Nächste Seite: Systematische Untersuchungen
Aufwärts: Beispiele
Vorherige Seite: Beispiele
  Inhalt
- Zeitreihe:
und sind weder linear noch monoton voneinander abhängig,
d.h. im Idealfall müsste der -Test den Zusammenhang sehen, die
Kontingenz müßte eins sein und damit signifikant und die anderen
Maße müßten unsignifikant klein geschätzt werden. Es wurden folgende
Werte geschätzt:
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.92 |
1.0 |
Pearson |
-.04 |
.52 |
Spearman |
-.03 |
.34 |
Kendall |
-.00 |
.09 |
Wie die Tabelle zeigt,
wird ein ausgeprägter
signifikanter Zusammenhang gefunden, der weder linear noch monoton ist.
(Das Streudiagramm läßt diesen klar erkennen.)
- Was ist, wenn der Zusammenhang verrauscht ist?
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.81 |
1.0 |
Pearson |
-.05 |
.66 |
Spearman |
-.06 |
.67 |
Kendall |
-.05 |
.80 |
Trotz des verrauschten Zusammenhangs kommt das gleiche klar interpretierbare
Bild heraus. Es gibt sicher einen Zusammenhang, der sicher nicht linear und nicht
monoton ist.
- Nun ein Beispiel einer monotonen Abhängigkeit:
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.82 |
1.0 |
Pearson |
.82 |
1.0 |
Spearman |
1.0 |
1.0 |
Kendall |
1.0 |
1.0 |
Da der Zusammenhang deterministisch monoton ist sind die Koeffizienten, die
einen solchen Zusammenhang suchen, gleich eins. Sowohl der Pearsonkoeffizient
als auch die Kontingenz sind kleiner. Aber alle Maße detektieren einen
stochastischen Zusammenhang (der in diesem, wie im ersten Beispiel
deterministisch ist).
- Das Gleiche verrauscht:
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.83 |
1.0 |
Pearson |
.81 |
1.0 |
Spearman |
.85 |
1.0 |
Kendall |
.71 |
1.0 |
Auch hier wird eindeutig ein Zusammenhang gesehen. Nun ist einer der
Koeffizienten monotoner Zusammenhänge größer als der Pearsonkoeffizient,
der andere kleiner. Die Kontingenz ist nicht signifikant größer als der
Pearsonkoeffizient, was ein Blick auf die Konfidenzintervalle des
Pearsonkoeffizienten zeigt (s. Anhang), wohl aber der Spearmankoeffizient.
Demnach wird eine signifikante monotone Abhängigkeit gefunden.
Stärkere als monotone Nichtlinearitäten sind richtiger Weise
nicht zu erkennen.
- Da die Abbildung sehr sensibel auf den Betrag der
seltenen Werte des Gauß-Rauschens reagiert, soll noch eine weitere
monotone Abbildung betrachtet werden.
Die folgende Abbildung
unterdrückt die Flügel der Gauß-Verteilung, anstatt sie,
wie dies tut, zu vergrößern.
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.86 |
1.0 |
Pearson |
.81 |
1.0 |
Spearman |
.87 |
1.0 |
Kendall |
.66 |
1.0 |
Wieder wird der Zusammenhang klar gesehen. Die Kontingenz ist
hoch signifikant größer als der Pearsonkoeffizient, der Spearmankoeffizient
sogar höchst signifikant. Daß deutet wieder stark auf den monotonen
Zusammenhang hin, den der Kendallkoeffizient,
der auf jeden Fall rauschanfälliger
ist, nicht so stark sieht.
- Nun ein AR(1)-Prozeß als lineares Beispiel:
Koeffizient |
Wert |
Signifikanz |
-Abhängigkeit |
|
1.0 |
Kontingenz |
.53 |
1.0 |
Pearson |
.50 |
1.0 |
Spearman |
.47 |
1.0 |
Kendall |
.33 |
1.0 |
Wieder wird ein Zusammenhang eindeutig gefunden. Weder der Kendallkoeffizient
noch die Kontingenz unterscheiden sich jedoch signifikant vom Pearsonkoeffizient
(dessen Knfidenzintervalle sind im Anhang).
Nachdem diese ersten Experimente erfolgreich waren, werden nun ein linearer
und ein nichtlinearer autoregressiver Prozess systematischer untersucht.
Nächste Seite: Systematische Untersuchungen
Aufwärts: Beispiele
Vorherige Seite: Beispiele
  Inhalt
ich
2000-01-25