Krusche, Stefan: Visualisierung und Analyse multivariater Daten in der gartenbaulichen Beratung - Methodik, Einsatz und Vergleich datenanalytischer Verfahren |
Übersichten zur Auswertung der Kennzahlen der Topfpflanzenbetriebe 1992 bis 1994, Kapitel 3.2
Übersicht |
Benennung |
Seite |
Übersicht B1: |
Ausgewählte Kennzahlen und Gruppierungskriterien |
1 |
Übersicht B2: |
Gruppierungsdaten (Anzahl Fälle in den Kategorien) |
2 |
Übersicht B3: |
Univariate Statistiken der Strukturdaten |
3 |
Übersicht B4: |
Univariate Statistiken der Investitions- und Vermögensdaten |
4 |
Übersicht B5: |
Univariate Statistiken der Aufwandsdaten |
5 |
Übersicht B6: |
Univariate Statistiken der Erfolgsdaten |
6 |
Übersicht B7: |
Einteilung von Glasfläche, Anzahl Arbeitskräfte und Unternehmensertrag in drei beziehungsweise vier Gruppen mit Hilfe des equal-count-Algorithmus bei einer angestrebten Überlappung von 10% |
7 |
Übersicht B8: |
Tests auf univariate (marginal) und multivariate (radius) Normalverteilung |
8 |
Übersicht B9: |
Univariate Statistiken einiger ausgewählter Kennzahlen vor und nach dem Ausschluß extremer Werte |
9 |
Übersicht B10: |
Rangkorrelationen der Kennzahlen der vier Variablensets untereinander (Korrelationen von mehr als 0,7 sind fett geschrieben) |
10 |
Übersicht B11: |
Rangkorrelationen zwischen den Erfolgskennzahlen und den Kennzahlen der übrigen Datensets (Korrelationen von mehr als 0,7 sind fett geschrieben) |
11 |
Übersicht B12: |
Gruppenbildung der Kennzahlenbetriebe nach Glasfläche, Region und Erhebungsjahr (Anzahl Fälle je Gruppe) |
12 |
Übersicht B13: |
Schätzung der Parameter (k = Form-, b = Skalenparameter) der Gamma-Verteilung aus den Abweichungen der Eigenvektoren der 24 Gruppen der Kennzahlenbetriebe vom ‘typischen Ei genvektor |
13 |
Übersicht B14: |
Ergebnisse des Gruppenanalysemodels der 24 Gruppen der Kennzahlenbetriebe; mittlere Koeffizienten der ersten vier Hauptkomponenten |
14 |
Übersicht B15: |
Ergebnisse des Gruppenanalysemodels der 24 Gruppen der Kennzahlenbetriebe; Winkel (delta) jeder Gruppe zur mittleren Konfiguration in den ersten vier Dimensionen |
15 |
Übersicht B16a: |
Vergleich der Hauptkomponentenanalyseergebnisse für Gruppe 7 und Gruppe 6 der 24 Gruppen der Kennzahlenbetriebe |
16 |
Übersicht B16b: |
Vergleich der Hauptkomponentenanalyseergebnisse für Gruppe 8 und Gruppe 13 der 24 Gruppen der Kennzahlenbetriebe |
17 |
Übersicht B17: |
Eigenwerte und kanonische Mittelwerte der kanonischen Variablenanalyse der 24 Gruppen der Kennzahlenbetriebe; Grundlage der Analyse ist die Matrix der Summen und Produkte der 24 Gruppen, gewichtet mit den Wichtungsfaktoren nach Ausreißeranalyse (CAMPBELL, 1980) |
18 |
Übersicht B18: |
Variablen und ihre Skalierung oder Transformation in Gruppierungs- und Segmentierungsanalysen |
19 |
Übersicht B19: |
In CART verwendete, von 1 abweichende Gewichtungen für ie Objekte nach multivariater Ausreißerprüfung |
20 |
Übersicht B20: |
Beurteilung der Normalverteilung bei der Kennzahl Rentabilitätskoeffizient im vollen und im eingeschränkten Datensatz in den Jahren 1992, 1993, 1994 |
21 |
Übersicht B21: |
Beurteilung der Normalverteilung bei der Kennzahl Rentabilitätskoeffizient im vollen und im eingeschränkten Datendsatz in den Jahren 1992, 1993, 1994 |
22 |
Übersicht B22: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1992, Verwendung der Gewichtung nach Ausreißertests |
23 |
Übersicht B23: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1993, Verwendung der Gewichtung nach Ausreißertests |
24 |
Übersicht B24: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1994, Verwendung der Gewichtung nach Ausreißertests |
25 |
Übersicht B25: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1992, um Extremwerte verkleinerter Datensatz |
26 |
Übersicht B26: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1993, um Extremwerte verkleinerter Datensatz |
27 |
Übersicht B27: |
Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1994, um Extremwerte verkleinerter Datensatz |
28 |
Übersicht B28: |
Minima, Maxima und Quartile für die Prediktovariablen, pro Jahr 297 Werte |
29 |
Übersicht B29: |
Ergebnisse der Segmentierung durch CHAID für die Kennzahlen der Jahre 1992, 1993 und 1994 |
30 |
Übersicht B30: |
Direkte Beziehungen nach Screening in den Jahren 1992, 1993 und 1994 zwischen den sechs ausgewählten Erfolgskennzahlen und den 14 übrigen ausgewählten Kennzahlen |
31 |
Übersicht B31: |
Eliminierte Verbindungen nach Rückwärts-Elimination oder EH-Algorithmus für die Analyse von sechs graphischen Modellen 1993 |
32 |
Übersicht B32: |
Modellsuche graphischer Modelle bei der Analyse von sechs Erfolgskennzahlen, 1992 bis 1994 |
33 |
A-2B-1
Übersicht B1: Ausgewählte Kennzahlen und Gruppierungskriterien
Gruppierungsdaten
abswg |
Absatzweg (indirekt, direkt, indirekt und direkt) |
fak |
Anzahl Arbeitskräfte (<=2 AK, >2 - <=5 AK, >5 AK) |
fglasqm |
Glasfläche (<=2000 qm, >2000 - <=5000 qm, >5000 qm) |
fjahr |
Erhebungsjahr (1992, 1993, 1994) |
funtert |
Unternehmensertrag (<=200000 DM, >200000 - <=500000 DM, >500000 DM) |
given.ak.3 |
shingle Anzahl Arbeitskräfte (Intervalle siehe Übersicht B8) |
given.ak.4 |
shingle Anzahl Arbeitskräfte (Intervalle siehe Übersicht B8) |
given.glasqm.3 |
shingle qm Glasfläche (Intervalle siehe Übersicht B8) |
given.glasqm.4 |
shingle qm Glasfläche (Intervalle siehe Übersicht B8) |
given.untert.3 |
shingle Unternehmensertrag (Intervalle siehe Übersicht B8) |
given.untert.4 |
shingle Unternehmensertrag (Intervalle siehe Übersicht B8) |
region |
Region (übrige Regionen, Region 1) |
Strukturdaten
ak |
Arbeitskräfte insgesamt, Kennzahl 20 |
epertp |
Erträge aus Eigenproduktion in % BE, Kennzahl 32<50>1) |
eqm |
Einheitsquadratmeter, Kennzahl 3 |
fremdakp |
Fremd-AK in % der AK, Kennzahl 21 |
glasqm |
Glasfläche in qm, Kennzahl 2 |
glasqmak |
Glasfläche je AK in qm, Kennzahl 23 |
Investitions- und Vermögensdaten
anvermp |
Anlagevermögen (ohne Boden) in % des Vermögens, Kennzahl 10 |
fkp |
Fremdkapital in % Anlagevermögen (ohne Boden), Kennzahl 14 |
netinvp |
Nettoinvestitionen in % Anlagevermögen (ohne Boden), Kennzahl 27 |
verm |
Vermögen in 1000 DM, Kennzahl 8 |
Aufwandsdaten
allgawp |
allgemeiner Aufwand in % BE, Kennzahl 59 |
heizp |
Heizmaterial in % BE, Kennzahl 45 |
heizqm |
Heizmaterial je qm heizbare Glasfläche (DM), Kennzahl 61 |
lohnak |
Lohn je entlohnte AK (DM), Kennzahl 60 |
lohnqp |
Lohnquote in % BE, Kennzahl 50 |
saatp |
Saat- und Pflanzgut in % BE, Kennzahl 43 |
spezp |
Spezialaufwand Eigenproduktion in % BE, Kennzahl 47 |
Erfolgsdaten <51>
beinkak |
Betriebseinkommen je AK (DM), Kennzahl 75 |
beinkeqm |
Betriebseinkommen je Eqm (DM),Kennzahl 78 |
beinkp |
Betriebseinkommen in % BE, Kennzahl 69 |
kapkoef |
Kapitalkoeffizient, Kennzahl 81 |
rdiffp |
Reinertragsdifferenz in % BE, Kennzahl 81 |
rentkoef |
Rentabilitätskoeffizient, Kennzahl 82 |
rtak |
Reinertrag je AK (DM), Kennzahl 76 |
rteqm |
Reinertrag je Eqm (DM), Kennzahl 79 |
rtp |
Reinertrag in % BE, Kennzahl, 71 |
A-2B-2
Übersicht B2: Gruppierungsdaten (Anzahl Fälle in den Kategorien)
Nobservd
abswg
1.00 710
2.00 101
3.00 80 |
Nobservd
fak
lt 2 69
ge 2 to lt 5 402
ge 5 420 |
Nobservd
fglasqm
lt 2000 80
ge 2000 to lt 5000 378
ge 5000 433 |
Nobservd
fjahr
92.00 297
93.00 297
94.00 297 |
Nobservd
fregion
uebrige Regionen 420
Region 1 471 |
Nobservd
funtert
lt 200000 61
ge 200000 to lt 500000 283
ge 500000 547 |
A-2B-3
Übersicht B3: Univariate Statistiken der Strukturdaten
Summary statistics for ak
Mean = 5.331 Median = 4.630 Minimum = 1.000 Maximum = 18.220 Range = 17.220 Lower quartile = 3.000 Upper quartile = 6.840 Standard deviation = 3.082 Skewness = 1.187 Kurtosis = 1.407 |
Summary statistics for epertp
Mean = 92.717 Median = 96.840 Minimum = 61.540 Maximum = 100.000 Range = 38.460 Lower quartile = 90.240 Upper quartile = 98.665 Standard deviation = 8.877 Skewness = -1.613 Kurtosis = 1.744 |
Summary statistics for eqm
Mean = 140403.336 Median = 118000.000 Minimum = 11000.000 Maximum = 528200.000 Range = 517200.000 Lower quartile = 75250.000 Upper quartile = 184728.000 Standard deviation = 89523.951 Skewness = 1.257 Kurtosis = 1.549
|
Summary statistics for fremdakp
Mean = 61.770 Median = 66.670 Minimum = 0.000 Maximum = 100.000 Range = 100.000 Lower quartile = 49.580 Upper quartile = 78.570 Standard deviation = 21.899 Skewness = -0.924 Kurtosis = 0.381 |
Summary statistics for glasqm
Mean = 5769.003 Median = 4900.000 Minimum = 450.000 Maximum = 20000.000 Range = 19550.000 Lower quartile = 3350.000 Upper quartile = 7500.000 Standard deviation = 3520.436 Skewness = 1.236 Kurtosis = 1.691 |
Summary statistics for glasqmak
Mean = 1214.876 Median = 1128.435 Minimum = 56.729 Maximum = 6655.556 Range = 6598.826 Lower quartile = 745.455 Upper quartile = 1538.462 Standard deviation = 654.557 Skewness = 1.730 Kurtosis = 7.660 |
Für alle Variablen gilt: Number of observations = 891 Number of missing values = 0
Standard Error of Skewness = 0.082 Standard Error of Kurtosis = 0.164
A-2B-4
Übersicht B4: Univariate Statistiken der Investitions- und Vermögensdaten
Summary statistics for anvermp
Mean = 44.929 Median = 45.460 Minimum = 0.000 Maximum = 93.610 Range = 93.610 Lower quartile = 36.800 Upper quartile = 54.430 Standard deviation = 13.839 Skewness = -0.366 Kurtosis = 0.420 |
Summary statistics for fkp
Mean = 161.169 Median = 109.630 Minimum = 0.000 Maximum = 3019.670 Range = 3019.670 Lower quartile = 58.460 Upper quartile = 186.580 Standard deviation = 217.112 Skewness = 6.121 Kurtosis = 56.958 |
Summary statistics for netinvp
Mean = -0.865 Median = -5.810 Minimum = -318.010 Maximum = 241.640 Range = 559.650 Lower quartile = -14.800 Upper quartile = 9.530 Standard deviation = 30.840 Skewness = 0.459 Kurtosis = 23.771 |
Summary statistics for verm
Mean = 721.213 Median = 596.000 Minimum = 67.000 Maximum = 3811.000 Range = 3744.000 Lower quartile = 383.000 Upper quartile = 922.000 Standard deviation = 486.359 Skewness = 1.769 Kurtosis = 4.841 |
|
|
Für alle Variablen gilt: Number of observations = 891 Number of missing values = 0
Standard Error of Skewness = 0.082 Standard Error of Kurtosis = 0.164
A-2B-5
Übersicht B5: Univariate Statistiken der Aufwandsdaten
Summary statistics for allgawp
Mean = 26.576 Median = 25.700 Minimum = 7.130 Maximum = 64.480 Range = 57.350 Lower quartile = 20.730 Upper quartile = 31.950 Standard deviation = 8.208 Skewness = 0.611 Kurtosis = 0.715 |
Summary statistics for heizp
Mean = 7.570 Median = 6.860 Minimum = 0.000 Maximum = 33.140 Range = 33.140 Lower quartile = 4.740 Upper quartile = 9.555 Standard deviation = 4.141 Skewness = 1.561 Kurtosis = 5.184 |
Summary statistics for heizqm
Mean = 9.511 Median = 8.270 Minimum = 0.000 Maximum = 37.350 Range = 37.350 Lower quartile = 5.390 Upper quartile = 12.220 Standard deviation = 5.644 Skewness = 1.177 Kurtosis = 1.542 |
Summary statistics for lohnak
Mean = 33134.164 Median = 32908.610 Minimum = 0.000 Maximum = 114511.000 Range = 114511.000 Lower quartile = 25192.510 Upper quartile = 40267.630 Standard deviation = 12666.877 Skewness = 0.583 Kurtosis = 3.578 |
Summary statistics for lohnqp
Mean = 35.074 Median = 32.350 Minimum = 11.250 Maximum = 242.720 Range = 231.470 Lower quartile = 26.560 Upper quartile = 40.270 Standard deviation = 14.591 Skewness = 4.906 Kurtosis = 54.190 |
Summary statistics for saatp
Mean = 11.747 Median = 9.770 Minimum = 0.000 Maximum = 159.300 Range = 159.300 Lower quartile = 4.090 Upper quartile = 16.950 Standard deviation = 10.849 Skewness = 3.734 Kurtosis = 38.996 |
Summary statistics for spezp
Mean = 33.036 Median = 32.290 Minimum = 6.080 Maximum = 248.160 Range = 242.080 Lower quartile = 24.700 Upper quartile = 39.640 Standard deviation = 12.996 Skewness = 5.399 Kurtosis = 83.239 |
|
|
Für alle Variablen gilt: Number of observations = 891 Number of missing values = 0
Standard Error of Skewness = 0.082 Standard Error of Kurtosis = 0.164
A-2B-6
Übersicht B6: Univariate Statistiken der Erfolgsdaten
Summary statistics for beinkak
Mean = 49215.359 Median = 46764.426 Minimum = -206170.233 Maximum = 162085.671 Range = 368255.904 Lower quartile = 35091.367 Upper quartile = 60218.297 Standard deviation = 23791.709 Skewness = -0.563 Kurtosis = 15.434 |
Summary statistics for beinkeqm
Mean = 2.218 Median = 1.721 Minimum = -1.367 Maximum = 29.878 Range = 31.244 Lower quartile = 1.228 Upper quartile = 2.551 Standard deviation = 2.098 Skewness = 6.258 Kurtosis = 65.276 |
Summary statistics for beinkp
Mean = 37.570 Median = 37.710 Minimum = -206.390 Maximum = 72.750 Range = 279.140 Lower quartile = 31.500 Upper quartile = 44.890 Standard deviation = 13.768 Skewness = -6.472 Kurtosis = 110.045 |
Summary statistics for kapkoef
Mean = 3.247 Median = 2.770 Minimum = -94.300 Maximum = 49.980 Range = 144.280 Lower quartile = 2.130 Upper quartile = 3.635 Standard deviation = 4.547 Skewness = -8.954 Kurtosis = 255.453 |
Summary statistics for rdiffp
Mean = -4.100 Median = -1.720 Minimum = -272.580 Maximum = 42.560 Range = 315.140 Lower quartile = -9.905 Upper quartile = 6.400 Standard deviation = 21.441 Skewness = -5.159 Kurtosis = 56.038 |
Summary statistics for rentkoef
Mean = 0.982 Median = 0.960 Minimum = -3.120 Maximum = 2.980 Range = 6.100 Lower quartile = 0.770 Upper quartile = 1.200 Standard deviation = 0.403 Skewness = -0.625 Kurtosis = 13.224 |
Summary statistics for rtak
Mean = 7771.993 Median = 5666.621 Minimum = -256326.769 Maximum = 110977.995 Range = 367304.764 Lower quartile = -3565.326 Upper quartile = 17742.496 Standard deviation = 21958.218 Skewness = -1.261 Kurtosis = 24.735 |
Summary statistics for rteqm
Mean = 0.257 Median = 0.207 Minimum = -4.337 Maximum = 14.058 Range = 18.395 Lower quartile = -0.163 Upper quartile = 0.614 Standard deviation = 0.995 Skewness = 3.926 Kurtosis = 49.478 |
Summary statistics for rtp
Mean = 2.495 Median = 4.640 Minimum = -256.600 Maximum = 47.470 Range = 304.070 Lower quartile = -3.220 Upper quartile = 12.400 Standard deviation = 20.474 Skewness = -5.305 Kurtosis = 58.422 |
Für alle Variablen gilt: Number of observations = 891 Number of missing values = 0
Standard Error of Skewness = 0.082 Standard Error of Kurtosis = 0.164
A-2B-7
Übersicht B7: Einteilung von Glasfläche, Anzahl Arbeitskräfte und Unternehmensertrag in drei beziehungsweise vier Gruppen mit Hilfe des equal-count-Algorithmus bei einer angestrebten Überlappung von 10%
Arbeitskräfte |
Glasfläche |
Unternehmensertrag |
Intervals: min max count 1.00 3.57 318 3.48 6.00 319 5.80 18.22 318
Overlap between adjacent intervals: [1] 32 32 |
Intervals: min max count 450 4000 335 3839 6700 322 6150 20000 318
Overlap between adjacent intervals: [1] 49 35 |
Intervals: min max count 29003 469423 318 431146 810450 319 766122 6096290 318
Overlap between adjacent intervals: [1] 32 32 |
![]() |
![]() |
![]() |
Intervals: min max count 1.00 3.13 244 3.00 4.77 244 4.51 6.93 243 6.58 18.22 241
Overlap between adjacent intervals: [1] 30 26 25 |
Intervals: min max count 450 3500 256 3300 4980 252 4665 7580 243 7400 20000 242
Overlap between adjacent intervals: [1] 50 26 26 |
Intervals: min max count 29003 384083 241 364982 596013 241 570989 941558 241 899957 6096290 241
Overlap between adjacent intervals: [1] 24 25 24 |
![]() |
![]() |
![]() |
A-2B-8
Übersicht B8: Tests auf univariate (marginal) und multivariate (radius) Normalverteilung
ak allgawp anvermp beinkak beinkeqm beinkp epertp eqm fkp fremdakp glasqm glasqmak heizqm heizp kapkoef lohnak lohnqp netinvp rdiffp rentkoef rtak rteqm rtp saatp spezp verm |
--------------------------------------------------------------- Test statistic --------------------------------- Type of Anderson- Cramer- test Variate(s) Darling von Mises Watson --------------------------------------------------------------- Marginal 1 20.173 ** 3.129 ** 2.356 ** Marginal 2 3.187 ** 0.495 ** 0.346 ** Marginal 3 1.914 ** 0.254 ** 0.188 ** Marginal 4 10.662 ** 1.758 ** 1.585 ** Marginal 5 77.241 ** 14.330 ** 13.176 ** Marginal 6 15.806 ** 2.409 ** 2.322 ** Marginal 7 76.314 ** 13.733 ** 11.811 ** Marginal 8 23.852 ** 3.864 ** 2.970 ** Marginal 9 94.475 ** 17.309 ** 15.957 ** Marginal 10 16.625 ** 2.468 ** 1.870 ** Marginal 11 21.582 ** 3.754 ** 2.967 ** Marginal 12 11.477 ** 1.786 ** 1.330 ** Marginal 13 20.557 ** 3.453 ** 2.688 ** Marginal 14 13.083 ** 2.081 ** 1.548 ** Marginal 15 144.554 ** 27.974 ** 27.913 ** Marginal 16 3.335 ** 0.517 ** 0.503 ** Marginal 17 30.200 ** 4.976 ** 4.343 ** Marginal 18 39.353 ** 7.045 ** 6.855 ** Marginal 19 34.665 ** 6.098 ** 5.616 ** Marginal 20 7.178 ** 1.258 ** 1.215 ** Marginal 21 13.349 ** 2.281 ** 2.197 ** Marginal 22 28.060 ** 4.866 ** 4.759 ** Marginal 23 35.730 ** 6.227 ** 5.768 ** Marginal 24 21.881 ** 3.148 ** 2.538 ** Marginal 25 11.446 ** 1.526 ** 1.350 ** Marginal 26 28.585 ** 4.755 ** 3.738 ** ---------------------------------------------------------------
--------------------------------------------------------------- Test statistic --------------------------------- Type of Anderson- Cramer- test Variate(s) Darling von Mises Watson ---------------------------------------------------------------
Radius
720.130 ** 80.653 ** 23.303 ** ---------------------------------------------------------------
?, *, ** indicate significance at 10%, 5% and 1% levels respectively |
A-2B-9
Übersicht B9: Univariate Statistiken einiger ausgewählter Kennzahlen vor und nach dem Ausschluß extremer Werte
vor Ausschluß extremer Werte |
|
|
|
identifier
allgawp
anvermp
beinkak
beinkeqm
beinkp
glasqmak
heizqm
lohnak
lohnqp
rentkoef
rdiffp
spezp |
missing
0
0
0
0
0
0
0
0
0
0
0
0 |
missing cases |
length mean std.dev. median min. max.
891.0 26.58 8.208 25.70 7.130 64.48
891.0 44.93 13.84 45.46 0 93.61
891.0 49215 23971.7 46764 -206170 162086
891.0 2.218 2.098 1.721 -1.367 29.88
891.0 37.57 13.77 37.71 -206.4 72.75
891.0 1215 654.6 1128 56.73 6656
891.0 9.511 5.644 8.270 0 37.35
891.0 33134 12666.9 32909 0 114511
891.0 35.07 14.59 32.35 11.25 242.7
891.0 0.9825 0.403 0.9600 -3.120 2.980
891.0 -4.100 21.44 -1.720 -272.6 42.56
891.0 33.04 12.99 32.29 6.080 248.2 |
nach Ausschluß extremer Werte |
|
|
|
identifier
allgawp
anvermp
beinkak
beinkeqm
beinkp
glasqmak
heizqm
lohnak
lohnqp
rentkoef
rdiffp
spezp |
missing
0
0
1
3
1
4
0
3
3
1
3
1 |
missing cases
557
811,812,813
557
349,401,557,558
316,361,362
484,485,486
557
485,486,557
557 |
length mean std.dev. median min. max.
891.0 26.58 8.208 25.70 7.130 64.48
891.0 44.93 13.84 45.46 0 93.61
891.0 49502 7084.1 46852 -28691 162086
891.0 2.138 1.562 1.719 -1.367 11.52
891.0 37.84 11.08 37.72 -31.44 72.75
891.0 1197 598.7 1128 56.73 3929
891.0 9.511 5.644 8.270 0 37.35
891.0 32895 11988.8 32868 0 78459
891.0 34.60 11.74 32.30 11.25 102.6
891.0 0.9871 0.379 0.9600 -0.5500 2.980
891.0 -3.347 16.70 -1.690 -91.94 42.56
891.0 32.79 10.82 32.27 6.080 84.20 |
A-2B-10
Übersicht B10: Rangkorrelationen der Kennzahlen der vier Variablensets untereinander (Korrelationen von mehr als 0,7 sind fett geschrieben) Spearman Rank Correlation
*** Correlation matrix (adjusted for ties) *** Sample size: 891 Korrelationen der Erfolgsdaten untereinander 1 1.000 2 0.341 1.000 3 0.536 0.408 1.000 4 -0.503 -0.451 -0.742 1.000 5 0.846 0.381 0.627 -0.664 1.000 6 0.853 0.391 0.652 -0.680 0.994 1.000 7 0.905 0.344 0.564 -0.551 0.971 0.974 1.000 8 0.814 0.487 0.573 -0.587 0.943 0.941 0.935 1.000 9 0.859 0.356 0.629 -0.596 0.990 0.985 0.982 0.944 1.000 1 2 3 4 5 6 7 8 9 1 beinkak 2 beinkeqm 3 beinkp 4 kapkoef 5 rdiffp 6 rentkoef 7 rtak 8 rteqm 9 rtp Korrelationen der Strukturdaten untereinander 10 1.000 11 0.005 1.000 12 0.540 0.384 1.000 13 0.807 -0.028 0.423 1.000 14 0.603 0.346 0.941 0.474 1.000 15 -0.336 0.363 0.497 -0.286 0.491 1.000 10 11 12 13 14 15 10 ak 11 epertp 12 eqm 13 fremdakp 14 glasqm 15 glasqmak Korrelationen der Investitions- und Vermögensdaten untereinander 16 1.000 17 -0.296 1.000 18 0.237 -0.115 1.000 19 0.426 -0,.80 0.199 1.000 16 17 18 19 16 anvermp 17 fkp 18 netinvp 19 verm Korrelationen der Aufwandsdaten untereinander 20 1.000 21 -0.023 1.000 22 -0.265 0.587 1.000 23 -0.126 -0.012 0.084 1.000 24 -0.029 0.258 0.110 0.150 1.000 25 -0.293 0.080 0.280 -0.036 -0.264 1.000 26 -0.180 0.401 0.252 -0.086 -0.168 0.737 1.000 20 21 22 23 24 25 26 20 allgawp 21 heizp 22 heizqm 23 lohnak 24 lohnqp 25 saatp 26 spezp |
A-2B-11
Übersicht B11: Rangkorrelationen zwischen den Erfolgskennzahlen und den Kennzahlen der übrigen Datensets (Korrelationen von mehr als 0,7 sind fett geschrieben)
Spearman Rank Correlation
*** Correlation matrix (adjusted for ties) *** Sample size: 891 Korrelationen der Erfolgsdaten und der Strukturdaten 10 0.004 0.360 0.128 -0.174 0.134 0.134 0.083 0.188 0.119 11 0.205 -0.247 0.072 -0.060 0.206 0.207 0.219 0.138 0.215 12 0.332 -0.278 0.097 -0.086 0.304 0.304 0.331 0.228 0.318 13 0.032 0.333 0.123 -0.146 0.165 0.166 0.125 0.218 0.156 14 0.299 -0.182 0.022 -0.062 0.256 0.253 0.284 0.206 0.263 15 0.390 -0.604 -0.066 0.065 0.225 0.220 0.303 0.116 0.249 1 2 3 4 5 6 7 8 9 10 ak 11 epertp 12 eqm 13 fremdakp 14 glasqm 15 glasqmak Korelation der Erfolgsdaten mit den Investitions- und Vermögensdaten 16 0.174 0.088 0.002 0.410 0.055 0.054 0.166 0.137 0.150 17 -0.249 -0.192 -0.212 0.064 -0.220 -0.220 -0.242 -0.239 -0.248 18 0.148 -0.014 0.014 0.063 0.144 0.138 0.175 0.156 0.167 19 0.272 0.234 -0.048 0.140 0.190 0.182 0.249 0.255 0.228 1 2 3 4 5 6 7 8 9 16 anvermp 17 fkp 18 netinvp 19 verm Korrelationen der Erfolgsdaten und der Aufwandsdaten 20 -0.226 -0.473 -0.397 0.442 -0.289 -0.287 -0.226 -0.292 -0.256 21 -0.339 -0.282 -0.264 0.223 -0.382 -0.377 -0.383 -0.376 -0.384 22 -0.234 0.424 -0.190 0.087 -0.238 -0.242 -0.263 -0.135 -0.259 23 0.359 0.236 0.174 -0.131 0.019 0.031 0.055 0.054 0.019 24 -0.564 -0.113 0.144 0.026 -0.611 -0.584 -0.670 -0.597 -0.621 25 -0.126 0.110 -0.499 0.236 -0.163 -0.184 -0.144 -0.110 -0.185 26 -0.282 -0.277 -0.660 0.404 -0.345 -0.365 -0.313 -0.318 -0.362 1 2 3 4 5 6 7 8 9 20 allgawp 21 heizp 22 heizqm 23 lohnak 24 lohnqp 25 saatp 26 spezp Korrelationen einiger Aufwandsdaten und der Strukturdaten 20 -0.159 -0.020 0.121 -0.157 0.067 0.270 1.000 24 -0.029 -0.181 -0.300 -0.069 -0.316 -0.364 -0.029 1.000 26 -0.090 0.268 0.001 -0.079 0.077 0.109 -0.180 -0.168 1.000 10 11 12 13 14 15 20 24 26 20 allgawp 24 lohnqp 26 spezp 10 ak 11 epertp 12 eqm 13 fremdakp 14 glasqm 15 glasqmak Korrelationen einiger Aufwandsdaten und der Vermögensdaten 20 0.180 -0.101 0.057 0.010 1.000 24 -0.220 0.114 -0.216 -0.373 -0.029 1.000 26 -0.151 0.297 -0.041 0.017 -0.180 -0.168 1.000 16 17 18 19 20 24 26 20 allgawp 24 lohnqp 26 spezp 16 anvermp 17 fkp 18 netinvp 19 verm |
A-2B-12
Übersicht B12: Gruppenbildung der Kennzahlenbetriebe nach Glasfläche, Region und Erhebungsjahr (Anzahl Fälle je Gruppe)
Glasfläche (shingle) 1 2 3 4 Nobservd Gruppe 1 57 0 0 0 57 2 51 0 0 0 51 3 50 0 0 0 50 4 34 0 0 0 34 5 33 0 0 0 33 6 31 0 0 0 31 7 0 30 0 0 30 8 0 32 0 0 32 9 0 33 0 0 33 10 0 38 0 0 38 11 0 35 0 0 35 12 0 34 0 0 34 13 0 0 24 0 24 14 0 0 24 0 24 15 0 0 24 0 24 16 0 0 48 0 48 17 0 0 49 0 49 18 0 0 48 0 48 19 0 0 0 29 29 20 0 0 0 33 33 21 0 0 0 33 33 22 0 0 0 37 37 23 0 0 0 40 40 24 0 0 0 44 44
256 202 217 216 891 |
Region uebrige Region 1 Nobservd Laender Gruppe 1 57 0 57 2 51 0 51 3 50 0 50 4 0 34 34 5 0 33 33 6 0 31 31 7 30 0 30 8 32 0 32 9 33 0 33 10 0 38 38 11 0 35 35 12 0 34 34 13 24 0 24 14 24 0 24 15 24 0 24 16 0 48 48 17 0 49 49 18 0 48 48 19 29 0 29 20 33 0 33 21 33 0 33 22 0 37 37 23 0 40 40 24 0 44 44
420 471 891 |
Jahr 1992 1993 1994 Nobservd Gruppe 1 57 0 0 57 2 0 51 0 51 3 0 0 50 50 4 34 0 0 34 5 0 33 0 33 6 0 0 31 31 7 30 0 0 30 8 0 32 0 32 9 0 0 33 33 10 38 0 0 38 11 0 35 0 35 12 0 0 34 34 13 24 0 0 24 14 0 24 0 24 15 0 0 24 24 16 48 0 0 48 17 0 49 0 49 18 0 0 48 48 19 29 0 0 29 20 0 33 0 33 21 0 0 33 33 22 37 0 0 37 23 0 40 0 40 24 0 0 44 44
297 297 297 891 |
Zusammenfassung Fläche Region Jahr Anzahl Gruppe 1 1 übrige 1992 57 2 1 übrige 1993 51 3 1 übrige 1994 50 4 1 Region 1 1992 34 5 1 Region 1 1993 33 6 1 Region 1 1994 31 7 2 übrige 1992 30 8 2 übrige 1993 32 9 2 übrige 1994 33 10 2 Region 1 1992 38 11 2 Region 1 1993 35 12 2 Region 1 1994 34 13 3 übrige 1992 24 14 3 übrige 1993 24 15 3 übrige 1994 24 16 3 Region 1 1992 48 17 3 Region 1 1993 49 18 3 Region 1 1994 48 19 4 übrige 1992 29 20 4 übrige 1993 33 21 4 übrige 1994 33 22 4 Region 1 1992 37 23 4 Region 1 1993 40 24 4 Region 1 1994 44
|
A-2B-13
Übersicht B13: Schätzung der Parameter (k = Form-, b = Skalenparameter) der Gamma-Verteilung aus den Abweichungen der Eigenvektoren der 24 Gruppen der Kennzahlenbetriebe vom ‘typischen Eigenvektor
**** first eigenvector ****
***** Fit continuous distribution *****
*** Sample Statistics *** Sample Size 24 Mean 0.16 Variance 0.02 Skewness 1.85 Kurtosis 2.66 Quartiles: 25% 50% 75% 0.1 0.1 0.2
*** Summary of analysis *** Observations: dist Parameter estimates from individual data values Distribution: Gamma f(x) = (b**k).(x**(k-1)).exp(-bx)/Gamma(k), x>0 Deviance: 0.86 on 2 d.f.
*** Estimates of parameters *** estimate s.e. Correlations k 1.5868 0.4191 1.0000 b 10.1209 3.1366 0.8523 1.0000
*** Fitted quartiles *** 25% 50% 75% 0.066 0.125 0.214
*** Fitted values (expected frequencies) and residuals *** x Number Number Weighted Observed Expected Residual < 0.047 4 3.91 0.05 < 0.083 5 3.93 0.52 < 0.128 5 4.42 0.27 < 0.199 5 4.96 0.02 > 0.199 5 6.78 -0.72
|
**** second eigenvector ****
***** Fit continuous distribution *****
*** Sample Statistics *** Sample Size 24 Mean 0.58 Variance 0.14 Skewness 0.79 Kurtosis -0.07 Quartiles: 25% 50% 75% 0.3 0.5 0.9
*** Summary of analysis *** Observations: dist Parameter estimates from individual data values Distribution: Gamma f(x) = (b**k).(x**(k-1)).exp(-bx)/Gamma(k), x>0 Deviance: 0.77 on 2 d.f.
*** Estimates of parameters *** estimate s.e. Correlations k 2.3266 0.6297 1.0000 b 3.9975 1.2071 0.8964 1.0000
*** Fitted quartiles *** 25% 50% 75% 0.301 0.501 0.775
*** Fitted values (expected frequencies) and residuals *** x Number Number Weighted Observed Expected Residual < 0.23 4 3.93 0.03 < 0.44 5 6.43 -0.59 < 0.60 5 4.12 0.42 < 0.92 5 5.47 -0.20 > 0.92 5 4.05 0.46 |
**** third eigenvector ****
***** Fit continuous distribution *****
*** Sample Statistics *** Sample Size 24 Mean 0.82 Variance 0.23 Skewness 0.37 Kurtosis -0.81 Quartiles: 25% 50% 75% 0.4 0.8 1.2
*** Summary of analysis *** Observations: dist Parameter estimates from individual data values Distribution: Gamma f(x) = (b**k).(x**(k-1)).exp(-bx)/Gamma(k), x>0 Deviance: 3.91 on 2 d.f.
*** Estimates of parameters *** estimate s.e. Correlations k 2.5196 0.6850 1.0000 b 3.0845 0.9277 0.9039 1.0000
*** Fitted quartiles *** 25% 50% 75% 0.438 0.712 1.082
*** Fitted values (expected frequencies) and residuals *** x Number Number Weighted Observed Expected Residual < 0.35 4 4.08 -0.04 < 0.57 5 4.82 0.08 < 1.03 5 8.42 -1.28 < 1.24 5 2.39 1.47 > 1.24 5 4.29 0.33 |
**** fourth eigenvector ****
***** Fit continuous distribution *****
*** Sample Statistics *** Sample Size 24 Mean 1.04 Variance 0.20 Skewness 0.35 Kurtosis -1.28 Quartiles: 25% 50% 75% 0.7 0.9 1.5
*** Summary of analysis *** Observations: dist Parameter estimates from individual data values Distribution: Gamma f(x) = (b**k).(x**(k-1)).exp(-bx)/Gamma(k), x>0 Deviance: 3.54 on 2 d.f.
*** Estimates of parameters *** estimate s.e. Correlations k 5.3403 1.4967 1.0000 b 5.1510 1.5138 0.9537 1.0000
*** Fitted quartiles *** 25% 50% 75% 0.710 0.973 1.294
*** Fitted values (expected frequencies) and residuals *** x Number Number Weighted Observed Expected Residual < 0.61 4 3.93 0.04 < 0.81 5 4.25 0.36 < 1.00 5 4.41 0.27 < 1.59 5 8.68 -1.36 > 1.59 5 2.74 1.22 |
A-2B-14
Übersicht B14: Ergebnisse des Gruppenanalysemodels der 24 Gruppen der Kennzahlenbetriebe; mittlere Koeffizienten der ersten vier Hauptkomponenten
*** Between-Groups Comparison of Principal Components ***
average component loadings b that minimize V directions closest to each subspace |
||||
varname |
b[1] |
b[2] |
b[3] |
b[4] |
allgawp |
0.2357 |
-0.3868 |
-0.0770 |
-0.2056 |
spezp |
0.2180 |
0.1731 |
-0.1986 |
0.5007 |
lohnqp |
0.1874 |
0.2726 |
0.3642 |
-0.4040 |
lohnak |
-0.0271 |
-0.0201 |
0.0290 |
-0.2747 |
heizqm |
-0.0102 |
0.3571 |
-0.3305 |
0.1157 |
eqm |
-0.0242 |
-0.2621 |
0.4273 |
0.1097 |
glasqm |
-0.0186 |
-0.2195 |
0.3220 |
0.2151 |
glasqmak |
0.0653 |
-0.3908 |
0.0683 |
0.2796 |
fkp |
0.1187 |
0.2351 |
0.2858 |
0.3352 |
anvermp |
-0.0005 |
-0.3573 |
-0.3363 |
-0.2536 |
beinkp |
-0.3654 |
0.0734 |
0.2928 |
-0.2471 |
beinkak |
-0.3541 |
-0.1997 |
-0.0917 |
0.0843 |
beinkeqm |
-0.3449 |
0.2209 |
-0.2575 |
-0.1443 |
kapkoef |
0.3379 |
-0.2118 |
-0.2472 |
-0.0722 |
rentkoef |
-0.4207 |
-0.1084 |
-0.0284 |
0.1441 |
rdiffp |
-0.4154 |
-0.1220 |
-0.0618 |
0.1636 |
Variablen sortiert nach erster Variablen sortiert nach zweiter
mittlerer Hauptkomponente mittlerer Hauptkomponente
(Erfolgs- und Kostendimension) (Technologie- und Vermögensdimension)
varname |
b[1] |
|
varname |
b[2] |
rentkoef |
-0.4207 |
|
glasqmak |
-0.3908 |
rdiffp |
-0.4154 |
|
allgawp |
-0.3868 |
beinkp |
-0.3654 |
|
anvermp |
-0.3573 |
beinkak |
-0.3541 |
|
eqm |
-0.2621 |
beinkeqm |
-0.3449 |
|
glasqm |
-0.2195 |
kapkoef |
0.3379 |
|
beinkak |
-0.1997 |
|
|
|
rdiffp |
-0.1220 |
lohnak |
-0.0271 |
|
rentkoef |
-0.1084 |
eqm |
-0.0242 |
|
|
|
glasqm |
-0.0186 |
|
lohnak |
-0.0201 |
heizqm |
-0.0102 |
|
beinkp |
0.0734 |
anvermp |
-0.0005 |
|
|
|
glasqmak |
0.0653 |
|
spezp |
0.1731 |
|
|
|
kapkoef |
-0.2118 |
fkp |
0.1187 |
|
beinkeqm |
0.2209 |
lohnqp |
0.1874 |
|
fkp |
0.2351 |
spezp |
0.2180 |
|
lohnqp |
0.2726 |
allgawp |
0.2357 |
|
heizqm |
0.3571 |
|
|
|
|
|
A-2B-15
Übersicht B15: Ergebnisse des Gruppenanalysemodells der 24 Gruppen der Kennzahlenbetriebe; Winkel (delta) jeder Gruppe zur mittleren Konfiguration in den ersten vier Dimensionen
*** Between-Groups Comparison of Principal Components *** angles formed by each group with each direction group delta[1] delta[2] delta[3] delta[4] 1 10.23 16.05 50.86 12.87 2 12.33 17.15 30.17 14.23 3 15.89 18.25 22.55 15.41 4 8.51 18.33 15.46 38.59 5 14.92 25.60 40.86 41.18 6 37.68 34.20 41.67 59.87 7 7.08 12.35 31.44 49.52 8 11.09 11.78 60.39 60.70 9 8.36 12.74 74.14 27.87 10 12.65 25.17 22.59 26.71 11 11.12 25.16 18.75 59.48 12 8.55 15.57 48.71 43.96 13 21.61 66.84 28.69 36.33 14 11.43 50.08 26.43 17.55 15 8.30 21.29 34.56 16.07 16 14.64 18.93 29.83 32.65 17 12.37 17.02 18.88 54.25 18 15.21 20.17 38.59 48.51 19 8.37 21.95 37.78 25.33 20 10.20 15.02 18.05 28.56 21 16.63 17.91 8.20 36.96 22 9.28 15.59 18.40 49.89 23 9.58 18.73 25.78 38.05 24 16.86 21.15 23.36 35.68 sum of squared cosines sscos 22.76 19.97 16.86 15.15 the groups are defined by qm1_shn fregion fjahr with levels 4.000 2.000 3.000 |
A-2B-16
Übersicht B16a: Vergleich der Hauptkomponentenanalyseergebnisse für Gruppe 7 und Gruppe 6 der 24 Gruppen der Kennzahlenbetriebe
***** Analysis of Subgroup 7 *****
Total number of units in data = 30
No outliers were detected
Number of iterations used = 1
No Root %% Cum % Scree Diagram (* represents 1%)
1 5.0062 313 313 31 *******************************
2 3.4947 218 531 22 **********************
3 1.8885 118 649 12 ************
4 1.5689 98 747 10 **********
5 1.0490 66 813 7 *******
6 0.8460 53 866 5 *****
7 0.6660 42 907 4 ****
8 0.5913 37 944 4 ****
9 0.4514 28 973 3 ***
10 0.2161 14 986 1 *
11 0.1017 6 992 1 *
12 0.0598 4 996 0
13 0.0346 2 998 0
14 0.0219 1 1000 0
15 0.0034 0 1000 0
16 0.0005 0 1000 0
Scale: 1 asterisk represents 1 unit. |
***** Analysis of Subgroup 6 *****
Total number of units in data = 31
No outliers were detected
Number of iterations used = 1
No Root %% Cum % Scree Diagram (* represents 2%)
1 6.0999 381 381 38 *******************
2 2.1535 135 516 13 *******
3 1.7955 112 628 11 ******
4 1.2453 78 706 8 ****
5 1.1292 71 776 7 ****
6 1.0141 63 840 6 ***
7 0.7906 49 889 5 ***
8 0.6141 38 928 4 **
9 0.5248 33 960 3 **
10 0.2635 16 977 2 *
11 0.2130 13 990 1 *
12 0.0810 5 995 1 *
13 0.0383 2 998 0
14 0.0290 2 999 0
15 0.0081 1 1000 0
16 0.0001 0 1000 0
Scale: 1 asterisk represents 2 units. |
l[7]['Vectors']
1 2 3 4
1 0.1017 0.4256 -0.2232 0.0200
2 0.1894 -0.0899 0.5067 0.0140
3 0.2476 -0.2377 -0.3031 -0.1737
4 -0.0733 -0.1649 0.4446 0.2986
5 0.0872 -0.3448 0.1474 0.1450
6 -0.0534 0.1482 0.2422 -0.5392
7 -0.0846 0.0531 0.3169 -0.5099
8 -0.0357 0.3741 0.2220 -0.0691
9 0.1241 -0.2543 -0.1641 -0.3347
10 -0.1227 0.4383 -0.0964 0.2073
11 -0.3760 -0.0641 -0.2856 -0.1220
12 -0.3899 0.0408 0.2185 0.1123
13 -0.2815 -0.2672 -0.0498 0.2604
14 0.2955 0.3295 0.0553 0.2050
15 -0.4377 0.0196 -0.0071 -0.0124
16 -0.4316 0.0244 -0.0513 -0.1050
1 allgawp 2 spezp 3 lohnqp
4 lohnak 5 heizqm 6 eqm
7 glasqm 8 glasqmak 9 fkp
10 anvermp 11 beinkp 12 beinkak
13 beinkeqm 14 kapkoef 15 rdiffp
16 rentkoef |
l[6]['Vectors']
1 2 3 4
1 0.2576 0.0800 -0.0664 0.4383
2 0.1816 0.3729 0.2401 -0.1729
3 0.3717 0.0667 -0.0032 -0.1846
4 0.0718 0.2321 0.1054 0.4025
5 -0.0158 -0.2670 0.3756 -0.0695
6 -0.2316 0.1785 -0.2944 0.3580
7 -0.2596 0.3093 -0.1880 0.1863
8 -0.1528 0.4116 -0.1284 -0.4200
9 0.0317 -0.1108 -0.4861 -0.2513
10 -0.1832 0.4191 0.2895 0.0453
11 -0.3304 -0.2500 -0.1372 -0.2305
12 -0.3153 0.2344 0.1965 -0.1441
13 -0.1761 -0.2895 0.4655 0.1359
14 -0.2645 -0.1352 -0.1667 0.2428
15 -0.3864 -0.1349 -0.0337 0.0868
16 -0.3454 0.0484 0.1552 -0.1174
1 allgawp 2 spezp 3 lohnqp
4 lohnak 5 heizqm 6 eqm
7 glasqm 8 glasqmak 9 fkp
10 anvermp 11 beinkp 12 beinkak
13 beinkeqm 14 kapkoef 15 rdiffp
16 rentkoef |
The first two principal components explain 53.13
percent of the total variation in the data
The adequacy of fit of the variables in two dimensions is
allgawp 0.1915
spezp 0.0439
lohnqp 0.1178
lohnak 0.0326
heizqm 0.1265
eqm 0.0248
glasqm 0.0100
glasqmak 0.1412
fkp 0.0801
anvermp 0.2072
beinkp 0.1455
beinkak 0.1537
beinkeqm 0.1506
kapkoef 0.1959
rdiffp 0.1919
rentkoef 0.1868 |
The first two principal components explain 51.58
percent of the total variation in the data
The adequacy of fit of the variables in two dimensions is
allgawp 0.0728
spezp 0.1720
lohnqp 0.1426
lohnak 0.0590
heizqm 0.0716
eqm 0.0855
glasqm 0.1631
glasqmak 0.1928
fkp 0.0133
anvermp 0.2092
beinkp 0.1717
beinkak 0.1544
beinkeqm 0.1148
kapkoef 0.0883
rdiffp 0.1675
rentkoef 0.1216 |
A-2B-17
Übersicht B16b: Vergleich der Hauptkomponentenanalyseergebnisse für Gruppe 8 und Gruppe 13 der 24 Gruppen der Kennzahlenbetriebe
***** Analysis of Subgroup 8 *****
Total number of units in data = 32
No outliers were detected
Number of iterations used = 1
No Root %% Cum % Scree Diagram (* represents 1%)
1 5.4118 338 338 34 **********************************
2 3.1687 198 536 20 ********************
3 1.8936 118 655 12 ************
4 1.3362 84 738 8 ********
5 1.2970 81 819 8 ********
6 0.8955 56 875 6 ******
7 0.6215 39 914 4 ****
8 0.4767 30 944 3 ***
9 0.3913 24 968 2 **
10 0.2780 17 986 2 **
11 0.0995 6 992 1 *
12 0.0560 4 995 0
13 0.0363 2 998 0
14 0.0319 2 1000 0
15 0.0052 0 1000 0
16 0.0008 0 1000 0
Scale: 1 asterisk represents 1 unit.
|
***** Analysis of Subgroup 13 *****
Total number of units in data = 24
No outliers were detected
Number of iterations used = 1
No Root %% Cum % Scree Diagram (* represents 2%)
1 5.922 370 370 37 *******************
2 3.152 197 567 20 **********
3 2.309 144 711 14 *******
4 1.299 81 793 8 ****
5 0.917 57 850 6 ***
6 0.739 46 896 5 ***
7 0.499 31 927 3 **
8 0.355 22 950 2 *
9 0.320 20 970 2 *
10 0.229 14 984 1 *
11 0.163 10 994 1 *
12 0.066 4 998 0
13 0.021 1 1000 0
14 0.005 0 1000 0
15 0.003 0 1000 0
16 0.000 0 1000 0
Scale: 1 asterisk represents 2 units. |
l[8]['Vectors']
1 2 3 4
1 0.1937 -0.3912 0.0844 -0.2782
2 0.2811 0.1369 -0.2442 0.2024
3 0.1332 0.3069 0.0253 -0.0672
4 -0.1084 -0.0563 -0.4429 -0.3841
5 0.0632 0.4105 -0.1298 0.1149
6 -0.0935 -0.0992 -0.4549 0.3121
7 -0.0425 -0.0423 -0.4141 0.4691
8 0.1491 -0.3536 -0.3344 -0.2418
9 0.0361 0.2965 -0.0748 -0.4606
10 0.0305 -0.4469 0.2384 0.2618
11 -0.3801 0.0272 0.1032 0.0408
12 -0.3378 -0.2041 -0.2296 -0.2227
13 -0.3395 0.1329 0.2611 0.0418
14 0.3272 -0.2462 0.1859 0.0594
15 -0.4099 -0.0956 0.0188 0.0528
16 -0.4074 -0.0904 0.0210 -0.0186
1 allgawp 2 spezp 3 lohnqp
4 lohnak 5 heizqm 6 eqm
7 glasqm 8 glasqmak 9 fkp
10 anvermp 11 beinkp 12 beinkak
13 beinkeqm 14 kapkoef 15 rdiffp
16 rentkoef |
l[13]['Vectors']
1 2 3 4
1 0.2453 -0.3026 -0.0280 -0.0087
2 0.3471 0.0630 -0.2600 0.0498
3 0.2495 0.1277 0.4130 0.1579
4 0.0046 -0.0026 -0.0646 0.7804
5 -0.0065 -0.3737 -0.1845 -0.1575
6 0.1020 0.4004 0.2886 0.0925
7 0.0981 0.4727 0.1624 -0.1240
8 0.0251 0.2886 -0.4093 0.2884
9 0.1768 0.1969 -0.4314 -0.0234
10 -0.0534 -0.3337 0.0621 0.3595
11 -0.3610 0.2031 0.1523 -0.0011
12 -0.3664 0.0737 -0.1348 0.254
13 -0.3630 -0.1436 -0.0046 -0.0337
14 -0.0636 -0.1867 0.4449 0.1568
15 -0.3892 0.1006 -0.1007 -0.1035
16 -0.3877 0.1382 -0.0791 -0.0255
1 allgawp 2 spezp 3 lohnqp
4 lohnak 5 heizqm 6 eqm
7 glasqm 8 glasqmak 9 fkp
10 anvermp 11 beinkp 12 beinkak
13 beinkeqm 14 kapkoef 15 rdiffp
16 rentkoef |
The first two principal components explain 53.63
percent of the total variation in the data
The adequacy of fit of the variables in two dimensions is
allgawp 0.1906
spezp 0.0978
lohnqp 0.1119
lohnak 0.0149
heizqm 0.1725
eqm 0.0186
glasqm 0.0036
glasqmak 0.1473
fkp 0.0892
anvermp 0.2007
beinkp 0.1452
beinkak 0.1557
beinkeqm 0.1330
kapkoef 0.1677
rdiffp 0.1772
rentkoef 0.1742 |
The first two principal components explain 56.71
percent of the total variation in the data
The adequacy of fit of the variables in two dimensions is
allgawp 0.1517
spezp 0.1244
lohnqp 0.0786
lohnak 0.0000
heizqm 0.1397
eqm 0.1707
glasqm 0.2330
glasqmak 0.0839
fkp 0.0700
anvermp 0.1142
beinkp 0.1716
beinkak 0.1397
beinkeqm 0.1524
kapkoef 0.0389
rdiffp 0.1616
rentkoef 0.1694 |
A-2B-18
Übersicht B17: Eigenwerte und kanonische Mittelwerte der kanonischen Variablenanalyse der 24 Gruppen der Kennzahlenbetriebe; Grundlage der Analyse ist die Matrix der Summen und Produkte der 24 Gruppen, gewichtet mit den Wichtungsfaktoren nach Ausreißeranalyse (CAMPBELL, 1980)
***** Canonical variate analysis *****
*** Latent Roots ***
lcon['Roots'] 1 2 4.505 0.829
*** Percentage variation ***
lcon['Roots'] 1 2 77.59 14.28
*** Trace ***
lcon['Trace'] 5.806 |
*** Canonical Variate Means ***
cvacon 1 2 1 -2.331 -1.120 2 -2.420 -0.988 3 -2.406 -0.703 4 -2.110 0.905 5 -2.070 0.942 6 -2.024 1.293 7 -1.003 -0.977 8 -1.043 -1.060 9 -1.030 -0.771 10 -0.956 0.990 11 -0.985 1.139 12 -0.978 1.192 13 0.319 -0.549 14 0.275 -0.710 15 0.208 -0.600 16 0.336 0.781 17 0.340 0.769 18 0.306 0.807 19 3.086 -1.132 20 3.104 -1.138 21 3.225 -0.927 22 3.471 0.304 23 3.443 0.296 24 3.402 0.606 |
A-2B-19
Übersicht B18: Variablen und ihre Skalierung oder Transformation in Gruppierungs- und Segmentierungsanalysen
Kennzahl |
Skalierung in modellbegründeter Clusteranaylse |
Skalierung für hierarchische und nicht hierarchische Clusteranalyse zur Errechnung der Proximitätsmatrix |
Kennzahlen in CART |
Skalierung der Kennzahlen in CHAID (ordinal skalierte Variablen) |
fabswg fregion
ak epertp eqm fremdakp glasqm glasqmak
anvermp fkp netinvp verm
allgawp heizqm lohnak lohnqp spezp
beinkak beinkweqm beinkp kapkoef rentkoef rdiffp |
- -
standardisiert (r) standardisiert (r) standardisiert (r) standardisiert (r) standardisiert (r) standardisiert (r)
standardisiert (r) standardisiert (r) standardisiert (i) standardisiert (r)
- standardisiert (r) standardisiert (r) - -
standardisiert (i) standardisiert (i) standardisiert (i) standardisiert (i) standardisiert (i) standardisiert (i) |
nominal nominal
ordinal ordinal ordinal ordinal ordinal ordinal
ordinal ordinal ordinal ordinal
- ordinal ordinal - -
ordinal ordinal ordinal ordinal ordinal ordinal |
nominal nominal
(r) (r) (r) (r) (r) (r)
(r) (r) (i) (r)
(r) (r) (r) (r) (r)
- - - - (i) - |
nominal, frei nominal, frei
ordinal, monoton ordinal, monoton ordinal, monoton ordinal, monoton ordinal, monoton ordinal, monoton
ordinal, monoton ordinal, monoton ordinal, monoton ordinal, monoton
- ordinal, monoton ordinal, monoton - -
- - - - ordinal, monoton - |
(i) Intervallskala
A-2B-20
Übersicht B19: In CART verwendete, von 1 abweichende Gewichtungen für die Objekte nach multivariater Ausreißerprüfung
Betrieb |
Gewicht |
Mahalanobis-Distanz |
Betrieb |
Gewicht |
Mahalanobis-Distanz |
486 |
0.000 |
50.152 |
728 |
0.525 |
6.847 |
557 |
0.000 |
38.299 |
429 |
0.528 |
6.841 |
501 |
0.000 |
27.761 |
82 |
0.584 |
6.724 |
485 |
0.000 |
25.484 |
656 |
0.593 |
6.706 |
500 |
0.000 |
22.651 |
370 |
0.599 |
6.693 |
386 |
0.000 |
17.251 |
114 |
0.606 |
6.679 |
499 |
0.000 |
16.660 |
786 |
0.620 |
6.651 |
403 |
0.000 |
16.221 |
355 |
0.623 |
6.645 |
387 |
0.000 |
15.501 |
311 |
0.633 |
6.624 |
484 |
0.000 |
15.210 |
770 |
0.637 |
6.616 |
796 |
0.000 |
14.368 |
232 |
0.663 |
6.562 |
417 |
0.000 |
13.687 |
290 |
0.670 |
6.548 |
380 |
0.000 |
13.092 |
258 |
0.679 |
6.529 |
385 |
0.000 |
12.834 |
713 |
0.686 |
6.515 |
882 |
0.000 |
12.358 |
289 |
0.693 |
6.500 |
381 |
0.000 |
11.638 |
759 |
0.701 |
6.483 |
558 |
0.000 |
11.623 |
124 |
0.707 |
6.471 |
401 |
0.000 |
11.284 |
784 |
0.717 |
6.450 |
416 |
0.000 |
11.165 |
819 |
0.730 |
6.423 |
436 |
0.000 |
10.750 |
818 |
0.730 |
6.423 |
743 |
0.000 |
10.382 |
206 |
0.730 |
6.422 |
798 |
0.001 |
10.248 |
163 |
0.731 |
6.421 |
349 |
0.001 |
10.236 |
295 |
0.742 |
6.398 |
2 |
0.001 |
10.067 |
771 |
0.745 |
6.390 |
404 |
0.002 |
9.907 |
283 |
0.754 |
6.372 |
29 |
0.002 |
9.869 |
236 |
0.762 |
6.355 |
379 |
0.002 |
9.790 |
3 |
0.763 |
6.351 |
30 |
0.003 |
9.729 |
147 |
0.780 |
6.314 |
28 |
0.006 |
9.456 |
826 |
0.799 |
6.272 |
371 |
0.007 |
9.374 |
812 |
0.808 |
6.252 |
362 |
0.009 |
9.309 |
1 |
0.816 |
6.233 |
453 |
0.010 |
9.227 |
679 |
0.818 |
6.229 |
64 |
0.013 |
9.146 |
126 |
0.819 |
6.226 |
145 |
0.015 |
9.069 |
194 |
0.827 |
6.207 |
415 |
0.018 |
8.982 |
129 |
0.831 |
6.197 |
634 |
0.021 |
8.912 |
785 |
0.843 |
6.169 |
140 |
0.025 |
8.839 |
117 |
0.847 |
6.160 |
27 |
0.025 |
8.835 |
164 |
0.853 |
6.146 |
881 |
0.030 |
8.762 |
676 |
0.860 |
6.128 |
337 |
0.037 |
8.652 |
678 |
0.860 |
6.128 |
88 |
0.064 |
8.370 |
189 |
0.877 |
6.085 |
146 |
0.065 |
8.365 |
567 |
0.887 |
6.057 |
549 |
0.072 |
8.303 |
712 |
0.894 |
6.038 |
350 |
0.098 |
8.132 |
867 |
0.896 |
6.034 |
207 |
0.140 |
7.912 |
794 |
0.897 |
6.031 |
351 |
0.142 |
7.907 |
571 |
0.898 |
6.028 |
282 |
0.144 |
7.894 |
405 |
0.902 |
6.017 |
452 |
0.154 |
7.851 |
828 |
0.903 |
6.014 |
141 |
0.160 |
7.830 |
697 |
0.904 |
6.012 |
811 |
0.166 |
7.804 |
231 |
0.905 |
6.008 |
222 |
0.166 |
7.804 |
357 |
0.907 |
6.002 |
725 |
0.171 |
7.785 |
112 |
0.913 |
5.987 |
312 |
0.172 |
7.781 |
673 |
0.915 |
5.980 |
451 |
0.176 |
7.764 |
445 |
0.918 |
5.972 |
291 |
0.196 |
7.691 |
150 |
0.929 |
5.937 |
548 |
0.218 |
7.613 |
26 |
0.939 |
5.906 |
547 |
0.248 |
7.518 |
262 |
0.946 |
5.882 |
813 |
0.250 |
7.513 |
276 |
0.948 |
5.877 |
729 |
0.267 |
7.461 |
314 |
0.956 |
5.850 |
261 |
0.281 |
7.424 |
742 |
0.958 |
5.840 |
714 |
0.317 |
7.325 |
274 |
0.964 |
5.820 |
769 |
0.341 |
7.264 |
684 |
0.966 |
5.812 |
674 |
0.350 |
7.240 |
748 |
0.971 |
5.791 |
878 |
0.373 |
7.186 |
762 |
0.973 |
5.782 |
361 |
0.415 |
7.086 |
698 |
0.976 |
5.771 |
460 |
0.425 |
7.063 |
447 |
0.977 |
5.766 |
316 |
0.453 |
7.002 |
595 |
0.981 |
5.750 |
877 |
0.461 |
6.983 |
113 |
0.985 |
5.734 |
705 |
0.466 |
6.973 |
310 |
0.991 |
5.705 |
142 |
0.471 |
6.961 |
869 |
0.991 |
5.705 |
263 |
0.478 |
6.946 |
125 |
0.992 |
5.700 |
727 |
0.481 |
6.941 |
814 |
0.992 |
5.700 |
198 |
0.483 |
6.936 |
827 |
0.993 |
5.695 |
879 |
0.490 |
6.922 |
677 |
0.996 |
5.681 |
726 |
0.494 |
6.913 |
265 |
0.996 |
5.680 |
708 |
0.507 |
6.885 |
139 |
0.999 |
5.665 |
A-2B-21
Übersicht B20: Beurteilung der Normalverteilung bei der Kennzahl Rentabilitätskoeffizient im vollen und im eingeschränkten Datensatz inm den Jahren 1992, 1993, 1994
1992 |
1993 |
1994 |
Summary statistics for rentkoef, full sample
Number of values = 297
Skewness = 0.844
Standard Error of Skewness = 0.141
Kurtosis = 3.820
Standard Error of Kurtosis = 0.282 |
Summary statistics for rentkoef, full sample
Number of values = 297
Skewness = -2.571
Standard Error of Skewness = 0.141
Kurtosis = 24.485
Standard Error of Kurtosis = 0.282 |
Summary statistics for rentkoef, full sample
Number of values = 297
Skewness = 0.793
Standard Error of Skewness = 0.141
Kurtosis = 2.133
Standard Error of Kurtosis = 0.282 |
restrcted cases
jahr case rentkoef
92.00 145.0 -0.550
92.00 355.0 2.690
92.00 472.0 1.910
92.00 595.0 2.020
92.00 634.0 2.980
92.00 676.0 2.470
92.00 799.0 1.870 |
restricted cases
jahr case rentkoef
93.00 146.0 0.080
93.00 326.0 1.950
93.00 356.0 2.020
93.00 416.0 0.150
93.00 443.0 0.110
93.00 533.0 1.750
93.00 557.0 -3.120
93.00 611.0 0.150
93.00 623.0 1.970
93.00 656.0 0.100
93.00 677.0 2.010
93.00 788.0 1.770
93.00 800.0 1.910
93.00 881.0 -0.020 |
restricted cases
jahr case rentkoef
94.00 222.0 2.650
94.00 297.0 2.040
94.00 357.0 2.600
94.00 393.0 1.940
94.00 417.0 0.090
94.00 486.0 -0.050
94.00 534.0 1.950
94.00 636.0 1.920
94.00 678.0 2.410 |
Summary statistics for rentkoef restricted
Number of values = 290
Skewness = 0.176
Standard Error of Skewness = 0.143
Kurtosis = -0.101
Standard Error of Kurtosis = 0.285 |
Summary statistics for rentkoef restricted
Number of values = 283
Skewness = 0.142
Standard Error of Skewness = 0.145
Kurtosis = -0.264
Standard Error of Kurtosis = 0.289 |
Summary statistics for rentkoef restricted
Number of values = 288
Skewness = 0.229
Standard Error of Skewness = 0.144
Kurtosis = -0.096
Standard Error of Kurtosis = 0.286 |
A-2B-22
Übersicht B21: Beurteilung der Normalverteilung bei der Kennzahl Rentabilitätskoeffizient im vollen und im eingeschränkten Datendsatz in den Jahren 1992, 1993, 1994
Histogram of rentkoef restricted
- 0.2 2 *
0.2 - 0.4 10 *****
0.4 - 0.6 31 ****************
0.6 - 0.8 42 *********************
0.8 - 1.0 81 *****************************************
1.0 - 1.2 59 ******************************
1.2 - 1.4 38 *******************
1.4 - 1.6 17 *********
1.6 - 1.8 9 *****
1.8 - 1 *
Scale: 1 asterisk represents 2 units. |
Histogram of rentkoef restricted
- 0.32 7 ****
0.32 - 0.48 10 *****
0.48 - 0.64 30 ***************
0.64 - 0.80 38 *******************
0.80 - 0.96 69 ***********************************
0.96 - 1.12 55 ****************************
1.12 - 1.28 24 ************
1.28 - 1.44 25 *************
1.44 - 1.60 17 *********
1.60 - 8 ****
Scale: 1 asterisk represents 2 units. |
Histogram of rentkoef restricted
- 0.2 0
0.2 - 0.4 8 ****
0.4 - 0.6 28 **************
0.6 - 0.8 46 ***********************
0.8 - 1.0 78 ***************************************
1.0 - 1.2 60 ******************************
1.2 - 1.4 35 ******************
1.4 - 1.6 23 ************
1.6 - 1.8 8 ****
1.8 - 2 *
Scale: 1 asterisk represents 2 units. |
Stem-and-leaf display for rentkoef restricted
Number of observations: 290 Minimum: 0.2 Maximum: 1.8
Stem units: 0.1, leaf digits: 1 (the value 0.1700 is represented
by 1|7)
2 1|78
3 2|668
5 3|03788
12 4|002233457889
18 5|000222367788999999
17 6|00012244445566679
27 7|000112234455555666777888999
39 8|011111222223344445566666777777788889999
40 9|0000122233333444444445555566777779999999
39 10|000111122334445555666777778888899999999
22 11|0011222222223344566899
24 12|011234455556667777778999
14 13|13455566678999
9 14|011234567
9 15|445667777
4 16|1378
4 17|2278
2 18|01 |
Stem-and-leaf display for rentkoef restricted
Number of observations: 283 Minimum: 0.2 Maximum: 1.7
Stem units: 0.1, leaf digits: 1 (the value 0.2200 is represented
by 2|2)
6 2|245578
5 3|23568
10 4|1457779999
15 5|122445566666789
22 6|1122333344455678889999
21 7|012344566777778889999
48 8|000000112233333444445555555666666777778888888889
37 9|0001222233333334444566666667778888999
34 10|0011122223344455666777778888999999
23 11|00111112222444555568899
17 12|01233333456799999
10 13|1233467799
21 14|000112233455567888999
6 15|235599
5 16|14477
3 17|023 |
Stem-and-leaf display for rentkoef restricted
Number of observations: 288 Minimum: 0.2 Maximum: 1.8
Stem units: 0.1, leaf digits: 1 (the value 0.2100 is represented
by 2|1)
4 2|1239
4 3|0568
8 4|23445799
19 5|1222244455555778899
13 6|0234455567799
31 7|0011112344566666666777889999999
37 8|0001111222233334445555566666677888999
40 9|0000111112223344445555566666677777889999
37 10|0000112222223344445555566667777888899
24 11|012222333333344555778899
18 12|000111222334556677
20 13|01112233333445557899
14 14|12355667889999
8 15|23334568
4 16|0257
5 17|34589
2 18|34 |
---------------------------------------------------------------
Test statistic
---------------------------------
Type of Anderson- Cramer-
test Variate(s) Darling von Mises Watson
---------------------------------------------------------------
Marginal
unrestricted 2.368** 0.392** 0.348**
restricted 0.496 0.080 0.074
--------------------------------------------------------------- |
---------------------------------------------------------------
Test statistic
---------------------------------
Type of Anderson- Cramer-
test Variate(s) Darling von Mises Watson
---------------------------------------------------------------
Marginal
unrestricted 3.616** 0.628** 0.623**
restricted 0.865* 0.146* 0.138*
--------------------------------------------------------------- |
---------------------------------------------------------------
Test statistic
---------------------------------
Type of Anderson- Cramer-
test Variate(s) Darling von Mises Watson
---------------------------------------------------------------
Marginal
unrestricted 2.182** 0.382** 0.323**
restricted 0.699? 0.121? 0.107?
--------------------------------------------------------------- |
A-2B-23
Übersicht B22: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1992, Verwendung der Gewichtung nach Ausreißertests
Regression tree:
tree(formula = rentkoef.full ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp + fabswg +
fregion, weights = weights, subset = fjahr ==
"92")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "epertp"
[5] "anvermp" "fremdakp" "fabswg" "glasqmak"
Number of terminal nodes: 29
Residual mean deviance: 0.01609 = 4.313 / 268
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.8806 -0.0911 0.0004352 -0.004082 0.09595
Max.
0.6676
summary(ftree.92.pruned7)
Regression tree:
snip.tree(tree = ftree.92, nodes = c(14, 17, 15, 6,
16, 9, 5))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp"
Number of terminal nodes: 7
Residual mean deviance: 0.047 = 13.63 / 290
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-1.143 -0.1482 -0.00582 -0.005566 0.1318 1.288
lohnqp [1:297]
Min. 1st Qu. Median Mean 3rd Qu. Max.
13.39 26.37 32.48 34.7 40.24 117
spezp [1:297]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.68 25.18 33.49 33.19 39.76 84.2
allgawp [1:297]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.13 19.82 25.33 26.23 32.17 49.31
|
var n dev yval
5 <leaf> 55 3.2034190 0.9482249
6 <leaf> 68 2.3018574 0.9758199
9 <leaf> 34 2.1237838 1.1364736
14 <leaf> 47 1.4713238 0.8507095
15 <leaf> 46 1.4394617 0.5931755
16 <leaf> 21 2.2150736 1.6917334
17 <leaf> 26 0.8744454 1.3349647
node number: 5
root
lohnqp<31.63
spezp>37.175
node number: 6
root
lohnqp>31.63
spezp<28.285
node number: 9
root
lohnqp<31.63
spezp<37.175
allgawp>29.735
node number: 14
root
lohnqp>31.63
spezp>28.285
allgawp<23.995
node number: 15
root
lohnqp>31.63
spezp>28.285
allgawp>23.995
node number: 16
root
lohnqp<31.63
spezp<37.175
allgawp<29.735
spezp<27.82
node number: 17
root
lohnqp<31.63
spezp<37.175
allgawp<29.735
spezp>27.82
|
A-2B-24
Übersicht B23: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1993, Verwendung der Gewichtung nach Ausreißertests
Regression tree:
tree(formula = rentkoef.full ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp + fabswg +
fregion, weights = weights, subset = fjahr ==
"93")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "lohnak"
[5] "glasqmak" "epertp" "netinvp" "glasqm"
[9] "anvermp" "verm" "ak"
Number of terminal nodes: 32
Residual mean deviance: 0.02171 = 5.752 / 265
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-3.361 -0.1011 -0.01208 -0.02439 0.08823 0.4382
summary(ftree.93.pruned7)
Regression tree:
snip.tree(tree = ftree.93, nodes = c(13, 15, 12, 14,
10, 4))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "netinvp" "allgawp"
Number of terminal nodes: 7
Residual mean deviance: 0.05104 = 14.8 / 290
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-3.739 -0.1693 -0.01974 -0.03525 0.1381 0.5881
lohnqp [298:594]
Min. 1st Qu. Median Mean 3rd Qu. Max.
11.91 26.9 32.42 35.09 40.39 166
spezp [298:594]
Min. 1st Qu. Median Mean 3rd Qu. Max.
10.81 24.87 32.85 34.03 39.81 248.2
allgawp [298:594]
Min. 1st Qu. Median Mean 3rd Qu. Max.
10.31 20.97 25.92 26.72 31.89 64.48
netinvp [298:594]
Min. 1st Qu. Median Mean 3rd Qu. Max.
-151.6 -14.97 -6.19 -2.454 8.23 88.62
|
var n dev yval
4 <leaf> 39 3.2040579 1.4621080
10 <leaf> 39 2.8341996 1.1365090
11 <leaf> 8 0.7980908 0.5902510
12 <leaf> 21 1.4660561 1.2420409
13 <leaf> 57 1.3328610 0.9497415
14 <leaf> 87 3.8170427 0.9018784
15 <leaf> 46 1.3500855 0.6193360
node number: 4
root
lohnqp<28.07
spezp<33.58
node number: 10
root
lohnqp<28.07
spezp>33.58
netinvp<23.66
node number: 11
root
lohnqp<28.07
spezp>33.58
netinvp>23.66
node number: 12
root
lohnqp>28.07
spezp<27.265
lohnqp<33.46
node number: 13
root
lohnqp>28.07
spezp<27.265
lohnqp>33.46
node number: 14
root
lohnqp>28.07
spezp>27.265
allgawp<27.995
node number: 15
root
lohnqp>28.07
spezp>27.265
allgawp>27.995
|
A-2B-25
Übersicht B24: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1994, Verwendung der Gewichtung nach Ausreißertests
Regression tree:
tree(formula = rentkoef.full ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp + fabswg +
fregion, weights = weights, subset = fjahr ==
"94")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "glasqm"
[5] "fremdakp" "netinvp" "epertp" "ak"
[9] "eqm"
Number of terminal nodes: 31
Residual mean deviance: 0.01932 = 5.14 / 266
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.7008 -0.09143 -0.0055 -0.005761 0.09091 0.574
summary(ftree.94.pruned7)
Regression tree:
snip.tree(tree = ftree.94, nodes = c(8, 13, 7, 11,
12))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "fremdakp"
Number of terminal nodes: 7
Residual mean deviance: 0.0474 = 13.74 / 290
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.7332 -0.1632 -0.0256 -0.01377 0.1394 0.7205
lohnqp [595:891]
Min. 1st Qu. Median Mean 3rd Qu. Max.
11.25 26.63 32.26 35.44 40.09 242.7
spezp [595:891]
Min. 1st Qu. Median Mean 3rd Qu. Max.
6.08 24.34 31.31 31.89 38.45 67.12
allgawp [595:891]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.95 21.29 25.92 26.77 31.81 56.27
fremdakp [595:891]
Min. 1st Qu. Median Mean 3rd Qu. Max.
0 49.32 68.05 61.89 77.9 94.51 |
var n dev yval
7 <leaf> 58 1.8191220 0.6831542
8 <leaf> 11 1.0165926 1.9295484
9 <leaf> 5 0.5973200 1.3460000
10 <leaf> 9 0.3686927 1.6208248
11 <leaf> 72 4.0385654 1.1706246
12 <leaf> 73 3.7463363 1.0855977
13 <leaf> 69 2.1582423 0.8408787
node number: 7
root
lohnqp>28.29
lohnqp>43.46
node number: 8
root
lohnqp<28.29
spezp<22.88
allgawp<34.34
node number: 9
root
lohnqp<28.29
spezp<22.88
allgawp>34.34
node number: 10
root
lohnqp<28.29
spezp>22.88
fremdakp<32.415
node number: 11
root
lohnqp<28.29
spezp>22.88
fremdakp>32.415
node number: 12
root
lohnqp>28.29
lohnqp<43.46
spezp<31.235
node number: 13
root
lohnqp>28.29
lohnqp<43.46
spezp>31.235 |
|
|
A-2B-26
Übersicht B25: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1992, um Extremwerte verkleinerter Datensatz
Regression tree:
tree(formula = rentkoef.rest ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp +
f.abswg.rest + f.region.rest, subset =
f.jahr.rest == "92")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "verm"
[5] "glasqmak" "epertp" "anvermp" "fremdakp"
Number of terminal nodes: 29
Residual mean deviance: 0.01742 = 4.548 / 261
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.404 -0.07656 0.008063 2.335e-017 0.091
Max.
0.2817
summary(ftree.92.pruned7)
Regression tree:
snip.tree(tree = ftree.92.rest, nodes = c(8, 14, 15,
6, 19, 5))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp"
Number of terminal nodes: 7
Residual mean deviance: 0.04365 = 12.35 / 283
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.5697 -0.1276 0.001017 -3.331e-017 0.1346
Max.
0.5401
lohnqp [1:290]
Min. 1st Qu. Median Mean 3rd Qu. Max.
13.39 26.5 32.66 34.92 40.26 117
spezp [1:290]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.68 25.38 33.72 33.3 39.9 65.93
allgawp [1:290]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.13 20.02 25.47 26.32 32.18 49.31 |
var n dev yval
5 <leaf> 59 3.3245932 0.9496610
6 <leaf> 74 2.9268986 0.9298649
8 <leaf> 48 2.2121000 1.3825000
14 <leaf> 41 1.2768390 0.7712195
15 <leaf> 28 0.8765429 0.4885714
18 <leaf> 7 0.3017714 1.4942857
19 <leaf> 33 1.4343879 0.9893939
node number: 5
root
lohnqp<32.87
spezp>37.665
node number: 6
root
lohnqp>32.87
spezp<32.365
node number: 8
root
lohnqp<32.87
spezp<37.665
allgawp<30.23
node number: 14
root
lohnqp>32.87
spezp>32.365
lohnqp<44.32
node number: 15
root
lohnqp>32.87
spezp>32.365
lohnqp>44.32
node number: 18
root
lohnqp<32.87
spezp<37.665
allgawp>30.23
lohnqp<21.99
node number: 19
root
lohnqp<32.87
spezp<37.665
allgawp>30.23
lohnqp>21.99 |
A-2B-27
Übersicht B26: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1993, um Extremwerte verkleinerter Datensatz
Regression tree:
tree(formula = rentkoef.rest ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp +
f.abswg.rest + f.region.rest, subset =
f.jahr.rest == "93")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "heizqm"
[5] "netinvp" "epertp" "verm" "ak"
[9] "fremdakp" "anvermp"
Number of terminal nodes: 30
Residual mean deviance: 0.01828 = 4.625 / 253
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.6033 -0.07806 0.01 -2.079e-017 0.0819
Max.
0.3967
summary(ftree.93.pruned7)
Regression tree:
snip.tree(tree = ftree.93.rest, nodes = c(24, 25,
13, 9, 5))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp"
Number of terminal nodes: 7
Residual mean deviance: 0.04621 = 12.75 / 276
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.833 -0.1263 -0.00451 -6.748e-017 0.1287
Max.
0.7803
lohnqp [291:578]
Min. 1st Qu. Median Mean 3rd Qu. Max.
11.91 27.33 32.69 35.1 40.29 166
spezp [291:578]
Min. 1st Qu. Median Mean 3rd Qu. Max.
10.81 25.44 32.85 33.07 39.76 63.51
allgawp [291:578]
Min. 1st Qu. Median Mean 3rd Qu. Max.
10.31 21.04 25.96 26.54 31.92 60.88 |
var n dev yval
5 <leaf> 59 4.5655932 0.9196610
7 <leaf> 12 0.2311667 0.4216667
8 <leaf> 14 0.1419500 1.5250000
9 <leaf> 71 4.3826789 1.1929577
13 <leaf> 24 0.8040500 0.6375000
24 <leaf> 51 1.0918627 0.9845098
25 <leaf> 52 1.5355923 0.7896154
node number: 5
root
lohnqp<32.92
spezp>37.76
node number: 7
root
lohnqp>32.92
lohnqp>57.485
node number: 8
root
lohnqp<32.92
spezp<37.76
allgawp<20.595
node number: 9
root
lohnqp<32.92
spezp<37.76
allgawp>20.595
node number: 13
root
lohnqp>32.92
lohnqp<57.485
spezp>39.95
node number: 24
root
lohnqp>32.92
lohnqp<57.485
spezp<39.95
allgawp<26.2
node number: 25
root
lohnqp>32.92
lohnqp<57.485
spezp<39.95
allgawp>26.2 |
A-2B-28
Übersicht B27: Beschreibung des vollen und des auf sieben Terminalknoten gestutzten Regressionsbaums 1994, um Extremwerte verkleinerter Datensatz
Regression tree:
tree(formula = rentkoef.rest ~ ak + epertp + eqm +
fremdakp + glasqm + glasqmak + anvermp +
fkp + fkp + netinvp + verm + allgawp +
heizqm + lohnak + lohnqp + spezp +
f.abswg.rest + f.region.rest, subset =
f.jahr.rest == "94")
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp" "heizqm"
[5] "netinvp" "anvermp" "ak" "fremdakp"
[9] "epertp"
Number of terminal nodes: 32
Residual mean deviance: 0.01665 = 4.262 / 256
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.3567 -0.07737 0.005934 1.793e-017 0.07649
Max.
0.3075
summary(ftree.94.pruned7)
Regression tree:
snip.tree(tree = ftree.94.rest, nodes = c(24, 25,
13, 8, 7, 5))
Variables actually used in tree construction:
[1] "lohnqp" "spezp" "allgawp"
Number of terminal nodes: 7
Residual mean deviance: 0.04626 = 13 / 281
Distribution of residuals:
Min. 1st Qu. Median Mean 3rd Qu.
-0.7106 -0.1331 -0.005625 -1.442e-016 0.1296
Max.
0.6094
lohnqp [579:861]
Min. 1st Qu. Median Mean 3rd Qu. Max.
11.25 27 32.36 34.86 40.16 102.6
spezp [579:861]
Min. 1st Qu. Median Mean 3rd Qu. Max.
6.08 24.42 31.45 32 38.46 67.12
allgawp [579:861]
Min. 1st Qu. Median Mean 3rd Qu. Max.
7.95 21.35 25.88 26.76 31.68 56.27
|
var n dev yval
5 <leaf> 80 4.7194688 1.0606250
7 <leaf> 52 2.3973231 0.6523077
8 <leaf> 39 2.4580359 1.4312821
9 <leaf> 9 0.1170222 1.0644444
13 <leaf> 30 1.2721367 0.7376667
24 <leaf> 30 0.9526967 1.1436667
25 <leaf> 48 1.0815812 0.9056250
node number: 5
root
lohnqp<31.085
spezp>30.175
node number: 7
root
lohnqp>31.085
lohnqp>44.105
node number: 8
root
lohnqp<31.085
spezp<30.175
allgawp<36.435
node number: 9
root
lohnqp<31.085
spezp<30.175
allgawp>36.435
node number: 13
root
lohnqp>31.085
lohnqp<44.105
allgawp>29.775
node number: 24
root
lohnqp>31.085
lohnqp<44.105
allgawp<29.775
spezp<27.455
node number: 25
root
lohnqp>31.085
lohnqp<44.105
allgawp<29.775
spezp>27.455 |
|
|
A-2B-29
Übersicht B28: Minima, Maxima und Quartile für die Prediktorvariablen, pro Jahr 297 Werte
_______________________________________________________________________
-----------------------------------------------------------------------
Minimum Perzen- Median Perzen- Maximum
tile 25 tile 75
-----------------------------------------------------------------------
jahr
1992
anzahl arbeitskräfte 1,00 3,03 4,61 6,86 17,50
anlagevermögen 2,16 37,73 46,86 55,67 93,61
anteil eigenproduktion 61,76 90,97 96,83 98,66 100,00
eqm 11000,00 71424,00 116000,0 179388,0 485000,0
anteil fremdkapital ,00 54,92 110,40 180,40 1801,13
anteil fremd-ak ,00 50,00 66,67 78,57 100,00
glasfläche 450,00 3260,00 4665,00 7462,00 18817,00
glasfläche je ak 68,10 734,51 1063,79 1493,51 4572,82
heizung je qm 1,24 5,55 8,47 13,25 34,27
lohn je ak ,00 24146,67 31808,61 38911,00 104592,9
nettoinvestitionen -318,01 -13,21 -3,76 12,39 205,85
vermögen 67,00 374,00 573,00 903,00 3101,00
1993
anzahl arbeitskräfte 1,00 2,98 4,69 6,72 18,00
anlagevermögen 1,21 37,73 45,14 53,72 81,56
anteil eigenproduktion 61,54 90,33 96,81 98,61 100,00
eqm 12000,00 75880,00 120000,0 186284,0 528200,0
anteil fremdkapital ,00 59,17 108,24 186,89 2417,20
anteil fremd-ak ,00 49,81 66,67 78,66 100,00
glasfläche 450,00 3350,00 4900,00 7500,00 20000,00
glasfläche je ak 61,78 733,33 1140,07 1542,06 6655,56
heizung je qm ,00 6,11 8,94 12,60 37,35
lohn je ak ,00 26140,69 33303,26 40299,94 114511,0
nettoinvestitionen -151,56 -14,97 -6,19 8,23 88,62
vermögen 83,00 389,00 606,00 936,00 3811,00
1994
anzahl arbeitskräfte 1,02 3,00 4,60 6,91 18,22
anlagevermögen ,00 36,12 44,00 53,59 78,16
anteil eigenproduktion 62,69 89,64 96,84 98,82 100,00
eqm 12000,00 80000,00 120000,0 187200,0 469886,0
anteil fremdkapital ,00 61,52 109,13 193,25 3019,67
anteil fremd-ak ,00 49,32 68,05 77,90 94,51
glasfläche 450,00 3500,00 5000,00 7767,00 20000,00
glasfläche je ak 56,73 755,56 1162,55 1616,67 4654,97
heizung je qm ,42 4,52 7,18 10,84 33,19
lohn je ak ,00 25806,52 33660,74 41264,86 78459,00
nettoinvestitionen -86,37 -15,51 -6,98 6,10 241,64
vermögen 80,00 386,00 611,00 933,00 3526,00
-----------------------------------------------------------------------
1992-1994
anzahl arbeitskräfte 1,00 3,00 4,63 6,84 18,22
anlagevermögen ,00 36,80 45,46 54,43 93,61
anteil eigenproduktion 61,54 90,24 96,84 98,66 100,00
eqm 11000,00 75880,00 118000,0 184728,0 528200,0
anteil fremdkapital ,00 58,46 109,63 186,58 3019,67
anteil fremd-ak ,00 50,00 66,67 78,57 100,00
glasfläche 450,00 3350,00 4900,00 7500,00 20000,00
glasfläche je ak 56,73 745,45 1128,43 1538,46 6655,56
heizung je qm ,00 5,39 8,27 12,22 37,35
lohn je ak ,00 25192,51 32908,61 40267,63 114511,0
nettoinvestitionen -318,01 -14,80 -5,81 9,53 241,64
vermögen 67,00 383,00 596,00 922,00 3811,00
-----------------------------------------------------------------------
rentabilitätskoeffizient 1992
Percentile Value Percentile Value Percentile Value Percentile Value
12,50 ,590 37,50 ,870 62,50 1,070 87,50 1,388
Valid cases 297 Missing cases 0
rentabilitätskoeffizient 1993
Percentile Value Percentile Value Percentile Value Percentile Value
12,50 ,560 37,50 ,850 62,50 1,050 87,50 1,418
Valid cases 297 Missing cases 0
rentabilitätskoeffizient 1994
Percentile Value Percentile Value Percentile Value Percentile Value
12,50 ,593 37,50 ,870 62,50 1,070 87,50 1,445
Valid cases 297 Missing cases 0 |
A-2B-30
Übersicht B29: Ergebnisse der Segmentierung durch CHAID für die Kennzahlen der Jahre 1992, 1993 und 1994
Segmentierung 1992 |
|
f_rentko levels=4 (Dependent) rentabilitätskoeffizient |
level value symbol: label frequency scores |
1) 1 1: sehr gering 76 0.59 |
2) 2 2: gering 74 0.87 |
3) 3 3: hoch 73 1.07 |
4) 4 4: sehr hoch 74 1.39 |
|
id count score vars... |
-1- 28 0.70 f_eqm=12 f_frmdak=1 f_glqmak=12 |
-2- 8 0.72 f_eqm=12 f_frmdak=1 f_glqmak=34 f_anverm=1 |
-3- 18 1.00 f_eqm=12 f_frmdak=1 f_glqmak=34 f_anverm=2-4 |
-4- 99 0.94 f_eqm=12 f_frmdak=2-4 |
-5- 51 0.96 f_eqm=34 region=ü |
-6- 59 1.07 f_eqm=34 region=r f_netinv=1-3 |
-7- 34 1.22 f_eqm=34 region=r f_netinv=4 |
|
Id size % of all score index Cum: size % of all score index |
7 34 11.4 1.22 125 34 11.4 1.22 125 |
6 59 19.9 1.07 110 93 31.3 1.13 115 |
3 18 6.1 1.00 102 111 37.4 1.10 113 |
5 51 17.2 0.96 98 162 54.5 1.06 108 |
4 99 33.3 0.94 96 261 87.9 1.01 104 |
2 8 2.7 0.72 74 269 90.6 1.01 103 |
1 28 9.4 0.70 72 297 100.0 0.98 100 |
|
|
Segmenmtierung 1993 |
f_rentko levels=4 (Dependent) rentabilitätskoeffizient |
level value symbol: label frequency scores |
1) 1 1: sehr gering 74 0.56 |
2) 2 2: gering 80 0.85 |
3) 3 3: hoch 72 1.05 |
4) 4 4: sehr hoch 71 1.42 |
|
id count score vars... |
-1- 12 0.63 f_fkp=12 region=ü f_ak=1 |
-2- 11 0.81 f_fkp=12 region=ü f_ak=2 |
-3- 29 1.10 f_fkp=12 region=ü f_ak=34 f_lohnak=1-3 |
-4- 16 0.90 f_fkp=12 region=ü f_ak=34 f_lohnak=4 |
-5- 15 1.16 f_fkp=12 region=r f_frmdak=1 f_verm=12 |
-6- 14 0.81 f_fkp=12 region=r f_frmdak=1 f_verm=34 |
-7- 19 1.31 f_fkp=12 region=r f_frmdak=2-4 f_ak=12 |
-8- 23 1.11 f_fkp=12 region=r f_frmdak=2-4 f_ak=3 |
-9- 11 1.30 f_fkp=12 region=r f_frmdak=2-4 f_ak=4 |
-10- 147 0.88 f_fkp=34 |
|
Id size % of all score index Cum: size % of all score index |
7 19 6.4 1.31 136 19 6.4 1.31 136 |
9 11 3.7 1.30 135 30 10.1 1.31 136 |
5 15 5.1 1.16 120 45 15.2 1.26 131 |
8 23 7.7 1.11 115 68 22.9 1.21 125 |
3 29 9.8 1.10 115 97 32.7 1.18 122 |
4 16 5.4 0.90 93 113 38.0 1.14 118 |
10 147 49.5 0.88 92 260 87.5 0.99 103 |
2 11 3.7 0.81 85 271 91.2 0.98 102 |
6 14 4.7 0.81 84 285 96.0 0.98 101 |
1 12 4.0 0.63 66 297 100.0 0.96 100 |
|
Segmentierung 1994 |
|
f_rentko levels=4 (Dependent) rentabilitätskoeffizient |
level value symbol: label frequency scores |
1) 1 1: sehr gering 69 0.59 |
2) 2 2: gering 72 0.87 |
3) 3 3: hoch 76 1.07 |
4) 4 4: sehr hoch 80 1.45 |
|
|
id count score vars... |
-1- 68 0.87 f_eqm=1 |
-2- 24 1.26 f_eqm=23 f_fkp=12 f_heizqm=1 |
-3- 44 1.06 f_eqm=23 f_fkp=12 f_heizqm=2-4 |
-4- 27 0.97 f_eqm=23 f_fkp=34 f_netinv=1 |
-5- 21 0.78 f_eqm=23 f_fkp=34 f_netinv=2 |
-6- 25 1.06 f_eqm=23 f_fkp=34 f_netinv=34 f_heizqm=1-3 |
-7- 10 0.80 f_eqm=23 f_fkp=34 f_netinv=34 f_heizqm=4 |
-8- 13 1.12 f_eqm=4 region=ü f_lohnak=1-3 |
-9- 13 0.85 f_eqm=4 region=ü f_lohnak=4 |
-10- 52 1.19 f_eqm=4 region=r |
|
Id size % of all score index Cum: size % of all score index |
2 24 8.1 1.26 125 24 8.1 1.26 125 |
10 52 17.5 1.19 118 76 25.6 1.21 120 |
8 13 4.4 1.12 111 89 30.0 1.20 119 |
6 25 8.4 1.06 105 114 38.4 1.17 116 |
3 44 14.8 1.06 105 158 53.2 1.14 112 |
4 27 9.1 0.97 96 185 62.3 1.11 110 |
1 68 22.9 0.87 86 253 85.2 1.05 104 |
9 13 4.4 0.85 84 266 89.6 1.04 103 |
7 10 3.4 0.80 79 276 92.9 1.03 102 |
5 21 7.1 0.78 77 297 100.0 1.01 100 |
|
A-2B-31
Übersicht B30: Direkte Beziehungen nach Screening in den Jahren 1992, 1993 und 1994 zwischen den sechs ausgewählten Erfolgskennzahlen und den 14 übrigen ausgewählten Kennzahlen
|
Jahr |
|
|
direkte Beziehung zwischen... |
1992
und |
1993
und |
1994
und |
|
|
|
|
beinkak |
abswg |
- |
- |
|
- |
- |
epertp |
|
eqm |
eqm |
eqm |
|
fkp |
fkp |
fkp |
|
glasqmak |
glasqmak |
glasqmak |
|
lohnak |
lohnak |
lohnak |
|
netinvp |
- |
- |
|
|
|
|
beinkeqm |
region |
region |
region |
|
ak |
ak |
ak |
|
eqm |
eqm |
- |
|
fkp |
fkp |
fkp |
|
fremdakp |
- |
- |
|
glasqmak |
glasqmak |
glasqmak |
|
heizqm |
heizqm |
heizqm |
|
lohnak |
lohnak |
lohnak |
|
|
|
|
beinkp |
eqm |
- |
- |
|
fkp |
fkp |
fkp |
|
heizqm |
heizqm |
heizqm |
|
lohnak |
lohnak |
lohnak |
|
|
|
|
kapkoef |
- |
- |
region |
|
ak |
- |
- |
|
anvermp |
anvermp |
anvermp |
|
- |
fkp |
fkp |
|
- |
fremdakp |
- |
|
lohnak |
lohnak |
- |
|
|
|
|
rdiffp |
region |
region |
region |
|
epertp |
epertp |
epertp |
|
eqm |
eqm |
eqm |
|
fkp |
fkp |
fkp |
|
fremdakp |
fremdakp |
- |
|
- |
- |
glasqmak |
|
- |
- |
heizqm |
|
- |
- |
netinvp |
|
|
|
|
rentkoef |
- |
region |
region |
|
- |
- |
epertp |
|
eqm |
eqm |
eqm |
|
fkp |
fkp |
fkp |
|
- |
fremdakp |
- |
|
glasqmak |
- |
glasqmak |
|
heizqm |
heizqm |
heizqm |
|
netinvp |
- |
netinvp |
|
|
|
|
A-2B-32
Übersicht B31: Eliminierte Verbindungen nach Rückwärts-Elimination oder EH-Algorithmus für die Analyse von sechs graphischen Modellen 1993
Kennzahlen |
Rückwärts-Elimination |
Akzeptierte Modelle im EH-Algorithmus |
The main graph.
Variables abcde beinkak: a *++++ eqm: b +*+++ fkp: c ++*++ glasqmak: d +++*+ lohnak: e ++++* |
Model search finished.
bc: eqm & fkp eliminated cd: fkp & glasqmak eliminated ce: fkp & lohnak eliminated
|
The following edges may be removed from all identified models Evidence Excl. Incl. edge 0.325 0.142 bc - eqm & fkp
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 0.142 0.000 * de - glasqmak & lohnak + - 0.090 0.336 cd - fkp & glasqmak - + 0.191 0.083 ce - fkp & lohnak - + |
The main graph.
Variables abcdef beinkeqm: a *+++++ ak: b +*++++ fkp: c ++*+++ glasqmak: d +++*++ heizqm: e ++++*+ lohnak: f +++++* |
Model search finished.
bc: ak & fkp eliminated be: ak & heizqm eliminated ce: fkp & heizqm eliminated cf: fkp & lohnak eliminated ef: heizqm & lohnak eliminated
|
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 0.168 0.008 * bf - ak & lohnak + - + 0.078 0.000 * de - glasqmak & heizqm + - - 0.066 0.328 bc - ak & fkp - - + 0.112 0.110 be - ak & heizqm - + + 0.106 0.104 cf - fkp & lohnak - + - 0.462 0.217 ef - heizqm & lohnak - + + |
The main graph.
Variables abcd beinkp: a *+++ fkp: b +*++ heizqm: c ++*+ lohnak: d +++* |
Model search finished.
bc: fkp & heizqm eliminated cd: heizqm & lohnak eliminated
|
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 0.062 0.019 * bd - fkp & lohnak + - 0.285 0.325 bc - fkp & heizqm - + 0.060 0.114 cd - heizqm & lohnak - + |
The main graph.
Variables abcde kapkoef: a *++++ anvermp: b +*+++ fkp: c ++*++ fremdakp: d +++*+ lohnak: e ++++* |
Model search finished.
be: anvermp & lohnak eliminated cd: fkp & fremdakp eliminated
|
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 0.068 0.004 * be - anvermp & lohnak - + + 0.060 0.004 * ce - fkp & lohnak + + - 0.060 0.017 * de - fremdakp & lohnak + - + 0.250 0.384 cd - fkp & fremdakp - + + |
The main graph.
Variables abcdef rdiffp: a *+++++ region: b +*++++ epertp: c ++*+++ eqm: d +++*++ fkp: e ++++*+ fremdakp: f +++++* |
Model search finished.
ac: rdiffp & epertp eliminated ad: rdiffp & eqm eliminated bc: region & epertp eliminated be: region & fkp eliminated ce: epertp & fkp eliminated ef: fkp & fremdakp eliminated
|
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 4 5 6 7 0.092 0.000 * ab - rdiffp & region + + + + - - + 0.268 0.002 * ac - rdiffp & epertp + + - - + + + 0.242 0.001 * ad - rdiffp & eqm - - + + + + + 0.068 0.000 * ae - rdiffp & fkp + + + + + + - 0.396 0.001 * ce - epertp & fkp + - - + + - + 0.222 0.006 * cf - epertp & fremdakp - + + + - + - 0.078 0.036 * de - eqm & fkp - + + - - + + 0.258 0.311 be - region & fkp - - - - + + + 0.360 0.168 ef - fkp & fremdakp + - - + + - + |
The main graph.
Variables abcdef rentkoef: a *+++++ region: b +*++++ eqm: c ++*+++ fkp: d +++*++ fremdakp: e ++++*+ heizqm: f +++++* |
Model search finished.
ac: rentkoef & eqm eliminated bd: region & fkp eliminated cd: eqm & fkp eliminated de: fkp & fremdakp eliminated df: fkp & heizqm eliminated
|
The following edges may be removed from all identified models Evidence Excl. Incl. edge 0.194 0.314 df - fkp & heizqm
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 0.136 0.000 * ab - rentkoef & region + - - 0.074 0.108 ac - rentkoef & eqm - + + 0.152 0.452 bd - region & fkp - + + 0.074 0.066 cd - eqm & fkp - + - 0.300 0.437 de - fkp & fremdakp - - + |
A-2B-33
Übersicht B32: Modellsuche graphischer Modelle bei der Analyse von sechs Erfolgskennzahlen, 1992 bis 1994
a) EH-Algorithmus 1992 |
a) EH-Algorithmus 1993 |
a) EH-Algorithmus 1994 |
Step 1: Tests for conditional independence The minimal model will be defined by removal of the following edges:
ab - beinkak & beinkeqm p = 0.0660 ae - beinkak & rdiffp p = 0.1279 af - beinkak & rentkoef p = 0.2860 bc - beinkeqm & beinkp p = 0.0580 be - beinkeqm & rdiffp p = 0.0938 bf - beinkeqm & rentkoef p = 0.1940 ce - beinkp & rdiffp p = 0.0800 de - kapkoef & rdiffp p = 0.3514 df - kapkoef & rentkoef p = 0.6820
Step 2: Examination of the adequacy of the minimal model Evidence found in the following cases:
ab - beinkak & beinkeqm p = 0.0019 ( p = 0.0660 ) ae - beinkak & rdiffp p = 0.0000 ( p = 0.1279 ) af - beinkak & rentkoef p = 0.0000 ( p = 0.2860 ) be - beinkeqm & rdiffp p = 0.0003 ( p = 0.0938 ) bf - beinkeqm & rentkoef p = 0.0020 ( p = 0.1940 ) ce - beinkp & rdiffp p = 0.0040 ( p = 0.0800 ) de - kapkoef & rdiffp p = 0.0000 ( p = 0.3514 ) df - kapkoef & rentkoef p = 0.0000 ( p = 0.6820 )
The following edges may be removed from all identified models Evidence Excl. Incl. edge
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 4 5 6 0.066 0.002 * ab - beinkak & beinkeqm + + + - - + 0.128 0.000 * ae - beinkak & rdiffp - - + + + + 0.286 0.000 * af - beinkak & rentkoef + + - + + - 0.094 0.000 * be - beinkeqm & rdiffp - - - + + + 0.194 0.002 * bf - beinkeqm & rentkoef - - + - - + 0.080 0.004 * ce - beinkp & rdiffp + + + - + - 0.351 0.000 * de - kapkoef & rdiffp + - - + - + 0.682 0.000 * df - kapkoef & rentkoef - + + - + + 0.058 0.092 bc - beinkeqm & beinkp - - - + + + |
Step 1: Tests for conditional independence The minimal model will be defined by removal of the following edges:
ab - beinkak & beinkeqm p = 0.0920 ac - beinkak & beinkp p = 0.1340 ae - beinkak & rdiffp p = 0.0517 af - beinkak & rentkoef p = 0.1240 bc - beinkeqm & beinkp p = 0.3000 be - beinkeqm & rdiffp p = 0.1200 bf - beinkeqm & rentkoef p = 0.0980 ce - beinkp & rdiffp p = 0.4300 de - kapkoef & rdiffp p = 0.2400 df - kapkoef & rentkoef p = 0.4420
Step 2: Examination of the adequacy of the minimal model Evidence found in the following cases:
ac - beinkak & beinkp p = 0.0001 ( p = 0.1340 ) ae - beinkak & rdiffp p = 0.0000 ( p = 0.0517 ) af - beinkak & rentkoef p = 0.0000 ( p = 0.1240 ) bc - beinkeqm & beinkp p = 0.0280 ( p = 0.3000 ) be - beinkeqm & rdiffp p = 0.0006 ( p = 0.1200 ) bf - beinkeqm & rentkoef p = 0.0002 ( p = 0.0980 ) ce - beinkp & rdiffp p = 0.0142 ( p = 0.4300 ) de - kapkoef & rdiffp p = 0.0000 ( p = 0.2400 ) df - kapkoef & rentkoef p = 0.0000 ( p = 0.4420 )
The following edges may be removed from all identified models Evidence Excl. Incl. edge 0.300 0.028 bc - beinkeqm & beinkp
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 4 5 6 7 8 9 0.134 0.000 * ac - beinkak & beinkp - - - - - + + - + 0.052 0.000 * ae - beinkak & rdiffp + + + + + + + + - 0.124 0.000 * af - beinkak & rentkoef + + + + + - - + + 0.120 0.001 * be - beinkeqm & rdiffp + - - - - - - + + 0.098 0.000 * bf - beinkeqm & rentkoef - + + - - + + - - 0.430 0.014 * ce - beinkp & rdiffp - - - - - - - + + 0.240 0.000 * de - kapkoef & rdiffp + + - + - + - - + 0.442 0.000 * df - kapkoef & rentkoef - - + - + - + + - 0.092 0.092 ab - beinkak & beinkeqm - - - + + + + - + |
Step 1: Tests for conditional independence The minimal model will be defined by removal of the following edges:
ab - beinkak & beinkeqm p = 0.0656 ad - beinkak & kapkoef p = 0.1380 bc - beinkeqm & beinkp p = 0.4700 be - beinkeqm & rdiffp p = 0.1660 bf - beinkeqm & rentkoef p = 0.3160 cf - beinkp & rentkoef p = 0.2280 df - kapkoef & rentkoef p = 0.4020
Step 2: Examination of the adequacy of the minimal model Evidence found in the following cases:
ad - beinkak & kapkoef p = 0.0016 ( p = 0.1380 ) be - beinkeqm & rdiffp p = 0.0400 ( p = 0.1660 ) bf - beinkeqm & rentkoef p = 0.0120 ( p = 0.3160 ) cf - beinkp & rentkoef p = 0.0441 ( p = 0.2280 ) df - kapkoef & rentkoef p = 0.0432 ( p = 0.4020 )
The following edges may be removed from all identified models
Evidence Excl. Incl. edge 0.470 0.241 bc - beinkeqm & beinkp
The following edges may only be removed (-) for a subset of models Evidence Model no. Excl. Incl. edge 1 2 3 4 5 6
0.138 0.002 * ad - beinkak & kapkoef + - - - + + 0.166 0.040 * be - beinkeqm & rdiffp - - - - + + 0.316 0.012 * bf - beinkeqm & rentkoef + + - - - - 0.228 0.044 * cf - beinkp & rentkoef - - + - + - 0.402 0.043 * df - kapkoef & rentkoef - - - + - + 0.066 0.077 ab - beinkak & beinkeqm - + + + - - |
b) Rückwärts-Elimination 1992 |
b) Rückwärts-Elimination 1993 |
b) Rückwärts-Elimination 1994 |
A-2B-34
Model search finished.
bc: beinkeqm & beinkp eliminated be: beinkeqm & rdiffp eliminated bf: beinkeqm & rentkoef eliminated df: kapkoef & rentkoef eliminated
Deviance df p original df model 326.2 311 0.2651 3600 (acde)(acef)(abd) Degrees of freedom have been adjusted |
Model search finished.
ab: beinkak & beinkeqm eliminated ac: beinkak & beinkp eliminated ad: beinkak & kapkoef eliminated be: beinkeqm & rdiffp eliminated bf: beinkeqm & rentkoef eliminated ce: beinkp & rdiffp eliminated df: kapkoef & rentkoef eliminated
Deviance df p original df model 525.8 1282 1.0000 3951 (aef)(bcd)(cf)(de) Degrees of freedom have been adjusted |
Model search finished.
ab: beinkak & beinkeqm eliminated ac: beinkak & beinkp eliminated ad: beinkak & kapkoef eliminated ae: beinkak & rdiffp eliminated be: beinkeqm & rdiffp eliminated bf: beinkeqm & rentkoef eliminated df: kapkoef & rentkoef eliminated
Deviance df p original df model 454.1 824 1.0000 924 (bcd)(cde)(cef)(af) Degrees of freedom have been adjusted |
Fußnoten: | |
---|---|
BE steht für Betriebsertrag | |
Erfolgsdaten im weiteren und umgangssprachlichen Sinne; sprachlich korrekter wäre die Unterteilung in Produktivitäts- und Rentabilitätskennzahlen, wobei letztere Erfolgskennzahlen im engeren Sinne darstellen. |
© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
DiML DTD Version 2.0 |
Zertifizierter Dokumentenserver der Humboldt-Universität zu Berlin |
HTML - Version erstellt am: Wed May 24 16:40:53 2000 |