Diese Studie verwendet ein quantitatives Forschungsdesign…
Inline-Code: Der p-Wert beträgt 0.001 und ist somit signifikant.
Die Daten wurden erhoben durch…
Zur Analyse wurden folgende Methoden angewendet:
library(tibble)
data <- tibble(
variable = c("Alter", "Einkommen", "Bildungsjahre"),
mean = c(35.2, 45600, 14.3),
sd = c(8.4, 12500, 2.1),
n = c(250, 250, 250)
)
knitr::kable(data,
caption = "Deskriptive Statistik",
digits = 1)| variable | mean | sd | n |
|---|---|---|---|
| Alter | 35.2 | 8.4 | 250 |
| Einkommen | 45600.0 | 12500.0 | 250 |
| Bildungsjahre | 14.3 | 2.1 | 250 |
Siehe Tabelle 3.1 für die deskriptiven Statistiken.
Die Verteilung der Einkommen ist in Abbildung 3.1 dargestellt.
import pandas as pd
import numpy as np
np.random.seed(42)
df = pd.DataFrame({
'Alter': np.random.normal(35, 8, 100),
'Einkommen': np.random.normal(45000, 12000, 100),
'Bildung': np.random.normal(14, 2, 100)
})
corr = df.corr().round(2)
print(corr) Alter Einkommen Bildung
Alter 1.00 -0.14 0.19
Einkommen -0.14 1.00 -0.04
Bildung 0.19 -0.04 1.00Die Korrelationen werden im Code-Output ausgegeben.
Abbildung 3.2 zeigt den Zusammenhang zwischen Alter und Einkommen.
Die Regressionsanalyse basiert auf folgendem Modell:
\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i, \quad \varepsilon_i \sim \mathcal{N}(0, \sigma^2) \tag{3.1}\]
Gleichung 3.1 beschreibt das lineare Regressionsmodell, wobei \(Y_i\) das Einkommen, \(X_{1i}\) das Alter und \(X_{2i}\) die Bildungsjahre der Person \(i\) darstellen.