Balkendiagramm

Das Balkendiagramm ist ein Weg der Datenvisualisierung, bei der auf der x-Achse verschiedene Ausprägungen einer (unabhängigen) kategorialen Variablen und auf der y-Achse ein Maß der zentralen Tendenz einer (abhängigen) metrischen Variable (üblicherweise das arithmetische Mittel ± 1 Standardabweichung) abgebildet werden. Die Höhe eines jeden Balkens repräsentiert also den Mittelwert der abhängigen Variable in der jeweiligen Gruppe, die Fehlerbalken deren Streuung.

Anleitung: In SPSS erzeugt man ein Balkendiagramm über Grafiken/ Diagrammerstellung/Balken. Hier einfach die kateogoriale Variable in die x-Achse und die metrische Variable in die y-Achse ziehen. Zielmaß (Mittelwert) und Fehlerbalken (1 Standardabweichung) auswählen, bestätigen.

Nach der Erstellung kann die Grafik in der Outputdatei durch klicken auf die Grafik beliebig angepasst werden. Am leichtesten geht dies, wenn man eine Vorlage über Datei/Vorlage zuweisen direkt auswählt. Hier bietet sich zum Beispiel Publikation grey an.

Expertentipp: Soll die Grafik für eine Abschlussarbeit oder eine Publikation verwendet werden, dann sollte unbedingt auf Farben verzichtet werden. Das spart Druckkosten, da Farbgrafiken extrem teuer sind.

 

Bartlett’s Test auf Sphärizität:

Bartlett’s Test auf Sphärizität untersucht ob die Varianz-Kovarianz-Matrix proportional zur Identitäts/ bzw. Einheitsmatrix ist. Der Tests testet also letzten Endes ob die diagonalen Elemente der Varianz-Kovarianz-Matrix gleich sind (insbesondere, ob die Gruppenvarianzen gleich sind) und ob die off-diagonalen Elemente ungefähr 0 sind (d.h., ob die abhängigen Variablen nicht korreliert sind). Findet innerhalb der Faktorenanalyse Anwendung.

 

 

BIC (Schwarz´s Bayesianisches Informationskriterium)

Das BIC (Schwarz´s Bayesianisches Informationskriterium) ist ein Maß der Modellgüte, welches Im Rahmen der logistischen Regression Verwendung findet.

Ähnlich dem AIC korrigiert das BIC für höhere Modellkomplexität. Allerdings ist es dabei etwas konservativer als das AIC, korrigiert also stärker bei einer höheren Anzahl von Prädiktoren.

Es sollte v. a. dann verwendet werden, wenn die Stichprobengröße groß und die Anzahl der Prädiktoren gering ist. Es ist nicht wie das (adjustierte) R2 im Sinne aufgeklärter Varianz interpretierbar, lässt aber ebenfalls den Vergleich zwischen verschiedenen Modellen zu. Ein geringerer Wert beschreibt einen besseren Fit des Modells an die Daten.

 

 

Bimodale Verteilung

Eine Verteilung wird als bimodal beschrieben wenn sie zwei Modi besitzt. Es finden sich also innerhalb eines Histogramms zwei Maxima (oder “Gipfel”).

Dies kann z.B. vorkommen, wenn innerhalb der Altersverteilung sowohl die 20-25jährigen, als auch die 50-55jährigen Personen besonders häufig ins Kino gehen, während alle anderen Altersgruppen entweder kein Geld, keine Zeit oder kein Interesse mehr an Kino haben.

 

 

Trag dich hier für Dr. Ortmanns beste Maildizin ein und erhalte regelmässige für deine empirische Promtion

You have Successfully Subscribed!