http://methpsy.elearning.psych.tu-dresden.de/mediawiki/index.php?action=history&feed=atom&title=Multiple_lineare_Regression 2026-04-15T22:27:29Z Versionsgeschichte dieser Seite in eLearning - Methoden der Psychologie - TU Dresden MediaWiki 1.38.2 http://methpsy.elearning.psych.tu-dresden.de/mediawiki/index.php?title=Multiple_lineare_Regression&diff=4701&oldid=prev 2020-03-18T13:15:14Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="de"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Nächstältere Version</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Version vom 18. März 2020, 15:15 Uhr</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l1">Zeile 1:</td> <td colspan="2" class="diff-lineno">Zeile 1:</td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>{{Nav|Navigation|Statistik_MV|Hauptseite}}</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>{{Nav|Navigation|Statistik_MV|Hauptseite}}</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>Die multiple lineare Regression ermöglicht es die Art des Zusammenhanges zwischen mehreren Prädiktorvariablen und einer Kriteriumsvariable zu beschreiben. Die Ergebnisse eines solchen Verfahrens können durch die wechselseitige Abhängigkeit von Prädiktoren, welche man als Multikollinearität bezeichnet, jedoch verzerrt sein. Diese Tatsache macht eine gründliche Multikollinearitätsanalyse vor der Interpretation der Ergebnisse dringend notwendig. Das Ziel einer multiplen linearen Regression besteht häufig in der Identifikation derjenigen Prädiktorvariablen aus der Menge aller Prädiktoren, die zur Vorhersage der Kriteriumsvariable optimal geeignet sind. Um eine solche Fragestellung zu beantworten können zum Beispiel Merkmalsselektionsverfahren oder eine Hierarchische Regression angewandt werden. Ein wichtiger Spezialfall regressionsanalytischer Untersuchungen ist die Analyse von Moderatoreffekten.  </div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>Die multiple lineare Regression ermöglicht es die Art des Zusammenhanges zwischen mehreren Prädiktorvariablen und einer Kriteriumsvariable zu beschreiben. Die Ergebnisse eines solchen Verfahrens können durch die wechselseitige Abhängigkeit von Prädiktoren, welche man als Multikollinearität bezeichnet, jedoch verzerrt sein. Diese Tatsache macht eine gründliche Multikollinearitätsanalyse vor der Interpretation der Ergebnisse dringend notwendig. Das Ziel einer multiplen linearen Regression besteht häufig in der Identifikation derjenigen Prädiktorvariablen aus der Menge aller Prädiktoren, die zur Vorhersage der Kriteriumsvariable optimal geeignet sind. Um eine solche Fragestellung zu beantworten können zum Beispiel Merkmalsselektionsverfahren oder eine Hierarchische Regression angewandt werden. Ein wichtiger Spezialfall regressionsanalytischer Untersuchungen ist die Analyse von Moderatoreffekten.</div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* [[Grundlagen der multiplen linearen Regression]]</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* [[Grundlagen der multiplen linearen Regression]]</div></td></tr> </table>

Wehner http://methpsy.elearning.psych.tu-dresden.de/mediawiki/index.php?title=Multiple_lineare_Regression&diff=4222&oldid=prev 2020-01-31T00:08:50Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="de"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Nächstältere Version</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Version vom 31. Januar 2020, 02:08 Uhr</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l3">Zeile 3:</td> <td colspan="2" class="diff-lineno">Zeile 3:</td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>Die multiple lineare Regression ermöglicht es die Art des Zusammenhanges zwischen mehreren Prädiktorvariablen und einer Kriteriumsvariable zu beschreiben. Die Ergebnisse eines solchen Verfahrens können durch die wechselseitige Abhängigkeit von Prädiktoren, welche man als Multikollinearität bezeichnet, jedoch verzerrt sein. Diese Tatsache macht eine gründliche Multikollinearitätsanalyse vor der Interpretation der Ergebnisse dringend notwendig. Das Ziel einer multiplen linearen Regression besteht häufig in der Identifikation derjenigen Prädiktorvariablen aus der Menge aller Prädiktoren, die zur Vorhersage der Kriteriumsvariable optimal geeignet sind. Um eine solche Fragestellung zu beantworten können zum Beispiel Merkmalsselektionsverfahren oder eine Hierarchische Regression angewandt werden. Ein wichtiger Spezialfall regressionsanalytischer Untersuchungen ist die Analyse von Moderatoreffekten.  </div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>Die multiple lineare Regression ermöglicht es die Art des Zusammenhanges zwischen mehreren Prädiktorvariablen und einer Kriteriumsvariable zu beschreiben. Die Ergebnisse eines solchen Verfahrens können durch die wechselseitige Abhängigkeit von Prädiktoren, welche man als Multikollinearität bezeichnet, jedoch verzerrt sein. Diese Tatsache macht eine gründliche Multikollinearitätsanalyse vor der Interpretation der Ergebnisse dringend notwendig. Das Ziel einer multiplen linearen Regression besteht häufig in der Identifikation derjenigen Prädiktorvariablen aus der Menge aller Prädiktoren, die zur Vorhersage der Kriteriumsvariable optimal geeignet sind. Um eine solche Fragestellung zu beantworten können zum Beispiel Merkmalsselektionsverfahren oder eine Hierarchische Regression angewandt werden. Ein wichtiger Spezialfall regressionsanalytischer Untersuchungen ist die Analyse von Moderatoreffekten.  </div></td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><br/></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Grundlagen der multiplen linearen Regression</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Grundlagen der multiplen linearen Regression<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Multikollinearität</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Multikollinearität<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Standardfehler der Regressionskoeffizienten</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Standardfehler der Regressionskoeffizienten<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Merkmalsselektionsverfahren</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Merkmalsselektionsverfahren<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Hierarchische Regression</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Hierarchische Regression<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> <tr><td class="diff-marker" data-marker="−"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>* Moderierte Regression</div></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>* <ins style="font-weight: bold; text-decoration: none;">[[</ins>Moderierte Regression<ins style="font-weight: bold; text-decoration: none;">]]</ins></div></td></tr> </table>

Wehner http://methpsy.elearning.psych.tu-dresden.de/mediawiki/index.php?title=Multiple_lineare_Regression&diff=4220&oldid=prev 2020-01-31T00:07:40Z

<p></p> <table style="background-color: #fff; color: #202122;" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="de"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Nächstältere Version</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Version vom 31. Januar 2020, 02:07 Uhr</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l1">Zeile 1:</td> <td colspan="2" class="diff-lineno">Zeile 1:</td></tr> <tr><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>{{Nav|Navigation|Statistik_MV|Hauptseite}}</div></td><td class="diff-marker"></td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>{{Nav|Navigation|Statistik_MV|Hauptseite}}</div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">Die multiple lineare Regression ermöglicht es die Art des Zusammenhanges zwischen mehreren Prädiktorvariablen und einer Kriteriumsvariable zu beschreiben. Die Ergebnisse eines solchen Verfahrens können durch die wechselseitige Abhängigkeit von Prädiktoren, welche man als Multikollinearität bezeichnet, jedoch verzerrt sein. Diese Tatsache macht eine gründliche Multikollinearitätsanalyse vor der Interpretation der Ergebnisse dringend notwendig. Das Ziel einer multiplen linearen Regression besteht häufig in der Identifikation derjenigen Prädiktorvariablen aus der Menge aller Prädiktoren, die zur Vorhersage der Kriteriumsvariable optimal geeignet sind. Um eine solche Fragestellung zu beantworten können zum Beispiel Merkmalsselektionsverfahren oder eine Hierarchische Regression angewandt werden. Ein wichtiger Spezialfall regressionsanalytischer Untersuchungen ist die Analyse von Moderatoreffekten. </ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Grundlagen der multiplen linearen Regression</ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Multikollinearität</ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Standardfehler der Regressionskoeffizienten</ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Merkmalsselektionsverfahren</ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Hierarchische Regression</ins></div></td></tr> <tr><td colspan="2" class="diff-side-deleted"></td><td class="diff-marker" data-marker="+"></td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* Moderierte Regression</ins></div></td></tr> </table>

Wehner http://methpsy.elearning.psych.tu-dresden.de/mediawiki/index.php?title=Multiple_lineare_Regression&diff=4157&oldid=prev 2020-01-30T16:33:52Z

<p>Die Seite wurde neu angelegt: „{{Nav|Navigation|Statistik_MV|Hauptseite}}“</p> <p><b>Neue Seite</b></p><div>{{Nav|Navigation|Statistik_MV|Hauptseite}}</div>

Wehner