Statistik 1 (Teil 2) an der University of Zürich

Karteikarten und Zusammenfassungen für Statistik 1 (Teil 2) an der University of Zürich

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 1 (Teil 2) an der University of Zürich.

Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie kann die Korrelation sprachlich anhand von Grössen beurteilt werden?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie hängen die Korrelation und Unabhängigkeit zusammen?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie hängen Korrelation und Kausalität zusammen?


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 1 (Teil 2) an der University of Zürich auf StudySmarter:

Worin unterscheidet sich die deskriptive und induktive Statistik?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Worin unterscheiden sich die Variablen x und y bei der Regression?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie funktioniert die Kleinste-Quadrate-Schätzung?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie werden die Regressionskoeffizienten interpretiert?


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 1 (Teil 2) an der University of Zürich auf StudySmarter:

Was erlaubt der standardisierte Beta-Koeffizienten?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie kann in der Einfachregression untersucht werden, ob der Prädiktor das Kriterium hervorsagt? 


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Welche zentralen Annahmen gelten in einem Regressionsmodell?


Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wann müssen die zentralen Annahmen eines Regressionsmodells getestet werden?


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 1 (Teil 2) an der University of Zürich auf StudySmarter:

Wie ist der Wertebereich von Korrelationen aufgebaut?

Kommilitonen im Kurs Statistik 1 (Teil 2) an der University of Zürich. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für Statistik 1 (Teil 2) an der University of Zürich auf StudySmarter:

Statistik 1 (Teil 2)

Wie kann die Korrelation sprachlich anhand von Grössen beurteilt werden?


Manchmal ist es sinnvoll, eine sprachliche Beurteilung einer Korrelation zu treffen. Nach Cohen (1988) kann man z.B. folgende Unterscheidung treffen: 

  • 0.10 ≤ |r| < 0.30: schwacher Zusammenhang 
  • 0.30 ≤ |r| < 0.50: mittlere Zusammenhang 
  • 0.50 ≤ |r|: starker Zusammenhang 

Dies ist jedoch nur eine sehr grobe Daumenregel, die keinesfalls überbewertet werden sollte. Die tatsächliche Beurteilung einer Korrelation hängt immer von der Fragestellung ab. 

  • Beispiel: Studie mit einer Korrelation zwischen Intelligenz und Schulnote von r = 0.54 (über 240 kleinere Studien gemittelt, n = 105, 185), Studie mit einer Korrelation zwischen Intelligenz und Motivation von r = 0.17 (über 74 Studien gemittelt, n = 80, 145). 
  • Wenn Sie also eine Korrelation von r = 0.30 fänden, hinge die Interpretation davon ab, ob es der Zusammenhang zwischen Intelligenz und Schulnote ist (also kleiner als erwartet) oder zwischen Intelligenz und Motivation (also grösser als erwartet). 

Statistik 1 (Teil 2)

Wie hängen die Korrelation und Unabhängigkeit zusammen?


Sind zwei Variablen voneinander unabhängig, ist die Kovarianz sowie die Korrelation zwischen ihnen null. Aus einer Kovarianz bzw. Korrelation von null kann man aber umgekehrt nicht einfach die Unabhängigkeit der Variablen folgern, weil der Korrelationskoeffizient nur lineare Zusammenhänge abbildet. Bei einer Korrelation von null kann deshalb immer noch ein nicht-linearer Zusammenhang vorliegen.

Statistik 1 (Teil 2)

Wie hängen Korrelation und Kausalität zusammen?


Vom Vorliegen einer Korrelation in einer Beobachtungsstudie kann man nicht auf einen kausalen Zusammenhang schliessen. Da beide Variablen zur selben Zeit gemessen werden, lässt sich die Richtung des Zusammenhangs - was ist die Ursache, was die Wirkung - nicht an der Korrelation ablesen (Lösung: längsschnittliches Design). Zudem könnte eine Drittvariable (sog. konfundierte Variablen) den Zusammenhang verursachen (Lösung: randomisiertes, kontrolliertes Experiment).

  • Beispiel: Kinder, die oft vorgelesen bekommen, kriegen als Erwachsene bessere Jobs 
  • naive Interpretation: Vorlesen macht erfolgreich 
  • Konfundierung: Kinder, deren Eltern hohen Bildungsstand haben, bekommen mehr vorgelesen aber erhalten auch bessere Schulbildung, Nachhilfe, Klavierunterricht, Sprachreisen etc., die sich wiederum positiv auf die Jobchancen auswirken 

Statistik 1 (Teil 2)

Worin unterscheidet sich die deskriptive und induktive Statistik?


Die deskriptive (beschreibende) Statistik hat das Ziel, Daten aus einer Stichprobe zu beschreiben. So werden beispielsweise Werte des Korrelationskoeffizienten aus einer Stichprobe beschrieben. Die induktive (schliessende) Statistik hat das Ziel, von einer Stichprobe auf die Grundgesamtheit zu schliessen. So wird beispielsweise ein Ein-Stichprobentest durchgeführt.

Statistik 1 (Teil 2)

Worin unterscheiden sich die Variablen x und y bei der Regression?


  • Y = abhängige Variable, Kriteriumsvariable, Zielgrösse
    1. Diese Variable wird gemessen (Beispiel: Gesundheit)
  • X = unabhängige Variable, Prädiktor, Einflussgrösse 
    1. Diese Variable wird manipuliert (Beispiel: Dosis des Medikaments)

Statistik 1 (Teil 2)

Wie funktioniert die Kleinste-Quadrate-Schätzung?


Um eine Gerade zu finden, benötigt man ein Kriterium. Für die Einfachregression heisst dieses Kleinst-Quadrate-(KQ)-Kriterium. Eine mit dem KQ-Kriterium ermittelte Gerade ist eine "lineare Bestapproximation". Es erfüllt folgende zwei wichtige Aspekte: 

  • Die Abweichungen der Daten und der Gerade mitteln sich zu null. 
  • Die quadratischen Abweichungen zwischen Daten und Gerade sind minimal

Statistik 1 (Teil 2)

Wie werden die Regressionskoeffizienten interpretiert?


  • Achsenabschnitt b^0: Personen mit x = 0 haben im Mittel einen y-Wert von b^0. 
  • Steigung b^1: Wenn x um eine Einheit steigt, steigt y im Mittel um b^1 Einheiten
  • Dabei handelt es sich nicht um Individualprognosen (nur im Mittel)
  • Beispiel: Personen mit 0 Punkten im Eignungstest haben im Mittel 10,67 Punkte bei der Abschlussprüfung. Wenn das Ergebnis des Eignungstests um einen Punkt steigt, steigt die Abschlussprüfung im Mittel um 0,47 Punkte.
  • Die Interpretation hängt von Messeinheiten der Variablen ab. Sie kann nicht zwischen Variablen mit unterschiedlichen Messeinheiten vergleichen. (Lösung: standardisierte Beta-Koeffizienten)

Statistik 1 (Teil 2)

Was erlaubt der standardisierte Beta-Koeffizienten?


Der standardisierte Beta-Koeffizienten erlaubt den Vergleich über Studien hinweg von denselben Variablen (Beispiel: Gewicht und Alter). Wenn man also zwei Prädiktoren hat: Alter in Jahren und Nahrungsaufnahme in Gramm, dann lässt sich mit dem standardisierten Beta-Koeffizienten den Zusammenhang bezüglich einer abhängigen Variable bestimmen. Zudem erlaubt der standardisierte Beta-Koeffizienten eine Grössenabschätzung des Zusammenhangs x und y. Der standardisierte Beta-Koeffizienten kann wie eine Korrelation interpretiert werden und liegt zwischen -1 und +1.

Statistik 1 (Teil 2)

Wie kann in der Einfachregression untersucht werden, ob der Prädiktor das Kriterium hervorsagt? 


In der Einfachregression betrifft die wichtigste Frage, ob der Prädiktor (x) das Kriterium (y) vorhersagen kann. In der Einfachregression ergeben alle drei Tests immer dasselbe Ergebnis. Ergibt die Testung ein signifikantes Ergebnis, so kann man schliessen, dass der Prädiktor einen linearen Zusammenhang mit dem Kriterium hat, der verschieden von null ist. Dies kann in dreierlei Form getestet werden: 

  • Man kann anhand des Standardfehlers des Steigungskoeffizienten testen, ob der Steigungskoeffizient signifikant von null verschieden ist. 
  • Man kann testen, ob das Konfidenzintervall des Steigungskoeffizienten die null enthält (wenn die 0 drin ist, dann bleibt die Nullhypothese bestehen)
  • Man kann testen, ob der Determinationskoeffizient signifikant von null verschieden ist (F-Test)

Statistik 1 (Teil 2)

Welche zentralen Annahmen gelten in einem Regressionsmodell?


  • Normalverteilung: Die zufälligen Abweichungen folgen einer Normalverteilung: 
    1. εi ∼ N(0, σ2 ) 
    2. Aus der Normalverteilung der Fehler ergibt sich auch, dass die Werte von y an jeder Stelle von x normal verteilt sein müssen.Es ist hingegen völlig egal, wie die Werte von y oder x insgesamt verteilt sind. 
  • Linearität: Die Daten lassen sich durch ein lineares Modell beschreiben.
  • Homoskedastizität (Varianzhomogenität): Die Varianz der zufälligen Abweichungen ist überall gleich gross (aka Varianzhomogenität): 
    1. Für alle Personen i = 1 . . . n gilt: V ar(εi) = σ 2 

Statistik 1 (Teil 2)

Wann müssen die zentralen Annahmen eines Regressionsmodells getestet werden?


Nachdem man ein Regressionsmodell geschätzt hat, müssen immer die zentralen Annahmen überprüft werden. Sind die Annahmen verletzt, kann es passieren, dass die Schlüsse, die man aus dem Modell zieht, falsch sind. Mit dem QQ-Plot oder dem Histogramm kann die Normalverteilung getestet werden und mit dem Residuen-Plot die Linearität und die Homoskedastizität.

Statistik 1 (Teil 2)

Wie ist der Wertebereich von Korrelationen aufgebaut?

  • Der Wertebereich des Korrelationskoeffizienten ist das Intervall von −1.0 bis +1.0.
  • Eine Korrelation von +1.0 entspricht einem perfekt positiven Zusammenhang.
  • Eine Korrelation von −1.0 entspricht einem perfekt negativen Zusammenhang.
  • Ist die Korrelation null, besteht kein linearer Zusammenhang.

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für Statistik 1 (Teil 2) an der University of Zürich zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang Statistik 1 (Teil 2) an der University of Zürich gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur University of Zürich Übersichtsseite

Wirtschaft und Gesellschaft

Kognitionspsychologie

Entwicklungspsychologie

Motivationspsychologie

Entwicklung und Lernen

Forschungsmethoden

Forschung

Kognitionspsychologie

Entwicklung 2

Umweltökonomie

Entwicklungspsychologie I

Emotionspsychologie

Biologische Psychologie

Sozialpsychologie HS

Arbeits und Organisationspsychologie 1

Biologische Psychologie

Soziologie

Methoden der empirischen Forschung

Medieninhalte und Mediennutzung

Einführung KoWi

Biopsychologie 1

Statistik 1 an der

TU Berlin

Statistik 1&2 an der

Universität Trier

Statistik 1 an der

Universität Konstanz

Statistik 1 an der

Universität Münster

Statistik 1 an der

Universität Bochum

Ähnliche Kurse an anderen Unis

Schau dir doch auch Statistik 1 (Teil 2) an anderen Unis an

Zurück zur University of Zürich 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 1 (Teil 2) an der University of Zürich 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

Best EdTech Startup in Europe

Awards
Awards

EUROPEAN YOUTH AWARD IN SMART LEARNING

Awards
Awards

BEST EDTECH STARTUP IN GERMANY

Awards
Awards

Best EdTech Startup in Europe

Awards
Awards

EUROPEAN YOUTH AWARD IN SMART LEARNING

Awards
Awards

BEST EDTECH STARTUP IN GERMANY

Awards