Set of flashcards Statistik (Page 7 of 10)

Flashcards	387
Language	Deutsch
Category	Psychology
Level	University
Created / Updated	08.07.2023 / 20.07.2023
Weblink	https://card2brain.ch/box/20230708_methoden_statistik
Embed	<iframe src="https://card2brain.ch/box/20230708_methoden_statistik/embed" width="780" height="150" scrolling="no" frameborder="0"></iframe>

Was ist kein Grund, warum man nicht einfach immer eine lineare Regression nutzen kann?

Bei der linearen Regression können Wahrscheinlichkeiten < 0 oder > 1 entstehen.

Bei der linearen Regression sind evtl. keine Wahrscheinlichkeitsaussagen möglich.

Anforderungen der linearen Regression können verletzt sein (z.B. NV der Residuen).

Die lineare Regression kann nur einen Prädiktor beinhalten.

Welche der folgenden Aussagen zu den Zusammenhängen ist korrekt? – 2 richtige Antworten

Der Zusammenhang zwischen Effekt-Koeffizient (Odds Ratio) „exp(b)“ und Regressionskoeffizienten b ist exponentiell.

Der Zusammenhang zwischen Prädiktowerten Logits und Wahrscheinlichkeit ist S-förmig oder umgekehrt S-förmig.

Der Zusammenhang zwischen Prädiktorwerten und Odds ist S-förmig.

Der Zusammenhang zwischen Prädiktorwerten und Wahrscheinlichkeit ist s-förmig.

Der Zusammenhang zwischen Prädiktorwerten und Logits ist linear.

Was trifft auf den logistischen Regressionsansatz nicht zu?

Man nimmt eine latente, d.h. empirisch beobachtbare, Variable z (= Logits) an.

z erzeugt die Ausprägung der Kriteriumsvariable in Abhängigkeit der Prädiktoren.

z ist Basis der logistischen Funktion p bzw. F(z).

Zweck von p ist das Treffen einer Wahrscheinlichkeitsaussage für y = 1.

Was trifft nicht auf die Wahrscheinlichkeitsverteilung für y = 1 zu?

S-förmiger Verlauf

Symmetrisch um den Wendepunkt p = 0

Wertebereich [0 ; 1 [

Auf der x-Achse wird die Ausprägung der z-Werte (Logits) und auf der y-Achse die Wahrscheinlichkeit P (y = 1) eingetragen.

Nenn die fünf Schritte des Ablaufs der logistischen Regression.

1. Modellformulierung

2. Schätzung der logistischen Regressionsfunktion

3. Interpretation des Regressionskoeffizienten

4. Prüfung des Gesamtmodells

5. Prüfung der Merkmalsvariablen

Was trifft auf die Schätzung der logistischen Regressionsfunktion nicht zu?

Schätzung der Modellparameter (β0 und βj) für z mittels der Maximum-Likelihood-Methode.

Ziel ist es, Parameter βj so zu bestimmen, dass Personen möglichst richtig klassifiziert werden.

Das rechnerische Vorgehen ist die Minimierung der LogLikelihoodfunktion.

Mithilfe der logistischen Funktion kann die personenbezogene Wahrscheinlichkeit für y = 1 bestimmt werden.

Was stimmt nicht hinsichtlich der Interpretation der Parameter in einer Graphik?

Der Intercept (β0) beschreibt die Verschiebung auf der Vertikalen.

Je größer das β-Gewicht, desto steiler die Kurve.

Bei einem negativen β-Gewicht fällt der Graph.

Eine flache Linie bedeutet, dass der Prädiktor keinen Einfluss hat.

Was ist kein Grund, warum Regressionskoeffizienten schwer zu interpretieren sind?

Zusammenhang zwischen den Prädiktoren und p (y = 1) ist indirekt und nicht linear.

Regressionskoeffizienten sind untereinander nicht vergleichbar.

Wirkung der Prädiktoren ist bei kleineren Ausprägungen größer als bei großen Ausprägungen.

Regressionskoeffizienten geben zwar Richtung des Einflusses eines Prädiktors an, sind aber kein globales Maß für dessen Einflussstärke.

Wirkung der Prädiktoren ist nicht über die gesamte Breite ihrer Ausprägung gleich

Was trifft nicht auf die Chance bzw. Odds zu?

Es handelt sich hierbei um ein Wahrscheinlichkeitsverhältnis.

Chance berechnet sich durch die Wahrscheinlichkeit geteilt durch die Gegenwahrscheinlichkeit.

Die Formel zur Berechnung wäre: Odds = [p (y = 1)] / [1 – p (y = 0)]

Werden Odds logarithmiert, so ergeben sich Logits bzw. Log Odds.

Was trifft nicht auf die Odds Ratio zu?

Die Einflussstärke der Prädiktoren lässt sich über Odds Ratio exp(z) (= Effektkoeffizient) bestimmen

Die Formel zur Berechnung wäre: [Odds(y = 1) nachdem Prädiktor um eine Einheit gestiegen ist] / [Odds(y = 1) bevor Prädiktor um eine Einheit gestiegen ist]

Wertebereich der Odds Ratio ist [0 ; + ∞ [

Odds Ratio und die Regressionskoeffizienten b sind exponentiell verknüpft.

Die Einflussstärke der Prädiktoren lässt sich über Odds Ratio exp(b) (= Effektkoeffizient) bestimmen

Berechne die Odds Ratio für die Bedingung „krank“ beim Wechsel von Winter auf Sommer.

krank W+ 40. krank W- 20

nicht krank W+ 60. nicht krank W- 80

20/40 = 0.5

Also die Odds(y=1), nachdem der Prädiktor um eine Einheit gestiegen ist, geteilt durch die Odds(y=1) vorher

Was trifft zu auf die Berechnung von Odds und Odds Ratio? – 2 richtige Antworten

Odds = Wahrscheinlichkeit / Gegenwahrscheinlichkeit

Odds = Wahrscheinlichkeit / Wahrscheinlichkeit eine Einheit davor

Odds Ratio = Wahrscheinlichkeit / Chance

Odds Ratio = Odds / Odds eine Einheit davor

Bei welchen Werte von exp(b) (= Odds Ratio) steigt die Chance für das Indexereignis mit steigenden Werten des Prädiktors?

exp(b) > 0.5

exp(b) > 0

exp(b) < 1

exp(b) < -0.5

exp(b) > 1

Die Wahrscheinlichkeit für „Regen im Mai“ beträgt P=0.2 (P = 20%). Wie hoch ist die Chance, dass es im Mai regnet?

Chance: Wahrscheinlichkeit, dass ein Ereignis eintritt, geteilt durch die Wahrscheinlichkeit, dass es nicht eintritt.

Die Chance, dass es im Mai regnet ist 25% hoch.

Was ist keine Methode zur Beurteilung der Modellgüte bei der logistischen Regression?

Kleinste Quadrate Test

Likelihood Ratio Test

Pseudo-R-Quadrat-Statistiken

Trefferquote und Hosmer-Lemeshow-Test

Was trifft auf den Likelihood Ratio Test nicht zu?

Es handelt sich um eine Gütekriterium auf Basis der LogLikelihood-Funktion.

Das bestehende Modell wird gegen das Null-Modell getestet.

Differenz zum Null-Modell soll möglichst klein sein.

Das Nullmodell setzt den Einfluss aller Prädiktoren auf Null.

Was trifft auf den Likelihood Ratio Test nicht zu?

Die Likelihood Ratio folgt einer Chi2-verteilung.

Für die Berechnung sind die Devianzen relevant, wobei D0 kleiner ist als D1.

Die Likelihood Ratio wird folgendermaßen berechnet: LR = D0 – D1

Der Wartebereich für die Likelihood Ratio geht von 0 bis unendlich.

Was trifft auf die Pseudo-R-Quadrat-Statistiken nicht zu?

Sie erklären, wieviel Varianz durch das Modell aufgeklärt wird.

Es handelt sich um ein absolutes Gütemaß, dass die Verbesserung ggü. einem Nullmodell angibt.

Werte ab .2 gelten als akzeptabel, Werte ab .4 als gut.

McFaddens R2 und Nagelkerke R2 haben einen Wertebereich von 0 bis 1, Cox and Snell R2 kann dagegen den Maximalwert von 1 nicht erreichen.

Was trifft auf die Beurteilung der Klassifikationsergebnisse nicht zu?

Vergleich beobachteter Gruppenzugehörigkeit mit errechneten Wahrscheinlichkeiten.

Die Trefferquote beschreibt den Prozentsatz der richtigen Zuordnungen.

Zentrale Frage bei der Trefferquote ist, ob die Trefferquote des neuen Modells besser ist als die des alten Modells.

Der Hosmer-Lemeshow-Test prüft die Differenz zwischen vorhergesagten und beobachteten Zuordnungen.

Was trifft auf Ausreißer und deren Bestimmung nicht zu?

Ausreißer sind Fälle, die durch besondere Ausprägungen Ergebnisse deutlich verzerren.

Ein Residuum berechnet sich folgendermaßen: Messwert minus vorhergesagter Wert.

Der Wertebereich vom Residuum ist [-1 ; 1]

Bei Abweichungen unter .5 sind verzerrte Einflüsse wahrscheinlich.

Was trifft auf die Prüfung von Merkmalsvariablen nicht zu?

Ziel ist die Bestimmung der Trennfähigkeit einzelner Prädiktoren.

Ziel ist die Bestimmung der Kollinearität Prädiktoren.

Eine Methode ist der Likelihood-Quotienten-Test.

Eine Methode ist die Wald-Statistik.

Was trifft auf den Likelihood-Quotienten-Test nicht zu?

Vergleich des vollständigen Modells mit reduzierten Modellen.

Testgröße ist die Differenz zwischen vollständigem Modell und reduzierten Modellen.

Bei reduzierten Modellen wird jeweils (mind.) ein Regressionskoeffizient auf Null gesetzt.

Die Nullhypothese besagt, dass der Regressionskoeffizient ungleich Null ist.

Wir wollen bei einem Modellvergleich mit den Prädiktoren a1, a2, a3, a4, a5 schauen, welchen Beitrag a2 und a5 leisten. Was wäre dann in unseren Likelihood-Quotienten-Test das unvollständige Modell?

a1 3 4 5 und a1 2 3 4

Was trifft auf die Wald-Statistik nicht zu?

Überprüfung der Signifikanz einzelner Koeffizienten.

Testgröße W ist die Beziehung des Regressionskoeffizienten zu dessen Standardabweichung.

Es handelt sich um eine Chi2-Statistik.

Die Wald-Statistik ist analog zum t-Test bei der linearen Regression.

Welche der Aussagen zur Bestimmung der Eintrittswahrscheinlichkeit von y = 1 ist falsch?

Es wird eine lineare Beziehung zwischen zi und den Prädiktoren angenommen.

zi sind die logarithmierten Odds bzw. Logits für y = 1.

z wird ein eine logistische Funktion p bzw. F(z) eingesetzt.

Die Wahrscheinlichkeitsverteilung ist z-förmig.

Was trifft auf Wechselwirkungen bei der logistischen Regression zu?

Es ist wichtig, die Wechselwirkungen/Interaktionen in das Modell zu nehmen.

Die Interaktionen erhalten kein eigenes beta-Gewicht.

Wenn Interaktion im Modell dann in jedem Fall auch Haupteffekte miteinbeziehen

Was trifft auf die Interpretation von Odds Ratio bei kategorialen Prädiktorvariablen nicht zu?

Es gibt dann eine Zerlegung in dichotome Variablen bezüglich einer Referenzkategorie.

Odds Ratio gibt dann das Chancenverhältnis zur Referenzgruppe an.

Die Referenzgruppe wird mit 1 kodiert.

Hierfür ist die Dummy-Codierung relevant.

Was stimmt nicht hinsichtlich der multinomialen logistischen Regression?

Ein multinomiales Kriterium hat mehr als zwei Ausprägungen.

Alle Ausprägungen werden mit der Referenzkategorie verglichen.

Es müssen entsprechend viele Modelle gerechnet werden.

Hat das Kriterium drei Ausprägungen, so müssen drei Modelle gerechnet werden.

Welche Aussage trifft auf Mehrebenenmodelle zu?

Sie untersuchen die Zusammenhänge zwischen mehreren Variablen.

Sie analysieren das Verhalten von Individuen in einer Gruppe.

Sie berücksichtigen die Hierarchie in den Daten und untersuchen die Effekte auf verschiedenen Ebenen.

Sie basieren ausschließlich auf quantitativen Methoden.

Was ist das Ziel von Mehrebenenmodellen?

Die Vorhersage von zukünftigen Ereignissen auf individueller Ebene.

Die Identifizierung von Gruppeneffekten und die Untersuchung von Variabilität zwischen Gruppen.

Die Erstellung von mathematischen Modellen zur Beschreibung von linearen Beziehungen.

Die Untersuchung von zeitlichen Veränderungen in sozialen Netzwerken.

Welche Vorteile bieten Mehrebenenmodelle gegenüber einfachen linearen Regressionsmodellen?

Die Fähigkeit, Gruppeneffekte zu berücksichtigen und individuelle Unterschiede zu analysieren.

Die Verwendung von qualitativen statt quantitativen Daten.

Die Vereinfachung der Modellierung durch Vernachlässigung von Gruppeneffekten.

Die Möglichkeit, kausale Beziehungen zwischen Variablen zu untersuchen.

Was ist ein "Random Intercept" in einem Mehrebenenmodell?

Ein zufälliger Effekt, der die Steigung einer Variablen beeinflusst.

Eine Konstante, die den gesamten Datensatz verschiebt.

Ein zufälliger Effekt, der den Ausgangswert einer Gruppe beeinflusst.

Eine unabhängige Variable, die den Zusammenhang zwischen zwei abhängigen Variablen erklärt.

Welche Methode wird häufig zur Schätzung von Mehrebenenmodellen verwendet?

Lineare Regression.

T-Test.

ANOVA.

Maximum-Likelihood-Schätzung.

Welche Art von Daten eignet sich am besten für die Anwendung von Mehrebenenmodellen?

Längsschnittdaten

Querschnittsdaten

Ordinale Daten

Nominalskalierte Daten

Welche Ebene wird in einem Mehrebenenmodell als "Level 1" bezeichnet?

Die höchste Hierarchieebene

Die niedrigste Hierarchieebene

Die mittlere Hierarchieebene

Es gibt keine Level-Bezeichnungen in einem Mehrebenenmodell

Welche Aussage trifft auf "Fixed Effects" in Mehrebenenmodellen zu?

Sie berücksichtigen zufällige Variationen zwischen den Gruppen.

Sie erfassen systematische Unterschiede zwischen den Gruppen.

Sie werden zur Schätzung der Koeffizienten verwendet.

Sie dienen der Modellvereinfachung durch Eliminierung irrelevanter Variablen.

Welche statistische Methode wird zur Untersuchung der Varianzpartitionierung in Mehrebenenmodellen verwendet?

Varianzanalyse (ANOVA)

Kovarianzanalyse (ANCOVA)

Regressionsanalyse

Chi-Quadrat-Test

Welche Annahme liegt den meisten Mehrebenenmodellen zugrunde?

Lineare Abhängigkeit zwischen den Variablen

Normalverteilung der Residuen

Homoskedastizität der Residuen

Unabhängigkeit der Beobachtungen

Welche Faktoren sind wichtige Überlegungen bei der Auswahl eines geeigneten Mehrebenenmodells? 3 richtig

Anzahl der Hierarchieebenen in den Daten

Art der abhängigen Variable

Verfügbarkeit von Individualdaten

Verteilung der Daten

Welche Vorteile bieten Mehrebenenmodelle im Vergleich zu traditionellen Einzelebenenmodellen? 2

Berücksichtigung von Gruppeneffekten

Möglichkeit zur Untersuchung von Interaktionen auf verschiedenen Ebenen

Bessere Modellierung von nicht-linearen Beziehungen

Verbesserte Genauigkeit bei der Vorhersage von individuellen Werten

Statistik

Create or copy sets of flashcards

Create or copy sets of flashcards

Log in to see all the cards.

SWITCHaai

Office 365

Edulog

Apple ID

Google