Statistik

Klausurvorbereitung

Klausurvorbereitung

48

0.0 (0)

Chritine G.

Study

Chritine G.

About these flashcards

Diese Lernkarten bieten einen grundlegenden Einblick in statistische Methoden und ihre Anwendung in der Psychologie. Sie behandeln zentrale Konzepte wie Gruppenvergleiche, Varianzanalyse, Regression und multivariaten Verfahren, wobei Begriffe wie Manova, Wilks-Lambda und Diskriminanzanalyse im Mittelpunkt stehen. Die Karteikarten sind ideal für Studierende und Forscher, die statistische Analysen durchführen und verstehen möchten, um komplexe Zusammenhänge in psychologischen Daten zu untersuchen.

Flashcards

48

Students

2

Language

German

Category

Psychology

Level

Primary School

Created / Updated

07.04.2013 / 01.09.2018

Random Slope

- varianz des Slope zeigt wie sich Regressionsgraden er Gruppen unterscheiden, je höher desto heterogener die Steigung der Graden, will unspezifische CLustervarianz erklären

Datenvorraussetzungen für MLM

- cluster und personen zufällig gezogen
- können unterschiedlich groß sein

- zuerst Icc berechnen um zu schauen ob Datencluster vorliegen!

t-test, Hostelings und Manova

- t-test: 2 unabhängige Gruppe, eine AV

- Hosteling: 2 unabhängige Gruppen, p AVs

- Manova: k Gruppen, p AVs (Wilks alpha test)

Vorraussetzungen Wilks dreieck

multivariate normalverteilunf der y in den Gruppen und homogenität der Kovarianzamtrix

Post Hoc analyse der Manova

- zur identifikationen der Avs die für die Mittelwertsunterscheide verantwortlich sind
- wenn manova signifitkant dann p Anovas mit alpha = 5
-

Diskrininazanalyse

- Infos über relevante Variablen für Gruppenunterschiede, Bildung neuer Scores die optimal zwischen k Gruppen trennen (k-1 max Anzahl an Funktionen)

Probleme Dichtomisierung

- Infoverlust
- weniger Power
- Alphafehler könnte erhöht sein

Zentrierung

- wenn Prädiktorvariable keinen Mittelpunkt hat
1. zentriertung über Person hinweg = Grand mean centeringxi-mittelwert xi (besser!)
2. group mean centering xi-gruppenmittelwert (ja nach gruppe bedeutet wert etwas anderes! fish pond!)

Bonferoni Korrektur reduziert power!

x

Diskriminanzanalyse SPSS

1. Eigenwerte: kummulierte % 84 = 1. D-Funktion erklärt 84,6 % Gesamtvariation

2. Wilks Lamda
- 1 bis 2 signi 0,000 -> beide zusammen signi
- 2 signo 0.060 --> wenn erste weg zweiter nicht mehr signi

Diskriminanzanalyse Zentroide

Mittelwerte jeder Gruppe auf der Diskriminanzachse

Signiprüfung mit wilk lamda

- gruppen mit unterschiedlichen vorzeichen werden durch Zentroiden getrennt

- standartisierte Koeffizienten zeigen an welchen Beitrag Uvs zu Diskri leisten, hohe Wert =wichtig

Residual

nicht erklärte Varian 16 = wert 16 -> individualwerte schwankgen unkontrolliert um die Weurzel aus 16 =

Residial sind zufällige Individualunterschiede

Intercept Variance

Varianz die auf zufällige Gruppenunterschiede zurückzzuführen ist

Wilks Lamda

wenn signitifikant gibts Gruppenunterschide, der Wert sollte klein sein da man Unterschied sucht

Annahmen einfache Regression

Fehler unabhängig, homoskedastisch und Normalverteilt

Homoskedaszität

Varianz der Residuen verändert sich nicht in Abhängigkeit von Schätzung von y

Annahmen Regressionsanalys mit Kleinsquaratschätzung

- Residuen Normalverteilt

- Homoskedaszität

- linearer zusammenhang x und y

- zufallsstichprobe

- corr x = 0

Vorraussetzungen Manova und Diskriminanzanalys

- multivariate Uv
- multivariate normalverteilung (Variablen in Gruppen)
- unabhängige Beobachtungen
- linerarität
- randomisierte Stichprobe
- Homogenität Varianz/Kovarianzmatrizen über Gruppen hinweg

Vorteile und Contras Manova

- verwertung korrelation zw. AVs = mehr Power
- simultane Messung
- vermeidung multibles testen
- multivariat kann signi sein wenn uni nicht
- durch diskrinalyse gute Gruppentrennung
- nur bis 10 avs und starke Annahmen die in der Praxis oft verlettz sind

Einsatz Diskriminanzanalyse

- Prognose für neue Personen
- einsatz in rationeller Diagnostik
- Dimensionalität von Gruppenunterschieden

Vorteile und Annahmen multivariater Verfahren

Keyboard commands:

= turn,

= for-/backward,

= scroll

- keine alpha-fehler Inflation
- testung komplexer Zusammenhänge
- berücksichtigung Clusterung der Daten
- aufdecken redundanter Informationen EFA

Annahmen: fehler unabhängig, homoskedastisch , normalverteilt

Dimension Matrix

Keyboard commands:

= turn,

= for-/backward,

= scroll

Zeilen und Spaltenanzahl

Produkt 2 Vektoren

Keyboard commands:

= turn,

= for-/backward,

= scroll

Skalarprodukt

Spur einer Matrix

Keyboard commands:

= turn,

= for-/backward,

= scroll

Summe der Diagonalelemente

Rang einer Matrix

Keyboard commands:

= turn,

= for-/backward,

= scroll

Anzahl der abhängigen Spaltenvektoren

Determinante

Keyboard commands:

= turn,

= for-/backward,

= scroll

Maß für Kollinerität, je kleiner desto kolinerarer

Kovarianzmatrix, was ist in der diagonalen und der nebendiagonalen?

Keyboard commands:

= turn,

= for-/backward,

= scroll

diagonale: Varianz
nebendiagonale: Kovarianz

Korrelationsmatrix

Keyboard commands:

= turn,

= for-/backward,

= scroll

standartisierte Kovarianzmatrix,
- diagnale m einsen
- nebendiagonale Korrelation

Determinante einer Kovarianzmatrix

Keyboard commands:

= turn,

= for-/backward,

= scroll

Maß für Variabilität der Daten, wenn Variablen hoch korreliert ist der Wert der Determinante klein

Normalverteilung

Keyboard commands:

= turn,

= for-/backward,

= scroll

Maß für zentrale Tendenz und Streuung, bi der multivariaten auch Maß für Zusammenhang der p Variablen

Missing Date

- Completely at Random: übersehen
- at Random: zusammenhang mit anderen Variablen die auch erhoben wurden
- not at random: fallen auf ausprägung dieser Variable zurück

Umgang mit Missing Data

- schlecht: Personen raus, fehlende Werte durch Mittelwerte ersetzen

reduntant = unnötig

x

Vorrausetzung für Schätzung Multiple Regression

- residuuen normalverteilt
- corr (X) = 0
- Homeskedaszität
- x und y Zusammenhang linear
- zufallstichprobe (personen unabhängig)

Partialkorrelation:

aus Korrelation von x und y der Einfluss von z herauspartialisiert

seminpartialkorrelation

Berechnung des inkremellen Erklärungsanteil des neu hinzukommenden Prädiktors über die Varianzaufklärung von x hinaus

Multikollinarität

= hohe Korrelation zwischen Prädiktoren, führen zu kleinen geschätzen ß und großen Standartfehlern, verbesster durch zusammenfassen/entfernen redundanter Prädiktoren
Man kann einzelne durch 1/(1-R²) testen

zusätzlicher Außreisserdiagnostik

- leverage: abweichung Person vom Mittelwert
- Cooks Distance: wie ändern sich Regressionsgewichte wenn Person entefernt wird

Um over oder underfitting zu vermeiden Mellows Cp berechenen

x

Nachteile Forward selection

- Gefahr alpha-Fehler Inflation
- exploratives tool
- Kreuzvalidierung (prädiktoren sind in einem datensatz signifikatn, in andrem nicht mehr)

1 / 48

Flashcards

Intercept Variance

Varianz die auf zufällige Gruppenunterschiede zurückzzuführen ist

Wilks Lamda

wenn signitifikant gibts Gruppenunterschide, der Wert sollte klein sein da man Unterschied sucht

Annahmen einfache Regression

Fehler unabhängig, homoskedastisch und Normalverteilt

Homoskedaszität

Varianz der Residuen verändert sich nicht in Abhängigkeit von Schätzung von y

Annahmen Regressionsanalys mit Kleinsquaratschätzung

- Residuen Normalverteilt

- Homoskedaszität

- linearer zusammenhang x und y

- zufallsstichprobe

- corr x = 0

Vorraussetzungen Manova und Diskriminanzanalys

- multivariate Uv
- multivariate normalverteilung (Variablen in Gruppen)
- unabhängige Beobachtungen
- linerarität
- randomisierte Stichprobe
- Homogenität Varianz/Kovarianzmatrizen über Gruppen hinweg

Vorteile und Contras Manova

- verwertung korrelation zw. AVs = mehr Power
- simultane Messung
- vermeidung multibles testen
- multivariat kann signi sein wenn uni nicht
- durch diskrinalyse gute Gruppentrennung
- nur bis 10 avs und starke Annahmen die in der Praxis oft verlettz sind

Einsatz Diskriminanzanalyse

- Prognose für neue Personen
- einsatz in rationeller Diagnostik
- Dimensionalität von Gruppenunterschieden

1
2

Étudier