{"id":11740,"date":"2023-07-04T04:32:00","date_gmt":"2023-07-04T04:32:00","guid":{"rendered":"https:\/\/grafiti.com\/sigmaplot-details\/sigmaplot-product-features\/"},"modified":"2025-12-05T11:59:43","modified_gmt":"2025-12-05T11:59:43","slug":"sigmaplot-product-features","status":"publish","type":"page","link":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/","title":{"rendered":"sigmaplot-product-features"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

SigmaPlot Produkteigenschaften<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tJetzt kaufen<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tJetzt ausprobieren<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Funktionen und Verbesserungen in SigmaPlot <\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
    \n \t
  • Waldgrundst\u00fccke<\/li>\n \t
  • Kerndichtediagramme<\/li>\n \t
  • 10 neue Farbschemata<\/li>\n \t
  • Punktdichtediagramm mit Mittelwert und Standardfehlerbalken<\/li>\n \t
  • Legende Verbesserungen\n
      \n \t
    • Horizontale, vertikale und rechteckige Legendenformen\n
        \n \t
      • Cursor \u00fcber Seite oder oberen oder unteren Griff<\/li>\n<\/ul>\n<\/li>\n \t
      • \"\"\n
          \n \t
        • \n
            \n \t
          • \n \t<\/li>
          • \"\"<\/li>\n<\/ul>\n<\/li>\n \t
          • erm\u00f6glicht mehrspaltige Legenden<\/li>\n<\/ul>\n<\/li>\n \t
          • Benutzeroberfl\u00e4che zum Einstellen der Anzahl der Spalten f\u00fcr Legendenelemente im Dialogfeld Eigenschaften. Die zul\u00e4ssigen Spaltennummern werden in der Kombinationsliste angezeigt<\/li>\n \t
          • \u00c4ndern Sie die Anzahl der Spalten f\u00fcr die Legende, indem Sie den mittleren Griff im Begrenzungsrahmen ausw\u00e4hlen und ziehen.<\/li>\n \t
          • Legendenelemente neu ordnen\n
              \n \t
            • \u00dcber den Eigenschaftsdialog – Verschieben Sie ein oder mehrere Legendenelemente nach oben oder unten, indem Sie die Aufw\u00e4rts-\/Abw\u00e4rts-Steuerung oben im Listenfeld verwenden.<\/li>\n \t
            • Durch Bewegen des Cursors – ein oder mehrere Legendenelemente nach oben oder unten verschieben. W\u00e4hlen Sie das\/die Legendenelement(e) und verwenden Sie die Pfeiltasten der Tastatur, um sich innerhalb des Begrenzungsrahmens zu bewegen.<\/li>\n \t
            • Durch Mausauswahl und Cursorbewegung f\u00fcr Elemente im Begrenzungsrahmen<\/li>\n<\/ul>\n<\/li>\n \t
            • Eigenschaftseinstellungen f\u00fcr einzelne Legendenelemente – w\u00e4hlen Sie einzelne Legendenelemente aus und verwenden Sie die Mini-Symbolleiste, um die Eigenschaften zu \u00e4ndern\n
                \n \t
              • Legende Box leeren Bereich Kontrolle durch Cursor<\/li>\n \t
              • Cursor \u00fcber Eckgriff<\/li>\n \t
              • \"\"<\/li>\n \t
              • \"\"<\/li>\n \t
              • erm\u00f6glicht eine proportionale Gr\u00f6\u00dfen\u00e4nderung<\/li>\n<\/ul>\n<\/li>\n \t
              • Einfache Direktbeschriftung hinzuf\u00fcgen\n
                  \n \t
                • Unterst\u00fctzung von „Direct Labeling“ im Eigenschaftsdialog \u00fcber das Kontrollk\u00e4stchen „Direct Labeling“.<\/li>\n \t
                • Gruppierung der Legendenelemente aufheben – die einzelnen Legendenelemente k\u00f6nnen an die gew\u00fcnschte Stelle verschoben werden und sich zusammen mit dem Diagramm bewegen<\/li>\n<\/ul>\n<\/li>\n \t
                • Die Unterst\u00fctzung f\u00fcr Legendentitel wurde hinzugef\u00fcgt (standardm\u00e4\u00dfig kein Titel). Der Benutzer kann dem Legendenfeld einen Titel hinzuf\u00fcgen, indem er das Legenden-Eigenschaftsfeld verwendet<\/li>\n \t
                • Umkehrung der Legendenelemente \u00fcber das Rechtsklick-Kontextmen\u00fc<\/li>\n \t
                • \u00d6ffnen Sie die Legendeneigenschaften, indem Sie entweder auf Legende Vollton oder Legende Text doppelklicken.<\/li>\n \t
                • Zur\u00fccksetzen wurde zu Legenden hinzugef\u00fcgt, um die Legendenoptionen auf die Standardwerte zur\u00fcckzusetzen.<\/li>\n<\/ul>\n<\/li>\n<\/ul> \t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                  \n\t\t\t\t\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t
                  \n\t\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t

                  Analysefunktionen\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t
                  • Hauptkomponentenanalyse (PCA)<\/li>
                  • Analyse der Kovarianz (ANCOVA)<\/li>
                  • P-Werte zu Mehrfachvergleichen f\u00fcr nicht-parametrische ANOVAs hinzugef\u00fcgt<\/li>
                  • Die Auswahlm\u00f6glichkeiten f\u00fcr die Signifikanzniveaus von Mehrfachvergleichen wurden entfernt und das Signifikanzniveau von Mehrfachvergleichen an den Haupttest (Omnibus) gebunden.<\/li>
                  • Hinzuf\u00fcgen des Akaike-Informationskriteriums zu den Berichten des Regressionsassistenten und des Assistenten f\u00fcr dynamische Anpassung sowie zum Dialogfeld „Berichtsoptionen<\/li>
                  • Die Schaltfl\u00e4che Rerun in der SigmaStat-Gruppe wurde wieder hinzugef\u00fcgt.<\/li>
                  • Aktualisierte die Anpassungsbibliothek standard.jfl
                    • Hinzuf\u00fcgen von 24 Wahrscheinlichkeitsfunktionen f\u00fcr die Kurvenanpassung oder Funktionsvisualisierung.<\/li>
                    • Der Toleranzwert f\u00fcr alle Gleichungen wurde dahingehend ge\u00e4ndert, dass nun die „e-Notation“ anstelle einer festen Dezimalzahl verwendet wird. So kann der Benutzer den Wert ohne Scrollen lesen.<\/li>
                    • Hinzuf\u00fcgen von sieben Gewichtungsfunktionen zu allen Kurvenanpassungsgleichungen in standard.jfl. F\u00fcr 3D-Gleichungen gibt es eine leichte Variante.<\/li><\/ul><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                      \n\t\t\t\t\t\t
                      \n\t\t\t\t\t
                      \n\t\t\t
                      \n\t\t\t\t\t\t
                      \n\t\t\t\t
                      \n\t\t\t\t\t

                      Funktionen der Benutzeroberfl\u00e4che<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                      \n\t\t\t\t
                      \n\t\t\t\t\t\t\t\t\t
                      • Neuanordnung von Notizbucheintr\u00e4gen in einem Abschnitt durch Ziehen<\/li>
                      • SigmaPlot Tutorial PDF-Datei<\/li>
                      • Linienbreiten aus einer Arbeitsblattspalte<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                        \n\t\t\t\t\t\t
                        \n\t\t\t\t\t
                        \n\t\t\t
                        \n\t\t\t\t\t\t
                        \n\t\t\t\t
                        \n\t\t\t\t\t

                        Funktionen zum Importieren\/Exportieren<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                        \n\t\t\t\t
                        \n\t\t\t\t\t\t\t\t\t
                        • Hinzuf\u00fcgen der Dateiformate SVG und SWF f\u00fcr den Export skalierbarer Vektorgrafiken<\/li>
                        • Vektor-PDF-Export hinzugef\u00fcgt, um das bestehende Raster-PDF zu verbessern<\/li>
                        • Unterst\u00fctzung f\u00fcr den Import und Export von Dateien f\u00fcr die Versionen 13 und 14 von Minitab, Version 9 von SAS, Version 19 von SPSS und Version 13 von Symphony<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          SigmaPlot Produkteigenschaften<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Waldgrundst\u00fcck<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ein Walddiagramm ist eine Form der \"Meta-Analyse\", die dazu dient, mehrere Analysen zur gleichen Fragestellung zu kombinieren. Bei der Metaanalyse werden die Stichproben der einzelnen beitragenden Studien statistisch kombiniert, um eine zusammenfassende Gesamtstatistik zu erstellen, die pr\u00e4ziser ist als die Effektgr\u00f6\u00dfe in den einzelnen Studien. Einzelne Studienwerte und ihre 95%-Konfidenzintervalle werden als quadratische Symbole mit horizontalen Fehlerbalken dargestellt, die zusammenfassende Gesamtstatistik als Raute mit einer Breite, die dem 95%-Konfidenzintervall entspricht.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Kernel-Dichte<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Kernel-Dichte-Funktion erzeugt eine Sch\u00e4tzung der zugrunde liegenden Datenverteilung. Dies sollte mit dem stufenf\u00f6rmigen Histogramm verglichen werden. Es hat Vorteile (keine Balken) und Nachteile (Verlust von Z\u00e4hlinformationen) gegen\u00fcber einem Histogramm und sollte in Verbindung mit dem Histogramm verwendet werden. Sie k\u00f6nnen gleichzeitig erstellt werden.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Punktdichte mit Mittelwert und Standardfehlerbalken<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Berechnung von Mittelwert plus Standardfehlerbalken, Symbol plus Fehlerbalken, wurde dem Punktdichte-Diagramm hinzugef\u00fcgt. Dadurch werden die anderen m\u00f6glichen Punktdichte-Anzeigestatistiken - Mittelwert, Median, Perzentile und Boxplot - verbessert.\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Farbschemata<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es wurden zehn neue Farbschemata eingef\u00fchrt. Im Folgenden werden drei Beispiele aufgef\u00fchrt:<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Legendenverbesserungen - Gestalten<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es sind jetzt vertikale, horizontale und rechteckige Legendenformen verf\u00fcgbar.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Umgekehrte Reihenfolge der Legende<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Sie k\u00f6nnen nun ausw\u00e4hlen, dass die Reihenfolge der Legendenelemente umgekehrt wird. Dies bietet eine logischere Reihenfolge f\u00fcr einige Diagrammtypen.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Legendenartikel neu bestellen<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es gibt drei M\u00f6glichkeiten, die Legendenelemente neu anzuordnen. Wie hier gezeigt, k\u00f6nnen Sie ein oder mehrere Legendenelemente nach oben oder unten verschieben, indem Sie die Aufw\u00e4rts-\/Abw\u00e4rtspfeile im Legendenbedienfeld der Diagrammeigenschaften verwenden. Noch einfacher ist es, wenn Sie das Element in der Legende ausw\u00e4hlen und die Pfeiltasten der Tastatur nach oben und unten verwenden. Oder Sie markieren das Legendenelement und ziehen es mit dem Mauszeiger an die neue Position.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Mini-Symbolleiste zur Bearbeitung von Legendenelementen<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Legendenelemente k\u00f6nnen nun bearbeitet werden, indem Sie auf das Element klicken und die Mini-Symbolleiste verwenden.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Direkte Beschriftung<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Gruppierung der Legende kann nun aufgehoben und einzelne Legendenelemente k\u00f6nnen neben den entsprechenden Plots platziert werden. Die Beschriftungen bewegen sich mit dem Diagramm, um ihre Position in Bezug auf das Diagramm beizubehalten. Da die Beschriftung neben der Fl\u00e4che angebracht ist, ist die visuelle Identifizierung der einzelnen Fl\u00e4chen nun viel einfacher.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Hauptkomponentenanalyse (PCA)<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Hauptkomponentenanalyse (PCA) ist eine Technik zur Verringerung der Komplexit\u00e4t hochdimensionaler Daten durch Ann\u00e4herung der Daten mit weniger Dimensionen. Jede neue Dimension wird als Hauptkomponente bezeichnet und stellt eine lineare Kombination der urspr\u00fcnglichen Variablen dar. Die erste Hauptkomponente ber\u00fccksichtigt so viel Variation in den Daten wie m\u00f6glich. Jede nachfolgende Hauptkomponente ber\u00fccksichtigt so viel der verbleibenden Variation wie m\u00f6glich und ist orthogonal zu allen vorherigen Hauptkomponenten.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Sie k\u00f6nnen Hauptkomponenten untersuchen, um die Quellen der Variation in Ihren Daten zu verstehen. Sie k\u00f6nnen sie auch zur Erstellung von Vorhersagemodellen verwenden. Wenn der gr\u00f6\u00dfte Teil der Variation in Ihren Daten in einer niedrigdimensionalen Teilmenge vorliegt, k\u00f6nnen Sie Ihre Antwortvariable m\u00f6glicherweise anhand der Hauptkomponenten modellieren. Sie k\u00f6nnen Hauptkomponenten verwenden, um die Anzahl der Variablen bei Regression, Clustering und anderen statistischen Verfahren zu reduzieren.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Sie k\u00f6nnen Hauptkomponenten untersuchen, um die Quellen der Variation in Ihren Daten zu verstehen. Sie k\u00f6nnen sie auch zur Erstellung von Vorhersagemodellen verwenden. Wenn der gr\u00f6\u00dfte Teil der Variation in Ihren Daten in einer niedrigdimensionalen Teilmenge vorliegt, k\u00f6nnen Sie Ihre Antwortvariable m\u00f6glicherweise anhand der Hauptkomponenten modellieren. Sie k\u00f6nnen Hauptkomponenten verwenden, um die Anzahl der Variablen bei Regression, Clustering und anderen statistischen Verfahren zu reduzieren.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die grafische Ausgabe besteht aus Scree-, Component Loadings- und Component Scores-Diagrammen.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Analyse der Kovarianz (ANCOVA)<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ein Ein-Faktor-ANOVA-Modell basiert auf einem vollst\u00e4ndig randomisierten Design, bei dem die Probanden einer Studie nach dem Zufallsprinzip aus einer Grundgesamtheit gezogen werden und dann jeder Proband nach dem Zufallsprinzip einer von mehreren Faktorstufen oder Behandlungen zugewiesen wird, so dass jeder Proband die gleiche Wahrscheinlichkeit hat, eine Behandlung zu erhalten. Eine g\u00e4ngige Annahme bei diesem Design ist, dass die Probanden homogen sind. Das bedeutet, dass jede andere Variable, bei der Unterschiede zwischen den Probanden bestehen, den Behandlungseffekt nicht signifikant ver\u00e4ndert und nicht in das Modell aufgenommen werden muss. Allerdings gibt es h\u00e4ufig Variablen, die sich der Kontrolle des Untersuchers entziehen und die Beobachtungen innerhalb einer oder mehrerer Faktorgruppen beeinflussen, was zu notwendigen Anpassungen der Gruppenmittelwerte, ihrer Fehler, der Quellen der Variabilit\u00e4t und der P-Werte des Gruppeneffekts, einschlie\u00dflich multipler Vergleiche, f\u00fchrt.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Diese Variablen werden als Kovariaten bezeichnet. Sie sind in der Regel kontinuierliche Variablen, k\u00f6nnen aber auch kategorisch sein. Da sie in der Regel von untergeordneter Bedeutung f\u00fcr die Studie sind und, wie oben erw\u00e4hnt, vom Untersucher nicht kontrolliert werden k\u00f6nnen, stellen sie keine zus\u00e4tzlichen Haupteffektfaktoren dar, k\u00f6nnen aber dennoch in das Modell aufgenommen werden, um die Genauigkeit der Ergebnisse zu verbessern. Kovariaten werden auch als St\u00f6rvariablen oder Begleitvariablen bezeichnet.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          ANCOVA (Analysis of Covariance) ist eine Erweiterung der ANOVA, bei der eine oder mehrere Kovariaten als zus\u00e4tzliche Variablen in das Modell aufgenommen werden. Wenn Sie ANCOVA-Daten in einem SigmaPlot-Arbeitsblatt unter Verwendung des indizierten Datenformats anordnen, steht eine Spalte f\u00fcr den Faktor und eine Spalte f\u00fcr die abh\u00e4ngige Variable (die Beobachtungen), wie in einem ANOVA-Design. Au\u00dferdem haben Sie eine Spalte f\u00fcr jede Kovariate. Bei Verwendung eines Modells, das die Auswirkungen von Kovariaten einbezieht, wird eine gr\u00f6\u00dfere Variabilit\u00e4t des Wertes der abh\u00e4ngigen Variable erkl\u00e4rt.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Dies verringert im Allgemeinen die unerkl\u00e4rte Varianz, die auf die zuf\u00e4llige Stichprobenvariabilit\u00e4t zur\u00fcckzuf\u00fchren ist, was die Sensitivit\u00e4t der ANCOVA im Vergleich zum gleichen Modell ohne Kovariaten (ANOVA-Modell) erh\u00f6ht. Eine h\u00f6here Testsensitivit\u00e4t bedeutet, dass kleinere Mittelwertunterschiede zwischen den Behandlungen im Vergleich zu einem ANOVA-Standardmodell signifikant werden, wodurch die statistische Aussagekraft erh\u00f6ht wird.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ein einfaches Beispiel f\u00fcr die Verwendung von ANCOVA ist ein Experiment, bei dem die Sch\u00fcler nach dem Zufallsprinzip einer von drei Unterrichtsmethoden zugewiesen werden und ihre Leistungen gemessen werden. Ziel ist es, die Wirkung der verschiedenen Methoden zu messen und festzustellen, ob eine Methode eine deutlich h\u00f6here Durchschnittspunktzahl als die anderen erreicht. Die Methoden sind Vortrag, Selbststudium und kooperatives Lernen. Die Durchf\u00fchrung einer Einweg-ANOVA f\u00fcr diese hypothetischen Daten ergibt die Ergebnisse in der nachstehenden Tabelle unter der Spalten\u00fcberschrift ANOVA. Wir kommen zu dem Schluss, dass es keinen signifikanten Unterschied zwischen den Unterrichtsmethoden gibt. Es ist auch zu beachten, dass die durch das ANOVA-Modell nicht erkl\u00e4rte Varianz, die auf die Stichprobenvariabilit\u00e4t in den Beobachtungen zur\u00fcckzuf\u00fchren ist, auf 35,17 gesch\u00e4tzt wird.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es ist m\u00f6glich, dass die Sch\u00fcler in unserer Studie aufgrund ihrer bisherigen schulischen Leistungen mehr von einer Methode profitieren als von den anderen. Nehmen wir an, wir verfeinern die Studie, um eine Kovariate einzubeziehen, die eine fr\u00fchere F\u00e4higkeit misst, z. B. ein staatlich anerkanntes standardbasiertes Assessment (SBA). Die Durchf\u00fchrung einer einseitigen ANCOVA mit diesen Daten f\u00fchrt zu den Ergebnissen in der nachstehenden Tabelle unter der Spalten\u00fcberschrift ANCOVA.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Der bereinigte Mittelwert, der in der Tabelle f\u00fcr jede Methode angegeben ist, ist eine Korrektur des Gruppenmittelwerts zur Kontrolle der Auswirkungen der Kovariate. Die Ergebnisse zeigen, dass die bereinigten Mittelwerte signifikant unterschiedlich sind, wobei die Vorlesungsmethode die erfolgreichere ist. Beachten Sie, dass die Standardfehler der Mittelwerte fast um den Faktor drei abgenommen haben, w\u00e4hrend die Varianz aufgrund der Stichprobenvariabilit\u00e4t um den Faktor zehn abgenommen hat. Eine Verringerung des Fehlers ist die \u00fcbliche Folge der Einf\u00fchrung von Kovariaten und der Durchf\u00fchrung einer ANCOVA-Analyse.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es gibt vier ANCOVA-Ergebnisdiagramme - Regressionslinien in Gruppen, Streudiagramm der Residuen, angepasste Mittelwerte mit Konfidenzintervallen und Normalit\u00e4tswahrscheinlichkeitsdiagramm:<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          P-Werte f\u00fcr nichtparametrische ANOVAs<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die nicht-parametrischen ANOVA-Tests in SigmaPlot sind der Kruskal-Wallis-Test (einfaktorielle ANOVA \u00fcber R\u00e4nge) und der Friedman-Test (einfaktorielle ANOVA \u00fcber R\u00e4nge mit wiederholten Ma\u00dfnahmen). Beide bieten vier Post-hoc-Testverfahren, um die Quelle signifikanter Effekte im Behandlungsfaktor zu bestimmen. Die vier Verfahren sind Tukey, SNK, Dunn's und Dunnett's.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die ersten drei Verfahren k\u00f6nnen verwendet werden, um die Signifikanz jedes paarweisen Vergleichs der Behandlungsgruppen zu testen, w\u00e4hrend die letzten beiden Verfahren verwendet werden k\u00f6nnen, um die Signifikanz von Vergleichen mit einer Kontrollgruppe zu testen. Die Dunn-Methode ist das einzige Verfahren, das zur Verf\u00fcgung steht, wenn die Behandlungsgruppen ungleiche Stichprobengr\u00f6\u00dfen haben.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Wenn ein Post-hoc-Testverfahren verwendet wird, enth\u00e4lt der Bericht eine Tabelle mit den Ergebnissen f\u00fcr die paarweisen Vergleiche der Behandlungsstufen. Die letzte Spalte der Tabelle zeigt, ob der Unterschied in den R\u00e4ngen signifikant ist oder nicht. In fr\u00fcheren Versionen von SigmaPlot wird kein angepasster p-Wert angegeben, der mit dem Signifikanzniveau der ANOVA (normalerweise .05) verglichen werden kann, um die Signifikanz zu bestimmen.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Dies liegt daran, dass SigmaPlot die Signifikanz durch den Vergleich der beobachteten Teststatistik, die f\u00fcr jeden Vergleich berechnet wird, mit einem kritischen Wert der Verteilung der Statistik, der aus einer Nachschlagetabelle erhalten wird, bestimmt. SigmaPlot verf\u00fcgte \u00fcber zwei S\u00e4tze von Nachschlagetabellen f\u00fcr die Wahrscheinlichkeitsverteilungen, die den vier Post-hoc-Methoden entsprachen, wobei ein Satz f\u00fcr ein Signifikanzniveau von 0,05 und ein weiterer Satz f\u00fcr ein Signifikanzniveau von 0,01 galt.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Dies wurde k\u00fcrzlich ge\u00e4ndert, um analytische Verfahren zur Berechnung der p-Werte dieser Verteilungen zu verwenden, wodurch die Nachschlagetabellen \u00fcberfl\u00fcssig wurden. Aufgrund dieser \u00c4nderung sind wir nun in der Lage, die bereinigten p-Werte f\u00fcr jeden paarweisen Vergleich anzugeben. Diese \u00c4nderung erm\u00f6glicht es auch, die Einschr\u00e4nkung aufzuheben, dass .05 und .01 die einzigen Signifikanzniveaus f\u00fcr Mehrfachvergleiche sind. Der Benutzer kann also ein beliebiges g\u00fcltiges Signifikanzniveau von 0 bis 1 f\u00fcr den P-Wert eingeben.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Akaike-Informationskriterium (AICc)\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Das Akaike-Informationskriterium (AIC) ist eine Methode zur Messung der relativen Leistung bei der Anpassung eines Regressionsmodells an einen bestimmten Datensatz. Das Kriterium basiert auf dem Konzept der Informationsentropie und bietet ein relatives Ma\u00df f\u00fcr den Informationsverlust bei der Verwendung eines Modells zur Beschreibung der Daten. Genauer gesagt ist es ein Kompromiss zwischen der Maximierung der Wahrscheinlichkeit f\u00fcr das gesch\u00e4tzte Modell (das entspricht der Minimierung der Summe der Residuenquadrate, wenn die Daten normalverteilt sind) und der Minimierung der Anzahl der freien Parameter im Modell, wodurch dessen Komplexit\u00e4t reduziert wird. Obwohl die Anpassungsg\u00fcte fast immer durch das Hinzuf\u00fcgen weiterer Parameter verbessert wird, erh\u00f6ht sich durch eine \u00dcberanpassung die Empfindlichkeit des Modells gegen\u00fcber \u00c4nderungen der Eingabedaten und kann seine Vorhersagef\u00e4higkeit beeintr\u00e4chtigen.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Der Hauptgrund f\u00fcr die Verwendung von AIC ist die Orientierung bei der Modellauswahl. In der Praxis wird sie f\u00fcr eine Reihe von Modellkandidaten und einen bestimmten Datensatz berechnet. Das Modell mit dem kleinsten AIC-Wert wird als das Modell in der Menge ausgew\u00e4hlt, das das \"wahre\" Modell am besten repr\u00e4sentiert, oder das Modell, das den Informationsverlust minimiert, was das Ziel der AIC-Sch\u00e4tzung ist. Nachdem das Modell mit dem minimalen AIC ermittelt wurde, kann auch eine relative Wahrscheinlichkeit f\u00fcr jedes der anderen in Frage kommenden Modelle berechnet werden, um die Wahrscheinlichkeit der Verringerung des Informationsverlusts im Vergleich zum Modell mit dem minimalen AIC zu messen. Die relative Wahrscheinlichkeit kann dem Untersucher bei der Entscheidung helfen, ob mehr als ein Modell in der Menge f\u00fcr die weitere Betrachtung beibehalten werden sollte.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Berechnung des AIC basiert auf der folgenden, von Akaike aufgestellten allgemeinen Formel\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\"\"\n\nwobei\"\"die Anzahl der sch\u00e4tzbaren Parameter im Regressionsproblem ist, die die Modellparameter und die unbekannte Varianz der Beobachtungen umfasst, und \"\"der maximierte Wert der Likelihood-Funktion f\u00fcr das gesch\u00e4tzte Modell ist.\n\nWenn der Stichprobenumfang der Daten \"\"im Verh\u00e4ltnis zur Anzahl der Parameter \"\" klein ist (einige Autoren sagen, wenn \"\" nicht mehr als ein paar Mal gr\u00f6\u00dfer als\"\" ist), kann AIC nicht so gut vor Overfitting sch\u00fctzen. In diesem Fall gibt es eine korrigierte Version des AIC, die wie folgt lautet\n\n\"\"\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es zeigt sich, dass AICc einen gr\u00f6\u00dferen Nachteil als AIC auferlegt, wenn es zus\u00e4tzliche Parameter gibt. Die meisten Autoren scheinen darin \u00fcbereinzustimmen, dass AICc in allen Situationen anstelle von AIC verwendet werden sollte, und es ist AICc, das in SigmaPlot implementiert ist. Die asymmetrische Gleichung in der Grafik ist deutlich besser als die symmetrische, da ihr AICc-Wert um mehr als 7 Einheiten niedriger ist als der der symmetrischen Gleichung - eine Faustregel f\u00fcr AICc. Wenn die Differenz gr\u00f6\u00dfer als 2 ist, sollte die Gleichung mit dem kleineren AICc-Wert nicht als beste Gleichung, sondern eher als Kandidat f\u00fcr die beste Gleichung betrachtet werden.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Nichtlineare Regressionswahrscheinlichkeitsfunktionen\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Der Fit-Bibliothek standard.jfl wurden 24 neue Wahrscheinlichkeits-Fit-Funktionen hinzugef\u00fcgt. Diese Funktionen sowie einige Gleichungen und Diagrammformen sind unten dargestellt.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Nichtlineare Regressionsgewichtungsfunktionen\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Es gibt jetzt sieben verschiedene Gewichtungsfunktionen, die in jede nichtlineare Regressionsgleichung eingebaut sind (3D ist leicht unterschiedlich). Diese Funktionen sind reziprok y, reziprok y zum Quadrat, reziprok x, reziprok x zum Quadrat, reziprok predicteds, reziprok predicteds zum Quadrat und Cauchy. Der Algorithmus der iterativ neu gewichteten kleinsten Quadrate wird verwendet, damit sich die Gewichte w\u00e4hrend jeder Iteration der nichtlinearen Regression \u00e4ndern k\u00f6nnen. Auf diese Weise kann die \"Gewichtung nach Pr\u00e4dikaten\", eine h\u00e4ufig verwendete Methode, durch Auswahl der Option reciprocal_pred weighting erreicht werden.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Au\u00dferdem kann die Cauchy-Gewichtung (w\u00e4hlen Sie weight_Cauchy) verwendet werden, um eine Gleichung an Daten anzupassen, die Ausrei\u00dfer enthalten, und die Auswirkungen der Ausrei\u00dfer werden minimiert. Benutzer k\u00f6nnen ihre eigenen Gewichtungsmethoden in Bezug auf Residuen und\/oder Parameter erstellen, um andere robuste Anpassungsmethoden zu implementieren. Der Gleichungsteil einer Fit-Datei wird mit den sieben eingebauten Gewichtungsfunktionen dargestellt.<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Funktionen der Benutzeroberfl\u00e4che - Ordnen Sie Elemente in Ihrem Notizbuch durch Ziehen neu an.\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Objekte in einem Notizbuchabschnitt werden nicht unbedingt in einer logischen Reihenfolge erstellt. Sie k\u00f6nnen nun Elemente innerhalb eines Abschnitts an neue Positionen ziehen, um sie logischer zu platzieren.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Ein aktualisiertes SigmaPlot Tutorial\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Das neue Tutorial macht das erstmalige Erstellen von Diagrammen leicht. Es beginnt mit einfachen Beispielen und wird nach und nach komplexer.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Angeben von Plotlinienbreiten aus einer Arbeitsblattspalte\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Linienbreitenwerte k\u00f6nnen jetzt in eine Arbeitsblattspalte eingegeben werden. Diese Werte k\u00f6nnen innerhalb eines Diagramms oder f\u00fcr mehrere Diagramme auf der Seite verwendet werden.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

                          \n\t\t\t\t\t\t
                          \n\t\t\t\t\t
                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Vektor-Export-Dateiformate\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Dateiformate SVG (Scalable Vector Graphics), SWF (Adobe Flash Player) und Vector PDF wurden hinzugef\u00fcgt. Dabei handelt es sich um skalierbare Formate, bei denen die Aufl\u00f6sung beim Zoomen auf verschiedene Ebenen nicht verloren geht. SVG ist das Standard-Grafikformat f\u00fcr das Web und SWF kann mit dem Adobe Flash Player verwendet werden. Da PDF so h\u00e4ufig verwendet wird, ist das Vektor-PDF-Format jetzt an die Schaltfl\u00e4che PDF erstellen im Men\u00fcband Start angeh\u00e4ngt.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

                          \n\t\t\t
                          \n\t\t\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Aktualisierte Formate f\u00fcr Antragsdateien\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                          \n\t\t\t\t
                          \n\t\t\t\t\t

                          Die Unterst\u00fctzung f\u00fcr den Import und Export von Dateien wurde auf die Versionen 13 und 14 von Minitab, Version 9 von SAS und Version 19 von SPSS aktualisiert.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

                          SigmaPlot Produkteigenschaften Jetzt kaufen Jetzt ausprobieren Funktionen und Verbesserungen in SigmaPlot Waldgrundst\u00fccke Kerndichtediagramme 10 neue Farbschemata Punktdichtediagramm mit Mittelwert und Standardfehlerbalken Legende Verbesserungen Horizontale, vertikale und rechteckige Legendenformen Cursor \u00fcber Seite oder oberen oder unteren Griff erm\u00f6glicht mehrspaltige Legenden Benutzeroberfl\u00e4che zum Einstellen der Anzahl der Spalten f\u00fcr Legendenelemente im Dialogfeld Eigenschaften. Die zul\u00e4ssigen Spaltennummern werden […]<\/p>\n","protected":false},"author":1773,"featured_media":0,"parent":11726,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"page-builder","ast-site-content-layout":"full-width-container","site-content-style":"unboxed","site-sidebar-style":"unboxed","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"class_list":["post-11740","page","type-page","status-publish","hentry"],"yoast_head":"\nSigmaPlot Produktmerkmale - Grafiti LLC<\/title>\n<meta name=\"description\" content=\"Entdecken Sie die Funktionen der SigmaPlot Software.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"SigmaPlot Produktmerkmale - Grafiti LLC\" \/>\n<meta property=\"og:description\" content=\"Entdecken Sie die Funktionen der SigmaPlot Software.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/\" \/>\n<meta property=\"og:site_name\" content=\"Grafiti LLC\" \/>\n<meta property=\"article:modified_time\" content=\"2025-12-05T11:59:43+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"15 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\",\"name\":\"SigmaPlot Produktmerkmale - Grafiti LLC\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\",\"datePublished\":\"2023-07-04T04:32:00+00:00\",\"dateModified\":\"2025-12-05T11:59:43+00:00\",\"description\":\"Entdecken Sie die Funktionen der SigmaPlot Software.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#primaryimage\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/\\\/wp-content\\\/uploads\\\/2023\\\/05\\\/image003-1.jpg\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/sigmaplot-product-features\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/grafiti.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"SigmaPlot Details\",\"item\":\"https:\\\/\\\/grafiti.com\\\/de\\\/sigmaplot-details\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"sigmaplot-product-features\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"name\":\"Grafiti LLC\",\"description\":\"Grafiti LLC\",\"publisher\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/grafiti.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\",\"name\":\"Grafiti LLC\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/logo-2.png\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/logo-2.png\",\"width\":164,\"height\":62,\"caption\":\"Grafiti LLC\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"SigmaPlot Produktmerkmale - Grafiti LLC","description":"Entdecken Sie die Funktionen der SigmaPlot Software.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/","og_locale":"de_DE","og_type":"article","og_title":"SigmaPlot Produktmerkmale - Grafiti LLC","og_description":"Entdecken Sie die Funktionen der SigmaPlot Software.","og_url":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/","og_site_name":"Grafiti LLC","article_modified_time":"2025-12-05T11:59:43+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"15 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/","url":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/","name":"SigmaPlot Produktmerkmale - Grafiti LLC","isPartOf":{"@id":"https:\/\/grafiti.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/#primaryimage"},"image":{"@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/#primaryimage"},"thumbnailUrl":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg","datePublished":"2023-07-04T04:32:00+00:00","dateModified":"2025-12-05T11:59:43+00:00","description":"Entdecken Sie die Funktionen der SigmaPlot Software.","breadcrumb":{"@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/"]}]},{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/#primaryimage","url":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg","contentUrl":"https:\/\/grafiti.com\/\/wp-content\/uploads\/2023\/05\/image003-1.jpg"},{"@type":"BreadcrumbList","@id":"https:\/\/grafiti.com\/de\/sigmaplot-details\/sigmaplot-product-features\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/grafiti.com\/"},{"@type":"ListItem","position":2,"name":"SigmaPlot Details","item":"https:\/\/grafiti.com\/de\/sigmaplot-details\/"},{"@type":"ListItem","position":3,"name":"sigmaplot-product-features"}]},{"@type":"WebSite","@id":"https:\/\/grafiti.com\/#website","url":"https:\/\/grafiti.com\/","name":"Grafiti LLC","description":"Grafiti LLC","publisher":{"@id":"https:\/\/grafiti.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/grafiti.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/grafiti.com\/#organization","name":"Grafiti LLC","url":"https:\/\/grafiti.com\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/","url":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/logo-2.png","contentUrl":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/logo-2.png","width":164,"height":62,"caption":"Grafiti LLC"},"image":{"@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/pages\/11740","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/users\/1773"}],"replies":[{"embeddable":true,"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/comments?post=11740"}],"version-history":[{"count":0,"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/pages\/11740\/revisions"}],"up":[{"embeddable":true,"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/pages\/11726"}],"wp:attachment":[{"href":"https:\/\/grafiti.com\/de\/wp-json\/wp\/v2\/media?parent=11740"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}