P. Mitter

Methoden zur Analyse von Zeitverläufen

Anwendungen stochastischer Prozesse bei der Untersuchung von Ereignisdaten
Mitarbeit:Diekmann, A.

• Broschiertes Buch

Produktbeschreibung

Aus dem Inhalt: Datenanalyse mit stochastischen Modellen / Soziale Karrieren / Grundlegende Konzepte stochastischer Modelle / Nichtparametrische Verfahren / Semiparametrische Verfahren (Cox-Regression) / Parametrische Verfahren / Beispiele und Analysen mit dem Programm RATE

Produktdetails

• Teubner Studienskripten zur Soziologie 122
• Verlag: Vieweg+Teubner / Vieweg+Teubner Verlag
• Artikelnr. des Verlages: 978-3-519-00122-5
• 1984
• Seitenzahl: 212
• Erscheinungstermin: 1. Dezember 1983
• Deutsch
• Abmessung: 203mm x 127mm x 12mm
• Gewicht: 235g
• ISBN-13: 9783519001225
• ISBN-10: 3519001225
• Artikelnr.: 24979378

Autorenporträt

Dr. Andreas Diekmann ist Professor für Soziologie an der Universität Bern, Schweiz.

Inhaltsangabe

1. Einleitung: Datenanalyse mit stochastischen Modellen.- 1.1. Daten und Modell.- 1.2. Beispiele und Fragestellungen.- 1.3. Datenarten und Datenstruktur.- 1.4. Einige Vorteile der Datenanalyse mit stochastischen Modellen.- 2. Grundlegende Konzepte stochastischer Modelle.- 2.1. Arten stochastischer Prozesse.- 2.2. Das Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 2.3. Mehr-Zustands-Modelle.- 2.4. Maximum-Likelihood-Schätzung der Übergangsrate.- 3. Nicht-parametrische Verfahren.- 3.1. Explorative Datenanalyse.- 3.2. Nicht-parametrische Schätzverfahren bei gruppierten Zeitbereichs-Daten: Life-Table-Schätzer.- 3.3. Nicht-parametrische Schätzverfahren bei Individualdaten mit exakter Ankunftszeit: Product-Limit-Schätzer.- 3.4. Nicht-parametrische Verfahren für den Vergleich von Subgruppen.- 4. Semi-parametrische Verfahren.- 4.1. Das Proportional-Hazards-Modell von COX.- 4.2. Die Partial-Likelihood-Methode von COX.- 4.3. Das geschichtete Cox-Modell und die Überprüfung der Proportionalitätsannahme.- 4.4. Signifikanztests und Stepwise-Regression.- 4.5. Anwendungsbeispiel Arbeitslosigkeit mit dem Programm BMDP.- 5. Parametrische Verfahren.- 5.1. Das log-lineare Basismodell.- 5.2. Parametrische Modelle der Zeitabhängigkeit.- 5.3. Kovariateneffekte und Zeitabhängigkeit.- 5.4. Mehr-Zustands-Modelle.- 6. Ausblick.- 1. Notation und Definition der wichtigsten Terme.- 2. Ableitung der Überlebensfunktion und einiger weiterer Beziehungen beim Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 3. Ableitung der Maximum-Likelihood-Schätzer bei qualitativen Kovariaten.- 4. Die Ableitung der Differentialgleichungen für die Zustandswahrscheinlichkeiten bei Multi-State-Modellen.