Was sind robuste standardfehler?

1. Es existieren auch robustere Methoden um den Standardfehler zu berechnen (meistens als Huber/White-Schätzer oder Sandwich-Schätzer der Varianz bezeichnet). ...
2. Oft hilft es, Variablen zu transformieren.

Was ist ein Residuenplot?

"Residuenplot" (s. Abbildung 2, rechts) ein etabliertes Instrument, um zu überprüfen, ob die Annahmen der (einfachen) linearen Regression erfüllt sind. Im Residuenplot werden auf der horizontalen Achse die vorhergesagten y-Werte abgetragen und auf der vertikalen Achse die geschätzten Residuen .

Was ist Multikollinearität?

Multikollinearität (engl. Multicollinearity) liegt vor, wenn mehrere Prädiktoren in einer Regressionsanalyse stark miteinander korrelieren.

Was tun bei autokorrelation?

Am einfachsten kann man Autokorrelation kontern, indem man robuste Standardfehler schätzen lässt. Wir haben oben bereits gelernt, dass die Koeffizienten nicht verzerrt sind, sondern lediglich deren Standardfehler. Schätzt man nun robuste Standardfehler, lässt sich das Problem recht bequem lösen.

Wann sind Residuen normalverteilt?

Die Normalverteilung der Residuen kann durch einen QQ-Plot der Residuen überprüft werden Wenn die Residuen im QQ-Plot klar auf einer Geraden liegen, sind sie normalverteilt. Wenn die Annahmeverletzung aus dem QQ-Plot nicht klar ist, kann man durch unterschiedliche Tests überprüfen, ob die Residuen normalverteilt sind.

Was ist ein residuum Statistik?

Das Residuum ist die Differenz zwischen einem vorhergesagten Wert und einem beobachteten Wert.

Wann ist Varianzhomogenität gegeben?

Varianzhomogenität ist gegeben, wenn die Varianz in allen Gruppen etwa gleich ist. Ist dies nicht der Fall, würde dies die Wahrscheinlichkeit einen Fehler 1.

Was ist Varianzhomogenität?

Varianzhomogenität (auch Homoskedastizität genannt) ist eine Voraussetzung des ungepaarten t-Tests. Bei gegebener Varianzhomogenität ist die Varianz in den beiden Gruppen (etwa) gleich. Ein größeres Problem verursacht mangelnde Varianzhomogenität allerdings bei der Berechnung des Standardfehlers.

Wann liegt autokorrelation vor?

Genauer gesagt liegt Autokorrelation vor, wenn ein Teil einer Zeitreihe mit sich selbst zu einem anderen Zeitpunkt korreliert (dieser Zeitpunkt kann sowohl in der Vergangenheit, als auch der Zukunft liegen). Man könnte Autokorrelation deshalb auch „verzögerte Korrelation“ nennen.

Wann tritt autokorrelation auf?

Autokorrelation bedeutet 'mit sich selbst korreliert', das heißt, verschiedene Beob- achtungen einer Variable sind untereinander korreliert. ... Wenn p = 1 ist impliziert dies, dass jede Beobachtung mit der Beobachtung der Vorperiode (t − 1) korreliert ist; wenn z.B. p = 3 ist die 4.

Was kann man gegen Multikollinearität machen?

Multikollinearität ist ein schwieriges Problem. Es gibt mehrere Möglichkeiten damit umzugehen: Variablen entfernen. Die wahrscheinlich einfachste Lösung ist, bei zwei oder mehr Prädiktoren mit hohen VIF-Werten, einen der Prädiktoren zu entfernen.

Wann liegt keine Multikollinearität vor?

Mit den VIF-Werten wird gemessen, wie stark die Varianz eines geschätzten Regressionskoeffizienten zunimmt, wenn eine Korrelation zwischen den Prädiktoren besteht. Wenn alle VIF-Werte gleich 1 sind, liegt keine Multikollinearität vor; wenn jedoch einige VIF-Werte größer als 1 sind, korrelieren die Prädiktoren.

Was ist kollinearität Statistik?

Zwei Variablen sind kollinear, wenn sie ungefähr (oder exakt) linear abhängig sind; oder anders gesagt, wenn es eine hohe Korrelation zwischen den zwei Variablen gibt. ... Wenn ein Modell auf zwei hoch korrelierten Variablen basiert, werden die geschätzten Regressionskoeffizienten instabil.

Was sagt die regressionsgerade aus?

Die Regression gibt einen Zusammenhang zwischen zwei oder mehr Variablen an. ... Die ermittelte Regressionsgerade erlaubt es, Prognosen für die abhängige Variable zu treffen, wenn ein Wert für die unabhängige Variable eingesetzt wird. Umgekehrte Rückschlüsse sind nicht zulässig.

Wann ist eine regressionsgerade sinnvoll?

Nur im Falle eines linearen Zusammenhangs ist die Durchführung einer linearen Regression sinnvoll. Zur Untersuchung von nichtlinearen Zusammenhängen müssen andere Methoden herangezogen werden. Oft bieten sich Variablentransformationen oder andere komplexere Methoden an, auf die hier nicht einge- gangen wird.