t utorat d eskriptive s tatistik und w ahrscheinlichkeitstheorie kai vogt [email protected] termin 1
TRANSCRIPT
![Page 2: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/2.jpg)
HALLO ERST MAL !
Fragen entweder direkt an mich oder an [email protected]
Aufgabenblätter gibt es im Buch, im Tutorat oder im Ordner in der Psycho-Bib
• Habt ihr im voraus Wünsche und Ideen zum Ablauf?
• Was unterscheidet Statistik I und II voneinander?
![Page 3: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/3.jpg)
ZIELE DES TUTORATS!
Überblick über den Stoff verschaffen!!! Vertiefung von Themen aus der Vorlesung Offene Fragen in der Gruppe klären Verstehen von grundlegenden Ideen Rechnen trainieren Sp(a)ss …
![Page 4: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/4.jpg)
GLIEDERUNG
Wiederholung: (lineare) Korrelation (Produkt-Moment-Korrelation) rxy
Multiple Korrelationen Ry.x1x2
Partialkorrelation rxy.z
Semipartialkorrelation rx(y.z)
• Inkrementelle Validität Suppressor-Effekt Multikollinearität
Wiederholung: Lineare Regression Multiple Regression
Biased Estimate & Capitalization of Chance Kreuzvalidierung Signifikanzprüfung Strategien bei der multiplen Regression
Aufgaben
![Page 5: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/5.jpg)
Die Produkt-Moment-Korrelation, die Kovarianz und die sonstigen Korrelationskoeffizienten aus dem ersten Semester sind Maße für den (linearen) Zusammenhang zwischen zwei Variablen.
Positver Zusammenhang
Positive Korrelation bzw. positiver Zusammenhang
Negative Korrelation bzw. negativer Zusammenhang
Keine Korrelation bzw. kein Zusammenhang
WIEDERHOLUNG: KORRELATION (SEMESTER 1)
![Page 6: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/6.jpg)
I. MULTIPLE KORRELATION
![Page 7: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/7.jpg)
MULTIPLE KORRELATION
Erstes Semester: Zusammenhänge zwischen 2 Variablen!
Psychologische „Phänomene“ sind aber selten nur mit einer Variable korreliert
Bsp: Welche Variablen stehen im Zusammenhang mit Aggressivität?
Genetische Einflüsse, Hormone, Erziehung, Umwelt usw…
Deswegen…
Multiple Korrelation = Korrelationen zwischen mehr als zwei Variablen!
![Page 8: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/8.jpg)
ryx = rxy
(einfache Korrelation)
Ry.xz (multiple Korrelation)
y
x
z2
xyr
y
x
z2.xzyR
Multiple Korrelation
Z.B.: Zusammenhang zwischen genetischem Einfluss und Aggressivität
Z.B.: Zusammenhang zwischen Erziehung, genetischem Einfluss und Aggressivität
![Page 9: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/9.jpg)
Partialkorrelation
Partialkorrelation rxy.z
Herauspartialisieren eines dritten Merkmals aus beiden Variablen
Warum?Störvariablen „rausrechnen“
Beispiel: Der Einfluss der Erziehung in der Kindheit (Variable y) und die Aggressivität (Variable x) korrelieren hoch miteinander. Durch die Partialkorrelation kann der Einfluss der Gene (Variable z) „rausgerechnet“ werden.
Anzahl der Ertrinkenden und die Menge von konsumiertem Eis korrelieren hoch. Man kann mit der Partialkorrelation den Einfluss des Wetters neutralisieren.
y.zx.z
![Page 10: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/10.jpg)
SEMIPARTIALKORRELATION
x y.z
Semipartialkorrelation rx(y.z)
Herauspartialisieren eines dritten Merkmals aus nur einer Variable
Warum?Berechnung des zusätzlichen (inkrementellen) Erklärungswerts(Varianzaufklärung) der verbleibenden Variable
Beispiel:
Wie groß ist der Anteil an der Gesamtvarianz (erklärbarer Anteil) der VariableAggressivität (x) der nur durch die Variable Erziehung in derKindheit (y) erklärt werden kann? Berechnung der Semipartialkorrelation Die Schulnote korreliert hoch mit dem IQ-Wert. Hat die Motivation des Schülers auch noch einen eigenen Erklärungswert?
![Page 11: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/11.jpg)
Zweck: Zum „rausrechnen“ von Störvariablen aus einem interessierenden Zusammenhang
PARTIALKORRELATION VS. SEMIPARTIALKORRELATION
y.z
x.z x y.z
rxy.z rx(y.z)
Zweck: Zur Ermittlung der inkrementellen Validität einer Variable an einem Kriterium
Inkrementelle Validität = Anteil an Varianz den ausschließlich eine gewählte Variable aufklären kann.
Der Varianzanteil des Kriteriums wird nicht verringert!
Inkrementelle Validität
![Page 12: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/12.jpg)
Inkrementelle Validität
Definition:
Eine Variable besitzt inkrementelle Validität, wenn ihre Aufnahme als zusätzlicher Prädiktor den Anteil der aufgeklärten Varianz (R²) am Kriterium erhöht – also die Vorhersage verbessert.
y
x
z
Inkrementelle Validität („zusätzliche erklärte Varianz“) der Variable w am Kriterium y
w
![Page 13: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/13.jpg)
SUPPRESSOR-EFFEKT
Ein Prädiktor verbessert die multiple Korrelation (erhöht den Wert) ohne dass er selbst mit dem Kriterium korreliert.
x1 x2y
Der Suppressor-Effekt kann über die Semipartialkorrelation belegt werden.
ryx1= .55 < ry(x1.x2)=
.66Die Semipartialkorrelation (x2 aus x1 herausgerechnet) ist größer als die Korrelation zwischen y und x1! Diese Tatsache belegt einen Suppressor-Effekt!
![Page 14: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/14.jpg)
y
x
z
w
Multikollinearität
= Die Prädiktoren korrelieren miteinander, so dass manche Varianzanteile des Kriteriums von verschiedenen Prädiktoren erklärt werden können.
Die Summe der einzelnen Determinationskoeffizienten ist aufgrund dieser Überlappung größer als der multiple Determinationskoeffizient!
Seltene Ausnahme: Bei einem Suppressor- Effekt kann der multiple Determinationskoeffizient größer sein als die Summe der einzelnen Determinationskoeffizienten!
Beispiel:
Y= AggressivitätX= ErziehungZ=Genetischer Einfluss
Gemeinsamer Anteil von X & Z: Gene sind von den Eltern die möglicherweise auch auf Grund ihrer Veranlagung einen aggressiven Erziehungsstil pflegen.
![Page 15: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/15.jpg)
WIEDERHOLUNG LINEARE REGRESSION
![Page 16: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/16.jpg)
LINEARE REGRESSION Ziel: Vorhersage einer Variable y durch eine Variable x.
Wörtlich: Rückführung Eine solche Vorhersage ist nur möglich, wenn x und y
zusammenhängen, also miteinander korrelieren. Die vorherzusagende Variable (y) heißt Kriteriumsvariable Die zur Vorhersage verwendete Variable (x) heißt
Prädiktorvariable
Anwendungsbeispiele:
- Werte von X wurden bereits erhoben, Werte von Y sind nicht bekannt
- X kann zum jetzigen Zeitpunkt erfasst werden, Y erst viel später
- X ist leicht (einfach, preiswert, schnell) zu erfassen, Y nur durch teure, aufwändige Untersuchung zu erheben
![Page 17: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/17.jpg)
Lineare Regression - grafisch
OPT
1801601401201008060
RIS
IKO
50
40
30
20
10
0
Prinzip: Es wird eine Gerade ermittelt, die den Zusammenhang zwischen x und y beschreibt.
Mit einer solchen Gerade kann zu jedem Wert von x ein Wert von y vorausgesagt werden.
z.B. x=120 y=30
x=80 y=13
![Page 18: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/18.jpg)
Mathematisches Prinzip:Methode der kleinsten Quadrate
Für einen Datensatz (eine Punktewolke) werden a und b so gewählt, dass der quadrierte Vorhersagefehler über alle Probanden minimal ist:
Für die Ermittlung der Regressionsgleichung wird die Differenz der tatsächlichen von den vorhergesagten y-Werten also quadriert. Das hat 2 Vorteile…
(1) Abweichungswerte sind immer positiv.(2) Große Abweichungen werden stärker
berücksichtigt als kleine Abweichungen.
minyyN
i ii 1
2ˆ
![Page 19: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/19.jpg)
Strukturformel der Linearen Regression
wobei b für die Steigung und a für den y-Achsen-Abschnitt steht.
axby Allgemeine Funktion einer Gerade:
xyixyi axby ..ˆ
Abschnitt)-Achsen-(y Konstante additive:
iPerson der Wert x:
(Steigung)nt skoeffizieRegression:
iPerson der Wert ygter vorhergesa:ˆ
.
.
xy
i
xy
i
a
x
b
y
mit
Bei der Regression schreibt man:
![Page 20: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/20.jpg)
Voraussetzungen der linearen Regression
Folgende Voraussetzungen müssen erfüllt sein, damit eine lineare Regressionsanalyse berechnet werden darf:
(1) Die Variablen x und y müssen intervallskaliert sein
(2) Die Variablen x und y müssen normalverteilt sein.
(3) Die Homoskedastizität der Variablen muss gegeben sein.
(4) Die Residuen müssen unabhängig und normalverteilt sein.
Wichtig: Nur lineare Zusammenhänge dürfen berücksichtigt werden.
![Page 21: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/21.jpg)
MULTIPLE REGRESSION
![Page 22: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/22.jpg)
Problem:
• Komplexe Welt: Kriterium hängt meist nicht nur von einem Prädiktor ab.
• Zusammenhänge mit vielen Variablen. Und daher muss z.B. bei einer Vorhersage auch mehrere Variablen berücksichtigt werden.
Beispiel:
Sportliche Leistung kann nur präzise vorhergesagt werden
wenn viele wichtige Variablen miteinbezogen werden:
• Training, Talent, Umfeld, Psychologische Stabilität, Ehrgeiz usw…
Multiple Regression
![Page 23: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/23.jpg)
Strukturgleichung: Multiple Regression
• Erweiterung der einfachen linearen Regression mehrere Prädiktorvariablen
• Bestimmung über die Methode der kleinsten Quadrate
ikikkiii
kikkiii
eaxbxbxby
axbxbxby
...23.12211
...23.12211
...
...ˆ
min)ˆ(1
2
1
2
N
ii
N
iii eyy
![Page 24: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/24.jpg)
Regressionskoeffizienten (b)
• „b-Gewichte“ der einzelnen Prädiktorvariablen (auch Partialregressionskoeffizienten)
relatives Gewicht einer Prädiktorvariablen in der Vorhersage (Sprich: Wie wichtig ist eine Variable für die Vorhersage!
Z.B.: Trainingszeit hat einen großen Einfluss auf die Vorhersage einer Sportlichen Leistung (großes „b-Gewicht“). Die Anzahl der Topfpflanzen in der Wohnung dagegen nicht (sehr kleines „b-Gewicht“)!
221
2112
222
21
2121
11 11 xx
xxyxyx
x
yx
xx
xxyxyx
x
yx r
rrr
s
sb
r
rrr
s
sb
Die Regressionsgewichte können mit einem t-Test auf Signifikanz geprüft werden.
![Page 25: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/25.jpg)
Konstante (a)
kxkxx xbxbxbya ...2211
Auch die Regressionskonstante wird mit einem t-Test auf Signifikanz geprüft!
![Page 26: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/26.jpg)
Standardisierte Regressionsgewichte (β – Gewichte)
Die Regressionsgerade kann auch in einer standardisierten Form beschrieben werden:
kikkiii axbxbxby ...23.12211 ...ˆ
ikkiiyi zzzz ...ˆ 2211
unstandardisiert:
standardisiert:
Vorteil: Die Beta-Gewichte nehmen nur Werte zwischen -1 und +1 an. Sie können wie Korrelationskoeffizienten interpretiert werden.
Die additive Konstante (a) entfällt, da die zy einen Mittelwert von Null hat.
![Page 27: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/27.jpg)
Biased Estimate & Capitalization of Chance
Bei einer Multiplen Regression werden eine Vielzahl von Korrelationskoeffizienten zwischen den einzelnen Prädiktoren und dem Kriterium berücksichtigt!
Diese Koeffizienten korrelieren aber möglicherweise auch miteinander (= Multikollinearität)!
Resultierendes Problem: R² überschätzt den Populationszusammenhang = „biased estimate“
Je mehr Prädiktoren in der Regression berücksichtigt werden, desto größer wird der „biased estimate“ (exponentieller Anstieg) = „Capitalization of Chance“
![Page 28: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/28.jpg)
Biased Estimate & Capitalization of Chance
Bei einer Multiplen Regression werden eine Vielzahl von Korrelationskoeffizienten zwischen den einzelnen Prädiktoren und dem Kriterium berücksichtigt!
Diese Koeffizienten korrelieren aber möglicherweise auch miteinander (= Multikollinearität)!
Resultierendes Problem: R² überschätzt den Populationszusammenhang = „biased estimate“
Je mehr Prädiktoren in der Regression berücksichtigt werden, desto größer wird der „biased estimate“ (exponentieller Anstieg) = „Capitalization of Chance“
![Page 29: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/29.jpg)
Faktoren die den biased estimate (Überschätzung der Multiplen Korrelation in anderen Stichproben bzw. der Population) beeinflussen:
1)Anzahl Prädiktoren • Je mehr Prädiktoren desto größer Verzerrung
= Cap. of .Chance
2)Höhe der Korrelationen zwischen den Prädiktoren • Je höher (=Multikollinearität) desto größer
Verzerrung
3)Stichprobengröße • Je größer desto kleiner die Verzerrung
Lösungen: korrigiertes R², Kreuzvalidierung, N↑, nur relevante und möglichst unkorrelierte Prädiktoren aufnehmen.
Biased Estimate & Capitalization of Chance
![Page 30: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/30.jpg)
Kreuzvalidierung einer Multiplen Regression
![Page 31: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/31.jpg)
Korrigiertes R²
Schrumpfungskorrektur nach Olkin & Pratt:
22 ²)1(2
²)1(2
31ˆ R
KNR
KN
NR
40.)50(.17
2)50(.
15
171ˆ 22
R
Beispiel: k=3; N=20; R² = .50
![Page 32: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/32.jpg)
SIGNIFIKANZPRÜFUNG
![Page 33: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/33.jpg)
Signifikanztest der multiplen Regression
Die multiple Regression wird mit einem F-Test auf Signifikanz getestet. Der F-Test beruht auf einer Zerlegung der Varianz des Kriteriums in einen erklärten und einen nicht erklärten Teil.
resregtotal SSSSSS
Die Quadratsumme (SS = „sum of squares“) ist einunstandardisiertes Maß für die Variabilität.
2)( yySS i
![Page 34: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/34.jpg)
n
iiires
n
iireg
n
iitotal
yySS
yySS
yySS
1
1
1
)²ˆ(
)²ˆ(
)²(
res
reg
resres
regreg
MS
MSF
KN
SSMS
K
SSMS
1
Quadratsummen
unstandardisiert:„Sums of Squares“
standardisiert:„Mean Sums of
Squares“
K: Anzahl der PrädiktorenN:Anzahl der Probanden
![Page 35: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/35.jpg)
1df
n)Prädiktoreder (Anzahl df
:mit
,/1
/
/
/
2
1
22
12
2
1
kN
k
dfR
dfR
dfSS
dfSSF
res
regemp
Wenn Femp > Fkrit ist das Testergebnis signifikant
Die Prädiktoren weisen dann insgesamt einen bedeutsamen Zusammenhang mit dem Kriterium auf.
Signifikanztest der mult. Regression
1) Häufig in SPSS ausgegeben
2) Häufig in Studien / Texten angegeben
1) 2)
![Page 36: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/36.jpg)
Signifikanztest - Beispiel
Y X1 X2
Y 1.0 .45 .60
X1 1.0 .30
X2 1.050
44.
66.2
21.
21.
N
R
R
xxy
xxy
/1
/
22
12
dfR
dfRFemp
46.18.012
.22
47/56.
2/44.empF
18.347;2 NdfZdfkritF
Es besteht ein bedeutsamer Zusammenhang zwischen dem Kriterium und den Prädiktoren! Die Prädiktoren können das Kriterium zuverlässig vorhersagen
![Page 37: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/37.jpg)
STRATEGIEN BEI DER MULTIPLEN REGRESSION
![Page 38: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/38.jpg)
STRATEGIEN
Inhaltliche Auswahl Alle möglichen Untermengen Vorwärtsselektion Rückwärtselimination Schrittweise Regression
![Page 39: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/39.jpg)
AUFGABEN
![Page 40: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/40.jpg)
AUFGABE 1
Eine Regressionsanalyse ergab folgende Zusammenhänge:
Koeffizientena
1,065 ,607 1,755 ,085
,033 ,011 ,314 3,065 ,004
,067 ,012 ,564 5,504 ,000
(Konstante)
Computerken.
Umgangsformen
Modell1
BStandardf
ehler
Nicht standardisierteKoeffizienten
Beta
Standardisierte
Koeffizienten
T Signifikanz
Abhängige Variable: zeugnisa.
![Page 41: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/41.jpg)
AUFGABE 1Berechnen sie für die drei Personen mit folgenden Prädiktorwerten den vorhergesagten Kriteriumswert:- Computerk. 4, Umgangsformen 9- Computerk. 6, Umgansformen 6- Computerk. 8, Umgangsformen 3Nehmt an, dies sei das statistisch aggregierte Ergebnis eines Assessment-Centers und hohe Werte weisen auf hohe Eignung hin. Welchen der drei Bewerber stellt ihr aufgrund der vorliegenden Vorhersage seiner Passung zum Unternehmen ein? axbxbxby ikkiii ...ˆ 2211
![Page 42: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/42.jpg)
LÖSUNG AUFGABE 1a) 4 x 0,033 + 9 x 0,067 + 1,065 = 1,8b) 6 x 0,033 + 6 x 0,067 + 1,065 = 1,67c) 8 x 0,033 + 3 x 0,067 + 1,065 = 1,53
Bewerber a), da er die höchsten Werte und damit voraussichtlich die beste Eignung aufweist.
![Page 43: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/43.jpg)
AUFGABE 2Nennen sie die Vorteile der Standardisierung der Koeffizienten bei der multiplen Regression.
Die Beta-Gewichte nehmen nur Werte zwischen -1 und +1 an und können damit wie Korrelationskoeffizienten interpretiert werden – d.h. ihr relativer Einfluss auf die Vorhersage wird direkt und zwischen verschiedenen Vorhersagen vergleichbar deutlich.
![Page 44: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/44.jpg)
AUFGABE 3Welche Vor- und Nachteile hat die Verwendung der Inhaltlichen Auswahl bei der Bestimmung der Anzahl der Prädiktoren für eine multiple Regression?
![Page 45: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/45.jpg)
LÖSUNG AUFGABE 3
Vorteile:Hypothesengeleitetes VorgehenKeine Capitalization on Chance
Nachteile:Möglicherweise Aufnahme von mehr
Prädiktoren als unbedingt erforderlich (Prädiktoren, die keinen signifikanten Beitrag leisten)
Möglicherweise werden wichtige Prädiktoren „übersehen“ bzw. „vergessen“
![Page 46: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/46.jpg)
ARBEITSBLATT AUFGABE 4
Eine Regressionsanalyse ergab folgende Zusammenhänge:
![Page 47: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/47.jpg)
Berechnen Sie den vorhergesagten Wert für „Note“ für (a)eine Person mit rating02=3 und rating13=6, und (b) für eine Person mit rating02=8 und rating13=8.
axbxbxby ikkiii ...ˆ 2211
![Page 48: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/48.jpg)
ERGEBNIS AUFGABE 4
![Page 49: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/49.jpg)
ARBEITSBLATT AUFGABE 5
Eine Multiple Korrelation mit 3 Prädiktoren klärt 60% der Varianz des Kriteriums auf. Die Stichprobe besteht aus 40 Probanden. Ist dieser Zusammenhang signifikant?
1df
n)Prädiktoreder (Anzahl df
:mit
,/1
/
/
/
2
1
22
12
2
1
kN
k
dfR
dfR
dfSS
dfSSF
res
regemp
Fkrit = 2,92
![Page 50: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/50.jpg)
ERGEBNIS AUFGABE 5
Der Zusammenhang des Kriteriums mit den Prädiktoren ist statistisch bedeutsam.
![Page 51: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/51.jpg)
ARBEITSBLATT AUFGABE 6
Beschreiben Sie kurz das Vorgehen der „Rückwärts-Eliminierung“
![Page 52: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/52.jpg)
ERGEBNIS AUFGABE 6
Zunächst werden alle Prädiktoren in die Regression eingeschlossen. In jedem Schritt wird jeweils der Prädiktor, der am wenigsten zur Vorhersage beiträgt, weggelassen. Diese Schritte werden wiederholt, bis es zu einer signifikanten Verschlechterung der Vorhersage kommt.
![Page 53: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/53.jpg)
WICHTIGES AUS TERMIN 1
Multiple Korrelationen Ry.x1x2
Partialkorrelation rxy.z
Semipartialkorrelation rx(y.z)
• Inkrementelle Validität Suppressor-Effekt Multikollinearität
Multiple Regression Biased Estimate & Capitalization of Chance Kreuzvalidierung Signifikanzprüfung Strategien der Prädiktorauswahl
![Page 54: T UTORAT D ESKRIPTIVE S TATISTIK UND W AHRSCHEINLICHKEITSTHEORIE Kai Vogt vogtkai@gmx.net Termin 1](https://reader036.vdocuments.site/reader036/viewer/2022062404/55204d6749795902118bcb99/html5/thumbnails/54.jpg)
VIELEN DANK FÜR EURE AUFMERKSAMKEIT!
Bis nächste Woche… Schreibt euch Fragen auf wenn ihr welche habt…
Fragen an [email protected]
Psychoparteeey
Wann: Heute!!! Ab 22:00 UhrWo: RuefettoDJs: Kegelfreunde Oberschwieberdingen
Eintritt: 3 Euro