|
|
|
Almo Download |
Almo V15
(ca. 60 MB) Version vom 1.8.2023
Zu Download und Installation von Almo siehe unten
Mit Almo15 besitzen Sie (1) das vollständige Statistiksystem, (2) das Almo-Data-Mining-System,
(3) das
Wahlhochrechnungssystem,
(4) das Wählerstromanalyse-Programm,
(4) die statistischen Algorithmen in C
und (5) alle Handbücher vom Typ II
Änderungen und Erweiterungen zu den Bootstrap-Programmen vom 1.8.2023
Ziel des Bootstrap-Verfahrens ist es den Standardfehler, die Signifikanz
p und das Konfidenzintervall
für statistische Koeffizienten, wie
Korrelationskoeffizient oder Regressionskoeffizient oder Faktorladung
zu
gewinnen. Signifikanz p und Konfidenzintervall wurden in Almo seither durch
das "einfachen Perzentil-Verfahren" und das Perzentil-t-Verfahren ermittelt.
Nunmehr kann auch das BCa-Verfahren für alle Almo-Bootstrap-Programme
eingesetzt werden.
Dies sind:
1. Bootstrap für Mittelwert, Median, Quartile, Häufigkeiten (Prozente, Anteile)
2. Korrelationsmatrizen, Partialkorrelationen
3. Allgemeines Lineares Modell
4. Logit- und Probit-Analyse
5. Faktorenanalyse
6. Korrespondenzanalyse
In einem neuen Handbuch mit dem Titel
Konfidenzintervall und p-Wert
im Bootstrap-Verfahren
Perzentil-Verfahren
Perzentil-t -Verfahren
BCa-Verfahrenn
Das Inhaltsverzeichnis zu diesem Handbuch ist folgendes
1
Unser Beispiel
1.1. Notation
2
Zum Begriff "Konfidenzintervall"
3
Die Bootstrap-Eingabebox
3.1
Die Konfidenz-Verfahren
3.2
Vergleich der Konfidenz-Verfahren
3.3
Die aufsteigend sortierten Koeffizienten aus den Bootstrapstichproben
(ASR)
4
Das einfache Perzentil-Verfahren
4.1
Der p-Wert (Signifikanz) aus dem einfachen Perzentil-Verfahren
5
Das Perzentil-t -Verfahren
5.1
Der p-Wert aus dem Perzentil-t -Verfahren
5.2
Das symmetrische Perzentil-t-Verfahren
6
Das BC- und BCa-Verfahren
6.0
Notation und Übersicht
6.0.1 Übersicht
6.1
Der Kalkül
6.1.1 Grafische
Darstellung des Konfidenzintervalls
6.1.2 Der
Akzelerationskoeffizient
6.2
Der p-Wert beim BC- und BCa-Verfahren
6.2.1
Kein Null vorhanden
6.3
BC- bzw. BCa-Verfahren mit mehrfachen Originalwerten
6.3.1 Erweiterte Notation
6.3.2 Ein Beispiel
6.3.3 Die
Bootstrap-Optionsbox für mehrfache Originalwerte
6.3.4 Die Modi für das
BC- bzw. BCa-Verfahren bei mehrfachen Originalwerten
6.3.5 Änderungen im
Kalkül
6.3.6 Der p-Wert bei
mehrfachem Originalwert
6.3.7 Ergebnis-Ausgabe
und "zusätzliche Informationen"
6.3.8 Das effektive
Vertrauensniveau
Exkurs:
Die kumulative Standard-Normalverteilung
Literatur
Änderungen und Erweiterungen zum Bootstrap der Faktorenanalyse vom 12.12.2022
1. Erweiterung
Die reproduzierten Kommunalitäten der Variablen werden dem
Bootstrap-Verfahren unterworfen.
Dadurch kann
überprüft werden, ob die jeweilige Variable zur der durch die extrahierten
Faktoren
erklärten Varianz signifikant
beiträgt - oder ob sie aus dem Modell ausgeschlossen werden sollte.
Beispiel einer Faktorenanalyse mit Bootstrap der reproduzierten
Kommunalitäten siehe in News
2. Erweiterung
Bei der Faktorenanalyse mit nur
einem Faktor können
Bootstrapstichproben entstehen, deren
Ladungen auf dem
einem Faktor für alle Variable oder auch nur für einige vorzeichen-invers zu
denen der Originalstichprobe sind. Würden solche
Bootstrap-Stichproben in den gewohnten
Bootstrap-Kalkül mit einbezogen werden, dann würde der Mittelwert, der
Standardfehler und
der p-Wert für die Ladungen
falsch berechnet werden. Almo überprüft nun, ob sich solche Vorzeichen-
Umkehrungen ereignet haben und macht sie unter bestimmten Bedingungen
rückgängig,
wobei alle
Faktorladungen gespiegelt werden
3. Änderung
Das Handbuch
15a "Bootstrap bei Faktorenanalyse" wurde etwas
überarbeitet. Die beiden
Programm-Erweiterungen werden
in zwei neuen Kapiteln ausführlich erläutert.
Hier ist das
Handbuch
Änderungen und Erweiterungen vom 22.9.2022
Bootstrap der Korrepondenzanalyse (der nominalen Faktorenanalyse)
Die Faktorenanalyse nominaler Variablen kann in Almo nach 3 Methoden
gerechnet werden
1. durch die multiple Korrespondenzanalyse
(die auch die binäre mit einschliesst)
2. durch das
Blockdiagonal-Verfahren
2. durch eine "normale"
Faktorenanalyse, bei der die nominalen Variablen in Dummies aufgelöst sind
Im Handbuch Nr. 6 "Allgemeine multiple Korrespondenzanalyse" werden die 3
Methoden detailliert beschrieben
Für diese 3 Methoden kann nun mit
der Programm-Maske Prog30mm das Bootstrap-Verfahren gerechnet werden
Damit kann jetzt für jede einzelne Faktorladung deren (1) Standardfehler, (2) p-Wert und
(3) Konfidenzintervall ermittelt werden, was seither im Standardmodell
der Faktorenanalyse
nicht möglich war.
Almo liefert beispieslweise folgende
Ergebnisse für das im Handbuch zur Korrespondenzanalyse
verwendete Beispiel der "Autofahrer"
Aus der Korrespondenzanalyse erhält man folgende 2-faktorielle varimax-rotierte
Faktorladungsmatrix
(möglich wäre auch eine 3-Faktorielle Lösung)
┌─────────────────────┐
│
Faktor 1
Faktor 2 │
┌──────────────────┼─────────────────────┤
│Auto
Porsche
│
1.1252
-0.5860 │
│Auto
Mercedes │
0.0136
1.2998 │
│Auto
VW
│
-1.0440
-0.6543 │
│Beruf
Selbstän │
0.1643
1.1207 │
│Beruf
Arbeiter │
-1.1214
-0.4643 │
│Beruf
Führungs │
0.8774
-0.6017 │
│Fahrstil
aggressi │
1.2157
-0.5381 │
│Fahrstil
normal
│
-0.1086
0.9647 │
│Fahrstil
zurückha │
-0.8432
-0.4024 │
└──────────────────┴─────────────────────┘
Wird die
Matrix graphisch dargestellt, dann erkennt man deutlich diese 3 Typen
1. Mercedes-Fahrer -
Selbständiger
- neutraler Fahrstil
2. Porsche-Fahrer
- Führungsposition - aggressiver Fahrstil
3. VW-Fahrer
- Arbeitnehmer
- zurückhaltender Fahrstil
(Die Daten
beruhen nicht auf empirischer Forschung. Wir haben sie erfunden)
Durch Bootstrap erhält man folgende zusätzlichen Informationen zu den
Faktorladungen
Änderungen und Erweiterungen vom 1.8.2022
1. Handbuch
Das Almo-Handbuch 15 "Faktorenanalyse" wurde
durch einen Anhang erweitert, in dem der
Kakül der Alpha-Faktorenanalyse,
der Image-Faktorenanalyse und der kanonischen Faktorenanalyse
ausführlich
beschrieben wird. Auch wird an Hand von durchgerechneten Beispielen gezeigt,
wie dieser Kalkül im Almo-Programm umgesetzt ist.
In einem zweiten Anhang werden die Faktorenanalysen von Almo und SPSS, ebenfalls an Hand durchgerechneter Beispiele, verglichen.
2.Programm
Das Faktorenanalyse-Programm wurde geringfügig
erweitert. Beispielsweise wurde ein
zusätzlicher Programmteil eingefügt,
in dem untersucht wird, ob die Iteration der Kommunalitäten
konvergiert
oder chaotisch verläuft
Die Ergebnis-Ausgabe wurde an verschiedenen
Stellen geringfügig umgestellt.
Änderungen und Erweiterungen vom 31.5.2022
Beim
Bootstrap der Faktorenanalyse wurde eine zusätzliche Option eingeführt,
die es ermöglicht die normierte Faktorladungsmatrix dem
Bootstrapverfahren zu unterziehen.
Im Handbuch wurde ein Abschnitt
eingefügt, in dem die Vorteile aber auch die "Defekte"
erläutert werden,
die durch die Normierung verursacht.werden
Änderungen vom 5.5.2022 gegenüber Version vom 4.10.2021
1.
Bootstrap der Faktorenanalyse
Das
Bootstrap-Verfahren kann nun auch auf die Faktorenanalyse
angewendet werden
Damit kann jetzt für die
Faktorenzahl und für jede einzelne
Faktorladung deren
(1) Standardfehler, (2) p-Wert und
(3) Konfidenzintervall ermittelt werden, was seither
im Standardmodell der Faktorenanalyse nicht möglich war.
Almo liefert beispieslweise folgende (stark gekürzte) Ausgabe für den
Bootstrap der Eigenwerte
und der Faktorladungen aus
einer 6*6-Korrelationsmatrix:
┌────────────┬─────────────────────────────────────────────────┐
│ Original-
│
Bootstrap der Eigenwerte
│
│
Stichprobe │ Ergebnisse
aus 1000 Bootstrapstichproben
│
│ │
│
│
│Mitt.wert│Standard │Signifik.│ Konfidenzintervall│
│ Eigenwert
│Eigenwert│ fehler │
p │
unten
oben │
├────────────┼─────────┼─────────┼─────────┼─────────┼─────────┤
Eigenwert
1
2.5909 2.6035
0.0928
0.0010
2.4396 2.7970
Eigenwert
2
1.5778 1.5729
0.0899
0.0010
1.3852 1.7331
Eigenwert
3
0.6967 0.7052
0.0489 0.9990
0.6159 0.7971
Eigenwert
4
0.5819 0.5735
0.0412 0.9990
0.4908 0.6536
Eigenwert
5
0.2950 0.2991
0.0273 0.9990
0.2490 0.3569
Eigenwert 6 0.2577 0.2459 0.0219 0.9990 0.2044 0.2901
d.h. dem "Kaiser-Kriterium"
entsprechen. Wichtig wird diese Information, wenn ein Eigenwert
knapp
über oder unter 1.0 liegt.
Bootstrap-Ergebnisse für Faktorladungen
┌────────────┬───────────────────────────────────────────────────┐
│ Original- │
│
│ stichprobe │
Ergebnisse aus Bootstrap der Faktorladungen
│
│
│
│
│
rotierte │ Standard
│ Signifikanz│
Konfidenzintervall │
│Faktorladung│
fehler │
p │
unten
oben │
├────────────┼────────────┼────────────┼────────────┼────────────┤
Faktor 1
V1
0.8925
0.0122
0.0010
0.8657
0.9126
V2
0.9111
0.0092
0.0010
0.8908
0.9275
V3
0.8892
0.0112
0.0010
0.8640
0.9085
V4
0.1664
0.0482
0.0020
0.0748
0.2638
V5
-0.0540
0.0599
0.3420
-0.1751
0.0576
V6
0.0979
0.0609
0.1220
-0.0268
0.2188
Faktor 2
V1
-0.1199
0.0337
0.0010
-0.1877
-0.0561
V2
-0.0065
0.0406
0.8740
-0.0874
0.0726
V3
-0.0839
0.0386
0.0200
-0.1575
-0.0114
V4
-0.7652
0.0288
0.0010
-0.8152
-0.7036
V5
-0.7750
0.0243
0.0010
-0.8166
-0.7234
V6
-0.7096 0.0413
0.0010
-0.7774
-0.6205
Der p-Wert von V1 (in Faktor 1) von 0.001 sagt aus, dass der Forscher mit
1-p = 0.999 sicher sein kann,
dass die Faktorladung von 0.8925 von .0
verschieden ist - genauer formuliert, dass er sich nur mit p=0.001
irrt, wenn er annimmt, dass die Faktorladung von V1 ungleich .0 ist. So
erweist es sich in unserem
Beispiel, dass V1 und 3 auch noch schwach aber
signifikant auf dem 2. Faktor laden.
Wahlweise können anstelle der
Faktorladungen auch die Faktorwertkoeffizienten dem Bootstrap-
Verfahren
unterworfen werden
2. Handbuch zum Bootstrap bei Faktorenanalyse
Im
Handbuch wird in 55 Seiten das Bootstrap-Verfahren und die besondere
Vorgehensweise beim
Bootstrapping der Faktorenanalyse beschrieben.
Siehe hier
Hier ist das Inhaltsverzeichnis
P30.6.1 Vorgehensweise beim Bootstrap
P30.6.1.1 Standardfehler
P30.6.1.2 Konfidenzintervall,
Perzentil-Verfahren
P30.6.1.3 Signifikanz, p-Wert
P30.6.1.4 Mittelwert und
Verzerrung
P30.6.1.5 Der Forschungsbericht
P30.6.1.6 Die Zahl der
Bootstrap-Stichproben
P30.6.1.7 Daten lesen und verarbeiten beim Bootstrap
P30.6.2 Vorgehensweise beim Bootstrap der
Faktorenanalyse
P30.6.2.0 Sonderfall:
Faktorenanalyse mit 1 Faktor
P30.6.2.1 Bootstrap der
Eigenwerte
P30.6.2.2 Unsere Beispieldaten:
Die Holzinger-Swineford-Daten
P30.6.2.3 Rotation und
"gemeinsamer Faktoren-Raum"
P30.6.2.4 Zielmatrix mit
rechtwinkligen Koordinatenachsen
P30.6.2.5 Zielmatrix mit
schiefwinkligen Koordinatenachsen
P30.6.2.6 Die gesamte Varimax-
bzw. Quartimin-Faktorladungsmatrix als
Zielmatrix
P30.6.3
Bootstrap-Programm Prog30ml.Msk
P30.6.3.1 Zu faktorisierende
Variable
P30.6.3.2 Spezielle
Kein-Wert-Behandlung
P30.6.3.3 Optionen für
Faktorenanalyse
P30.6.3.4 Faktorenanalytisches
Modell und Eigenwert-Verfahren
P30.6.3.5 Faktorenzahl und
Kommunalitätenschätzung
P30.6.3.6 Distanzmatrix
ermitteln und Zwischenergebnisse ausgeben
P30.6.3.7 Die
Bootstrap-Optionsbox
P30.6.4
Bootstrap-Ergebnisse aus Programm Prog30ml.Msk
P30.6.4.1 Ergebnisse aus
Bootstrap bei rechtwinkliger Zielmatrix
P30.6.4.2 Ergebnisse aus
Bootstrap bei schiefwinkliger Zielmatrix
P30.6.4.3 Ergebnisse aus
Bootstrap bei Faktorenanalyse mit 1 Faktor
Anhang: Vergleich der Studie von Zientek & Thompson
(2007) mit Almo
Literatur zu Bootstrap
Download und Installation
Nach dem Download besitzen Sie eine Datei mit dem Namen "Almo15_Setup.msi".
Sie
enthält Almo in komprimierter Form.
Doppelklicken Sie auf diesen Dateinamen. Windows fragt Sie dann, ob
Sie diese App zulassen wollen.
Klicken Sie unbesorgt auf "Ja". Almo
ist eine nicht-gewerbliche, wissenschaftliche Statistik-Software.
Sie wird
seit vielen Jahren kostenlos im Internet angeboten und mit großer Häufigkeit
herunter geladen.
Es ist uns nicht bekannt, dass Almo jemals „gehackt“ oder
in bösartiger Absicht missbraucht wurde.
Dann wird die übliche
Installationsbox von Windows gestartet.
Sie werden gefragt, in welches
Verzeichnis Sie Almo geben wollen.
Geben Sie ein: C:\Almo15
Sie können auch ein anderes
Verzeichnis angeben, z.B. "C:\Programme\Almo15" oder
"D:\MeineProgs\Almo15"
Wenn Sie eine
vorherige Version von Almo15 besitzen, dann sollten Sie diese zuvor sichern,
d.h. in ein anderes Verzeichnis oder in einen anderen Ordner oder sogar auf
ein externes Speichermedium
kopieren (nicht verschieben). Windows
verlangt möglicherweise, dass die alte Version deinstalliert wird.
Das
können Sie dann gefahrlos tun.
Almo funktioniert nicht, wenn es auf den
Desktop installiert wird. Er muß sich in einem Verzeichnis
befinden. Aber
selbstverständkich können Sie das Almo-Icon mit dem Almo-Ordner verknüpfen
und auf
dem Desktop plazieren.
Almo auf Tablet
Almo kann auch auf
einem Windows-Tablet installiert werden - nicht jedoch auf einem Apple- oder
Android-Tablet. Almo sollte mit einer angeschlossenen Maus bedient werden. Mit dem Finger zu arbeiten
ist zwar möglich,
aber "nervend".
Download zusätzlicher Dateien
Viele der einzelnen Kapitel aus den Almo-Handbüchern können als PDF-Dokumente
heruntergeladen
werden. Siehe dazu Handbuch
Auch die Daten der Pisa-Studie 2015 im Almo-Format für die 8 Länder Deutschland, Niederlande,
Österreich, Schweiz,
Belgien,Frankreich,Italien, Finland
aus der Schülerbefragung und einige
Almo-Auswertungsprogramme können
herunter geladen werden. Siehe dazu
Pisa Wenn Sie an
den Daten zu Pisa 2018 im Almo-Format
interessiert sind, dann schicken Sie uns ein email
Updates
Bis zur Auslieferung eines neuen Almo-Updates (nach etwa 1 oder 2 Jahren)
stellen wir in kürzeren
Zeitabständen leicht korrigierte und leicht veränderte Versionen des aktuellen
Updates zur Verfügung.
Dieses können Sie kostenlos herunterladen.