Statistik an der Universität Jena

Karteikarten und Zusammenfassungen für Statistik an der Universität Jena

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs Statistik an der Universität Jena.

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was sind die Interationsschritte?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was ist die Rotation zur Einfachstruktur?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was ist die Uniqueness uj einer Variablen Xj?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was sind die Unterschiede und Gemeinsamkeiten von Hauptkomponenten- und Hauptachsenanalyse?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was ist die Reliabilität Rel einer Variablen Xj?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was ist der Shapiro-Wilk Test?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Wie berechnet man den VIF?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Wie kann man eine Regression parametrisieren?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Welche Datenbasierten Ansätze gibt es?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Welche Ansätze zum Umgang mit fehlenden Werten gibt es?

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

1. Datenbasierte Ansätze

Was ist die Complete Case Analysis?

Das war nur eine Vorschau der Karteikarten auf StudySmarter.
Flascard Icon Flascard Icon

Über 50 Mio Karteikarten von Schülern erstellt

Flascard Icon Flascard Icon

Erstelle eigene Karteikarten in Rekordzeit

Flascard Icon Flascard Icon

Kostenlose Karteikarten zu STARK Inhalten

Kostenlos anmelden

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Was ist der VIF-Wert und welche Daumenregel kann man aufstellen?

Kommilitonen im Kurs Statistik an der Universität Jena. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Statistik an der Universität Jena auf StudySmarter:

Statistik

Was sind die Interationsschritte?

1. Erste Schätzung der Kommunalitäten mittels multipler Determinationskoeffizienten R2 (erklärter Varianzanteil
bei Vorhersage einer Variable durch alle anderen Variablen)
2. Einsetzen der geschätzten Kommunalitäten in Diagonale der Korrelationsmatrix
3. Faktorenextraktion/Bestimmung der Eigenvektoren (entsprechend PCA)
4. Bestimmung der Kommunalitäten der Variablen aufgrund der extrahierten Faktoren im Modell
5. Ersetzen der Diagonale der Eingangs-Korrelationsmatrix mit neuen Schätzungen für Kommunalitäten
6. Wiederholung der Schritte 3 bis 5 bis Abbruchkriterium erreicht wird
7. Iterationsprozess stoppt bei Erreichen eines Konvergenzkriteriums z.B. Unterschreiten einer festgesetzten
Schwelle für Standardschätzfehler der Kommunalitäten

Statistik

Was ist die Rotation zur Einfachstruktur?

Nach der Festlegung der Anzahl von relevanten Faktoren wird eine erneute Rotation der Hauptkomponenten
durchgeführt.
Ziel: Herstellen einer interpretierbaren Einfachstruktur
• „simple structure“ (Thurstone, 1947) besagt, dass die Ausgangsvariablen möglichst hoch auf einen, aber
niedrig auf den anderen Hauptkomponenten laden
• Mathematisch: die Varianz der Ladungen pro Hauptkomponente soll maximiert werden → sog. Varimax-
Rotation
• Die varimaxrotierten Hauptkomponenten sind ebenfalls orthogonal zueinander.
• Vorteil: einfache Struktur

Statistik

Was ist die Uniqueness uj einer Variablen Xj?

• Der Variablen eigener, einmaliger Varianzanteil, der nicht durch Faktoren des Modells erklärt wird
• Zusammengesetzt aus spezifischen, systematischen Varianzanteil der Variablen und Messfehler der Variablen
• Bei standardisierten Variablen = 1 - Kommunalität

Statistik

Was sind die Unterschiede und Gemeinsamkeiten von Hauptkomponenten- und Hauptachsenanalyse?

Hauptkomponentenanalyse:

Grundidee:

• Keine expliziten Annahmen über Datenstruktur

Ziel der Analyse:

• Datenreduktion: Zusammenfassung der Gesamt-
varianz aller Variablen
• „Umsortieren“ der Information der Variablen

Berechnung der Hauptkomponenten-/Faktorenlösung:

• Algebraisches Rechenverfahren
• Extraktion der Hauptkomponenten durch ein-
deutige Matrixoperation (ein Schritt)
• Eindeutige Lösung für Daten
• Datengrundlage: Korrelationsmatrix der Varia-
blen
• Hauptkomponenten reproduzieren Messwerte
der Personen

Varianzzerlegung:

• Extraktion/Interpretation von Hauptkomponen-
ten zur maximalen Varianzaufklärung der Ge-
samtvarianz aller Variablen
• Zerlegung der Varianz der Variablen im Modell:
• In einen durch (im Modell enthaltene) Haupt-
komponenten erklärten Varianzanteil
• In einen durch Hauptkomponenten nicht er-
klärten Anteil


Hauptachsenanalyse

Grundidee:

• Vorhandensein weniger, latenter Merkmale (Konstruk-
te), die Ausprägung der Personen auf manifesten
Items bestimmen

Ziel der Analyse:

• Finden der latenten Merkmale, die Antworten auf
Items bestimmen
• Dem Messfehler Rechnung tragen

-Berechnung der Hauptkomponenten-/Faktorenlösung:

• Iteratives Schätzverfahren
• Extraktion der Faktoren durch wiederholte Berech-
nung der Faktorlösung mit fortlaufender Korrektur
der Eingangsparameter (schrittweiser Minimierungs-
prozess)
• Eindeutige Lösung evtl. nicht vorhanden/durch Al-
gorithmus nicht findbar
• Datengrundlage: Modifizierte Korrelationsmatrix der
Variablen
• Faktoren reproduzieren beobachtete Interitemkorrela-
tionen

-Varianzzerlegung:

• Extraktion/Interpretation von Faktoren, die maximal
gemeinsame Varianz der Variablen aufklären
• Zerlegung der Varianz der Variablen im Modell (vgl.
KTT):
• In einen durch gemeinsame Faktoren erklärten Anteil
(aufzuklärende Kovarianz, Kommunalität)
• In einen variablenspezifischen Anteil
• Spezifischer, stabiler Anteil, den nur diese Variable
erfasst
• Messfehleranteil: Nicht reliabler, unsystematischer Va-
rianzanteil der Daten
• Ziel: „Erklärung“ des Varianzanteils, den mehrere Va-
riablen gemeinsam haben, d.h. der Kommunalitäten
der Variablen

Statistik

Was ist die Reliabilität Rel einer Variablen Xj?

• Anteil der systematischen Varianz einer Variablen
• Zusammengesetzt aus durch Faktoren erklärten Teil der Varianz und spezifischen systematischen Varianzanteil der
Variablen

Statistik

Was ist der Shapiro-Wilk Test?

Der Shapiro-Wilk Test kann prüfen, ob Residuen eines Modells normalverteilt sind.
>shapiro.test(residuals(m1b))
Shapiro-Wilk normality test
data: residuals(m1b)
W = 0.99851, p-value = 0.9511

Statistik

Wie berechnet man den VIF?

VIF = 1/1-R2

Statistik

Wie kann man eine Regression parametrisieren?

Eine Regression E(Y | X) kann auf verschiedene Arten parametrisiert, d. h. durch verschiedene Gleichungen
dargestellt werden, in denen verschiedene Parameter vorkommen.
Der entscheidende Sachverhalt ist dabei, dass sich die Regression E(Y | X) selbst nicht ändert, obwohl die
Gleichung mit den darin vorkommenden Parametern anders aussieht.
Beispiel Mathematikleistung:
Parametrisierung A:
E(Y | X) = α0 + α1 · X
E(Matheleistung | Lehrmethode) = α0 + α1 · Lehrmethode
E(Matheleistung | Lehrmethode) = 2 + 0, 7 · Lehrmethode
Parametrisierung B (Zellenmittelwertemodell):
E(Y | X) = β0 · IX=0 + β1 · IX=1
E(Matheleistung | Lehrmethode) = β0 · ILehrmethode=0 + β1 · ILehrmethode=1
E(Matheleistung | Lehrmethode) = 2 · ILehrmethode=0 + 2, 7 · ILehrmethode=1

Statistik

Welche Datenbasierten Ansätze gibt es?

Datenbasierte Ansätze sind sehr populäre und häufig (unreflektiert) genutzte Techniken im Umgang mit fehlenden
Werten. Sie basieren auf Veränderungen der zugrundeliegenden Datenmatrix (daher datenbasierte Ansätze).
1. Complete Case Analysis
2. Available Case Analysis

Statistik

Welche Ansätze zum Umgang mit fehlenden Werten gibt es?

1. Datenbasierte Ansätze
2. Imputationsbasierte Ansätze
3. Modellbasierte Ansätze

Statistik

1. Datenbasierte Ansätze

Was ist die Complete Case Analysis?

Synonyme: Listwise deletion oder casewise deletion
Vorgehen:
Nur Fälle mit Werten auf jeder Variable in Analysen einbezogen, Ausschluss von Fällen mit mind.
einem fehlenden Wert auf irgendeiner Variable
Annahme: Fehlende Werte sind missing completely at random (MCAR)
Vorteile:
Einfache Anwendung
Standardanalysen können eingesetzt werden, da dafür vollständiger Datensatz zugrunde
gelegt wird
Bei fehlenden Werten, die vollständig zufällig sind, resultieren unverfälschte Schätzungen
Nachteile:
Informationsverlust da vollständiger Ausschluss auch (teilweise) vorhandener Daten
Verlust statistischer Power aufgrund der geringeren Stichprobengröße
Verzerrte Schätzungen bei systematischen (nicht MCAR) Missings

Statistik

Was ist der VIF-Wert und welche Daumenregel kann man aufstellen?

Der sogenannte VIF (variance inflation factor) ist im Falle der Unabhängigkeit der Prädiktoren 1, er steigt mit
wachsender linearer Abhängigkeit.
Daumenregel: Der VIF-Wert sollte nicht über 5.0 gehen.

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Statistik an der Universität Jena zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Statistik an der Universität Jena gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur Universität Jena Übersichtsseite

Spanisch A2.1

biopsychologie

Allgemeine II - Lernen

Klinische Psychologie

Sozialpsychologie

Psychologische Intervention

Psychologische Evaluation

Allgemeine Psychologie 1

Kriminologie

Pädagogische Psychologie

Allgemeine Psy 2 - lernen

Allgemeine Psychologie 2 (Lernen)

Entwicklungspsychologie

Allgemeine I

Biopsychologie

Allgemeine 1 Gedächtnis Sprache Denken

Allgemeine 2 Lernen

Empirische Forschungsmethoden

statistik an der

Universität Passau

Statistik 1 an der

Universität Konstanz

Statistik 1 an der

Universität Bochum

statistik an der

Christian-Albrechts-Universität zu Kiel

Statistik 1 an der

Universität Siegen

Ähnliche Kurse an anderen Unis

Schau dir doch auch Statistik an anderen Unis an

Zurück zur Universität Jena Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für Statistik an der Universität Jena oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
X

StudySmarter - Die Lernplattform für Studenten

StudySmarter

4.5 Stars 1100 Bewertungen
Jetzt entdecken
X

Gute Noten in der Uni? Kein Problem mit StudySmarter!

89% der StudySmarter Nutzer bekommen bessere Noten in der Uni.

50 Mio Karteikarten & Zusammenfassungen
Erstelle eigene Lerninhalte mit Smart Tools
Individueller Lernplan & Statistiken


Lerne mit über 1 Millionen Nutzern in der kostenlosen StudySmarter App.

Du bist schon registriert? Hier geht‘s zum Login