Allgemeines

M: Verändert den Einfluss einer UV auf die AV: Einfluss von Stress auf Gesundheit (Geschlecht ist die Moderatorvariable, moderiert bei Differenzen den Zusammenhang)

K: Um den Einfluss von Störvariablen auf die abhängige Variable zu minimieren. Sie wird verwendet, um sicherzustellen, dass der beobachtete Zusammenhang zwischen der unabhängigen und abhängigen Variable nicht auf andere Faktoren zurückzuführen ist: Alter bei Zusammenhang zwischen Rauchen und Lungenkrebs. Da das Alter ein bekannter Risikofaktor für Lungenkrebs ist, könnte es als Kontrollvariable verwendet werden, um sicherzustellen, dass der beobachtete Zusammenhang zwischen Rauchen und Lungenkrebs nicht auf das Alter zurückzuführen ist.

S: Beeinflusst den Zusammenhang zwischen UV und AV und kann zu Scheinkorrelationen führen: Temperatur bei Zsmhang zwischen Eiskonsum und Ertrinkungsunfällen

Gerichtete: Richtung des Unterschieds wird postuliert (Höhere Bildung = Höheres Einkommen)

Ungerichtete: Irgendein Unterschied wird postuliert (Es besteht ein Zusammenhang zwischen Rauchen und Lungenkrebs)

R: Zuverlässigkeit (formale Genauigkeit) einer Messung, Hohe Reliabilität = Ergebnisse konsistent und wenig Messfehler

O: Messergebnisse sind unabhängig vom Prüfer

V: Gültigkeit der Ergebnisse, Muss das messen was gemessen werden soll

Nullhypothese: Besagt, dass es keinen signifikanten Unterschied oder Zusammenhang zwischen den Variablen gibt. Beobachtete Unterschiede oder Zusammenhänge könnten auf reiner zufälliger Variation beruhen. Wenn die Daten starke Evidenz gegen die Nullhypothese liefern, wird die Nullhypothese verworfen und die Alternativhypothese angenommen

Alternativhypothese: Die Alternativhypothese wird aufgestellt, um zu zeigen, dass die beobachteten Unterschiede oder Zusammenhänge nicht auf Zufall oder statistische Variation zurückzuführen sind, sondern tatsächlich auf einen echten Effekt oder eine reale Beziehung zwischen den Variablen hinweisen.

(Gerichtet und Ungerichtet +3.)

Zentrale Tendenz einer Datenverteilung beschreiben. Er repräsentiert den Wert, der die Daten in zwei gleich große Hälften teilt, wird häufig verwendet, um die zentrale Tendenz einer Verteilung zu beschreiben, insbesondere wenn die Daten Ausreißer enthalten oder die Verteilung nicht symmetrisch ist. Im Gegensatz zum Durchschnitt (arithmetisches Mittel) ist der Median robust gegenüber Ausreißern.

Ordinalskalierte Daten

Wenn eine deutliche Abweichung von der Normalverteilung vorliegen

Höchste Häufigkeit

bei normalskalierten Daten

Wenn ein großer Überblick über die Verteilung gewünscht wird oder häufigster Wert erfragt wird

für metrisch skalierte Daten

Gibt die Differenz zwischen dem größten und dem kleinsten Messwert an

• Varianz ist ein Maß für die Streuung oder Variation einer Datenverteilung. Sie gibt an, wie weit die einzelnen Datenpunkte um den Durchschnitt (arithmetisches Mittel) streuen.

• Eine größere Varianz bedeutet, dass die Datenpunkte stärker um den Durchschnitt herum streuen, während

• eine kleinere Varianz auf eine geringere Streuung hinweist. Wenn die Varianz nahe null ist, bedeutet dies, dass die Datenpunkte relativ eng um den Durchschnitt gruppiert sind.

• Wenn man aus der Varianz die Wurzel zieht erhälz man die Standardabweichung

Die Standardabweichung ist ein wichtiges Maß, da sie Informationen über die Streuung der Daten liefert und dabei hilft, Ausreißer und extreme Werte zu berücksichtigen.

• Eine größere Standardabweichung bedeutet, dass die Datenpunkte stärker um den Durchschnitt herum streuen, während

• eine kleinere Standardabweichung auf eine geringere Streuung hinweist.

In der Statistik beziehen sich Alpha- und Beta-Fehler auf Fehler, die bei der Überprüfung von Hypothesen auftreten können

• Alpha (Typ I): Ein Alpha-Fehler tritt auf, wenn eine Nullhypothese fälschlicherweise abgelehnt wird, obwohl sie eigentlich wahr ist. Dies bedeutet, dass man zu dem Schluss kommt, dass ein Effekt oder eine Beziehung existiert, obwohl in Wirklichkeit kein solcher Effekt vorliegt

• Beta (Typ II): Wenn eine Alternative zur Nullhypothese fälschlicherweise abgelehnt wird, obwohl sie tatsächlich wahr ist. Dies bedeutet, dass man zu dem Schluss kommt, dass kein Effekt oder keine Beziehung existiert, obwohl in Wirklichkeit ein solcher Effekt vorhanden ist

Sensitivität: Die Sensitivität gibt an, wie gut ein Test oder Modell in der Erkennung des tatsächlich vorhandenen Zustands oder Ereignisses ist. Sie berechnet den Anteil der tatsächlich positiven Fälle (wahre positive Ergebnisse), die vom Test oder Modell als positiv erkannt werden. Eine hohe Sensitivität bedeutet, dass der Test oder das Modell nur wenige positive Fälle falsch negativ diagnostiziert und somit eine geringe Anzahl von Fällen übersieht.

Spezifität: