eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
This is a test
- 918 Seiten
- German
- PDF
- Ăber iOS und Android verfĂŒgbar
eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
Angaben zum Buch
Inhaltsverzeichnis
Quellenangaben
HĂ€ufig gestellte Fragen
Wie kann ich mein Abo kĂŒndigen?
Gehe einfach zum Kontobereich in den Einstellungen und klicke auf âAbo kĂŒndigenâ â ganz einfach. Nachdem du gekĂŒndigt hast, bleibt deine Mitgliedschaft fĂŒr den verbleibenden Abozeitraum, den du bereits bezahlt hast, aktiv. Mehr Informationen hier.
(Wie) Kann ich BĂŒcher herunterladen?
Derzeit stehen all unsere auf MobilgerĂ€te reagierenden ePub-BĂŒcher zum Download ĂŒber die App zur VerfĂŒgung. Die meisten unserer PDFs stehen ebenfalls zum Download bereit; wir arbeiten daran, auch die ĂŒbrigen PDFs zum Download anzubieten, bei denen dies aktuell noch nicht möglich ist. Weitere Informationen hier.
Welcher Unterschied besteht bei den Preisen zwischen den AboplÀnen?
Mit beiden AboplÀnen erhÀltst du vollen Zugang zur Bibliothek und allen Funktionen von Perlego. Die einzigen Unterschiede bestehen im Preis und dem Abozeitraum: Mit dem Jahresabo sparst du auf 12 Monate gerechnet im Vergleich zum Monatsabo rund 30 %.
Was ist Perlego?
Wir sind ein Online-Abodienst fĂŒr LehrbĂŒcher, bei dem du fĂŒr weniger als den Preis eines einzelnen Buches pro Monat Zugang zu einer ganzen Online-Bibliothek erhĂ€ltst. Mit ĂŒber 1 Million BĂŒchern zu ĂŒber 1.000 verschiedenen Themen haben wir bestimmt alles, was du brauchst! Weitere Informationen hier.
UnterstĂŒtzt Perlego Text-zu-Sprache?
Achte auf das Symbol zum Vorlesen in deinem nÀchsten Buch, um zu sehen, ob du es dir auch anhören kannst. Bei diesem Tool wird dir Text laut vorgelesen, wobei der Text beim Vorlesen auch grafisch hervorgehoben wird. Du kannst das Vorlesen jederzeit anhalten, beschleunigen und verlangsamen. Weitere Informationen hier.
Ist Multivariate statistische Verfahren als Online-PDF/ePub verfĂŒgbar?
Ja, du hast Zugang zu Multivariate statistische Verfahren von Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz im PDF- und/oder ePub-Format sowie zu anderen beliebten BĂŒchern aus Mathematik & Wahrscheinlichkeitsrechnung & Statistiken. Aus unserem Katalog stehen dir ĂŒber 1Â Million BĂŒcher zur VerfĂŒgung.
Information
Inhaltsverzeichnis
- Vorwort zur zweiten Auflage.
- Vorwort zur ersten Auflage
- Inhalt
- Kapitel 1. EinfĂŒhrung
- 1. EinfĂŒhrende Beispiele
- 2. Grundlegende Begriffe der MeĂtheorie
- 3. Ăberblick ĂŒber multivariate statistische Verfahren
- Kapitel 2. Mehrdimensionale Zufallsvariablen und Verteilungen
- 1. Verteilungsfunktionen und Dichten
- 1.1 Gemeinsame Verteilungsfunktionen und Dichten
- 2. Erwartungswerte und Kovarianzmatrizen
- 3. Mehrdimensionale Normalverteilung, Multinominalverteilung und GrenzwertsÀtze
- 3.1 Mehrdimensionale Normalverteilung
- 3.2 Verteilungskonvergenz und GrenzwertsÀtze
- 3.3 Multinominalverteilung
- 4. Wishart- und verwandte Verteilungen
- 4.1 X2-, F- und t-Verteilung
- 4.2 Wishart-, ?- und ?-Verteilung
- 5. Exponentialfamilien
- 5.1 Definition und Beispiele
- 5.2 Einfache Exponentialfamilien
- Kapitel 3. Grundlegende multivariate SchÀtz- und Testprobleme
- 1. PunktschÀtzung von Erwartungswerten und Kovarianzmatrizen
- 1.1 Ein-Stichprobenfall
- 1.2 Mehr-Stichprobenfall
- 2. Allgemeine Prinzipien der ParameterschÀtzung
- 2.1 Likelihood-Funktion und Suffizienz
- 2.2 Einige Eigenschaften von PunktschÀtzern
- 2.3 Maximum-Likelihood-SchÀtzung
- 2.4 Einige Verfahren zur Minimierung einer Funktion
- 2.5 Nichtparametrische DichteschÀtzung
- 3. Hypothesentests und Vertrauensbereiche fĂŒr Erwartungswerte und Kovarianzmatrizen
- 3.1 Test und Vertrauensbereiche fĂŒr Erwartungswerte
- 3.2 Tests fĂŒr Kovarianzmatrizen
- 4. Testprinzipien
- 4.1 Likelihood-Quotienten-Test, Score-Test und Wald-Test
- 4.2 Der Union-Intersection-Test und simultane Kofidenzintervalle
- Kapitel 4. Regressionsanalyse
- 1. Univariate lineare Regression
- 1.1 Modelle der linearen Regressionsanalyse
- 1.2 SchÀtzen im klassischen und allgemeinen linearen Modell
- 1.3 ests, Konfidenzbereiche und ModellĂŒberprĂŒfung
- 1.4 Variablenselektion
- 1.5 Beispiele
- 2. Multivariate lineare Regression
- 2.1 Das Modell
- 2.2 PunktschÀtzung der Parameter
- 2.3 Tests und Konfidenzintervalle
- 2.4 Beispiel
- 2.5 Kanonische Korrelationsanalyse
- 3. Nichtlinare Regression
- 3.1 Modellgleichung, Kleinst-Quadrat-SchÀtzung
- 3.2 Die GauĂ-Newton-Methode zur numerischen Berechnung der KQ-SchĂ€tzer
- 3.3 Asymptotische Eigenschaften der KQ-SchÀtzer
- 3.4 Test und Konfidenzbereiche
- 3.5 Beispiel
- 4. Nichtparametrische Regression
- 4.1 Nichtparametrische Einfachregression: Scatterplot-Smoother
- 4.2 Nichtparametrische Mehrfachregression
- Kapitel 5. Varianz- und Kovarianzanalyse
- 1. Univariate Varianzanalyse mit festen Effekten
- 1.1 Einfaktorielle VersuchsplÀne
- 1.2 Zweifaktorielle VersuchsplÀne
- 2. Kovarianzanalyse
- 2.1 Allgemeine zweistufige Vorgehensweise
- 3.VersuchsplĂ€ne mit zufĂ€lligen Effekten, genestete Designs und MeĂwiederholungsplĂ€ne
- 3.1 Grundbegriffe und Kennzeichnung des Designs
- 3.2 Einige Modelle
- 3.2.1 Modell mit einem Wiederholungsfaktor (zufÀlliger Blockplan)
- 3.2.2 Modell mit zwei Wiederholungsfaktoren
- 3.2.3 Modell mit Gruppen- und Wiederholungsfaktoren
- 3.3 Allgemeine Form der Gemischten Modelle
- 3.3.1 SpezialfÀlle
- 3.3.2 SchÀtzung des Modells
- 4. Multivariate Varianzanalyse mit festen Effekten
- 4.1 Einfaktorielle VersuchsplÀne
- 4.2 Zweifaktorielle VersuchsplÀne
- Kapitel 6. Kategoriale und generalisierte lineare Regression
- 1. Univariate generalisierte lineare Modelle
- 1.1 Beispiele und Daten
- 1.2 Definition generalisierter linearer Modelle
- 1.3 Modelle fĂŒr stetige Zielvariablen
- 1.4 Modelle fĂŒr binĂ€re und binomiale Zielvariablen
- 1.5 Modelle fĂŒr ZĂ€hldaten
- 2. Statistische Inferenz in univariaten generalisierten linearen Modellen
- 2.1 Maximum-Likelihood-SchÀtzung
- 2.2 Hypothesentests und âGoodness of fitâ
- 3. Mehrkategoriale Regressionsmodelle
- 3.1. Daten und Beispiele
- 3.2. Das mehrkategoriale Logit-Modell als multivariates verallgemeinertes lineares Modell
- 3.3 Modelle fĂŒr geordnete Responsekategorien
- 3.4 SchÀtzen und Testen in multivariaten generalisierten linearen Modellen
- 3.5 Anpassungstests und Residualanalyse
- 4. Parametrische Erweiterungen
- 4.1 Quasi-Likelihood-Modelle und generalisierte SchÀtzgleichungen
- 5. Regressionsmodelle fĂŒr multivariate korrelierte Zielvariablen
- 5.1 Generalisierte additive Modelle
- 5.2 KernschÀtzung zur geglÀtteten Regression bei diskreter abhÀngiger Variable
- Kapitel 7. Regressionsmodelle zur Analyse von Verweildauern
- 1. Grundlegende Begriffe und Modelle
- 1.1 Zensierte Daten
- 1.2 Survivalfunktion und Hazardrate
- 1.3 Zwei Modellklassen
- 2. SchÀtzverfahren
- 2.1 Die Sterbetafel-Methode
- 2.2 Nichtparametrische SchÀtzung der Survivalfunktion (Kaplan-Meier-SchÀtzer)
- 2.3 Maximum-Likelihood-SchÀtzung in Transformationsmodellen (bei bekannter Fehlerverteilung)
- 2.4 Kleinst-Quadrate-SchÀtzung in Transformationsmodellen
- 2.5 Maximum-Partial-Likelihood-SchĂ€tzung fĂŒr das Proportional-Hazard-Modell
- 3. Einbeziehung von zeitabhÀngigen Kovariablen
- 4. Tests fĂŒr Regressionsparameter und ĂberprĂŒfung der ProportionalitĂ€tsannahme
- 4.1 Test fĂŒr Regressionskoeffizienten und Modellteile
- 5. Einbeziehung unbeobachteter PopulationsheterogenitÀt
- 5.1. Beispiele zur unbeobachteten HeterogenitÀt
- 5.2. Modelle und ParameterschÀtzung bei gegebener Verteilung der HeterogenitÀtskomponente
- 5.3 Simultane SchÀtzung der strukturellen Modellparameter und der Verteilung der HeterogenitÀtskomponente
- 5.4 Vergleich verschiedener SchÀtzverfahren bei Fehlspezifikation, insbesondere bei unbeobachteter HeterogenitÀt
- 6. Kurze Ăbersicht ĂŒber weitere Verfahren und Probleme der Verweildaueranalyse
- 6.1 âCompeting Risksâ und Mehr-Zustands-Modelle
- 6.2 Multivariate Ereignisanalyse
- 6.3 Zeitdiskrete Modelle fĂŒr Verweildauern
- Kapitel 8. Diskriminanzanalyse
- 1. Der allgemeine entscheidungstheoretische Ansatz
- 1.1 Problemstellung, Entscheidungsregeln und Fehler
- 1.2 GeschÀtzte Entscheidungsregeln und Fehlerraten
- 2. Klassische Diskriminanzanalyse: Normalverteilte Merkmale und Fisher-Ansatz
- 2.1 Diskriminanzfunktionen bei bekannten Normalverteilungen in den Klassen
- 2.2 Lineare Diskriminanzanalyse bei unbekannten Parametern
- 2.3 Bewertung von Entscheidungsregeln und Variablenselektion
- 2.4 Beispiele
- 3. Diskriminanzanalyse mit kategorialen Variablen
- 3.1 Das volle multinomiale Modell
- 3.2 UnabhÀngige binÀre Variablen
- 3.3 Parametrisierung in Modellfamilien
- 3.4 DichteschÀtzer
- 3.5 Variablenselektion
- 3.6 Beispiele
- 4. Diskriminanzanalyse mit gemischten Variablen
- 4.1 Das Lokalisationsmodell
- 4.2 Das logistische Modell
- 5. Verteilungsfreie Verfahren
- 5.1. DichteschÀtzung mit Kernfunktionen
- 5.2. NĂ€chste-Nachbarn-Zuordnungsregeln
- 5.3. Kleinstquadratapproximation von Bayes-Klassifikatoren durch verallgemeinerte lineare Diskriminanzfunktionen
- 5.4 KlassifikationsbÀume
- Kapitel 9. Clusteranalyse
- 1. Einleitung
- 2.Ăhnlichkeits- und DistanzmaĂe
- 2.1 Definitionen
- 2.2 Transformationen von Ăhnlichkeiten in Distanzen und umgekehrt
- 2.3 Spezielle Ăhnlichkeits- und DistanzmaĂe
- 3. Hierarchische Klassifikationsverfahren
- 3.1 GrundzĂŒge und Anwendungsbeispiele
- 3.2 Formale Beschreibung einer Hierarchie
- 3.3 Agglomerative Verfahren
- 3.4 Divisive Verfahren
- 4. Optimale Partitionen
- 4.1 Problemstellung
- 4.2 Zur Wahl des GĂŒtekriteriums
- 4.3 Bestimmung lokal optimaler Partitionen
- 4.4 Bestimmung der Klassenanzahl
- 4.5 GĂŒtekriterien bei quantitativen Merkmalen
- 4.6 GĂŒtekriterien bei Ăhnlichkeits- und DistanzmaĂen
- 5. Mischverteilungsverfahren
- 5.1 Das Modell
- 5.2 Identifizierbarkeit
- 5.3 Maximum-Likelihood-SchÀtzung der Parameter
- 5.4 Andere SchÀtzverfahren
- 5.5 Normalverteilte Komponenten
- 5.6 BinÀre Variablen: Latent Class Analysis
- 5.7 Zur Bestimmung der Klassenzahl
- 5.8 Verwandte Modelle
- 6. Stochastische Partitionsverfahren
- 6.1 Maximum-Likelihood-Ansatz
- 6.2 Normalverteilte Klassen
- 6.3 Bestimmung der Klassenzahl
- 6.4 Ein modifizierter ML-Ansatz
- 6.5 Bayes-AnsÀtze
- 6.6 Verwandte Modelle
- 7. Verteilungsfreie Verfahren
- 7.1 Gradientenverfahren
- 7.2 Ein sequentielles âQuick and DirtyâVerfahren
- 7.3 Das Verfahren von Wishart und Cluster hoher Dichte
- 8. Einige abschlieĂende Bemerkungen
- Kapitel 10. Zusammenhangsanalysen in mehrdimensionalen Kontingenztabellen - das loglineare Modell
- 1. Zweidimensionale Modelle
- 1.1 Formen der Datenerhebung
- 1.2 Das loglineare Modell
- 1.3 Analogie zur Varianzanalyse und Modellparameter
- 2. Drei- und höherdimensionale Modelle
- 2.1 Zusammenhangsstrukturen in dreidimensionalen Modellen
- 2.2 Die Parameter des loglinearen Modells
- 2.3 Erhebungsschemata in dreidimensionalen Modellen
- 2.4 Vier- und höherdimensionale Tafeln
- 2.5 Graphische Modelle und Interpretierbarkeit höherdimensionaler Modelle
- 2.6 Die Grundstruktur aller Modelle - loglineare Modelle als SpezialfÀlle verallgemeinerter linearer Modelle
- 2.7 Aggregierbarkeit von Kontingenztafeln
- 3. ParameterschÀtzung und Modellanpassung
- 3.1 Maximum-Likelihood-SchÀtzung
- 3.2 Anpassungs-Tests
- 3.3 Konditionale Teststatistiken
- 3.4 Parametertests
- 4. Modellwahl
- 4.1 Schrittweise Auswahl bei vorgegebener Modellhierarchie
- 4.2 Eifektwahl nach Brown
- 4.3 Simultane Tests der Ordnung k
- 4.4 Modellspezifizierung ĂŒber die standardisierten Parameter des saturierten Modells
- 4.5 Schrittweise Testprozeduren nach Goodman
- 4.6 Simultane Testprozeduren nach Aitkin
- 4.7 Modellwahl nach Edwards Havranek
- 5. Logit-Modelle
- 5.1 Loglineare Modelle und Logit-Modelle
- 5.2 Darstellung als Regressionsmodelle
- 5.3 Interpretation der Parameter und Analogie zur Varianzanalyse
- 5.4 SchÀtzung der Parameter
- 6. UnvollstÀndige Kontingenztafeln
- 6.1 Zweidimensionale unvollstÀndige Kontingenztafeln
- 6.2 Drei- und höherdimensionale unvollstÀndige Tafeln
- 7. Spezielle, quadratische zweidimensionale Kontingenztabellen: Symmetrie, Quasi-Symmetrie und marginale HomogenitÀt
- 7.1 Symmetrie
- 7.2 Quasi-Symmetrie
- 7.3 Marginale HomogenitÀt
- Kapitel 11. Modelle mit latenten Variablen: Faktorenanalyse, Latent-Structure-Analyse und LISREL-Analyse
- 1. Das faktorenanalytische Modell
- 1.1 Modell, Grundgleichung und SchÀtzaufgabe
- 1.2 Eindeutigkeit der Parameter (Identifizierbarkeit)
- 2. ML-Faktorenanalyse
- 2.1 ML-SchĂ€tzung fĂŒr L und V
- 2.2 Test des Modells, Bestimmung von k
- 2.3 Verteilung der ML-SchÀtzer, Vertrauensintervalle
- 2.4 ErgÀnzungen
- 2.5 Beispiel
- 3. Hauptkomponentenanalyse
- 3.1 Hauptachsentransformation
- 3.2 Hauptkomponentenmethode
- 3.3 Hauptfaktorenanalyse
- 3.4 Beispiel
- 4. Faktorentransformation und Interpretation
- 4.1 Faktorentransformation
- 4.2 Interpretation der rotierten Faktoren
- 4.3 Beispiele
- 4.4 Identifikation einfluĂreicher Beobachtungen
- 5. SchÀtzung der Faktorenwerte
- 5.1 ML-Prinzip und KQ-Methode (Bartlett 1937, 1938)
- 5.2 Regressionsmethode (Thomson 1951)
- 5.3 Berechnung der Faktorenwerte nach einer Hauptkomponentenanalyse
- 5.4 Beispiel
- 6. Ăberblick ĂŒber weitere Verfahren
- 6.1 Rangreduktion und Zentroidmethode (Thurstone 1947)
- 6.2 Multiple Group-Methode
- 6.3 Minres-Verfahren
- 6.4 Image-Analyse
- 6.5 Kanonische Faktorenanalyse
- 6.6 a-Faktorenanalyse
- 6.7 Maximum-Determinanten-Lösung
- 6.8 Direkte Dreieckszerlegung im gestuften Faktorenmodell
- 6.9 Konfirmative Faktorenanalyse
- 6.10 Strukturanalyse von Kovarianzmatrizen
- 7. Latent Structure-Analyse
- 7.1 Das allgemeine Modell
- 7.2 Latent Class-Analyse
- 7.3 Latent Profile-Analyse
- 7.4 Dichotome und ordinale Faktorenanalyse
- 7.5 Die normale Faktorenanalyse als Modell der Latent Structure-Analyse
- 8. LISREL-Analyse :
- 8.1 Das LISREL-Modell
- 8.2 Grundgleichung und Modellparameter
- 8.3 Eindeutigkeit der Parameter (Identifizierbarkeit)
- 8.4 SchÀtzung der Modellparameter
- 8.5 SchÀtzqualitÀten
- 8.6 Berechnung von SchÀtzwerten
- 8.7 Beurteilung der SchÀtzer
- 8.8 AnpassungsgĂŒte eines Modells
- 8.9 Modifikationsindizes
- 8.10 Hypothesentests
- Kapitel 12. Grundlagen der mehrdimensionalen Skalierung
- 1. Ziele und Konzeption mehrdimensionaler Skalierungsverfahren
- 2. MeĂtheoretische Aspekte der mehrdimensionalen Skalierung
- 3. Methoden zur Erhebung von Ăhnlichkeitsdaten
- 4. Metrische MDS
- 4.1 Distanzmodell
- 4.2 Klassische metrische Skalierung
- 4.3 Kleinste-Quadrate-AnsÀtze zur MDS
- 5. Nichtmetrisches MDS
- 6. Hinweise auf weitere MDS-Verfahren
- Anhang A. Grundbegriffe der Matrix-Algebra
- A.1 Matrizen und Vektoren
- A.2 MatrizenverknĂŒpfungen
- A.3 Elementare Rechenregeln fĂŒr Matrizen
- A.4 Determinanten
- A.5 Matrixinversion
- A.6 Partitionierte Matrizen
- A.7 Lineare AbhÀngigkeit von Vektoren und Rang einer Matrix
- A.8 Lineare Gleichungssysteme
- A.9 Spur einer quadratischen Matrix
- A.10 Eigenwerte und Eigenvektoren
- A.11 Diagonalisierung symmetrischer Matrizen
- A.12 Quadratische Formen und Hauptachsenrotation
- A.13 Vektor- und Matrixdifferentiation (symbolische Differentiation)
- A.14 Extrema ohne Nebenbedingungen
- Anhang B
- Tabellen
- Literatur
- Wichtige Programmpakete und Programmierumgebungen
Zitierstile fĂŒr Multivariate statistische Verfahren
APA 6 Citation
[author missing]. (2015). Multivariate statistische Verfahren (2nd ed.). De Gruyter. Retrieved from https://www.perlego.com/book/1155851/multivariate-statistische-verfahren-pdf (Original work published 2015)
Chicago Citation
[author missing]. (2015) 2015. Multivariate Statistische Verfahren. 2nd ed. De Gruyter. https://www.perlego.com/book/1155851/multivariate-statistische-verfahren-pdf.
Harvard Citation
[author missing] (2015) Multivariate statistische Verfahren. 2nd edn. De Gruyter. Available at: https://www.perlego.com/book/1155851/multivariate-statistische-verfahren-pdf (Accessed: 14 October 2022).
MLA 7 Citation
[author missing]. Multivariate Statistische Verfahren. 2nd ed. De Gruyter, 2015. Web. 14 Oct. 2022.