Name: Lineare Modelle By Helge Toutenburg
SKU: 9783790815191
Price: 172.49 AUD
Availability: InStock

Lineare Modelle Summary

Lineare Modelle: Theorie und Anwendungen by Helge Toutenburg

Dieses Buch gibt einen vollstandigen UEberblick uber Lineare Modelle und verwandte Gebiete, z.B. die Matrixtheorie. Das Buch umfasst Theorie und Anwendungen. Zahlreiche Beispiele sowie Datensatze, Tests und Grafiken (Tests auf Strukturbruche/Parameterkonstanz) auf einer Website dienen der Anwendungsorientierung. Ein eigenes, relativ umfangreiches Kapitel zur Matrixtheorie stellt die notwendigen methodischen Hilfsmittel fur die Beweise der Satze im Text bereit und vermittelt eine Auswahl klassischer und moderner algebraischer Resultate. Das Buch ist vor allem als begleitendes Lehrmaterial fur Studenten, fur die Forschung auf dem Gebiet der Linearen Modelle sowie fur Dozenten und Studenten hoeherer Semester der Wirtschaftswissenschaften angelegt.

1. Einleitung.- 2. Beziehungen zwischen zwei Variablen.- 2.1 Einleitung-Beispiele.- 2.2 Darstellung der Verteilung zweidimensionaler Merkmale.- 2.2.1 Kontingenztafeln bei diskreten Merkmalen.- 2.2.2 Grafische Darstellung bei diskreten Merkmalen.- 2.2.3 Masszahlen zur Beschreibung der Verteilung beistetigen und gemischt stetig-diskreten Merkmalen.- 2.2.4 Grafische Darstellung der Verteilung stetigerbzw. gemischt stetig-diskreter Merkmale.- 2.3 Masszahlen fur den Zusammenhang zweier nominaler Merkmale.- 2.3.1 Pearsons x2-Statistik.- 2.3.2 Der Odds-Ratio.- 2.4 Rangkorrelationskoeffizient von Spearman.- 2.5 Zusammenhang zwischen zwei stetigen Merkmalen.- 3. Deskriptive univariate lineare Regression.- 3.1 Einleitung.- 3.2 Plots und Hypothesen.- 3.3 Prinzip der kleinsten Quadrate.- 3.3.1 Bestimmung der Schatzungen.- 3.3.2 Herleitung der Kleinste-Quadrate-Schatzungen.- 3.3.3 Eigenschaften der Regressionsgeraden.- 3.4 Gute der Anpassung.- 3.4.1 Varianzanalyse.- 3.4.2 Korrelation.- 3.5 Residualanalyse.- 3.6 Lineare Transformation der Originaldaten.- 3.7 Multiple lineare Regression und nichtlineare Regression.- 3.8 Polynomiale Regression.- 3.9 Lineare Regression mit kategorialen Regressoren.- 3.10 Spezielle nichtlineare Modelle.- 3.10.1 Wachstumskurven.- 3.10.2 Zeit als Regressor.- 3.11 Zeitreihen.- 3.11.1 Einleitung.- 3.11.2 Kurvendiagramme.- 3.11.3 Zerlegung von Zeitreihen.- 3.11.4 Fehlende Werte, aquidistante Zeitpunkte.- 3.11.5 Gleitende Durchschnitte.- 3.11.6 Saisonale Komponente, konstante Saisonfigur.- 3.11.7 Modell fur den linearen Trend.- 4. Das klassische multiple lineare Regressionsmodell.- 4.1 Deskriptive multiple lineare Regression.- 4.2 Prinzip der kleinsten Quadrate.- 4.3 Geometrische Eigenschaften der Kleinste-Quadrat-Schatzung.- 4.4 Beste lineare erwartungstreue Schatzung.- 4.4.1 Lineare Schatzer.- 4.4.2 Mean-Square-Error.- 4.4.3 Beste lineare erwartungstreue Schatzung.- 4.4.4 Schatzung von v2.- 4.5 Multikollinearitat.- 4.5.1 Extreme Multikollinearitat und Schatzbarkeit.- 4.5.2 Schwache Multikollinearitat.- 4.5.3 Identifikation und Quantifizierung vonMultikollinearitat.- 4.6 OEkonometrische Gleichungen vom Regressionstyp.- 4.6.1 Stochastische Regressoren.- 4.6.2 Instrumental-Variablen Schatzer (IVS).- 4.6.3 Scheinbar unverbundene Regressionen.- 4.7 Klassische Normalregression.- 4.8 Prufen von linearen Hypothesen.- 4.9 Varianzanalyse und Gute der Anpassung.- 4.9.1 Univariate Regression.- 4.9.2 Univariate Regression mit einer Dummyvariablen.- 4.9.3 Multiple Regression.- 4.9.4 Ein komplexes Beispiel.- 4.9.5 Grafische Darstellung.- 4.10 Tests auf Parameterkonstanz.- 4.10.1 Der Prognosetest von Chow.- 4.10.2 Der Test von Hansen.- 4.10.3 Tests mit rekursiver Schatzung.- 4.10.4 Tests mit Prognosefehlern.- 4.10.5 CUSUM und CUSUMSQ-Tests.- 4.10.6 Tests auf Strukturwechsel.- 4.11 Die kanonische Form.- 4.12 Methoden zur UEberwindung von Multikollinearitat.- 4.12.1 Hauptkomponenten-Regression.- 4.12.2 Ridge-Schatzung.- 4.12.3 Shrinkage-Schatzer.- 4.13 Minimax-Schatzung.- 4.13.1 Ungleichungsrestriktionen.- 4.13.2 Das Minimaxprinzip.- 5. Modelle der Varianzanalyse.- 5.1 Varianzanalyse als spezielles lineares Modell.- 5.2 Einfaktorielle Varianzanalyse.- 5.2.1 Darstellung als restriktives Modell.- 5.2.2 Zerlegung der Fehlerquadratsumme.- 5.2.3 Schatzung von a2 durch MO Resiaual.- 5.3 Vergleich von einzelnen Mittelwerten.- 5.3.1 Lineare Kontraste.- 5.3.2 Kontraste in den totalen (summierten)Responsewerten im balanzierten Fall.- 5.4 Multiple Vergleiche.- 5.4.1 Einleitung.- 5.4.2 Experimentweise Vergleiche.- 5.4.3 Vergleichsbezogene Prozeduren.- 5.5 Rangvarianzanalyse im vollstandig randomisiertenVersuchsplan.- 5.5.1 Kruskal-Wallis-Test.- 5.5.2 Multiple Vergleiche.- 5.6 Zwei- und Mehrfaktorielle Varianzanalyse.- 5.7 Zweifaktorielle Experimente mit Wechselwirkung (Modell mitfesten Effekten).- 5.8 Zweifaktorielles Experiment in Effektkodierung.- 5.9 2k-faktorielles Experiment.- 5.9.1 Spezialfall: 22-Experiment.- 5.9.2 Das 23-Experiment.- 6. Exakte und stochastische lineare Restriktionen.- 6.1 Verwendung von Zusatzinformation.- 6.2 Die restriktive KQ-Schatzung.- 6.3 Schrittweise Einbeziehung von exakten linearen Restriktionen.- 6.4 Verzerrte lineare Restriktionen und MSE-Vergleich mit derKQS.- 6.5 MSE-Matrix-Vergleiche zwischen zwei verzerrten Schatzern.- 6.6 MSE-Matrix-Vergleich zwischen zwei linearen verzerrtenSchatzern.- 6.7 MSE-Vergleich zweier (verzerrter) restriktiver Schatzer.- 6.8 Stochastische lineare Restriktionen.- 6.8.1 Mixed Schatzer.- 6.8.2 Annahmen zur Kovarianzmatrix V.- 6.8.3 Verzerrte stochastische Restriktionen.- 6.9 Abgeschwachte lineare Restriktionen.- 6.9.1 Schwache r-Erwartungstreue.- 6.9.2 Optimale schwach r-erwartungstreue Schatzer.- 6.9.3 Optimale Ersetzung von ss.- 6.9.4 RLSE als Ersatz fur den mixed Schatzer.- 7. Das verallgemeinerte lineare Regressionsmodell.- 7.1 Einleitung.- 7.2 Optimale lineare Schatzungen von,Q.- 7.3 Aitken-Schatzung.- 7.4 Fehlspezifikation der Kovarianzmatrix.- 7.5 Heteroskedastie und Autoregression.- 8. Vorhersage von y im verallgemeinerten Regressionsmodell.- 8.1 Das Vorhersagemodell.- 8.2 Optimale inhomogene Vorhersage.- 8.3 Optimale homogene Vorhersagen.- 8.4 MSE-Matrix-Vergleiche zwischen optimalen und klassischenVorhersagen.- 8.4.1 Vergleich klassische - optimale Vorhersage nach dery*-Superioritat.- 8.4.2 Vergleich klassische - optimale Vorhersage nach der X*ss-Superioritat.- 8.5 Vorhersagebereiche.- 9. Sensitivitatsanalyse.- 9.1 Die Prediction-Matrix.- 9.2 Einfluss einer Beobachtung auf die Parameterschatzung.- 9.2.1 Transformation der Residuen.- 9.2.2 Algebraische Konsequenzen aus dem Wegfall einer Beobachtung.- 9.2.3 Test auf Ausreisser.- 9.3 Grafische Methoden zum Prufen von Modellannahmen.- 9.4 Masse auf der Basis des Konfidenzellipsoids.- 10. Modelle fur kategoriale Responsevariablen.- 10.1 Generalisierte lineare Modelle.- 10.1.1 Erweiterung des Regressionsmodells.- 10.1.2 Die Struktur des Generalisierten Linearen Modells.- 10.1.3 Scorefunktion und Informationsmatrix.- 10.1.4 Maximum-Likelihood Schatzung.- 10.1.5 Testen von Hypothesen und Gute der Anpassung.- 10.1.6 Overdispersion.- 10.1.7 Quasi-Loglikelihood.- 10.2 Kontingenztafeln.- 10.2.1 UEberblick.- 10.2.2 Vergleich von Anteilen.- 10.2.3 Stichproben in zweidimensionalen Kontingenztafeln.- 10.2.4 Likelihoodfunktion und Maximum-LikelihoodSchatzungen.- 10.2.5 Testen auf Gute der Anpassung.- 10.3 GLM fur Binaren Response.- 10.3.1 Logitmodelle und Logistische Regression.- 10.3.2 Testen des Modells.- 10.3.3 Verteilungsfunktion als Linkfunktion.- 10.4 Logitmodelle fur kategoriale Daten.- 10.5 Gute der Anpassung-Likelihood-Quotienten Test.- 10.6 Loglineare Modelle fur Kategoriale Variablen.- 10.6.1 Zweidimensionale Kontingenztafeln.- 10.6.2 Dreidimensionale Kontingenztafeln.- 10.7 Der Spezialfall binarer Responsevariablen.- 10.8 Kodierung kategorialer Kovariablen.- 10.8.1 Dummy- und Effektkodierung.- 10.8.2 Kodierung von Responsemodellen.- 10.8.3 Kodierung in Modellen mit Hazardrate.- 10.9 Erweiterungen fur abhangige binare Variablen.- 10.9.1 UEberblick.- 10.9.2 Modellansatze fur korrelierten Response.- 10.9.3 Quasi-Likelihood-Ansatz bei korreliertem Response binaren.- 10.9.4 Die GEE-Methode von Liang und Zeger.- 10.9.5 Eigenschaften der GEE Schatzung ssG.- 10.9.6 Effizienz von GEE- und IEE-Verfahren.- 10.9.7 Die Wahl der Quasi-Korrelationsmatrix Ri (a).- 10.9.8 Bivariate korrelierte binare Responsevariablen.- 10.9.9 Die GEE-Methode.- 10.9.10 Die IEE-Methode.- 10.9.11 Ein Beispiel aus der Zahnmedizin.- 10.9.12 Voller Likelihood-Ansatz fur marginale Modelle.- 11. Regression bei unvollstandigen Daten.- 11.1 Statistische Methoden bei fehlenden Daten.- 11.1.1 Nutzung der kompletten Falle (complete case analysis).- 11.1.2 Verwendung aller verfugbaren Daten (available caseanalysis).- 11.1.3 Imputation fur fehlende Daten.- 11.1.4 Verfahren auf der Basis von Modellen.- 11.2 Missing-Data-Mechanismen.- 11.2.1 Indikatormatrix der fehlenden Werte.- 11.2.2 Missing Completely at Random.- 11.2.3 Missing at Random.- 11.2.4 Nichtignorierbarer Nonresponse.- 11.3 Fehlend-Muster.- 11.4 Fehlende Daten im Response.- 11.4.1 KQ-Schatzung bei vollstandigem Datensatz.- 11.4.2 KQ-Schatzung nach Auffullen fehlender Werte.- 11.4.3 Bartlett's Kovarianzanalyse.- 11.5 Fehlende Werte in der X-Matrix.- 11.5.1 Fehlende Werte und Effizienzverlust.- 11.6 Standardverfahren bei unvollstandiger X-Matrix.- 11.6.1 Complete case Analyse (CC).- 11.6.2 Available case Analyse.- 11.6.3 Maximum-Likelihood Methoden.- 11.7 Imputationsmethoden fur unvollstandige X-Matrizen.- 11.7.1 Zero-order Regression (ZOR).- 11.7.2 First-order Regression (FOR).- 11.7.3 Korrelationsmethoden fur stochastisches X.- 11.7.4 Maximum-Likelihood-Schatzungen der fehlendenWerte.- 11.7.5 Gewichtete mixed Schatzung.- 11.8 Annahmen uber den Fehlend-Mechanismus.- 11.9 Regressionsdiagnostik zur Identifizierung von Nicht-MCAR Prozessen.- 11.9.2 Vergleich der Varianz-Kovarianz-Matrizen..- 11.9.3 Diagnostische Masse aus der Sensitivitatsanalyse.- 11.9.4 Verteilung der Masse und Testprozedur.- 11.10 Behandlung von nichtignorierbarem Nichtresponse.- 11.10.1 Gemeinsame Verteilung von (Y, X) mit fehlenden Werten nur in Y.- 11.10.2 Bedingte Verteilung von Y gegeben X mit fehlenden Werten nur in Y.- 11.10.3 Bedingte Verteilung von Y gegeben X mit fehlenden Werten nur in X.- 11.11 Weitere Literatur.- A. Matrixalgebra.- A.1 Einfuhrung.- A.2 Spur einer Matrix.- A.3 Determinanten.- A.4 Inverse.- A.5 Orthogonale Matrizen.- A.6 Rang einer Matrix.- A.7 Spalten-und Nullraum.- A.8 Eigenwerte und Eigenvektoren.- A.9 Zerlegung von Matrizen (Produktdarstellungen).- A.10 Definite Matrizen und quadratische Formen.- A.11 Idempotente Matrizen.- A.12 Verallgemeinerte Inverse.- A.13 Projektoren.- A.14 Funktionen normalverteilter Variablen.- A.15 Differentiation von skalaren Funktionen von Matrizen.- A.16 Stochastische Konvergenz.- B. Tabellenanhang.- B.1 Verteilungsfunktion ?(z) der StandardnormalverteilungN(0,1).- B.2 Dichtefunktion o(z) der N(0,1)-Verteilung.

Additional information

Sku

NLS9783790815191

ISBN 13

9783790815191

ISBN 10

3790815195

Title

Lineare Modelle: Theorie und Anwendungen by Helge Toutenburg

Author

Helge Toutenburg

Condition

New

Binding type

Paperback

Publisher

Springer-Verlag Berlin and Heidelberg GmbH & Co. KG

Year published

2002-09-18

Number of pages

562

Prizes

N/A

Cover note

Book picture is for illustrative purposes only, actual binding, cover or edition may vary.

Note

This is a new book - be the first to read this copy. With untouched pages and a perfect binding, your brand new copy is ready to be opened for the first time

Lineare Modelle Helge Toutenburg

Lineare Modelle by Helge Toutenburg

Summary

Lineare Modelle Summary

Lineare Modelle: Theorie und Anwendungen by Helge Toutenburg

Table of Contents

Additional information

Customer Reviews - Lineare Modelle