Diese Art von Daten taucht st\u00e4ndig in realen Situationen auf und wir verwenden normalerweise die folgenden Methoden, um diese Art von Daten zu analysieren:<\/span><\/p>\n Die folgenden Beispiele zeigen verschiedene Szenarien, in denen bivariate Daten im wirklichen Leben auftreten.<\/span><\/p>\n Unternehmen sammeln h\u00e4ufig bivariate Daten \u00fcber die Gesamtausgaben f\u00fcr Werbung und den Gesamtumsatz.<\/span><\/p>\n Beispielsweise k\u00f6nnte ein Unternehmen die folgenden Daten f\u00fcr 12 aufeinanderfolgende Verkaufsquartale sammeln:<\/span> <\/p>\n Dies ist ein Beispiel f\u00fcr bivariate Daten, da sie Informationen zu genau zwei Variablen enthalten: Werbeausgaben und Gesamtumsatz.<\/span><\/p>\n Das Unternehmen kann beschlie\u00dfen, ein einfaches lineares Regressionsmodell<\/a> an diesen Datensatz anzupassen und das folgende angepasste Modell zu finden:<\/span><\/p>\n Gesamteinnahmen = 14.942,75 + 2,70* (Werbekosten)<\/span><\/p>\n Dies zeigt dem Unternehmen, dass sich der Gesamtumsatz f\u00fcr jeden zus\u00e4tzlichen Dollar, der f\u00fcr Werbung ausgegeben wird, um durchschnittlich 2,70 Dollar erh\u00f6ht.<\/span><\/p>\n Medizinische Forscher sammeln h\u00e4ufig bivariate Daten, um die Beziehung zwischen gesundheitsbezogenen Variablen besser zu verstehen.<\/span><\/p>\n Beispielsweise k\u00f6nnte ein Forscher die folgenden Alters- und verbleibenden Herzfrequenzdaten von 15 Personen sammeln:<\/span> <\/p>\n Der Forscher kann dann entscheiden, die Korrelation zwischen den beiden Variablen zu berechnen und einen Wert von 0,812<\/strong> zu ermitteln.<\/span><\/p>\n Dies deutet darauf hin, dass zwischen den beiden Variablen eine starke positive Korrelation besteht. Das hei\u00dft, mit zunehmendem Alter steigt auch die verbleibende Herzfrequenz vorhersehbar an.<\/span><\/p>\n Verwandt:<\/strong><\/span> Was gilt als \u201estarke\u201c Korrelation?<\/a><\/p>\n Forscher sammeln h\u00e4ufig bivariate Daten, um zu verstehen, welche Variablen die Leistung von Studenten beeinflussen.<\/span><\/p>\n Beispielsweise k\u00f6nnte ein Forscher Daten \u00fcber die Anzahl der pro Woche gelernten Stunden und den entsprechenden Notendurchschnitt f\u00fcr Sch\u00fcler einer bestimmten Klasse sammeln:<\/span> <\/p>\n Anschlie\u00dfend kann sie ein einfaches Streudiagramm erstellen, um die Beziehung zwischen diesen beiden Variablen zu visualisieren:<\/span> <\/p>\n Es besteht eindeutig ein positiver Zusammenhang zwischen den beiden Variablen: Mit zunehmender Anzahl der pro Woche gelernten Stunden steigt tendenziell auch der Notendurchschnitt des Sch\u00fclers.<\/span><\/p>\n \u00d6konomen sammeln h\u00e4ufig bivariate Daten, um die Beziehung zwischen zwei sozio\u00f6konomischen Variablen zu verstehen.<\/span><\/p>\n Beispielsweise k\u00f6nnte ein Wirtschaftswissenschaftler Daten \u00fcber die Gesamtzahl der Schuljahre und das gesamte Jahreseinkommen von Einzelpersonen in einer bestimmten Stadt sammeln:<\/span> <\/p>\n Anschlie\u00dfend kann er entscheiden, das folgende einfache lineare Regressionsmodell anzupassen:<\/span><\/p>\n Jahreseinkommen = -45.353 + 7.120*(Schuljahre)<\/span><\/p>\n Dem \u00d6konomen zufolge steigt das Jahreseinkommen mit jedem weiteren Schuljahr um durchschnittlich 7.120 US-Dollar.<\/span><\/p>\n Biologen sammeln h\u00e4ufig bivariate Daten, um zu verstehen, wie zwei Variablen zwischen Pflanzen oder Tieren zusammenh\u00e4ngen.<\/span><\/p>\n Ein Biologe k\u00f6nnte beispielsweise Daten zum Gesamtniederschlag und zur Gesamtzahl der Pflanzen in verschiedenen Regionen sammeln:<\/span> <\/p>\n Der Biologe kann dann entscheiden, die Korrelation zwischen den beiden Variablen zu berechnen und einen Wert von 0,926<\/strong> zu ermitteln.<\/span><\/p>\n Dies deutet darauf hin, dass zwischen den beiden Variablen eine starke positive Korrelation besteht.<\/span><\/p>\n Das hei\u00dft, h\u00f6here Niederschl\u00e4ge sind eng mit einer erh\u00f6hten Pflanzenzahl in einer Region verbunden.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu bivariaten Daten und deren Analyse.<\/span><\/p>\n Einf\u00fchrung in die bivariate Analyse<\/a> Unter bivariaten Daten versteht man einen Datensatz, der genau zwei Variablen enth\u00e4lt. Diese Art von Daten taucht st\u00e4ndig in realen Situationen auf und wir verwenden normalerweise die folgenden Methoden, um diese Art von Daten zu analysieren: Punktwolken Korrelationskoeffizienten Einfache lineare Regression Die folgenden Beispiele zeigen verschiedene Szenarien, in denen bivariate Daten im wirklichen Leben auftreten. […]<\/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\n
Beispiel 1: Gesch\u00e4ft<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie11.png\")
<\/p>\n Beispiel 2: Medizin<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie12.png\")
<\/p>\n Beispiel 3: Akademiker<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie14.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie13-1.png\")
<\/p>\n Beispiel 4: Wirtschaft<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie15.png\")
<\/p>\n Beispiel 5: Biologie<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bivarie16.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Einf\u00fchrung in die univariate Analyse<\/a>
Einf\u00fchrung in den Pearson-Korrelationskoeffizienten<\/a>
Einf\u00fchrung in die einfache lineare Regression<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"