institut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II

Log-lineare Analyse I

Biometrische und Ökonometrische Methoden I! Lösungen 3

Eine Einführung in R: Varianzanalyse

Tutorial: Regression Output von R

Sozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS

Finanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015

Statistik II. IV. Hypothesentests. Martin Huber

Auswertung und Lösung

Analyse 1 Tierkreiszeichen (korrigiert für Bounces).docx Seite 1 von 7. Tierkreiszeichen * Crosstabulation

Statistik II Übung 1: Einfache lineare Regression

Drittvariablenkontrolle in der linearen Regression: Trivariate Regression

Übung zur Logistischen Regression Juli 2011

Statistik II Übung 4: Skalierung und asymptotische Eigenschaften

Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO

Anhang zu Asexualität, sexuelle und nicht sexuelle Gewalt

Name Vorname Matrikelnummer Unterschrift

y t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.

6.4 Kointegration Definition

Einführung in SPSS. Sitzung 4: Bivariate Zusammenhänge. Knut Wenzig. 27. Januar 2005

Institut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression

Kapitel 22 Partielle Korrelationen

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Vorlesung: Statistik II für Wirtschaftswissenschaft

Die Funktion f wird als Regressionsfunktion bezeichnet.

Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011

Lineare Regression in R, Teil 1

Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion

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

Vergleich von Gruppen I

Probeklausur für die Abschlussklausur Statistik II

Statistik II. Weitere Statistische Tests. Statistik II

Kapitel 4: Merkmalszusammenhänge

Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.

Multivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167

Empirische Wirtschaftsforschung in R

Transkript:

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere Probanden der Weststichprobe des ALLBUS 94, die nach ihren Vorurteilen Ausländern gegenüber befragt worden sind, wollen wir überprüfen, ob sich der vorliegende Stichprobenbefund auf die Grundgesamtheit der 52 Millionen Westdeutschen über 18 Jahre verallgemeinern läßt. Hierzu müssen wir in der folgenden Syntaxdatei zwei Änderungen vornehmen. Zuerst definieren wir einen zweiten Block unabhängiger Merkmale mit unseren Dummyvariablen POSTMAT und MATERIAL. Danach fordern wir mit Hilfe der /Statistics -Unterfehls die Berechnung der Differenz der Determinationskoeffizienten zwischen vollständigeren und sparsameren Modell und den partiellen F-Test mit der Options CHA (CHAnge) an. SPSSfWin berechnet zunächst zwei Regressionsmodelle, wobei das erstere nur das Lebensalter (V247) als Prädiktor enthält (M 1 ). Das zweite Modell (M 2 ) berücksichtigt zusätzlich die politische Orientierung, gemessen über die aus der Ingleharttypologie gebildeten Dummyvariablen POSTMAT und MATERIAL. SPSSfWin-Syntax Datei: GET FILE='c:\lehre\METH4W2K\spssfwin\all94m4.sav'. EXECUTE. FILTER OFF. USE ALL. SELECT IF(v3=2 & v4=1 ). EXECUTE. REGRESSION /MISSING LISTWISE /DESCRIPTIVES=DEFAULT /STATISTICS COEFF OUTS R ANOVA CHA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT xenophob /METHOD=ENTER v247 /METHOD=ENTER postmat material /SAVE PRED. SPSSfWin-Ausgabe Datei: * * * * M U L T I P L E R E G R E S S I O N * * * * Listwise Deletion of Missing Data Mean Std Dev Label XENOPHOB 13,383 5,807 Summenindex Auslaenderfeindlichkeit V247 46,115 16,980 ALTER: BEFRAGTE<R> POSTMAT,229,420 Postmaterialist vs. andere MATERIAL,157,364 Materialist vs. andere N of Cases = 1072

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-2 Correlation: XENOPHOB V247 POSTMAT MATERIAL XENOPHOB 1,000,328 -,302,190 V247,328 1,000 -,156,215 POSTMAT -,302 -,156 1,000 -,235 MATERIAL,190,215 -,235 1,000 * * * * M U L T I P L E R E G R E S S I O N * * * * Modell 1: XENOPHOB auf V247 Equation Number 1 Dependent Variable.. XENOPHOB Block Number 1. Method: Enter V247 Variable(s) Entered on Step Number 1.. V247 ALTER: BEFRAGTE<R> Statistiken für den Modellvergleich: Multiple R,32835 R Square,10782 R Square Change,10782 )R 2 Adjusted R Square,10698 F Change 129,30503 Partielles F Standard Error 5,48804 Signif F Change,0000 Signifikanz Zerlegung der Abweichungsquadrate (SAQ) des Regressionsmodells für den globalen F-Test: Analysis of Variance SAQ DF Sum of Squares Mean Square Regression 1 3894,49045 3894,49045 Residual 1070 32226,93399 30,11863 F = 129,30503 Signif F =,0000

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-3 Testergebnis: Mit einer Irrtumswahrscheinlichkeit von weniger als 5%, können wir die Nullhypothese verwerfen. Daher läßt sich der Stichprobenbefund auf die Grundgesamtheit aller Westdeutschen 1994 mit einer Irrtumswahrscheinlichkeit von weniger als 5 % verallgemeinern. Der globale F-Test läßt sich alternativ in der Logik der Proportionalen Fehlerreduktion im Vergleich zu einem Nullmodell formulieren, das nur die Regressionskonstante enthält. Seine Summe der Abweichungsquadrate der Residuen ist identisch mit der Gesamtsumme der Abweichungsquadrate, da kein Prädiktor im Modell enthalten ist. Wir schätzen damit die maximale Anzahl der Fehler, die wir bei der Vorhersage der abhängigen Variablen auf der Grundlage ihres eigenen Mittelwertes machen können. SPSSfWin erlaubt es aber nicht, ein solches Nullmodell zu schätzen. Wir müssen daher, die Gesamtsumme der Abweichungsquadrate aus den Summen derjenigen der Regression und derjenigen der Residuen des aktuellen Modells selbst berechnen.

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-4 Fortsetzung des Ausgabeprotokolls: ------------------ Variables in the Equation ------------------ Variable B SE B Beta T Sig T V247,112302,009876,328354 11,371,0000 (Constant) 8,204635,485293 16,907,0000 ------------- Variables not in the Equation ------------- Variable Beta In Partial Min Toler T Sig T POSTMAT -,257484 -,269282,975814-9,142,0000 MATERIAL,124972,129202,953602 4,260,0000 End Block Number 1 All requested variables entered.

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-5 Modell 2: XENOPHOB auf V247, POSTMAT, MATERIAL * * * * M U L T I P L E R E G R E S S I O N * * * * Equation Number 1 Dependent Variable.. XENOPHOB Block Number 2. Method: Enter POSTMAT MATERIAL Variable(s) Entered on Step Number 2.. POSTMAT Postmaterialist vs. andere 3.. MATERIAL Materialist vs. andere Multiple R,42129 R Square,17749 R Square Change, 06967 )R 2 Adjusted R Square,17518 F Change 45,23350 Partielles F Standard Error 5,27433 Signif F Change, 0000 Signifikanz Analysis of Variance DF Sum of Squares Mean Square Regression 3 6411,15591 2137,05197 Residual 1068 29710,26853 27,81860 F = 76,82097 Signif F =,0000 Beim partiellen F-Test überprüfen wir, ob die zusätzlich einbezogenen Variablen POSTMAT und MATERIAL zu einer signifikanten Verbesserung der Modellanpassung im Sinne einer durch sie bewirkten Erhöhung des Determinationskoeffizienten R 2 führen. Seine Nullhypothese besagt, daß die Steigungskoeffizienten der beiden zusätzlich einbezogenen Variablen Null sind bzw. daß die Differenz der Determinationskoeffizienten des sparsameren und des vollständigeren Regressionsmodells Null ist ()R 2 = 0). Mit einem partiellen F-Wert von 45,23 können wir mit einer Irrtumswahrscheinlichkeit von weniger als einem Promille die Nullhypothese zurückweisen, daß die politische Orientierung keinen zusätzlichen Einfluß auf die geäußerte Ausländerfeindlichkeit ausübt. Den partiellen F-Wert können wir folgendermaßen über die Summen der Abweichungsquadrate oder die zugehörigen Determinationskoeffizienten berechnen:

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-6 Wir erhalten folgendes Testergebnis: Wir können die Nullhypothese mit einer Irrtumswahrscheinlichkeit von weniger als 5 % verwerfen. Daher läßt sich der zusätzliche Erklärungbeitrag der politischen Orientierung von 7 % auf die Grundgesamtheit verallgemeinern.

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-7

Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-8 Fortsetzung des Ausgabeprotokolls: ------------------ Variables in the Equation ------------------ Variable B SE B Beta T Sig T V247,093974,009780,274767 9,609,0000 POSTMAT -3,349035,397098 -,242257-8,434,0000 MATERIAL 1,179592,463975,073874 2,542,0112 (Constant) 9,630356,492383 19,559,0000 End Block Number 2 All requested variables entered. Residuals Statistics: Min Max Mean Std Dev N *PRED 7,9729 19,0797 13,3834 2,4467 1072 *RESID -14,4218 16,0203,0000 5,2669 1072 *ZPRED -2,2114 2,3282,0000 1,0000 1072 *ZRESID -2,7343 3,0374,0000,9986 1072 Total Cases = 1192 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * From Equation 1: 1 new variables have been created. Name Contents ---- -------- PRE_1 Predicted Value