

Besser lernen dank der zahlreichen Ressourcen auf Docsity
Heimse Punkte ein, indem du anderen Studierenden hilfst oder erwirb Punkte mit einem Premium-Abo
Prüfungen vorbereiten
Besser lernen dank der zahlreichen Ressourcen auf Docsity
Download-Punkte bekommen.
Heimse Punkte ein, indem du anderen Studierenden hilfst oder erwirb Punkte mit einem Premium-Abo
Alle Informationen zum allgemeinen linearen Modell (ALM) mit Beispielen
Art: Grafiken und Mindmaps
1 / 3
Diese Seite wird in der Vorschau nicht angezeigt
Lass dir nichts Wichtiges entgehen!


Y = 0 + 1 X + … + kXk + e o Yx ist eine Zufallsvariable für jeden festen Wert für X o e (Fehlerterm) ist eine normalverteilte Zufallsvariable mit dem Erwartungswert Null und einer Varianz o k = Anzahl der Prädiktoren o Y = AV/Kriterium o X = UV/Prädiktor o 0 = Intercept o k = Regressionsgewicht (Steigung/Einfluss) k entspricht dem Regressionsgewicht, dies legt fest, wie groß der Einfluss einer Variablen auf die Vorhersage von Y ist (damit kann man steuern, dass z.B. der IQ stärker gewichtet wird und das Geschlecht weniger gewichtet wird, da IQ einen größeren Einfluss auf die Abiturnote hat als das Geschlecht) o Bei metrischen Prädiktoren entsprechen die Regressionsgewichte den Korrelationen bzw. Semipartialkorrelationen zwischen AV & UV o Steigung = Korrelation o Bei kategorialen Prädiktoren entsprechen die Regressionsgewichte den Mittelwerten der AV in den verschiedenen Gruppen (Gruppen definiert durch Faktorstufen der UV, z.B. Therapiemaßnahme A und Therapiemaßnahme B) o das Produkt k*X verbessert somit die Vorhersage/macht sie genauer o 1 * X 1 steht z.B. für den IQ; 2 *X 2 steht für das Geschlecht; 3 *X 3 steht für das Alter usw. o IQ, Geschlecht, Alter, … sind die Prädiktoren o Wir können alle möglichen Prädiktoren aufnehmen, die Vorhersage würde sich dann immer mehr verbessern o Es werden nie alle möglichen Prädiktoren in der Praxis gefunden o Ich möchte die AV Abiturnote vorhersagen für jede Person, wenn ich nur den IQ als Prädiktor aufnehme, dann wird dieser zwar einen Teil der Abiturnote erklären, aber die Vorhersage ist noch recht ungenau, also nehme ich noch Geschlecht & Alter als Prädiktoren mit auf, somit verbessert sich meine Vorhersage, die Abiturnote ist von ganz viele Prädiktoren abhängig, aber ihr Einfluss ist sehr gering, daher können wir diese hier vernachlässigen, nun kann man für jede beliebige Person X die Abiturnote Y vorhersagen, jede Person wird ihren individuellen Wert erhalten Zusammenhang zwischen beliebig vielen Variablen auf unterschiedlichen Skalenniveaus Bestimmung der AV & UV Einfluss der UVs auf AVs erfassen UVs können durch den Versuchsleiter manipuliert werden Es existiert für jede Person ein konkreter Messwert Y Ziele: o Vorhersage bezüglich einer AV (z.B. Je höher dein IQ, desto besser wird dein Abitur) -> Regressionsanalyse
o Einfluss der Zugehörigkeit zu einer bestimmten Treatmentgruppe (z.B. Therapie A schlägt besser an als Thearpie B) -> Varianzanalyse Regressionsanalyse: Untersuchung von korrelativen Zusammenhängen o Steigung k = Korrelation o Beziehungen o Vorhersage Varianzanalyse: Untersuchung von Mittelwertsunterschieden o Steigung k = Mittelwerte o Variation o Unterschiede; Vergleiche Nominalskalierte UVs: Varianzanalyse o Oder durch Dummy-Kodierung Regressionsanalyse Intervallskalierte Variablen: Regressionsanalyse o Oder Varianzanalyse für zufällige Effekte Nachteile: o Man wird nie alle Prädiktoren/Einflussfaktoren berücksichtigen können o Messfehler sind unvermeidbar o Der Wert von Y kann aufgrund der Messfehler & der unbekannten Variablen nie exakt vorhergesagt werden o Deswegen enthält die Gleichung den Fehlerterm e, um eine nahezu exakte Vorhersage zu erhalten o Wir kennen jedoch e nicht, wir können ihn nur schätzen, daher werden wir Y nie exakt bestimmen können Experiment Vergleich Kontrollgruppe & Experimentalgruppe o Der Wert einer Person auf der AV (die Abiturnote von Person x) kann durch die Gruppenzugehörigkeit vorhergesagt werden Voraussetzungen: o Residuen sind unabhängig Häufig bei Messwiederholungen abhängig Bei VPN mit ähnlichen Merkmalen kommt es zu ähnlichen Beobachtungen, es entsteht eine Abhängigkeit o Residuen sind normalverteilt Prüfen mit NQ-Plot sowie Shapiro-Wilk-Test o Homoskedastizität / Varianzhomogenität der Fehler, d.h. die Varianzen der Fehler müssen identisch sein Bei Verletzung der Homoskedastizität hält der Test nicht mehr das Signifikanzniveau Die Varianz der Schätzer der Parameter kann nicht mehr korrekt geschätzt werden White-Korrektur berechnet eine Varianz-Kovarianzmatrix der Schätzer, die unverzerrt ist, somit erhalten wir adäquate Varianzen für die Schätzer der Parameter Nach der Korrektur kann der F-Test normal durchgeführt werden Vorgehen: o Schätzen der Modellparameter durch die Kleinste Quadrate Schätzung o Inferenzstatistik anwenden, Konfidenzintervalle für Schätzer & Hypothesentests