eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
This is a test
- 918 pages
- German
- PDF
- Disponible sur iOS et Android
eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
DĂ©tails du livre
Table des matiĂšres
Citations
Foire aux questions
Comment puis-je résilier mon abonnement ?
Il vous suffit de vous rendre dans la section compte dans paramĂštres et de cliquer sur « RĂ©silier lâabonnement ». Câest aussi simple que cela ! Une fois que vous aurez rĂ©siliĂ© votre abonnement, il restera actif pour le reste de la pĂ©riode pour laquelle vous avez payĂ©. DĂ©couvrez-en plus ici.
Puis-je / comment puis-je télécharger des livres ?
Pour le moment, tous nos livres en format ePub adaptĂ©s aux mobiles peuvent ĂȘtre tĂ©lĂ©chargĂ©s via lâapplication. La plupart de nos PDF sont Ă©galement disponibles en tĂ©lĂ©chargement et les autres seront tĂ©lĂ©chargeables trĂšs prochainement. DĂ©couvrez-en plus ici.
Quelle est la différence entre les formules tarifaires ?
Les deux abonnements vous donnent un accĂšs complet Ă la bibliothĂšque et Ă toutes les fonctionnalitĂ©s de Perlego. Les seules diffĂ©rences sont les tarifs ainsi que la pĂ©riode dâabonnement : avec lâabonnement annuel, vous Ă©conomiserez environ 30 % par rapport Ă 12 mois dâabonnement mensuel.
Quâest-ce que Perlego ?
Nous sommes un service dâabonnement Ă des ouvrages universitaires en ligne, oĂč vous pouvez accĂ©der Ă toute une bibliothĂšque pour un prix infĂ©rieur Ă celui dâun seul livre par mois. Avec plus dâun million de livres sur plus de 1 000 sujets, nous avons ce quâil vous faut ! DĂ©couvrez-en plus ici.
Prenez-vous en charge la synthÚse vocale ?
Recherchez le symbole Ăcouter sur votre prochain livre pour voir si vous pouvez lâĂ©couter. Lâoutil Ăcouter lit le texte Ă haute voix pour vous, en surlignant le passage qui est en cours de lecture. Vous pouvez le mettre sur pause, lâaccĂ©lĂ©rer ou le ralentir. DĂ©couvrez-en plus ici.
Est-ce que Multivariate statistische Verfahren est un PDF/ePUB en ligne ?
Oui, vous pouvez accĂ©der Ă Multivariate statistische Verfahren par Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz en format PDF et/ou ePUB ainsi quâĂ dâautres livres populaires dans Mathematik et Wahrscheinlichkeitsrechnung & Statistiken. Nous disposons de plus dâun million dâouvrages Ă dĂ©couvrir dans notre catalogue.
Informations
Table des matiĂšres
- 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
Normes de citation pour 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.