1 / 12

Bestimmung der Regressionsgewichte in der multiplen Regression

Bestimmung der Regressionsgewichte in der multiplen Regression. Standardwert-Regression. Versuchsperson i p Prädiktoren (UVs). Geschätzter Kriteriumswert. Wert der VP i auf Prädiktor 2. Gewichtung von Prädiktor 2.

adelle
Download Presentation

Bestimmung der Regressionsgewichte in der multiplen Regression

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Bestimmung der Regressionsgewichte in der multiplen Regression

  2. Standardwert-Regression Versuchsperson i p Prädiktoren (UVs) Geschätzter Kriteriumswert Wert der VP i auf Prädiktor 2 Gewichtung von Prädiktor 2 Gesucht sind jetzt Werte für die Gewichte b, so daß die Abweichungen der Schätzwerte von den wahren y-Werten möglichst klein sind. Genauer: Die Gewichte sollen so gewählt werden, daß die Summe der quadrierten Abweichungen der Schätzwerte von den wahren Werten minimal wird. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  3. KQ-Kriterium der quadrierten Die Summe Abweichungen der Schätzwerte vom wahren Wert soll minimal werden. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  4. KQ-Kriterium Minimieren heißt: nach Variable ableiten, Ableitung Nullsetzen, nach Wert der Variable auflösen. Hier will man die Optimalwerte für p verschiedene Variablen finden. Daher leitet man p-mal ab: nach Variable b1, nach Variable b2 usw. Damit erhält man p Gleichungen für p Variablen. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  5. Partiell ableiten nach b1 Eckige Klammer abgeleitet:2 als Vorfaktor, eckige Klammer hinschreiben Ableitung der Summe gibt wieder Summe Inhalt der eckigen Klammer nachdifferenzieren nach b1. Alle anderen b`s sind Konstanten  Ableitung 0 Nur der Vorfaktor von b1 bleibt übrig. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  6. Partiell ableiten nach b1 Das muß jetzt etwas vereinfacht werden. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  7. Ableitung vereinfachen 1 Mit 2 dividieren; (-zi1) in die eckige Klammer einmultiplizieren Summenzeichen reinziehen Die Summe läuft immer über alle Versuchspersonen (i = 1…n). QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  8. Zur Erinnerung: Ableitung vereinfachen 2 Ableitung durch n dividieren r1p r12 -ry1 r11=1 QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  9. Ableitung vereinfachen 3 Was passiert, wenn wir nach b2 partiell ableiten? Durch das Einmultiplizieren von zi2 ändern sich die Indizes der Korrelationskoeffizenten: statt r11 , r12 , r23 jetzt r21 , r22 , r23 QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  10. Ergebnis aller partiellen Ableitungen = Skript S. 68 p Gleichungen für p Unbekannte Für solche Fragen wurde die lineare Algebra entwickelt. Die Lösungsschemata sind in effizienten Computerverfahren (linpack) implementiert, das macht man nicht von Hand. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  11. Gleichungssystem in Matrixschreibweise Vektor der Prädiktor-Kriterium-Korrelationen Vektor der Regressionsgewichte Matrix der Interkorrelationen der Prädiktoren QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

  12. Matrixschreibweise Was wir haben wollen, ist der b-Vektor. Da müßte man durch R dividieren. Division = Multiplikation-1 Technisch korrekt: Die Inverse der Korrelationsmatrix wird von links anmultipliziert. Die Inversion einer Matrix ist aber nicht ganz einfach. Fall für den Computer. QMA, Kapitel 4.5.2.1 Multiple Regression Sommersemester 2006

More Related