book

Regressionsanalyse mit SPSS, 2nd Edition

Name: Regressionsanalyse mit SPSS, 2nd Edition
Author: Christian FG Schendera
ISBN: 9783110377217

by Christian FG Schendera

August 2014

Intermediate to advanced

484 pages

14h 40m

German

De Gruyter Oldenbourg

Read now

Unlock full access

Titel
Impressum
Vorwort zur zweiten Auflage
Vorwort
Inhaltsverzeichnis
1 Korrelation
1.1 Einführung1.2 Erste Voraussetzung: Das Skalenniveau1.3 Weitere Voraussetzungen: Linearität,Homoskedastizität und Kontinuität1.4 Exkurs: Grafische Tests auf Linearität1.4.1 Prozedur GRAPH, Scatterplot Option1.4.2 SPSS Prozedur CURVEFIT1.5 Statistik und Interpretationdes Korrelationskoeffizienten1.5.1 Statistik des Korrelationskoeffizienten1.5.2 Interpretation des Korrelationskoeffizienten1.6 Berechnung mit SPSS (Beispiel)1.7 Fallstricke: Linearität, Scheinkorrelation undAlphafehler-Kumulation1.7.1 Scheinkorrelation und partielle Korrelation1.7.2 Das Problem der Alphafehler-Kumulierung1.8 Spezielle Anwendungen1.8.1 Vergleich von Korrelationskoeffizienten1.8.2 Vergleich von Korrelationen auf Gleichheit1.8.3 Kanonische Korrelation1.9 Voraussetzungen für die Berechnungdes Pearson-Korrelationskoeffizienten
2 Lineare und nichtlineare Regression
2.1 Lineare Regression: Zusammenhang mit Kausalrichtung2.1.1 Bivariate lineare Regression: Einführung in die Regressionsanalyse mit REGRESSION2.1.2 Beispiel und Syntax für eine bivariate lineare Regression – Durchgang 1: Überprüfung der Linearität und Identifikation von Ausreißern anhand von Hebelwerten und Residuen2.1.3 Output und Erläuterungen2.1.4 Durchgang 2: Der Effekt des Ausschlusses vonAusreißern – Ausgewählter Output2.1.5 Exkurs: Grafik mit eingezeichneter Regressionsgerade (GGRAPH)2.2 Nichtlineare einfache Regression2.2.1 Eine lineare Funktion wird mittels einer linearen Regressionsanalyse untersucht2.2.2 Eine nichtlineare Funktion wird mittels einer linearen Regressionsanalyse untersucht2.2.3 Eine nichtlineare Funktion wird linearisiert und mittels einer linearen Regression untersucht2.2.4 Eine nichtlineare Funktion wird mittels einer nichtlinearen Regression untersucht: Nichtlineare Regression
2.2.5 Etwas Anspruchsvolleres: Eine nichtlineare Regression mit zwei Prädiktoren
2.2.6 Die Prozeduren NLR und CNLR für die nichtlineare Regression2.2.7 Annahmen der nichtlinearen Regression2.2.8 Übersicht: Modelle für die nichtlineare Regression2.3 Multiple lineare Regression: Multikollinearität und andere Fallstricke2.3.1 Besonderheiten der Multiplen Regression2.3.2 Ein erstes Beispiel: Die Interpretation der speziellen Statistiken der multiplen Regression2.3.3 Zweites Beispiel: Identifizieren und Beheben von Multikollinearität2.4 Voraussetzungen für die Berechnung einer linearen Regression
3 Logistische und ordinaleRegression
3.1 Einführung: Kausalmodell und Messniveau der abhängigen Variable3.2 Binäre logistische Regression3.2.1 Das Verfahren und Vergleich zu anderen Verfahren3.2.2 Beispiel, Maus und Syntax: Schrittweise Methode BSTEP)3.2.3 Output und Interpretation3.2.4 Beispiel und Syntax: Direkte Methode ENTER3.2.5 Output und Interpretation3.2.6 Exkurs: Theorietest vs. Diagnostik bei der logistischen Regression: Modellgüte (goodness of fit) vs. Prädikative Effizienz (predictive efficiency)3.2.7 Voraussetzungen für eine binäre logistische Regression3.3 Ordinale Regression3.3.1 Das Verfahren und Vergleich mit anderen Verfahren3.3.2 Beispiel 1, Maus und Syntax: Intervallskalierte Prädiktoren WITH-Option)3.3.3 Output und Interpretation
3.3.4 Beispiel 2 und Syntax: Kategoriale Prädiktoren (BY-Option)
3.3.5 Output und Interpretation3.3.6 Voraussetzungen für eine ordinale Regression3.4 Multinomiale logistische Regression3.4.1 Beispiel, Maus und Syntax: Haupteffekt-Modell (dichotome AV)3.4.2 Output und Interpretation3.4.3 Exkurs: Schrittweise Berechnung eines Modells mit einer dichotomen AV: Vergleich der NOMREG- und LOGISTIC REGRESSION-Ausgaben3.4.4 Spezialfall: Gematchte Fall-Kontrollstudie (1:1) mit metrischen Prädiktoren – Beispiel, Syntax, Output und Interpretation3.4.5 Exkurs: LOGISTIC REGRESSION vs. NOMREG (Unterschiede)3.4.6 Voraussetzungen für eine multinomiale logistische Regression3.5 Vergleich der vorgestellten Regressionsansätze

4 Survivalanalysen
4.1 Einführung in die Überlebenszeitanalyse4.2 Das Grundprinzip der Survivalanalyse4.2.1 Die Überlebensfunktion S(t)4.2.2 Die Bestimmung der Überlebensfunktion S(t)4.2.3 Weitere Funktionen4.3 Zensierte Daten4.3.1 Unerwartete Ereignisse oder nicht eintretende Zielereignisse4.3.2 Drei Gründe, zensierte Daten anders als nichtzensierte Daten zu behandeln4.3.3 Umgehen mit ausfallenden Daten bzw. Zensierungen (drei Ansätze)4.4 Verfahren zur Schätzung der Überlebenszeit S(t)4.4.1 Versicherungsmathematische Methode bzw. Sterbetafel Methode4.4.2 Schätzung von S(t) mit der Kaplan-Meier-Methode4.4.3 Beispiele ohne und mit Zensierungen (Ansatz: Kaplan-Meier)4.5 Tests für den Vergleich mehrerer Gruppen4.6 Überlebenszeitanalyse mit SPSS4.6.1 Beispiel: Kaplan-Meier-Verfahren ohne Faktor4.6.2 Beispiel: Kaplan-Meier-Verfahren mit Faktor4.6.3 Vergleiche mittels mit Faktor- und Schichtvariablen Kaplan-Meier)4.6.4 Konfidenzintervalle für Kaplan-Meier Analysen4.6.5 Beispiel einer Sterbetafel-Berechnung ohne Faktor4.6.6 Beispiel einer Sterbetafel-Berechnung mit Faktor4.6.7 Erste Voraussetzungen für die Berechnung einer Survivalanalyse4.7 Regression nach Cox4.7.1 Einführung und Hintergrund des Cox-Modells
4.7.2 Cox-Regression mit einer metrischen Kovariaten
4.7.3 Cox-Regression mit einer dichotomen Kovariaten (k=2)4.7.4 Cox-Regression mit einer kategorialen Kovariaten (k>2)4.7.5 Cox-Regressionen für Interaktionen4.7.6 Überprüfung der Voraussetzungen einer Cox-Regression4.7.7 Cox-Regression mit zeitabhängigen, metrischenKovariaten4.7.8 Spezielle Voraussetzungen der Cox-Regression4.7.9 Anhang: Kontraste
5 Weitere Anwendungsbeispiele der Regressionsanalyse
5.1 Partial-Regression5.1.1 Berechnung mit der Prozedur PLS Python Extension)5.1.2 Berechnung mit der Prozedur REGRESSION5.2 Individuelle Wachstumskurven (individual growth modeling)5.2.1 Ansatz 1: Modell zufälliger Intercepts5.2.2 Ansatz 2: Modell zufälliger Steigungen5.2.3 Ansatz 3: Modell zufälliger Intercepts und zufälliger Steigungen5.3 Ridge-Regression (SPSS Makro)5.3.1 Visualisierung von Multikollinearität mittels Ridge-Trace5.3.2 Berechnung einer Ridge-Regression5.3.3 Das SPSS Makro „Ridge-Regression“
6 Weitere Ansätze und Modelle (Ausblick)
6.1 Weitere Regressionsansätze über SPSS Menüs6.2 Weitere Regressionsvarianten über Syntax
7 Anhang: Formeln
8 Literatur
9 Ihre Meinung zu diesem Buch
10 Autor
Syntaxverzeichnis
Sachverzeichnis

Content preview from Regressionsanalyse mit SPSS, 2nd Edition

Man kann eine Vorstellung von McFadden’s R² Skala bekommen, wenn man sich ein Binomialmodell mit einem konstanten Term und einem Steigungskoeffizienten vorstellt und Beobachtungen, die gleichmäßig (0.5) zwischen den Alternativen teilen. Falls die MLE Schätzer die beobachteten Alternativen mit den Wahrscheinlichkeiten 0.8, 0.9, oder 0.95 vorhersagen, dann sind die entsprechenden Werte von McFadden’s R² 0.28, 0.53 und 0.71. Falls die Beobachtungen aber 0.7 zu 0.3 teilen, dann ergeben nun dieselben Vorhersagewahrscheinlichkeiten (0.8, 0.9, oder 0.95) die McFadden’s R²-Werte 0.18, 0.47 und 0.68.

Exkursende

McFadden’s Maß gilt im Allgemeinen als geeigneter für den Vergleich von Modellen (Details siehe oben); ansonsten wäre dieser Parameter ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

IT-Controlling für die Praxis, 2nd Edition

Publisher Resources

ISBN: 9783110359855

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills

Regressionsanalyse mit SPSS, 2nd Edition

by Christian FG Schendera

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.