(1) Schlussfolgerung:<\/strong> Wir m\u00f6chten die Art der Beziehung zwischen den Pr\u00e4diktorvariablen und der Antwortvariablen<\/a> in einem vorhandenen Datensatz verstehen.<\/span><\/p>\n (2) Vorhersage:<\/strong> Wir m\u00f6chten einen vorhandenen Datensatz verwenden, um ein Modell zu erstellen, das den Wert der Antwortvariablen einer neuen Beobachtung vorhersagt.<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz mit Informationen \u00fcber H\u00e4user:<\/span> <\/p>\n Ein Beispiel f\u00fcr eine Schlussfolgerung:<\/strong><\/span><\/p>\n Angenommen, wir erstellen ein multiples lineares Regressionsmodell<\/a> mit Quadratmeterzahl, Anzahl der Schlafzimmer und Anzahl der Badezimmer als Pr\u00e4diktorvariablen und dem Preis als Antwortvariable.<\/span><\/p>\n Wir k\u00f6nnten dann die Regressionskoeffizienten verwenden, um die durchschnittliche Preis\u00e4nderung zu verstehen, die mit einer \u00c4nderung um eine Einheit in jeder der Pr\u00e4diktorvariablen verbunden ist.<\/span><\/p>\n Beispielsweise k\u00f6nnten wir nachvollziehen, wie stark sich der Preis (im Durchschnitt) mit jedem zus\u00e4tzlichen Schlafzimmer, jedem zus\u00e4tzlichen Badezimmer und jedem zus\u00e4tzlichen Quadratmeter \u00e4ndert.<\/span><\/p>\n Ein Beispiel f\u00fcr eine Vorhersage:<\/strong><\/span><\/p>\n Wir k\u00f6nnten dasselbe multiple lineare Regressionsmodell erstellen und es verwenden, um den Wert eines neuen Hauses basierend auf seiner Quadratmeterzahl, der Anzahl der Schlafzimmer und der Anzahl der Badezimmer vorherzusagen.<\/span><\/p>\n Beispielsweise k\u00f6nnten wir das Modell verwenden, um den Preis eines neuen Hauses mit 3 Schlafzimmern, 3 Badezimmern und 2.000 Quadratmetern vorherzusagen.<\/span><\/p>\n Anschlie\u00dfend k\u00f6nnen wir unsere Prognose mit dem tats\u00e4chlichen Listenpreis vergleichen und beurteilen, ob das Haus unter- oder \u00fcberbewertet erscheint.<\/span><\/p>\n Die folgenden Beispiele veranschaulichen den Unterschied zwischen Inferenz und Vorhersage in verschiedenen Szenarien:<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz mit Informationen \u00fcber professionelle Basketballmannschaften:<\/span> <\/p>\n Ein Beispiel f\u00fcr eine Schlussfolgerung:<\/strong><\/span><\/p>\n Angenommen, wir erstellen ein multiples lineares Regressionsmodell mit Punkten, Rebounds und Assists als Pr\u00e4diktorvariablen und Gewinnen als Antwortvariable.<\/span><\/p>\n Mithilfe des Modells k\u00f6nnten wir dann verstehen, wie sehr sich die Anzahl der Siege (im Durchschnitt) mit jedem zus\u00e4tzlichen Punkt, Rebound und Assist \u00e4ndert.<\/span><\/p>\n Ein Beispiel f\u00fcr eine Vorhersage:<\/strong><\/span><\/p>\n Wir k\u00f6nnten dasselbe multiple lineare Regressionsmodell erstellen und es verwenden, um vorherzusagen, wie viele Siege ein Team basierend auf der Anzahl seiner Punkte, Rebounds und Assists haben wird.<\/span><\/p>\n Beispielsweise k\u00f6nnten wir das Modell verwenden, um vorherzusagen, wie viele Siege ein Team mit 90 Punkten, 40 Rebounds und 30 Assists haben wird.<\/span><\/p>\n Angenommen, wir verf\u00fcgen \u00fcber den folgenden Datensatz mit Informationen zu den Jahresums\u00e4tzen (in Millionen) verschiedener Unternehmen:<\/span> <\/p>\n Ein Beispiel f\u00fcr eine Schlussfolgerung:<\/strong><\/span><\/p>\n Angenommen, wir erstellen ein multiples lineares Regressionsmodell, das Werbeausgaben, Anzahl der Mitarbeiter und Gesamtakquisitionen als Pr\u00e4diktorvariablen und den Jahresumsatz als Antwortvariable verwendet.<\/span><\/p>\n Mithilfe des Modells k\u00f6nnten wir dann verstehen, wie stark sich der j\u00e4hrliche Gesamtumsatz (im Durchschnitt) mit jedem zus\u00e4tzlichen Dollar, der f\u00fcr Werbung ausgegeben wird, jedem zus\u00e4tzlichen Mitarbeiter und jeder zus\u00e4tzlichen Akquisition \u00e4ndert.<\/span><\/p>\n Ein Beispiel f\u00fcr eine Vorhersage:<\/strong><\/span><\/p>\n Wir k\u00f6nnten dasselbe multiple lineare Regressionsmodell erstellen und es verwenden, um den Jahresumsatz eines Unternehmens auf der Grundlage seiner gesamten Marketingausgaben, der Anzahl der Mitarbeiter und der gesamten Akquisitionen vorherzusagen.<\/span><\/p>\n Beispielsweise k\u00f6nnten wir das Modell verwenden, um den Jahresumsatz eines Unternehmens vorherzusagen, das 25 Millionen US-Dollar f\u00fcr Werbung ausgibt, 40 Mitarbeiter besch\u00e4ftigt und zwei Akquisitionen get\u00e4tigt hat.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu wichtigen Begriffen, die es in der Statistik zu verstehen gilt:<\/span><\/p>\n Beschreibende oder inferenzielle Statistik: Was ist der Unterschied?<\/a> In Statistiken m\u00f6chten wir Daten h\u00e4ufig aus einem von zwei Gr\u00fcnden verwenden: (1) Schlussfolgerung: Wir m\u00f6chten die Art der Beziehung zwischen den Pr\u00e4diktorvariablen und der Antwortvariablen in einem vorhandenen Datensatz verstehen. (2) Vorhersage: Wir m\u00f6chten einen vorhandenen Datensatz verwenden, um ein Modell zu erstellen, das den Wert der Antwortvariablen einer neuen Beobachtung vorhersagt. Angenommen, wir […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf1-1.png\")
<\/p>\n Beispiel 1: Schlussfolgerung und Vorhersage im Sport<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf2.png\")
<\/p>\n Beispiel 2: Schlussfolgerung und Vorhersage im Gesch\u00e4ftsleben<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/inf3.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Messniveaus: nominal, ordinal, Intervall und Verh\u00e4ltnis
Qualitative und quantitative Variablen: Was ist der Unterschied?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"