Statistik Typen statistischer Zusammenhänge: Statistik I

Slides:



Advertisements
Ähnliche Präsentationen
Tutorat Statistik II im SS 09 Multiple Regression
Advertisements

Statistik-Tutorat SS 2009 Christina
Kurze Geschichte der Statistik
Berechnung des Korrelationskoeffizienten Vorbemerkung. Der Korrelationskoeffizient ist im Grunde ein Bruch aus 3 unvollständig berechneten statistischen.
Multivariate Datenanalyse Datum: Betreuer: Dr. Bellmann Quellen: Multivariate Statistik, Hartung/Elpelt 1989 Stochastik für Ingenieure und Naturwissenschaftler,
Physikalische Messgrößen
Forschungsstatistik I Prof. Dr. G. Meinhardt WS 2006/2007 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz.
Marktforschung Sommersemester 2011
Regression und Korrelation
Forschungsstatistik I
Forschungsstatistik I
Forschungsstatistik I Prof. Dr. G. Meinhardt WS 2004/2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz.
Der Produkt-Moment- Korrelationskoeffizient Der Produkt-Moment Korrelationskoeffizient gibt Stärke und Richtung des linearen Zusammenhanges zweier Variablen.
Der Zusammenhang metrischer Merkmale
KAB-Deutschlands Mitgliederentwicklung - Gesamtmitgliedschaft Daten zum
Mehrfachregressionen
SoSe 06, Statistik mit SPSS
Quantitative Methoden I
Quantitative Methoden I
Regression und Korrelation
Tutorat II Multiple Korrelation Mediator- Moderatoranalyse
Konzentrationsmaße (Gini-Koeffizient, Lorenz-Kurve) Konzentrationsmaße Kennwert für die wirtschaftliche Konzentration Typische Beispiele: Verteilung des.
Datenmatrix. Datentabelle für 2 Merkmale Kontingenztafel der absoluten Häufigkeiten.
Statistische Methoden I SS 2005
Rechenregeln für Mittelwert, Varianz und Streuung.
Datenmatrix.
Korrelationskoeffizient nach Bravais-Pearson Eigenschaften X und Y unabhängig.
Datentabelle für 2 Merkmale
VL Diagnostische Kompetenz (Bewegungslehre 2) 3
VL Diagnostische Kompetenz (Bewegungslehre 2) 3. Korrelation und Gütekriterien.
Unser siebentes Tutorium
Unser sechstes Tutorium Materialien unter:
2 Ihr habt noch Minuten ©CAS 2004 Ihr habt noch Minute ©CAS
Analyse kategorialer Variablen
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Multikollinearität Wann spricht man von Multikollinearität?
Semipartialkorrelation Multiple Korrelation Inkrementelle Validität
Relationen zwischen metrischen Merkmalen
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Die Entwicklung der Preise für Treibstoffe und andere ausgewählte Produkte in Österreich August 2013.
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
STATISIK LV Nr.: 1375 SS März 2005.
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Das Allgemeine Lineare Modell (ALM)
Seminar: Datenerhebung
Seminar: Datenerhebung
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
STATISIK LV Nr.: 0028 SS Mai 2005.
SStotal SStotal SStreat SSerror SStreat SSerror Biomasse (g) wenig
STATISIK LV Nr.: 0021 WS 2005/ November 2005.
Regression und Kollokation
Bivariate Statistik M. Kresken.
1 STATISIK LV Nr.: 0021 WS 2005/ November 2005.
Erste vorläufige Abschätzung zur Entwicklung der erneuerbaren Energien im Jahr 2004 in Deutschland Stand Februar 2005 unter Verwendung aktueller Daten.
Multivariate Statistische Verfahren
Regression Maria Morozova Lisa Ochsenhofer. Einführung Francis Galton 1886 Größe von Vater und Sohn Regression zum Mittelwert.
Forschungsmethodik II, SS 2010 Vesna Pavlovski & Julia Pichlhöfer
Statistik Statistik I Seminar + Blockveranstaltung Statistik I
Statistik – Regression - Korrelation
Veranstaltung 4.
Zusammenhänge von Variablen ab Nominalskalenniveau
K. Desch - Statistik und Datenanalyse SS05 Verteilungen Binomialverteilung.
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Der Binomialtest Man habe einen wahren Anteil P. Kann man aufgrund von p sagen, daß in der Population tatsächlich der Anteil P zugrunde liegt? [Beispiele]
Phi-Koeffizient: Alternative Berechnungsart
Statistiken je nach Messniveau
5AK Daniela Vukadin & Bozana Simic 2012/13 Die Korrelations- und Regressionsanalyse (linear)
1 Digitale Navigationsmedien auf Segelyachten – Nutzung und Nutzerfahrung Auswertung des Fragebogens Projekt ANeMoS Analyzing Use and Impact of New Media.
Vorlesungsplan im SS 17. Mai
 Präsentation transkript:

Statistik Typen statistischer Zusammenhänge: Statistik I Wintersemester 2004/2005 Statistik Typen statistischer Zusammenhänge: Statistik I Y X einfacher wechselseitiger Zusammenhang: Korrelation  Verdunstung (Y) hängt von der Lufttemperatur (X) ab, umgekehrt hängt die Lufttemperatur auch von der Verdunstung ab (vgl. Verdunstungskälte) Y X einfacher einseitiger Zusammenhang: einfache lineare Regression  Verdunstung (Y) hängt von der Lufttemperatur (X) ab

Statistik Übersicht über die gängigen Korrelationskoeffizienten Statistik I Wintersemester 2004/2005 Statistik Übersicht über die gängigen Korrelationskoeffizienten Skalenniveau Zusammenhangsmaß (Wertebereich) Richtung des Zusammenhangs Nominal [ = ; ≠ ] Kontingenzkoeffizient (0 <= C <= 1)   nein Ordinal [ = ; ≠ ; > ; < ] Korrelationskoeffizient Spearman/ Korrelationskoeffizient Kendall (-1 <= rs <= +1) ja Metrisch (nicht-linear, nicht normalverteilt) [ = ; ≠ ; > ; < ; + ; - ; *; / ] Metrisch (linear, normalverteilt) [ = ; ≠ ; > ; < ; + ; - ; * ; / ] Korrelationskoeffizient Pearson (-1 <= r <= +1) niedrige Korrelation: r = 0.07 hohe Korrelation: r = -0.819 Stärke  

Statistik Pearson-Korrelationskoeffizient r – Berechungsbeispiele SPSS Statistik I Wintersemester 2004/2005 Statistik Pearson-Korrelationskoeffizient r – Berechungsbeispiele SPSS Berechnung des Koeffizienten: “Analysieren – Korrelation – Bivariat …” oder Z-Transformation (Standardisierung) der eingehenden Variablen und Anwendung der Berechnungsformel Excel Berechnung der Koeffizienten mit Funktions-Assistenten: “Statistik – Pearson …” oder Z-Transformation der eingehenden Variablen und Anwendung der Berechnungsformel

Statistik Typen statistischer Zusammenhänge: Statistik I Wintersemester 2004/2005 Statistik Typen statistischer Zusammenhänge: Statistik I Y X einfacher wechselseitiger Zusammenhang: Korrelation  Verdunstung (Y) hängt von der Lufttemperatur (X) ab, umgekehrt hängt die Lufttemperatur auch von der Verdunstung ab (vgl. Verdunstungskälte) Y X einfacher einseitiger Zusammenhang: einfache lineare Regression  Verdunstung (Y) hängt von der Lufttemperatur (X) ab

Statistik Einfache lineare Regression: Grundlagen Statistik I Wintersemester 2004/2005 Statistik Einfache lineare Regression: Grundlagen Messen der Art des statistischen Zusammenhangs zwischen zwei Variablen Aus den Messwerten einer Variablen X soll dabei auf die Messwerte einer Variablen Y geschlossen werden ( Y  X ). Gesucht wird also ein geeignete Funktion, die die Messwerte der Variablen Y aus X “erklärt”: Y ist dabei die abhängige (zu erklärende) Variable, X ist die unabhängige Variable

Statistik Einfache lineare Regression: Idee Statistik I Wintersemester 2004/2005 Statistik Einfache lineare Regression: Idee Frage: In welcher Weise verändert sich die Verdunstung mit der Temperatur? Lineare Regression bedeutet, dass eine lineare Funktion y = f(x) gesucht wird, die die Tendenz der Punktwolke abbildet. Als Funktion wird die Geradengleichung y = bx + a verwendet + : auch für nicht gemessene Temperaturen kann die Verdunstung geschätzt werden (Modell) y ~ 0.15x – 0.5

Statistik Einfache lineare Regression: Berechnung der Geraden I Statistik I Wintersemester 2004/2005 Statistik Einfache lineare Regression: Berechnung der Geraden I Ziel: Bestimmung einer Geraden, die die Punktwolke optimal repräsentiert, d.h. deren Lage unmittelbar von der Verteilung der Messwertpaare ( xi / yi ) abhängig ist Optimal bedeutet, dass alle gemessenen Werte möglichst nahe an der Geraden liegen sollen, genauer, dass die Summe der Abweichungen ei zwischen Mess- und Modellwerten minimal ist (xi/yi) (xi/a+bxi) ei ei = yi – (a+bxi)

Statistik Einfache lineare Regression: Berechnung der Geraden II Statistik I Wintersemester 2004/2005 Statistik Einfache lineare Regression: Berechnung der Geraden II “Gausssches Prinzip der kleinsten Quadrate” a und b sind so zu wählen, dass die Funktion ein Minimum annimmt Berechnungsformel Regressionskoeffizient (Steigung) Berechnungsformel Regressionskonstante (Y-Achsenabschnitt)

Statistik Regressionsgerade – Berechungsbeispiele SPSS Excel Statistik I Wintersemester 2004/2005 Statistik Regressionsgerade – Berechungsbeispiele SPSS Berechnung von Regressionskoeffizient und -konstante sowie der Modellgüte: “Analysieren – Regression – Linear” Excel Berechnung der beiden Parameter “per Hand”:

Statistik Analytisch-statist. Probleme bei Korrelation und Regression Statistik I Wintersemester 2004/2005 Statistik Analytisch-statist. Probleme bei Korrelation und Regression Fehleranfälligkeit bei kleinen N Ausreißerproblematik Modellgüte bei linearer Einfachregression (erklärte Varianz) Anwendung der multiplen liearen Regression Residuen-Interpretation