Andreas Behr, Götz Rohwer

Grundwissen Induktive Statistik (eBook, PDF)

mit Aufgaben, Klausuren und Lösungen

• Format: PDF

Produktbeschreibung

Die Induktive Statistik bietet in der Praxis zahlreiche Anwendungsmöglichkeiten, u. a. Schätzfunktionen, Hypothesentests und Stichproben aus realen Gesamtheiten. Auf kompakte Art und Weise stellt das Buch die Grundkenntnisse der Induktiven Statistik vor: Es vermittelt die relevanten Begriffe, Methoden und Probleme. Zudem zeigt es auf, in welchem Kontext die Induktive Statistik in den Wirtschafts- und Sozialwissenschaften Anwendung findet. Ein Formelteil, Aufgaben mit Lösungen sowie Musterklausuren helfen dabei, das Gelernte schnell zu vertiefen.

Produktdetails

• Verlag: UTB GmbH
• Seitenzahl: 237
• Erscheinungstermin: 15. Januar 2024
• Deutsch
• ISBN-13: 9783838561769
• Artikelnr.: 71186827

Autorenporträt

Prof. Dr. Andreas Behr lehrt Statistik an der Universität Duisburg-Essen.

Inhaltsangabe

Vorwort zur zweiten Auflage Vorwort zur ersten Auflage Inhaltsverzeichnis 1 Artifizielle Zufallsgeneratoren 1.1 Einleitung 1.2 Zufallsvariablen 1.2.1 Ausgangspunkt: Gleichverteilung 1.2.2 Konstruktion beliebiger Verteilungen 1.2.3 Wahrscheinlichkeiten und Häufigkeiten 1.2.4 Charakterisierungen von Verteilungen 1.2.5 Funktionen von Zufallsvariablen 1.2.6 Unendliche Wertebereiche 1.3 Eine Erweiterung 1.3.1 Dichtefunktionen 1.3.2 Eine stetige Gleichverteilung 1.3.3 Charakterisierungen stetiger Verteilungen 1.3.4 Die Normalverteilung 1.3.5 Funktionen stetiger Zufallsvariablen 1.4 Algorithmische Zufallsgeneratoren 1.4.1 Simulation eines Würfels 1.4.2 Die Inversionsmethode 1.5 Aufgaben 1.6 R-Code 2 Schätzen von Verteilungsparametern 2.1 Einleitung 2.2 Unabhängige Wiederholungen 2.2.1 Stichprobenvariablen 2.2.2 Stichprobenfunktionen 2.3 Die Maximum-Likelihood-Methode 2.3.1 Likelihoodfunktionen 2.3.2 Ein einziger Parameter 2.3.3 Mehrere Parameter 2.4 Stetige Zufallsvariablen 2.4.1 Likelihoodfunktionen 2.4.2 Parameter der Normalverteilung 2.5 Annahmen über Verteilungen 2.6 Aufgaben 2.7 R-Code 3 Schätzfunktionen und Konfidenzintervalle 3.1 Einleitung 3.2 Schätzfunktionen 3.2.1 Definition und Beispiele 3.2.2 Erwartungstreue Schätzfunktionen 3.3 Die Binomialverteilung 3.4 Verteilungen von Schätzfunktionen 3.4.1 Die Schätzfunktion für 3.4.2 Die Schätzfunktion für 3.5 Konfidenzintervalle 3.6 Formelanhang 3.7 Aufgaben 3.8 R-Code 4 Testen von Hypothesen 4.1 Einleitung 4.2 Signifikanztests 4.2.1 Einfache Hypothesen 4.2.2 Festlegung des kritischen Bereichs 4.2.3 Fehler erster und zweiter Art 4.2.4 Zusammengesetzte Hypothesen 4.2.5 Signifikanztests und Konfidenzintervalle 4.2.6 Werden Nullhypothesen bestätigt? 4.3 Likelihood-Ratio-Tests 4.3.1 Schematische Darstellung 4.3.2 Ist der Würfel fair? 4.3.3 Bedeutung des Stichprobenumfangs 4.3.4 Zusammengesetzte Hypothesen 4.4 Aufgaben 4.5 R-Code 5 Stichproben aus realen Gesamtheiten 5.1 Einleitung 5.2 Zufallsstichproben 5.2.1 Stichprobendesign und Stichproben 5.2.2 Inklusions- und Ziehungswahrscheinlichkeiten 5.2.3 Einfache Zufallsstichproben 5.3 Schätzfunktionen 5.3.1 Der theoretische Ansatz 5.3.2 Schätzfunktionen für Mittelwerte 5.3.3 Schätzfunktionen für Anteilswerte 5.3.4 Schätzfunktionen für Varianzen 5.3.5 Konfidenzintervalle 5.4 Eine Computersimulation 5.5 Aufgaben 5.6 R-Code 6 Ergänzungen und Probleme 6.1 Einleitung 6.2 Unterschiedliche Stichprobendesigns 6.2.1 Partitionen der Grundgesamtheit 6.2.2 Geschichtete Auswahlverfahren 6.2.3 Mehrstufige Auswahlverfahren 6.3 Stichprobenausfälle 6.3.1 Illustration der Problematik 6.3.2 Konditionierende Variablen 6.4 Designgewichte 6.5 Aufgaben 6.6 R-Code 7 Deskriptive Modelle 7.1 Einleitung 7.2 Anpassen theoretischer Verteilungen 7.2.1 Häufigkeiten von Arztbesuchen 7.2.2 Interpretation des Schätzverfahrens 7.3 Gruppierte Einkommensdaten 7.4 Anpassungstests 7.5 Wie gut muss das Modell passen? 7.6 Aufgaben 7.7 R-Code 8 Probabilistische Regressionsmodelle 8.1 Einleitung 8.2 Eine binäre abhängige Variable 8.2.1 Der theoretische Ansatz 8.2.2 Beispiel: Schulabschluss Abitur 8.2.3 Zustände und Ereignisse 8.2.4 Quantitative Regressorvariablen 8.2.5 Interaktion zwischen Regressorvariablen 8.3 Standardfehler der Parameterschätzungen 8.4 Aufgaben 8.5 R-Code 9 Polytome abhängige Variablen 9.1 Einleitung 9.2 Eine quantitative abhängige Variable 9.2.1 Beispiel: Anzahl Arztbesuche 9.2.2 Parametrisierung der Erwartungswerte 9.3 Eine kategoriale abhängige Variable 9.3.1 Beispiel: Internetnutzung 9.3.2 Ein multinomiales Logitmodell 9.3.3 Vereinfachungen des Modells 9.3.4 Referenzkategorie und Standardfehler 9.3.5 Quantitative Regressorvariablen 9.4 Aufgaben 9.5 R-Code 10 Regression mit Dichtefunktionen 10.1 Einleitung 10.2 Gruppierte Einkommensdaten 10.2.1 Modellspezifikation und ML-Schätzung 10.2.2 Bedingte Erwartungswerte 10.3 Zeitdauern bis zu Ereignissen 10.3.1 Beispiel: Heiratsalter 10.3.2 Ein Modell für Heiratsraten 10.3.3 ML-Schätzung der Parameter 10.3.4 Verknüpfung mit Regressorvariablen 10.4 Aufgaben 10.5 R-Code 11 Regression mit Erwartungswerten 11.1 Einleitung 11.2 Der theoretische Ansatz 11.2.1 Modelle für bedingte Erwartungswerte 11.2.2 Die Methode der kleinsten Quadrate 11.3 Lineare Regressionsmodelle 11.3.1 Schematische Darstellung 11.3.2 Standardfehler 11.3.3 Beispiele 11.4 Nichtlineare Regressionsmodelle 11.5 Wozu dienen Regressionsmodelle? 11.5.1 Voraussagen für Erwartungswerte 11.5.2 Voraussagen für individuelle Werte 11.5.3 Vergleiche unterschiedlicher Modelle 11.6 Aufgaben 11.7 R-Code Formelsammlung Probeklausuren Lösungshinweise Literaturangaben Index

---

Vorwort zur zweiten AuflageVorwort zur ersten AuflageInhaltsverzeichnis1 Artifizielle Zufallsgeneratoren1.1 Einleitung1.2 Zufallsvariablen1.2.1 Ausgangspunkt: Gleichverteilung1.2.2 Konstruktion beliebiger Verteilungen1.2.3 Wahrscheinlichkeiten und Häufigkeiten1.2.4 Charakterisierungen von Verteilungen1.2.5 Funktionen von Zufallsvariablen1.2.6 Unendliche Wertebereiche1.3 Eine Erweiterung1.3.1 Dichtefunktionen1.3.2 Eine stetige Gleichverteilung1.3.3 Charakterisierungen stetiger Verteilungen1.3.4 Die Normalverteilung1.3.5 Funktionen stetiger Zufallsvariablen1.4 Algorithmische Zufallsgeneratoren1.4.1 Simulation eines Würfels1.4.2 Die Inversionsmethode1.5 Aufgaben1.6 R-Code2 Schätzen von Verteilungsparametern2.1 Einleitung2.2 Unabhängige Wiederholungen2.2.1 Stichprobenvariablen2.2.2 Stichprobenfunktionen2.3 Die Maximum-Likelihood-Methode2.3.1 Likelihoodfunktionen2.3.2 Ein einziger Parameter2.3.3 Mehrere Parameter2.4 Stetige Zufallsvariablen2.4.1 Likelihoodfunktionen2.4.2 Parameter der Normalverteilung2.5 Annahmen über Verteilungen2.6 Aufgaben2.7 R-Code3 Schätzfunktionen und Konfidenzintervalle3.1 Einleitung3.2 Schätzfunktionen3.2.1 Definition und Beispiele3.2.2 Erwartungstreue Schätzfunktionen3.3 Die Binomialverteilung3.4 Verteilungen von Schätzfunktionen3.4.1 Die Schätzfunktion für3.4.2 Die Schätzfunktion für3.5 Konfidenzintervalle3.6 Formelanhang3.7 Aufgaben3.8 R-Code4 Testen von Hypothesen4.1 Einleitung4.2 Signifikanztests4.2.1 Einfache Hypothesen4.2.2 Festlegung des kritischen Bereichs4.2.3 Fehler erster und zweiter Art4.2.4 Zusammengesetzte Hypothesen4.2.5 Signifikanztests und Konfidenzintervalle4.2.6 Werden Nullhypothesen bestätigt?4.3 Likelihood-Ratio-Tests4.3.1 Schematische Darstellung4.3.2 Ist der Würfel fair?4.3.3 Bedeutung des Stichprobenumfangs4.3.4 Zusammengesetzte Hypothesen4.4 Aufgaben4.5 R-Code5 Stichproben aus realen Gesamtheiten5.1 Einleitung5.2 Zufallsstichproben5.2.1 Stichprobendesign und Stichproben5.2.2 Inklusions- und Ziehungswahrscheinlichkeiten5.2.3 Einfache Zufallsstichproben5.3 Schätzfunktionen5.3.1 Der theoretische Ansatz5.3.2 Schätzfunktionen für Mittelwerte5.3.3 Schätzfunktionen für Anteilswerte5.3.4 Schätzfunktionen für Varianzen5.3.5 Konfidenzintervalle5.4 Eine Computersimulation5.5 Aufgaben5.6 R-Code6 Ergänzungen und Probleme6.1 Einleitung6.2 Unterschiedliche Stichprobendesigns6.2.1 Partitionen der Grundgesamtheit6.2.2 Geschichtete Auswahlverfahren6.2.3 Mehrstufige Auswahlverfahren6.3 Stichprobenausfälle6.3.1 Illustration der Problematik6.3.2 Konditionierende Variablen6.4 Designgewichte6.5 Aufgaben6.6 R-Code7 Deskriptive Modelle7.1 Einleitung7.2 Anpassen theoretischer Verteilungen7.2.1 Häufigkeiten von Arztbesuchen7.2.2 Interpretation des Schätzverfahrens7.3 Gruppierte Einkommensdaten7.4 Anpassungstests7.5 Wie gut muss das Modell passen?7.6 Aufgaben7.7 R-Code8 Probabilistische Regressionsmodelle8.1 Einleitung8.2 Eine binäre abhängige Variable8.2.1 Der theoretische Ansatz8.2.2 Beispiel: Schulabschluss Abitur8.2.3 Zustände und Ereignisse8.2.4 Quantitative Regressorvariablen8.2.5 Interaktion zwischen Regressorvariablen8.3 Standardfehler der Parameterschätzungen8.4 Aufgaben8.5 R-Code9 Polytome abhängige Variablen9.1 Einleitung9.2 Eine quantitative abhängige Variable9.2.1 Beispiel: Anzahl Arztbesuche9.2.2 Parametrisierung der Erwartungswerte9.3 Eine kategoriale abhängige Variable9.3.1 Beispiel: Internetnutzung9.3.2 Ein multinomiales Logitmodell9.3.3 Vereinfachungen des Modells9.3.4 Referenzkategorie und Standardfehler9.3.5 Quantitative Regressorvariablen9.4 Aufgaben9.5 R-Code10 Regression mit Dichtefunktionen10.1 Einleitung10.2 Gruppierte Einkommensdaten10.2.1 Modellspezifikation und ML-Schätzung10.2.2 Bedingte Erwartungswerte10.3 Zeitdauern bis zu Ereignissen10.3.1 Beispiel: Heiratsalter10.3.2 Ein Modell für Heiratsraten10.3.3 ML-Schätzung der Parameter10.3.4 Verknüpfu

Rezensionen

Aus: ekz-Bibliotheksservice - Dannert - 7/2018
[...] Das kleinformatige Lehrbuch der beiden Universitätsprofessoren wurde für Studierende der Wirtschafts- und Sozialwissenschaften konzipiert. Es kann vor allem vorlesungsbegleitend gut eingesetzt werden. [...]