weiterfu ̈ hrende statistische methoden fu ̈ r politikwissenschaftler georg wenzelburger /...

Weiterfuhrende statistischeMethoden furPolitikwissenschaftlerGeorg Wenzelburger / Sebastian Jäckle / Pascal KönigISBN: 978-3-486-75163-5

Abbildungsubersicht / List of Figures

Tabellenubersicht / List of Tables

Weiterfuhrende statistische Methoden fur Politikwissenschaftler, Georg Wenzelburger / Sebastian Jäckle / Pascal König

Abb. 2.1: Streudiagramm uber euimage und eubenefit

Output 2.1: Korrelationsmatrix

Abb. 2.2: Scatterplotmatrix

Abb. 2.3: Bivariate Regression von euimage auf eucapable

Output 2.2: Bivariate Regression

Output 2.3: Bivariate Regression mit standardisierten Koeffizienten

Output 2.4: Multiple Regression

Output 2.5: Multiple Regression mit standardisierten Koeffizienten (Ausschnitt)

Abb. 2.4: Standardnormalverteilung und 95% Konfidenzintervall

Abb. 2.5: Standardnormalverteilung und 95 % Konfidenzintervall

Tab. 2.1: Diagnose und Handhabung von Problemen bei Regressionsmodellen

Abb. 2.6: Streudiagramm der Residuen fur eubenefit

Output 2.6: Breusch-Pagan-/Cook-Weisberg Test

Output 2.7: Multikollinearität und Varianz-Inflationsfaktor

Output 2.8: Test auf Normalverteilung der Residuen

Abb. 2.7: Geglättete Kurve der Residuenverteilung

Output 2.9: Studentisierte Residuen

Output 2.10: DFFITS-Werte

Abb. 3.1: Kausalstrukturen direkter und interaktiver Zusammenhänge

Abb. 3.2: Interaktionseffekte grafisch

Output 3.1: Regression mit Interaktion bei dichotomer Z-Variable

Tab. 3.1: Interaktionseffekt und vorhergesagte Werte

Abb. 3.3: Empirischer Interaktionseffekt bei dichotomer Z-Variable

Abb. 3.4: Interaktionseffekte bei dichotomer Z-Variable mit Stata

Output 3.2: Schätzung von Punktschätzern und Konfidenzintervallen mit lincom

Tab. 3.2: Interaktionen mit dichotomer Z-Variable: Konfidenzintervalle (KI) (95 %-Niveau)

Abb. 3.5: Grafische Darstellung Interaktionseffekt und KI

Output 3.3: Regression mit Interaktion bei intervallskalierter Z-Variable

Abb. 3.6: Interaktion mit metrischer Z-Variable, vorhergesagte Werte

Abb. 3.7: Interaktion mit metrischer Z-Variable, Marginaleffekte

Abb. 4.1: Kausalstruktur dichotome abhängige Variable

Abb. 4.2: Scatter- und Residualplot dichotome abhängige Variable

Abb. 4.3: Mittelwertunterschiede und Streuungen beim Zwei-Gruppen-Vergleich

Abb. 4.4: Logit-Funktion

Tab. 4.1: Wahrscheinlichkeiten, Odds und Logits

Tab. 4.2: Interpretation der Koeffizienten und der Odds-Ratio

Tab. 4.3: Deskriptive Statistik

Output 4.1: Kreuztabelle

Output 4.2: Mann-Whitney-U-Test

Output 4.3: Test auf Varianzgleichheit in den Gruppen und t-Test

Output 4.4: Dummies fur nichtmetrische Variablen

Output 4.5: Logistische Regressionsanalyse

Output 4.6: Fitmaße nach logistischer Regression

Output 4.7: Klassifikationsmatrix

Output 4.8: Logistische Regression mit Odds Ratios

Output 4.9: Regression mit Odds Ratios durch den Befehl listcoef, reverse

Output 4.10: Logistische Regression mit Odds Ratios durch den Befehl listcoef als Prozente

Abb. 4.5: Histogramm der vorhergesagten Wahrscheinlichkeiten

Output 4.11: Vorhergesagte Werte mit prvalue

Abb. 4.6: Vorhergesagte Wahrscheinlichkeiten grafisch

Output 4.12: Vorhergesagte Wahrscheinlichkeiten mit prchange

Output 4.13: Vorhergesagte Werte mit prtab

Abb. 4.7: Vorhergesagte Wahrscheinlichkeiten mit prgen

Output 4.14: Signifikanz der Koeffizienten im Standard-Logit-Befehl (Wald-Test)

Output 4.15: Likelihood-Ratio-Test auf Signifikanz einer Variable

Output 4.16: Likelihood-Ratio-Tests mit lrdrop1

Output 4.17: Linearitäts-Test mit linktest

Abb. 4.8: Lowess Smoother fur Schichteinstufung

Abb. 4.9: Cook’s Distanzen

Abb. 5.1a–f: Zusammenhänge zwischen Mikro- und Makro-Ebene

Abb. 5.2: Veranschaulichung der Nachteile der Aggregationsstrategie

Abb. 5.3: Aufteilung der Gesamtvarianz und IKK

Output 5.1: Mehrebenen-Nullmodell

Tab. 5.1: Chi-Quadrat-Verteilung

Output 5.2: Liste der Länderresiduen

Abb. 5.4: Level-2-Residuen in Caterpillar-Plot

Abb. 5.5: Notwendige Stichprobengröße um mit einem Zwei-Ebenen-Design dieselbe Präzision zu erzielen wie mit

einer einfachen Zufallsstichprobe der Größe NEZ = 100 in Abhängigkeit von Gruppengröße n und

Intraklassenkorrelationskoeffizient IKK

Output 5.3: Random-Intercept-Modell

Abb. 5.6a–b: Random-Intercept-Modell und Random-Slope-Modell

Output 5.4: Random-Slope-Modell

Abb. 5.7: Fanning out (linke vier Grafiken) und fanning in (rechte vier Grafiken)

Abb. 5.8: Random-Slope-Plot fur die Variable Alter

Output 5.5: Random-Slope-Modell mit Level-2-Effekt

Output 5.6: Random-Slope-Modell mit Cross-Level-Interaktion

Tab. 5.2: Prognosewerte bei Cross-Level-Interaktion (Basis: Output 5.6)

Abb. 5.9: Cross-Level-Interaktion zwischen Alter und Sitzanteil Gruner Parteien

Output 5.7: AIC und BIC fur den Test des Random-Slope-Modells im Vergleich zum Random-Intercept-Modell

Tab. 5.3: Interpretation von AIC- und BIC-Differenzen

Abb. 6.1: Datenstruktur

Abb. 6.2: Bivariate Regressionen in einzelnen Ländern; gepoolte Regressionsanalyse

Abb. 6.3: Bivariate Regressionsschätzungen im Querschnitt fur einzelne Jahre

Abb. 6.4: Unit-Heterogenität und gepoolte OLS

Abb. 6.5: Autokorrelation und Nicht-Stationarität

Output 6.1: Angabe der gepoolten Datenstruktur

Output 6.2: xtsum und Varianzzerlegung

Abb. 6.6: Multiples Liniendiagramm der AV

Output 6.3: Nicht-Stationarität

Output 6.4: Levin-Lin-Chu-Test und Im-Pesaran-Shin-Test auf Nicht-Stationarität

Output 6.5: Pooled OLS ohne Kontrolle fur Autokorrelation

Abb. 6.7: Residuenplot fur Pooled OLS ohne Kontrolle fur Autokorrelation

Output 6.6: Autoregression der Residuen

Output 6.7: Wooldridge-Test auf serielle Autokorrelation

Output 6.8: Autokorrelation der Residuen uber mehrere Lags

Output 6.9: Volles ADL-Modell und F-Tests auf den Einfluss gelagter Variablen

Output 6.10: Reduziertes ADL-Modell

Abb. 6.8: Residuenplot auf Basis des reduzierten ADL-Modells

Output 6.11: Schätzung mit LDV (nur Koeffizientenblock)

Output 6.12: Prais-Winsten-Schätzung (Pooled OLS mit AR1)

Output 6.13: Schätzung mit ersten Differenzen der abhängigen Variablen

Tab. 6.1: Unterschiedliche dynamische Modellierungen bei serieller Autokorrelation

Tab. 6.2: Unterschiedliche dynamische Modellierungen bei serieller Autokorrelation

Output 6.14: Tests auf Fixed Effects

Abb. 6.9: Residualplot fur das ADL-Modell (ohne FE) ohne Italien

Output 6.15: Test auf (Panel-) Heteroskedastizität

Output 6.16: ADL-Modell mit Kontrolle fur Heteroskedastizität

Output 6.17: Test auf contemporaneous correlation

Abb. 7.1: Typen von Survival-Modellen

Abb. 7.2: Zensierungsarten

Output 7.1: Ausschnitte aus Sterbetafel mit empirischen Überlebensraten unterteilt nach Ost- und Westdeutschland

Abb. 7.3: Empirische Überlebensfunktion (links) und kumulierte Wahrscheinlichkeitsdichtefunktion (rechts) aus Sterbetafel

Abb. 7.4: Effekt zensierter Fälle auf Kaplan-Meier-Überlebensfunktion

Output 7.2: Ausschnitte aus Kaplan-Meier-Schätzung mit empirischen Überlebensraten unterteilt nach Ost- und

Westdeutschland

Output 7.3: stset

Abb. 7.5: Kaplan-Meier-Überlebensfunktion

Output 7.4: Log-Rank-Test

Output 7.5: Rein Exponentielles Modell ohne UV

Abb. 7.6: Vergleich von negativ exponentieller und empirischer Überlebensfunktion

Output 7.6: Exponentielles Modell mit UV

Abb. 7.7: Hazard-Raten fur Weibull, Gompertz und log-logistisches Modell bei unterschiedlichen Shape-Parametern a; (b = 1)

Abb. 7.8: Vergleich von stufenweise exponentiellem und Weibull-Hazard

Tab. 7.1: Anzahl der Fälle, die in Form von Tied Events vorliegen

Output 7.7: Einfaches Cox-Modell – Ausgabe in Form von Partial-Likelihood-Koeffizienten

Output 7.8: Einfaches Cox-Modell – Ausgabe in Form von Hazard-Ratios

Tab. 7.2: Optionen zum Umgang mit einer Variable in Cox-Modellen (hier Variable ostdeu)

Abb. 7.9: Log-Log-Plots zum Test der Proportionalitätsannahme

Abb. 7.10: Kaplan-Meier vs. Cox-Plots zum Test der Proportionalitätsannahme

Abb. 7.11: Schoenfeld-Residuen-Plots zum Test der Proportionalitätsannahme

Output 7.9: Detaillierter Grambsch-Therneau-Test

Output 7.10: Competing-Risks-Modelle fur freiwilligen, erzwungenen und kollektiven Amtsverlust

Abb. 7.12: Baseline-Überlebensfunktion (links) und kumulative Baseline-Hazard-Rate

Abb. 7.13: Baseline-Hazard-Rate (Parzen-smooth) und Hazard-Raten fur unterschiedliche Werte von ostdeu und

regional_verwurzelt (Epanechnikov-smooth)

Output 7.11: Harrell’s C (fur das Modell aus Output 7.7)

Abb. 7.14: Plots von Cox-Snell-Residuen (links) und Martingalen Residuen

Abb. 7.15: Plots von Deviance-Residuen gegen Observationsnummer (links) und Amtsdauer

Abb. 7.16: Boxplots der Score Residuen

Output 7.12: Cox-Modell mit zeitvariater Variable

weiterfu ̈ hrende statistische methoden fu ̈ r politikwissenschaftler georg wenzelburger /...

residuen fu r eubenefit

konfidenzintervall folie

korrelationsmatrix folie

residuenverteilung folie

scatterplotmatrix folie

bivariate regression

multiple regression

studentisierte residuen

Documents

numerieke methoden voor differentiaal vergelijkingen

15.{18. september 2015 hamburg - statistische-woche.de

statistische tabelle nach 6 gängen - esv.ch ·...

dga methoden der zukunft

2. material und methoden 2.1. material 2.1.1

allgemeine literaturwissenschaft methoden der...

neurobayes® - a modern moderne statistische methoden als...

methoden der datenanalyse ai-basierte decision support...

asymptotische methoden der angewandten mathematik

methoden aus der ki mit anwendung auf...

kai nissen – „quantitative methoden. analysis i“

kai nissen – „quantitative methoden. analysis i“ +

innovationsmanagement - anwendung verschiedener methoden des...

tutorial automatisierte methoden der musikverarbeitung 47

innovationsmanagement in bibliotheken - methoden und trends

phylogenetische methoden in der historischen linguistik

methoden wetenschappelijk onderzoek - vub artificial...

abwehr englischer gangster-methoden and translation

methoden vegetationsanalyse gradienten

methoden, materialen en screeningsinstrumenten ( 3 mb )