Almo Download

Sie können das vollständige Almo kostenlos downloaden..

          Almo V15        (ca. 60 MB)   Version vom 1.8.2023    (mit Erweiterungen vom 15.11.2023)


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 15.11.2023

Konfidenzintervall und Siginifikanz p können nun auch durch das "Standardfehler-basierte" Verfahren
berechnet werden. Diese Erweiterung wurde bei allen Bootstrap-Programmen hinzugefügt.
Im Handbuch "Konfidenzintervall und p-Wert im Bootstrap-Verfahren" wurde ein Kapitel eingefügt,
in dem dieses Verfahren detailliert beschrieben wird.

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

werden diese Verfahren und ihr jeweiliger Kalkül ausführlich dargestellt
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)

 Matrix der varimax-rotierten Faktorladungen

                    ┌─────────────────────┐

                      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

                       Sehen Sie hier ein gekürztes Ausgabe-Beispiel


                                    

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


Die p-Werte für den 1. und 2. Eigenwert sagen aus, dass diese beiden signifikant größergleich 1.0 sind,
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.