Residuen und Diagnostikplots
Residuen und Diagnostikplots
Residuen und Diagnostikplots
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3. <strong>Diagnostikplots</strong><br />
• Thema dieses Kapitels wird es sein, abgelegene Punkte zu finden, die<br />
gegebenenfalls großen Einfluss auf die Analyse unserer Daten haben.<br />
• Zum Beispiel wurde im Transaction Data Beispiel die allgemeinere<br />
Varianzfunktion<br />
log<br />
2 T<br />
( Var( y x)<br />
) = log( σ ) + α v<br />
bevorzugt.<br />
Löscht man Fall 160 aus den Daten <strong>und</strong> berechnet erneut die Varianzfunktionen,<br />
erhält man: (Mean) Score = 56.57 (1 df) p = 0.000<br />
(T1 T2) Score = 56.95 (2 df) p = 0.000<br />
d.h. ohne Fall 160 würde man Modell (3) nicht mehr ablehnen.<br />
• Punkte, die weit von den anderen Daten in der Hauptwolke entfernt stehen,<br />
sind immer Kandidaten für einflussreiche Fälle.<br />
• Die Effekte dieser Punkte können immer überprüft werden, indem man<br />
sie aus dem Modell löscht <strong>und</strong> die Veränderungen der Ergebnisse untersucht.<br />
<strong>Residuen</strong> <strong>und</strong> <strong>Diagnostikplots</strong> 23