![Multivariate statistische Verfahren](https://img.perlego.com/book-covers/1155851/9783110816020_300_450.webp)
eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
This is a test
- 918 pagine
- German
- PDF
- Disponibile su iOS e Android
eBook - PDF
Multivariate statistische Verfahren
Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz
Dettagli del libro
Indice dei contenuti
Citazioni
Domande frequenti
Come faccio ad annullare l'abbonamento?
Ă semplicissimo: basta accedere alla sezione Account nelle Impostazioni e cliccare su "Annulla abbonamento". Dopo la cancellazione, l'abbonamento rimarrĂ attivo per il periodo rimanente giĂ pagato. Per maggiori informazioni, clicca qui
Ă possibile scaricare libri? Se sĂŹ, come?
Al momento è possibile scaricare tramite l'app tutti i nostri libri ePub mobile-friendly. Anche la maggior parte dei nostri PDF è scaricabile e stiamo lavorando per rendere disponibile quanto prima il download di tutti gli altri file. Per maggiori informazioni, clicca qui
Che differenza c'è tra i piani?
Entrambi i piani ti danno accesso illimitato alla libreria e a tutte le funzionalitĂ di Perlego. Le uniche differenze sono il prezzo e il periodo di abbonamento: con il piano annuale risparmierai circa il 30% rispetto a 12 rate con quello mensile.
Cos'è Perlego?
Perlego è un servizio di abbonamento a testi accademici, che ti permette di accedere a un'intera libreria online a un prezzo inferiore rispetto a quello che pagheresti per acquistare un singolo libro al mese. Con oltre 1 milione di testi suddivisi in piÚ di 1.000 categorie, troverai sicuramente ciò che fa per te! Per maggiori informazioni, clicca qui.
Perlego supporta la sintesi vocale?
Cerca l'icona Sintesi vocale nel prossimo libro che leggerai per verificare se è possibile riprodurre l'audio. Questo strumento permette di leggere il testo a voce alta, evidenziandolo man mano che la lettura procede. Puoi aumentare o diminuire la velocità della sintesi vocale, oppure sospendere la riproduzione. Per maggiori informazioni, clicca qui.
Multivariate statistische Verfahren è disponibile online in formato PDF/ePub?
SĂŹ, puoi accedere a Multivariate statistische Verfahren di Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz, Ludwig Fahrmeir, Alfred Hamerle, Gerhard Tutz in formato PDF e/o ePub, cosĂŹ come ad altri libri molto apprezzati nelle sezioni relative a Mathematik e Wahrscheinlichkeitsrechnung & Statistiken. Scopri oltre 1 milione di libri disponibili nel nostro catalogo.
Informazioni
Indice dei contenuti
- Vorwort zur zweiten Auflage.
- Vorwort zur ersten Auflage
- Inhalt
- Kapitel 1. EinfĂźhrung
- 1. EinfĂźhrende Beispiele
- 2. Grundlegende Begriffe der MeĂtheorie
- 3. Ăberblick Ăźber 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 Grenzwertsätze
- 3.1 Mehrdimensionale Normalverteilung
- 3.2 Verteilungskonvergenz und Grenzwertsätze
- 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 Schätz- und Testprobleme
- 1. Punktschätzung von Erwartungswerten und Kovarianzmatrizen
- 1.1 Ein-Stichprobenfall
- 1.2 Mehr-Stichprobenfall
- 2. Allgemeine Prinzipien der Parameterschätzung
- 2.1 Likelihood-Funktion und Suffizienz
- 2.2 Einige Eigenschaften von Punktschätzern
- 2.3 Maximum-Likelihood-Schätzung
- 2.4 Einige Verfahren zur Minimierung einer Funktion
- 2.5 Nichtparametrische Dichteschätzung
- 3. Hypothesentests und Vertrauensbereiche fĂźr Erwartungswerte und Kovarianzmatrizen
- 3.1 Test und Vertrauensbereiche fĂźr Erwartungswerte
- 3.2 Tests fĂźr 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 Schätzen im klassischen und allgemeinen linearen Modell
- 1.3 ests, Konfidenzbereiche und ModellĂźberprĂźfung
- 1.4 Variablenselektion
- 1.5 Beispiele
- 2. Multivariate lineare Regression
- 2.1 Das Modell
- 2.2 Punktschätzung der Parameter
- 2.3 Tests und Konfidenzintervalle
- 2.4 Beispiel
- 2.5 Kanonische Korrelationsanalyse
- 3. Nichtlinare Regression
- 3.1 Modellgleichung, Kleinst-Quadrat-Schätzung
- 3.2 Die GauĂ-Newton-Methode zur numerischen Berechnung der KQ-Schätzer
- 3.3 Asymptotische Eigenschaften der KQ-Schätzer
- 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 Versuchspläne
- 1.2 Zweifaktorielle Versuchspläne
- 2. Kovarianzanalyse
- 2.1 Allgemeine zweistufige Vorgehensweise
- 3.Versuchspläne mit zufälligen Effekten, genestete Designs und MeĂwiederholungspläne
- 3.1 Grundbegriffe und Kennzeichnung des Designs
- 3.2 Einige Modelle
- 3.2.1 Modell mit einem Wiederholungsfaktor (zufälliger 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 Spezialfälle
- 3.3.2 Schätzung des Modells
- 4. Multivariate Varianzanalyse mit festen Effekten
- 4.1 Einfaktorielle Versuchspläne
- 4.2 Zweifaktorielle Versuchspläne
- 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 fĂźr stetige Zielvariablen
- 1.4 Modelle fßr binäre und binomiale Zielvariablen
- 1.5 Modelle fßr Zähldaten
- 2. Statistische Inferenz in univariaten generalisierten linearen Modellen
- 2.1 Maximum-Likelihood-Schätzung
- 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 fĂźr geordnete Responsekategorien
- 3.4 Schätzen und Testen in multivariaten generalisierten linearen Modellen
- 3.5 Anpassungstests und Residualanalyse
- 4. Parametrische Erweiterungen
- 4.1 Quasi-Likelihood-Modelle und generalisierte Schätzgleichungen
- 5. Regressionsmodelle fĂźr multivariate korrelierte Zielvariablen
- 5.1 Generalisierte additive Modelle
- 5.2 Kernschätzung zur geglätteten Regression bei diskreter abhängiger 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. Schätzverfahren
- 2.1 Die Sterbetafel-Methode
- 2.2 Nichtparametrische Schätzung der Survivalfunktion (Kaplan-Meier-Schätzer)
- 2.3 Maximum-Likelihood-Schätzung in Transformationsmodellen (bei bekannter Fehlerverteilung)
- 2.4 Kleinst-Quadrate-Schätzung in Transformationsmodellen
- 2.5 Maximum-Partial-Likelihood-Schätzung fßr das Proportional-Hazard-Modell
- 3. Einbeziehung von zeitabhängigen Kovariablen
- 4. Tests fĂźr Regressionsparameter und ĂberprĂźfung der Proportionalitätsannahme
- 4.1 Test fĂźr Regressionskoeffizienten und Modellteile
- 5. Einbeziehung unbeobachteter Populationsheterogenität
- 5.1. Beispiele zur unbeobachteten Heterogenität
- 5.2. Modelle und Parameterschätzung bei gegebener Verteilung der Heterogenitätskomponente
- 5.3 Simultane Schätzung der strukturellen Modellparameter und der Verteilung der Heterogenitätskomponente
- 5.4 Vergleich verschiedener Schätzverfahren bei Fehlspezifikation, insbesondere bei unbeobachteter Heterogenität
- 6. Kurze Ăbersicht Ăźber weitere Verfahren und Probleme der Verweildaueranalyse
- 6.1 âCompeting Risksâ und Mehr-Zustands-Modelle
- 6.2 Multivariate Ereignisanalyse
- 6.3 Zeitdiskrete Modelle fĂźr Verweildauern
- Kapitel 8. Diskriminanzanalyse
- 1. Der allgemeine entscheidungstheoretische Ansatz
- 1.1 Problemstellung, Entscheidungsregeln und Fehler
- 1.2 Geschätzte 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 Unabhängige binäre Variablen
- 3.3 Parametrisierung in Modellfamilien
- 3.4 Dichteschätzer
- 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. Dichteschätzung mit Kernfunktionen
- 5.2. Nächste-Nachbarn-Zuordnungsregeln
- 5.3. Kleinstquadratapproximation von Bayes-Klassifikatoren durch verallgemeinerte lineare Diskriminanzfunktionen
- 5.4 Klassifikationsbäume
- 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 GrundzĂźge 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 GĂźtekriteriums
- 4.3 Bestimmung lokal optimaler Partitionen
- 4.4 Bestimmung der Klassenanzahl
- 4.5 GĂźtekriterien bei quantitativen Merkmalen
- 4.6 GĂźtekriterien bei Ăhnlichkeits- und DistanzmaĂen
- 5. Mischverteilungsverfahren
- 5.1 Das Modell
- 5.2 Identifizierbarkeit
- 5.3 Maximum-Likelihood-Schätzung der Parameter
- 5.4 Andere Schätzverfahren
- 5.5 Normalverteilte Komponenten
- 5.6 Binäre 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-Ansätze
- 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 hĂśherdimensionale Modelle
- 2.1 Zusammenhangsstrukturen in dreidimensionalen Modellen
- 2.2 Die Parameter des loglinearen Modells
- 2.3 Erhebungsschemata in dreidimensionalen Modellen
- 2.4 Vier- und hĂśherdimensionale Tafeln
- 2.5 Graphische Modelle und Interpretierbarkeit hĂśherdimensionaler Modelle
- 2.6 Die Grundstruktur aller Modelle - loglineare Modelle als Spezialfälle verallgemeinerter linearer Modelle
- 2.7 Aggregierbarkeit von Kontingenztafeln
- 3. Parameterschätzung und Modellanpassung
- 3.1 Maximum-Likelihood-Schätzung
- 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 Ăźber 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 Schätzung der Parameter
- 6. Unvollständige Kontingenztafeln
- 6.1 Zweidimensionale unvollständige Kontingenztafeln
- 6.2 Drei- und hÜherdimensionale unvollständige Tafeln
- 7. Spezielle, quadratische zweidimensionale Kontingenztabellen: Symmetrie, Quasi-Symmetrie und marginale Homogenität
- 7.1 Symmetrie
- 7.2 Quasi-Symmetrie
- 7.3 Marginale Homogenität
- Kapitel 11. Modelle mit latenten Variablen: Faktorenanalyse, Latent-Structure-Analyse und LISREL-Analyse
- 1. Das faktorenanalytische Modell
- 1.1 Modell, Grundgleichung und Schätzaufgabe
- 1.2 Eindeutigkeit der Parameter (Identifizierbarkeit)
- 2. ML-Faktorenanalyse
- 2.1 ML-Schätzung fßr L und V
- 2.2 Test des Modells, Bestimmung von k
- 2.3 Verteilung der ML-Schätzer, Vertrauensintervalle
- 2.4 Ergänzungen
- 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. Schätzung 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 Ăźber 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-LĂśsung
- 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 Schätzung der Modellparameter
- 8.5 Schätzqualitäten
- 8.6 Berechnung von Schätzwerten
- 8.7 Beurteilung der Schätzer
- 8.8 AnpassungsgĂźte 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-Ansätze zur MDS
- 5. Nichtmetrisches MDS
- 6. Hinweise auf weitere MDS-Verfahren
- Anhang A. Grundbegriffe der Matrix-Algebra
- A.1 Matrizen und Vektoren
- A.2 MatrizenverknĂźpfungen
- A.3 Elementare Rechenregeln fĂźr Matrizen
- A.4 Determinanten
- A.5 Matrixinversion
- A.6 Partitionierte Matrizen
- A.7 Lineare Abhängigkeit 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
Stili delle citazioni per 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.