Sie sind auf Seite 1von 22

M2

Tutorium
Wintersemester 2020/21
8. Sitzung
Bitte Formelsammlung +
Taschenrechner bereit legen
Eigenschaften metrischer Variablen

1.  Unterschiedlichkeit
2.  Rangfolgen (größer-kleiner-Relationen)
3.  Gleichheit von Abständen/ Differenzen (=Äquidistanz)
4.  (Natürlicher Nullpunkt: bei Ratioskala)
Wiederholung: per-fiat-Regel / quasi-metrisches Skalenniveau

„per fiat“-Kriterien für metrisches Messniveau in der Praxis:

1.  Ausreichende Anzahl von Kategorien: mind. 5


2.  Eindeutige Ordnung der Kategorien: Rangfolge
3.  Intervalle in etwa gleich breit: z.B. Likert-Skala von 1 – 10
4.  Kategorien können als vergröberte Messpunkte einer dahinter stehenden
kontinuierlichen Größe interpretiert werden

●  Sind diese 4 Punkte ALLE erfüllt, kann eine Variable, die eigentlich ordinal
gemessen wurde, als metrisch interpretiert und genutzt werden
Symmetrisches Assoziationsmaß für 2 metrische Variablen

Kovarianz : berechnet sich aus Kovariation, normiert durch Fallzahl


Eigenschaften Kovarianz
●  Invariant bei Verschiebung der gesamten Punktewolke
●  Nicht invariant bei Maßstabsveränderungen

�  Achtung: Die Höhe der Kovarianz (-∞/+∞) lässt sich nicht interpretieren!
�  Wir benötigen sie jedoch für die Berechnung des Pearson-
Korrelationskoeffizienten (= Pearsons Produkt-Moment-Korrelation) rxy
�  rxy = standardisiert + invariant bei Maßstabsveränderungen
rxy
●  symmetrisch
●  Wertebereich: [-1 ; 1]
○  Richtung + Stärke
●  Korreliert mit sich selbst immer zu 1
●  Unabhängig der Fallzahl (siehe Formel) V1 V2

V1 1.000 0.493

V2 0.493 1.000

Faustregel:
Kleine Korrelation: ab 0.10
Mittel: ab 0.30
Hoch: ab 0.50
Berechnung von rxy

Kovarianz geteilt durch das Produkt der jeweiligen Standardabweichungen


von X und Y

●  Besonderheit: standardisiertes Regressionsgewicht b1* = rxy (bei bivariater


Regression)
Korrelation rxy bei z-standardisierten Variablen
●  Korrelation zweier z-standardisierter Variablen entspricht deren Kovarianz!
Hier muss nichts extra berechnet werden!
Grenzen der Korrelation
●  Korrelation entspricht KEINER Kausalität!
●  NUR für lineare Zusammenhänge à in Praxis: Streudiagramm vorher
ausgeben lassen!
●  KEINE Vorhersage konkreter Y-Werte auf Basis von X, weil symmetrisches
Maß
Aufgabenstellung durch Christoph Korb
Aufgabenstellung durch Christoph Korb
Kovarianz?
Pearson‘s Produkt-Moment-Korrelation?
Aufgabenstellung durch Christoph Korb
Gegeben sei:

X̅ = 6,17
Ȳ = 75,83

SAQX = 125,201
SAQY = 2071,301
Aufgabenstellung durch Christoph Korb

SAPXY = 407,559
Kovarianz?
Pearson‘s Produkt-Moment-Korrelation?
Aufgabenstellung durch Christoph Korb
Asymmetrisches Assoziationsmaß für 2 metrische Variablen

Lineare Regression(sanalyse):

●  Prognose eines Wertes der AV aufgrund eines anderen Wertes der UV


●  Einfluss metrische UV à andere metrische AV
●  Funktionsgerade finden, die eine Punktewolke am besten beschreibt
Lineare Regression
●  Zwei Gleichungen:

1.  Ŷ= b0 + b1 * X

●  Sogenannte Schätzgleichung ohne Fehler bzw. Regressionsgerade

2.  Y= b0 + b1 * X + E

●  Allgemeine Gleichung bzw. stochastische Regressionsgleichung mit Fehler


à damit können wir nichts berechnen!
à Linearer, positiver
Zusammenhang!