In diesem Kapitel lernst du, wie du statistische Schlussfolgerungen zu einem einzelnen Parameter ziehst, der kategoriale Daten beschreibt. Dazu gehören sowohl Resampling-Verfahren als auch Approximationsmethoden für einen einzelnen Anteil.

Die General Social Survey

Exploring consci

Per Bootstrap generieren

Konstruieren eines KI

Warum mehr Bootstraps?

Ein Konfidenzintervall interpretieren

KIs und Konfidenzniveau

SE with less data

SE mit anderem p

Die Näherungs-Abkürzung

KI über Approximation

Methoden im Vergleich

Schlussfolgern für einen einzelnen Parameter

Dieses Kapitel geht tiefer darauf ein, Hypothesentests durchzuführen und Konfidenzintervalle für einen einzelnen Parameter zu erstellen. Danach lernst du, wie du Schlussfolgerungen über eine Differenz zwischen zwei Anteilen ziehst. Zum Schluss untersucht das Kapitel, was passiert, wenn die Nullhypothese tatsächlich wahr ist.

Hypothesentest für einen Anteil

Leben nach dem Tod

Generieren aus H0

Eine Behauptung testen

Eine Entscheidung treffen

Intervalle für Differenzen

Todesstrafe und Geschlecht

Hypothesentest zur Differenz von Anteilen

Den Test interpretieren

Hypothesentests und Konfidenzintervalle

Statistische Fehler

Wenn die Nullhypothese wahr ist

Wenn die Nullhypothese wahr ist: Entscheidung

Anteile: Testen und Teststärke

In diesem Kursteil lernst du, sowohl Resampling-Methoden als auch klassische Methoden zu nutzen, um die Unabhängigkeit zweier kategorialer Variablen zu testen. Dieses Kapitel behandelt die Durchführung eines Chi-Quadrat-Tests.

Kontingenztafel

Politik und Weltraum

Kontingenztafeln verstehen

Von tidy zu Tabelle und zurück

Chi-Quadrat-Teststatistik

Ein einzelnes permutiertes Chi-Quadrat

Zwei Nullverteilungen erstellen

Ist der Datensatz mit dem Modell vereinbar?

Alternative Methode: die Chi-Quadrat-Verteilung

Bedingungen prüfen

Die Geografie des Glücks

Ein p-Wert auf zwei Arten

Intervalle für die Chi-Quadrat-Verteilung

Viele Parameter vergleichen: Unabhängigkeit

Der Kurs endet mit zwei Fallstudien anhand von Wahldaten. Hier lernst du, wie du mit einem Chi-Quadrat-Test die Anpassungsgüte prüfst. Du analysierst Wahlergebnisse aus dem Iran und aus Iowa und testest, ob das Benfordsche Gesetz auf diese Datensätze zutrifft.

Fallstudie: Wahlbetrug

Die Iran-Daten kennenlernen

Wer hat gewonnen?

Aufgeschlüsselt nach Provinz

Die erste Ziffer extrahieren I

Güte der Anpassung

Anpassungsgüte-Test

Ein p-Wert, zwei Wege

Ist das ein Hinweis auf Betrug?

Und jetzt zu den USA

Lerne die Iowa-Daten kennen

Die erste Ziffer extrahieren II

Iowa testen

Betrug in Iowa?

Wahlbetrug im Iran und in Iowa: Nachbesprechung

Viele Parameter vergleichen: Anpassungsgüte

GSS data

Iowa election data

Iran election data

Kategoriale Daten sind überall. Sie stecken in den neuesten Umfragewerten, in den Daten, die zu Durchbrüchen in der Genomik führen, und in den Datensammlungen, die Internetunternehmen nutzen, um dir Produkte zu verkaufen. In diesem Kurs lernst du, das Signal vom Rauschen zu trennen: Werkzeuge, um zu erkennen, wann Struktur in diesen Daten interessante Phänomene widerspiegelt und wann sie nur zufälliges Rauschen ist.

Foundations of Inference in R

In diesem Kurs lernen Sie, statistische Techniken für kategoriale Daten anzuwenden.

Schlussfolgern für kategoriale Daten in R

In diesem Kurs lernst du, wie du statistische Techniken für die Arbeit mit kategorialen Daten nutzen kannst.

Statistische Inferenz mit R

Warum mehr Bootstraps?

Schlussfolgern für kategoriale Daten in R

Interaktive Übung