PASW Statistics Tabellen- Wer kennt sich aus und kann mir beim interpretieren helfen (20$ auf Stars)

    • Jayston
      Jayston
      Black
      Dabei seit: 14.07.2005 Beiträge: 9.369
      Wie interpretiere ich die folgenden Werte der jeweiligen Tabellen??

      a) Mittelwerte Anova Tabelle: Nur die Signifikanz Werte



      b) Regressionsanalyse Preis: R Quadrat, Signifikans(Anova) und Beta/Sig



      c) Regressionsanalyse Umsatz: R Quadrat, Signifikans(Anova) und Beta/Sig


      d) für Sponsoring: R Quadrat, Signifikans(Anova) und Beta/Sig



      Wäre für Hilfe sehr dankbar....
  • 18 Antworten
    • EmpireOs
      EmpireOs
      Bronze
      Dabei seit: 29.10.2008 Beiträge: 633
      Ist das hier noch aktuell? Könnte vllt. helfen!

      meld dich einfach bei mir!
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      ich häng mich einfach mal mit ner kleinen frage hier dran, vlt kannst du ja kurz antworten empireOs :)

      Wenn ich nur ein Streudiagramm gegeben habe und eine Aussage treffen muss ob das standardisiert ist oder nicht, auf was muss ich achten?

      Ich kriegs grad nich hin n Beispielbild zu posten, aber vlt kannst du mir ja auch so weiterhelfen.

      Es könnte auch gut sein, dass ich noch andere Fragen zu Statistik (auf recht niedrigem niveau ^^)habe, wenn du mir helfen willst , add mich doch unter ingolpoker im skype....über ein paar $ kann man dann sicher auch reden ;)

      edit: habe morgen nachmittag prüfung :P
    • Jayston
      Jayston
      Black
      Dabei seit: 14.07.2005 Beiträge: 9.369
      Original von EmpireOs
      Ist das hier noch aktuell? Könnte vllt. helfen!

      meld dich einfach bei mir!
      jo muss, montag präsentieren...wie soll ich mich melden? Community?
    • Rzeczpospolita
      Rzeczpospolita
      Bronze
      Dabei seit: 09.01.2008 Beiträge: 222
      Also das R^2 sagt jetzt am Beispiel der letzten 3 Tabellen aus, das der Umsatz zu 75.9% durch das Modell erklärt wird, und 24,1% bleiben ungeklärt. Je höher R^2 desto besser. Ich denke mal Sig.-> ist in diesem Fall der P-Wert, je niedriger der P-Wert, desto wahrscheinlicher ist es, dass die Nullhypothese verworfen werden kann (Welches immer erstrebens wert ist). In deiner Tabelle hat der Koeffizient Produktbedeutung einen Sig oder besser P-Wert von 0.002, was soviel heisst, dass er auf allen üblichen Signifikanzniveaus a=0,1;0.05;0,01 signifikant ist. Ob ein Koeffizient signifikant ist kann man auch feststellen, in dem man in deinem Beispiel den Koeffizienten Produktbedeutung durch seinen jeweiligen Standardfehler teilt, dann hat man die Prüfgröße T (die t-verteilt ist), und wenn diese nah an 2 oder größer ist, dann kann man mit Sicherheit sagen das der Koeffizient signifikant ist.

      Ich hoffe, dass ich Dir auf die schnelle ein bisschen helfen konnte...
      Ansonsten die jeweiligen Schlagwörter googeln...
    • marc0506
      marc0506
      Bronze
      Dabei seit: 03.02.2006 Beiträge: 8.241
      ja was willst du denn überhaupt wissen?
      auf ne anständig formulierte frage kommt vielleicht auch ne anständige antwort...;)
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      Kann mir auch jemand kurz helfen pls? ;)
    • marc0506
      marc0506
      Bronze
      Dabei seit: 03.02.2006 Beiträge: 8.241
      Original von IngolPoker
      Kann mir auch jemand kurz helfen pls? ;)
      Ja!


      Im Ernst: Standardisiert ist doch im Intervall [0,1], oder? Darauf könntest Du achten...
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      Ja das war auch meine Vermutung, aber es gab dann auch Beispiele wo sowohl y als auch x in 1er bzw 2er Schritten angetragen waren und es war trotzdem standardisiert. Daher hatte ich das eigentlich ausgeschlossen.
    • otterfresse
      otterfresse
      Global
      Dabei seit: 27.12.2009 Beiträge: 86
      Was ist das hier? Freaks...
    • NeuHier
      NeuHier
      Bronze
      Dabei seit: 07.10.2006 Beiträge: 354
      Also ist zwar wohl zu spät, aber trotzdem nach mal eine Antwort:

      Bei der Anova prüfst du ob sich der Mittelwert zwischen den Gruppen unterscheidet. D.h. die Nullhypothese ist

      H_0: mü_1 = mü_2 = ... = mü_k
      H_1: für irgend eine Kombination i,j gilt mü_i != mü_j

      Bei dir sind beide male die P-Werte > 0.05. Dazu gibt es dann eine Merkregel:
      " If P-Value low, H_0 must go". D.h. in beiden Fällen kannst du also die Nullhypothese nicht verwerfen. Das bedeutet Du kannst nicht sagen, dass es zwischen den Gruppen signifikante unterschiede gibt.

      Zur Regression:
      R-Quadrat bedeutet den Anteil der durch das Modell erklärten Variation. (Wie mein Vorredner richtig gesagt hat.) Allerdings ist R^2 kein angemessenes Maß um die Modellgüte zu interpretieren, da man immer ein Modell mit R^2=1 erreichen kann, wenn man nur genug Variablen erhebt. In deinem Fall ist das aber ja kein Problem, weil nur eine unabhängig Variable vorliegt (also nur ein Algemeiner Hinweis: Lieber adjusted-R^2 betrachten).

      Für die meisten Anwendungen ist ein R^2 von 0,7 extrem gut. Allerdings hängt das auch immer von der Art der Anwendung ab. Sozialwissenschaftler sind manchmal schon mit 0,3 zufrieden und in manchen z.B. chemometrischen Anwendungen wäre nur alles über 0,9 interessant. Ich denke im Bereich der Ökonometrie dürfte der Wert aber recht gut sein (bin aber kein Wirtschaftswissenschaftler nur ein Statistiker).

      Was du im Regressionsmodell noch beachten solltest: Dein Beta-Schätzer hat einen P-Value von 0.006 < 0.05. Damit hat der Schätzer tatsächlich signifikanten Einfluss. Das Beta selber bedeutet nun:
      Für jede Einheit, um die Marke_Nüchtern erhöht wird, steigt der Wert der Zielgröße (angemessener Preis) um 0,689 Einheiten.

      Die Anova in der Regression testet, ob das Modell besser ist, als ein reines Interceptmodell. Hier ist der P-Wert < 0.05, als kann man sagen, dass dein Modell besser ist, als das Mittelwert-Modell (=Interceptmodell).


      Ich hoffe der Text ist lesbar und verständlich geworden. Stehe für Rückfragen natürlich zur Verfügung, wenn noch interesse besteht. Die interpretation der anderen Regressionsmodelle ist natürlich analog.


      @IngloPoker: Wenn die Werte Standardisiert sind, dann haben sie einen Mittelwert von 0 und eine Streuung von 1. Das bedeutet, wenn du versuchst eine Linie durch die Daten zu legen, dann sollte die etwa wagrecht und auf dem Level 0 sein. Dabei sollten die Werte in y-Richtung höchstens um +/-2 um die 0-Achse schwanken.
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      :heart: :heart: :heart:
    • NeuHier
      NeuHier
      Bronze
      Dabei seit: 07.10.2006 Beiträge: 354
      Original von IngolPoker
      Ja das war auch meine Vermutung, aber es gab dann auch Beispiele wo sowohl y als auch x in 1er bzw 2er Schritten angetragen waren und es war trotzdem standardisiert. Daher hatte ich das eigentlich ausgeschlossen.
      Aso ich bin davon ausgegangen, dass es nur eine Variable ist. Vielleicht versuchst du doch noch mal ein Beispiel Bild zu posten um weitere Unklarheiten zu vermeiden.

      Sonst deuteten 1-er und 2-Schritte nur drauf hin, dass eine kategoriale Variable vorliegt. Die ist dann auch in Standardisiert noch kategorial, allerdings sind die abstände dann nicht mehr genau 1 oder 2.

      Du musst dir glaube ich nur klar machen, wie eine Standardisierung gemacht wird:

      Das sind ja eigentlich nur 2 Schritte:
      1. X = X - Mean(X)

      Hier wird von der Variablen einfach der Mittelwert abgezogen. Ab diesem Augenblick können sie nur noch um 0 Schwanken.

      2. X = X/sigma(X)

      Hier wird die Variable durch ihre Standardabweichung geteilt. D.H. Die Varianz wird 1. Das heißt aber nicht, dass sie jetzt auf dem Intervall [0,1] ist. Nur, dass die Wahrscheinlichkeit extremer Werte stark veringert wird. Nimm mal an du hast Normalverteilte Daten: Dann kann bei Varianz 1 trotzdem ein Wert mit 100 auftreten, es wird nur sehr selten geschehen.

      Fazit: Achte auf eine kleine Streung der der Daten und darauf, dass sie um die 0 Verteilt sind.
    • marc0506
      marc0506
      Bronze
      Dabei seit: 03.02.2006 Beiträge: 8.241
      Original von NeuHier
      Also ist zwar wohl zu spät, aber trotzdem nach mal eine Antwort:

      Bei der Anova prüfst du ob sich der Mittelwert zwischen den Gruppen unterscheidet. D.h. die Nullhypothese ist

      H_0: mü_1 = mü_2 = ... = mü_k
      H_1: für irgend eine Kombination i,j gilt mü_i != mü_j

      Bei dir sind beide male die P-Werte > 0.05. Dazu gibt es dann eine Merkregel:
      " If P-Value low, H_0 must go". D.h. in beiden Fällen kannst du also die Nullhypothese nicht verwerfen. Das bedeutet Du kannst nicht sagen, dass es zwischen den Gruppen signifikante unterschiede gibt.

      Zur Regression:
      R-Quadrat bedeutet den Anteil der durch das Modell erklärten Variation. (Wie mein Vorredner richtig gesagt hat.) Allerdings ist R^2 kein angemessenes Maß um die Modellgüte zu interpretieren, da man immer ein Modell mit R^2=1 erreichen kann, wenn man nur genug Variablen erhebt. In deinem Fall ist das aber ja kein Problem, weil nur eine unabhängig Variable vorliegt (also nur ein Algemeiner Hinweis: Lieber adjusted-R^2 betrachten).

      Für die meisten Anwendungen ist ein R^2 von 0,7 extrem gut. Allerdings hängt das auch immer von der Art der Anwendung ab. Sozialwissenschaftler sind manchmal schon mit 0,3 zufrieden und in manchen z.B. chemometrischen Anwendungen wäre nur alles über 0,9 interessant. Ich denke im Bereich der Ökonometrie dürfte der Wert aber recht gut sein (bin aber kein Wirtschaftswissenschaftler nur ein Statistiker).

      Was du im Regressionsmodell noch beachten solltest: Dein Beta-Schätzer hat einen P-Value von 0.006 < 0.05. Damit hat der Schätzer tatsächlich signifikanten Einfluss. Das Beta selber bedeutet nun:
      Für jede Einheit, um die Marke_Nüchtern erhöht wird, steigt der Wert der Zielgröße (angemessener Preis) um 0,689 Einheiten.

      Die Anova in der Regression testet, ob das Modell besser ist, als ein reines Interceptmodell. Hier ist der P-Wert < 0.05, als kann man sagen, dass dein Modell besser ist, als das Mittelwert-Modell (=Interceptmodell).


      Ich hoffe der Text ist lesbar und verständlich geworden. Stehe für Rückfragen natürlich zur Verfügung, wenn noch interesse besteht. Die interpretation der anderen Regressionsmodelle ist natürlich analog.


      @IngloPoker: Wenn die Werte Standardisiert sind, dann haben sie einen Mittelwert von 0 und eine Streuung von 1. Das bedeutet, wenn du versuchst eine Linie durch die Daten zu legen, dann sollte die etwa wagrecht und auf dem Level 0 sein. Dabei sollten die Werte in y-Richtung höchstens um +/-2 um die 0-Achse schwanken.
      als wirtschaftwissenschaftler kann ich euch versichern, dass R^2 von 0.3 auf jeden fall recht hoch ist. man hat schon papers veröffentlicht gesehen mit 0.03...;)
      ach ja, nur als randbemerkung: die interpretation: variable X hat einen einfluss von x.xx auf Y wird zwar gerne gemacht, ist aber rein statistisch natürlich vollkommener schwachsinn! genau genommen messen wir hier nur die stärke der korrelation zwischen zwei variablen, daraus auf kausalität zu schliessen ist schlichtweg falsch! vor allem bei so einem modell mit nur einer erklärenden variablen kann dieser schätzer einfach alles mögliche bedeuten...
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      Danke Neuhier für deine Mühe, die Erklärung war aufschlussreich :)
    • NeuHier
      NeuHier
      Bronze
      Dabei seit: 07.10.2006 Beiträge: 354
      Hab gern geholfen :) .

      marc0506 hat natürlich recht ich habe das wohl etwas ungünstig formuliert. Der beschriebene Zusammenhang besteht natürlich nur in diesem Modell. D.h. die Interpretation des Betas bezieht sich auf eine potentielle Prognose mit diesem Modell.

      Auf Kausalitäten aufgrund von statistischen Modellen zu schließen ist natürlich immer ein No-Go.
    • marc0506
      marc0506
      Bronze
      Dabei seit: 03.02.2006 Beiträge: 8.241
      Original von NeuHier
      Hab gern geholfen :) .

      marc0506 hat natürlich recht ich habe das wohl etwas ungünstig formuliert. Der beschriebene Zusammenhang besteht natürlich nur in diesem Modell. D.h. die Interpretation des Betas bezieht sich auf eine potentielle Prognose mit diesem Modell.

      Auf Kausalitäten aufgrund von statistischen Modellen zu schließen ist natürlich immer ein No-Go.
      aus deinen aussagen war mir klar, dass DU das weisst. als hinweis für die, die weniger gut bescheid wissen, wollte ich das halt nicht unerwähnt lassen...
    • IngolPoker
      IngolPoker
      Black
      Dabei seit: 05.09.2006 Beiträge: 10.467
      Ich nochmal....sry :(


      (sry für die größe^^)

      Oben links steht dass bei positivem beta alle Autokorrelationskoeffizienten positiv sind.
      Bei den graphen mit beta 0,6 und 0,4 sind doch aber einige im minus?

      wo ist mein fehler?

      Ich hab noch 1 std zeit, bitte helft schnell :D
    • NeuHier
      NeuHier
      Bronze
      Dabei seit: 07.10.2006 Beiträge: 354
      Sry ich kann die Aussagen gerade nicht ganz nachvollziehen. Stochstische Prozesse sind nicht so mein Ding.

      Ich würde aber spontan sagen, dass in den unteren Fällen das Rauschen (bzw. der Fehlerterm) die Struktur des Prozesses überlagert und deshalb vereinzelt zufällig die negativen ACF-Werte entstehen können.