4227652
Description
Flashcards by Stephanie Klupp, updated more than 1 year ago
|
Created by Stephanie Klupp
almost 9 years ago
|
|
| Question | Answer |
| Def.: Inferenzstatistik | = wenn man von der Stichprobe auf die Population schliesst = Wahrscheinlichkeitsaussagen über Populationswerte |
| Welche Voraussetzungen haben multivariate Verfahren? | - korrekt eingegebene Daten - keine fehlenden Werte - Normalverteilung - gibt es Ausreisser? - keine Multikollinearität (redundante Variablen) |
| Wie überprüft man die Voraussetzung der Normalverteilung? | - Normalverteilung einzelner Variablen (Histogramm, Q-Q-Plot, Schiefe, Exzess) - Normalverteilung bivariat (Streudiagramme, Residuenplot) |
| Was ist ein Ausreisser? Wie kann man sie identifizieren? (Erkennung) | = Ausreisser sind extreme Werte - univariat: z-Wert (grösser Betrag 3 Standardabweichungen) -univariat: Boxplot (mehr wie 1.5 Kastenhöhe ab 25/75%) - multivariat: Mahalanobis Distanz (MD2 > X2) |
| Wie kommen Ausreisser zustande? (Ursachen) | - natürliche Extreme Werte - Fehler bei der Dateneingabe - falsches Spezifizieren fehlender Werte - Pbn nicht zur Zielpopulation gehören - unkonzentrierte Pbn & Motivation |
| Welche Problematik haben Ausreisser? (Folgen) Welche Lösung gibt es? | - Verfälschung der Parameterschätzwerte - Vergrösserung/Verkleinerung der alpha & beta Fehler - Transformation z.B. Z oder Logarithmische |
| Was ist/sind Multikollinearität/redundanten Variablen? | = Variabeln die das selbe messen = Aussmass der linearen Abhängigkeit zweier Variablen -> Zusammenhänge führen zu ungenauen, schlechten, verzerrten Schätzwerten - Kollinearität = r > .9 in Korrelationsmatrix |
| Was ist Sigularität? | = eine perfekte Multikollinearität - der Zusammenhang = 1 -> Folgen: darf keine multivariate Statistik rechnen |
| Wie eliminiert man redundante Variabeln? Was ist das Ziel der Elimination? | - eine Varibale weglassen - Standardisierung: z-Werte - Faktorenanalyse: als Faktoren zusammenfassen (-> besser unabhängig vom Mittelwert) - Ziel: Steigerung Reliabilität & Validität |
| Wieso kommen fehlende Werte zustande? (Ursache) | - Ausscheiden von Probanden - Pbn gibt keine Antwort - Übertragungsfehler |
| Welche Auswirkung haben fehlende Werte? (Folge) | SPSS schliesst alle Pbn mit fehlenden Werten aus => erheblicher Datenverlust |
| Welche Arten von fehlenden Werten gibt es? Welche sind gut/schlecht? | MCAR = Missing completely at random - Fehlen hängt weder von beobachteten noch von fehlenden Werten ab (sehr gut) MAR = Missing at random - Fehlen hängt von beobachteten aber nicht von fehlenden Werten ab (gut) MNAR = Missing not at random - Fehlen hängt von beobachteten und fehlenden Werten ab (schlecht) |
| Wie ersetze/schätze ich fehlende Werte? | - Ersetzen setzt MCAR oder MAR voraus - keine systematischen Verzerrungen 1. Ersetzen durch den Mittelwert 2. Ersetzen durch regressionsgeschätzten Mittelwert (Zusammenhang & Residuen) 3. Maximum Likelihood Schätzwerte 4. Mehrfaches Schätzen |
Want to create your own Flashcards for free with GoConqr? Learn more.