Lernkarten

Karten 8 Karten
Lernende 1 Lernende
Sprache Deutsch
Stufe Grundschule
Erstellt / Aktualisiert 20.12.2018 / 08.01.2019
Lizenzierung Keine Angabe
Weblink
Einbinden
0 Exakte Antworten 0 Text Antworten 8 Multiple Choice Antworten
Fenster schliessen

1 Welche Aussagen zur MR sind richtig?

Die MR eignet sich nicht zur Untersuchung der Multideterminiertheit des Verhaltens.

Die MR berücksichtigt korrelierte Prädiktoren.

Korrelierte Prädiktoren können redundante Informationen anzeigen.

Die MR beschreibt einen gerichteten Zusammenhang.

Die MR beschreibt einen ungerichteten Zusammenhang.

Fenster schliessen

2 Welche Aussagen zur MR sind richtig?

Die Erklärung setzt an vorhandenen Merkmalsausprägungen an und will die Bedingungen für deren Unterschiedlichkeit untersuchen.

Erklärung gehört zur Zielsetzung der MR

Die Erklärung bezieht sich auf die Vorhersage eines zukünftigen Merkmals.

Die Prognose untersucht den zugrundeliegenden Wirkmechanismus für den Zusammenhang zwischen zwei Variablen.

Nicht immer hängt ein Kriterium nur in linear Weise von einem Prädiktor ab.

Fenster schliessen

3 Welche Aussagen zur MR sind richtig?

Zwischen den Prädiktoren können keine kurvenförmige Zusammenhänge bestehen.

Die regressive Abhängigkeit zweier Variablen kann interindividuell variieren.

Die unabhängige Variable ist immer metrisch.

Die unabhängige Variable ist immer dichotom.

Die Varianzanalyse ist ein Spezialfall der Regressionsanalyse mit nominalskallierten unabhängigen Variablen.

Fenster schliessen

4 Welche Aussagen zur MR sind richtig?

Im ALM (Allgemeines Lineares Modell) sollen Merkmalsunterschiede einer abhängigen metrischen Variablen vorausgesagt bzw. erklärt werden.

Im Rahmen des ALM können unabhängige Variablen, die sich in ihrem Skalenniveau unterscheiden, nicht untersucht werden.

Die Regressionsanalyse mit metrischen unabhängigen Variablen ist ein Spezialfall des ALM.

Die Varianzanalyse mit nominalskalierten unabhängigen Variablen ist ein Spezialfall des ALM.

Die Varianzanalyse mit metrischen unabhängigen Variablen ist ein Spezialfall des ALM.

Fenster schliessen

5 Welche Aussagen zur MR sind richtig?

Die Regressionskoeffizienten werden derart geschätzt, dass das Kleinste-Quadrat-Kriterium erfüllt wird.

Kleinste Quadrat Kriterium: Die Summe der Abweichungsquadrate (SAQ) von beobachteten und vorhergesdagten y-Werten soll minimal sein.

Das Regressionsgewicht in der MR kann kein anderes Vorzeichen aufweisen als das Regressionsgewicht dieser Variablen in der einfachen Regressionsanalyse.

Das Regressionsgewicht einer Variablen in der MR entspricht dem Regressionsgewicht dieser Variablen in einer einfachen Regression, wenn alle Prädiktorvariablen untereinander unkorreliert sind.

Multiple Regressionsgewichte können als bedingte einfache Regressionsgewichte verstanden werden.

Fenster schliessen

6 Welche Aussagen zur MR sind richtig?

Die multiplen Regressionsgewichte werden auch Partialregressionsgewichte genannt.

Es gibt keinen Unterschied zwischen dem Partialregressionsgewicht und der Partialkorrelation

Die Partialkorrelation wird als die bivariate Korrelation von Regressionsresiduen definiert.

Nach einer z-Transformation haben die X- und Y-Variablen einen Mittelwert von 0 und eine Standardabweichung von 1.

Das z-standardisierte Regressionsgewicht entspricht der Partialkorrelation.

Fenster schliessen

7 Welche Aussagen zur MR sind richtig?

Partialregressionsgewicht und Partialkorrelation sind verwandt, aber nicht identisch.

Im Falle der Partiallkorrelation werden die Residualvariablen standardisiert.

Die MR kann nur zwischen 0 und 1 varriieren.

Die MR kann negativ werden.

Der multiple Determinationskoeffizient (das multiple Bestimmungsmaß) kann Werte zwischen 0 und 1 annehmen.

Fenster schliessen

8 Welche Aussagen zur MR sind richtig?

Je höher der Determinationskoeffizient ist, umso kleiner ist der Anteil der durch die UV erklärten Varianz der AV.

Je höher der Determinationskoeffizient ist, umso größer ist der Anteil der durch die UV erklärten Varianz der AV.

Der multiple Indertiminationskoeffizient gibt den Anteil der unerklärten Varianz in Y an.

Der multiple Indertiminationskoeffizient gibt den Anteil der erklärten Varianz in Y an.