3 ι ηι ιι η ι -ηι. ι ι ι ι. «η» η ι ι ι ι η ι.,ι ι ι ι ι "ι η ι % ι ι "η ι ι ι η ι ιι. ι ηι ι η ι «ιι ι»
|
|
- Οινώνη Τρικούπης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 # v ## 3 ι ηι ιι η ι -ηι ι ι ι ιι, ιι ιι-'ι ι, η ι ι ι ι ι, ι ι η η!ιι. ι ιι ι ι «ι» ι «η» ι ι ιι ( 2 ι) η ι η. * ι ι ι ι ι ι ηιι. 6ι η η ηη ι «ι ι» η ι. ιι η ιι η ι ιηι ι η η η ιι ιι ι ι ι ι «η» η ι ι ι ι η ι.,ι ι ι ι ι "ι η ι ι η ηι ι ι ιιι ι % ι ι "η ι ι ι η ι ιι. «η» ι ι ι «ι». $ι ι, ι ι, ι ιη η ηι ι ιι, ιι, 'ι, ιι, ιι η ι ι η ι «ι». «ι» η ι ι ι, ι, ι, η ι ηι. * η ι ιι, 'ι, ιι, ιι ιιι «ι» ι ι η, ι, ιι ι, ι, ι. η ιιι ι ι η η ιι ι η $--ι" Jean Paul Benzecri η η 60 η η ι (Benzecri, 1992) ι ι!! ι., η ιι ι ι η ι * η (1999), Clausen (1998) ι Greenacre (1984). η ιιι ι ι ιι ιηι, ι., ιι Pierre Bourdieu ι ι ηι ι ι ι ιιι ι η!ι ι ι ι ιι η ιη, η ι η η'η ι ιηι ηη ι ιι!ι (ιι!ι, ηιι ) ι ι η ηη ι., Bourdieu ι! ι ι ιι ι η ι ηι ι η ι «ιι ι» ηι ι η ιι ι ιη!ι «ιιι ι» ι η «ιι ηι» ι ι ι 'ι (Bourdieu, 1992). η ιι ' η ι ιιι ι ' η ιι ( Doise, Clemence ι Lorenzi-Cioldi, 1993). < η ιι ι (.. Autiero, Bruno ι Mazzotta, 2000), η η (.. Askell-Williams ι Lawson, 2004), η ι (.. Johansen, Laursen ι Holst, 2004), η ι - ιη (Schwartz, Baldo, Graves ι Brugger (2003), η ι ι (... Vlachová, 2001), ι ιι ι (Guinot.., 2001).,&-@,),η3ο)ο,-ο3ο.η)η,ο($P$$ η η ι ηι ι «ι ηη»! ι η" η ι, ι ι ιη ι ηη (optimal scaling) SPSS η η ι ιηι ι ι ι ιι η η ι, ι (Meulman, ι Heiser, 2001). ι ι ι ιη ι ηη η η ι ιη 154
2 ι ηη ι ι ι -η ηι ι η.,ι ι ι ηι η ι ι " η η η (.. 1=, 2=).,ι ι ι ι η ι ι η η η, «ι»! ι ι ι (.. 1=, 2=, 3=ι...). * ιι ι ηη, ι ι ιη ι ι ι ι ι -η ηι ι η ι ιιη ι ιηι η. ι ι ιι η ιη ι ηη ηι ι η ιι ι η ι ι ι (alternating least squares) ιι ι ι ιι ηι ιι ι η "ηη ι η ι η ι η η η «ι» ι ι ιι ι η ιη ι ηη η ι ιι. η ι ι ι ι ιι ι " ι ιη ι ηη η η SPSS. 2()η,),ο&OdKD;;:9FD8>:8E:A8?GS9B9e η η ιιι ι ι'ι η η ηι ιι η ( ι ι ι η η x 2 ι ι ι ι) ι η ι'ι ι ι -η η. η ιιι ι η ι ι ιι ι ι η ιηη ι ιι, ι, ι, ι, 'ι (.. ιι ιι, ιι 4 ηιι,.). *ι ηι η η ιιι η ι η ι η 'ι ιι η η ηι ιη η ι (.. ηι ιη ι, ι, ιιη..). η ι ι ι ι ι η η η ι ι 1. 6 ι η ηι η ι η '70 ι ιι ηι ι ι.,/η η(ι) ' 483 ιι η 6 η ι η ι η ι! ι ι ιι η! ηι ι η: )η 1. "ηι ι ιι ι ι" )η 2. "ηι ιι ι ι" )η 3. "ηι ιι" )η 4. "ηι ιιι ι ι" )η 5. "ηι ι ιιι ι ι" η ιιι!ι η ηι ι" η ι: % ".!"!! # 0 " " υ " 0 " υ ' # #" % 0"!! " &υ" η )( )% & % 8,2% 25,9% 23,5% 23,5% 11,8% 7,1% )( 1,(, &η % 20,0% 12,4% 13,2% 26,3% 38,5% 33,3% 2!!! " % 1,4% 4,6% 4,1% 4,1% 2,1% 1,2% 17,6% &υ" η & % 7,3% 34,2% 35,5% 12,4% 6,4% 4,3% &η % 48,6% 45,2% 55,0% 38,2% 57,7% 55,6% % 3,5% 16,6% 17,2% 6,0% 3,1% 2,1% 48,4% 1 ι ηι ιη ι ι η Kappa ι! ι. 155
3 υ" &υ" η !!! " % 0"!! " & % 5,7% 40,0% 28,6% 20,0%,0% 5,7% &η % 5,7% 7,9% 6,6% 9,2%,0% 11,1% %,4% 2,9% 2,1% 1,4%,0%,4% 7,2% &υ" η & % 2,5% 45,7% 33,3% 18,5%,0%,0% 16,8% &η % 5,7% 20,9% 17,9% 19,7%,0%,0% %,4% 7,7% 5,6% 3,1%,0%,0% 16,8% &υ" η & % 14,6% 50,0% 22,9% 10,4% 2,1%,0% &η % 20,0% 13,6% 7,3% 6,6% 3,8%,0% % 1,4% 5,0% 2,3% 1,0%,2%,0% 9,9% &υ" η ,2% 36,6% 31,3% 15,7% 5,4% 3,7% 100,0% # " : ) ι ιι ηι ι η '70 η ι, η ηι ι ι ι ι «"» ιι η ι ι ι η η ι ι! x 2 ι. 6ι, ι ιη ι η ( ) η ι η η ( ι ι ι ι η)., ι ι η η «&η.1» η ι 8,2% ι ιι ' ι η ι η ι η η 1. ι η η η ι η ι η ι (. ι )., ι ι η η «&η.1» η ι 20% ηι η η 1 ι ιι ηι ι η '70 ηι ιη η(ι) ι ιι. ( ι η η ι η η. ι, ηι ι ι ιι ηι ι η '70 ', 17,6% " ι ιι ι. ( η η η η ι. ι, ηι ι ι ιι ηι ι η '70 ' ( η. ι), 7,2% ηιη η η 1. η ( η) ι ( ) ι ι " ( ι η) ( η). ( η) η η ι η η ι. ιη! η "ι η η (% ' x 2 ). ι (inertia) ι η ιη η (η η ι η ι ). ι η ι ι ι η η ι Pearson x 2.. η ι η ιιι ι η ιη η ιιη 2 ι ι ι ι ι ι 'η ι ιη ι ι ι ι η. ι ι ι ι! x ι y η 156
4 η ιιη 2. M η ηι ι ι η ι ι! ηι η. ι, η ( η) ι (η. ) "ι ι ιι ι ι. # η ι ιι ι ι ι ηι ι ι ιι η ι ιι ι ι" ιι ι ι-. ι ι ( ηι) ι η &η 3 ι ι ιι ι ι. η 5 ι η ι η ι ι. 2 η ι ι ι" ι. η ι η η ιιι η η SPSS ( correspondence.sav). # ιι ι ιι ι ι ιι 1000 ι ι η (.. ι ιι / #η) ιι ι η ι ι ι η η ι ι ι ηι η ι, ι ι ι ηι ι η ι ". #! ι ι ι η η ιιι. PQA8?GSl:T?<?f:>HE<BD8KD;;:9FD8>:8E:A8?GS9B9Zυ$ι/D%*ι+)/*ω/* 157 *)/%ι4,/,7.υ,%%5,'$υ,% *+ /υ$+ *ι$*ι&ι- /,%$ $* %)ι%υ*ι' %))% #( ι * $+,*ι'*%)4'$,ι)'8+,$,5ω,% * υ)%,%/, #9"=(> d)ω,),%,% )' * )/7υ 9RJHIJSKN RINP:E +,%*8+*2 9"= )%ι,8/%ιrυ)3*+4%)υ5r )4'$,ι )82,* )' * ) D+*2$,%)'*υ%ω*-,%υι.=υ υ*')υ 7%ω ω*)ι $+,*ι'> )82,* υ*/ 2* %4E )'%,E -$*ι%e,'υ$+e *,* ι )% ι*ωι)ι2$,%,%*υι7,)'!.ωιr*$*ι&>,%*8+*2 )%ι,8/%ι q υ)3*+4% %)ι%υ*ι %)ι).υe )' * ^+,*ι'e ω ι %*)*υ&ι. $)υ.e ωι)ι+,.%)'*!.ωι*q>q%*8%/ι)%/,%$*)$ι9q@p:# %ι/(*+,%*8+*2ι
5 *2+(*+,%*8+*29"=#%.&%ι$+,$)7*)7%*2$υ,%*+/7%,%*8+*2(> VQ*/,%*υ,)9T:WB8:f?8^:Z:/*ω)'*)$ι9fD=:>,5D%*ι+/* *)$ι9miaimvmcjkvn:$+,%ι-υ,% *+,ι'*%+ *ι,2 *+,%*8+*2 )υ $* )/%ι4,/, %ι!e )υ *ι$*ι&% $*+ υ)3*+4 9^+,*ι':> *)$ι9mjzimvmcjkvn:$+,%ι-υ,% *+ υ\+'*%+ *ι,2 *+,%*8+*2 )υ %ι q ι *ι$*ι&% $*+ υ)3 *+4 9%*)*υ&ι':> % υ*' * *') D+*/,% $υ,)%ι+57 $*+ /υ$+ '% ι υ)3*+4% *+,%*8+*2*υ%)ι%υ*ι%)ι).υ)υ &+$ι,)ι2$,%#$ q(> 7 7.,% $υ,)%ι/8υ,%,' /)ι% )' *ι υ)3*+4%%)ι%υ*ι%)ι).υ*'*% 7&+$ι,)ι$,%.,ι'*%% #)>&> MIAIMVM cjkvni[ ι MJZIMVM cjkvnio(-$*% )%$υ,% υ*)υ *%%ω$ +,*ι' ι,%*)*υ&ι' )' *+/υ$2,> XQ*/,%9qF>?<::ι$*% [Q9KD8<B8H::> `Q*/,%*υ,)9T:WB8:f?8^:Z:/*ω)'*)$ι9KDGH_8:>,5D%*ι+/*)υ)υ$ι/$,% )+4υ,.ω> +,%ι-υ,%*ι*ι,.!ιr$**/+)$ιe')ω/,%ι$*82,>n> Q*/,%9qF>?<::ι$*% iq9kd8<b8h::> jq *+&ι2/*9kd;;:9fd8>:8e:a8?gs9b9:)*/,%*υ,)9md>:gz:>,5d%*ι+'υ7+/* PQ +,%ι-υ,% *ι %)ι4. )υ )υ$ι/d*ι ι$*%/>,.*+$+ )'$*$+ 4%*ι $*+ 8/$+ *υ $**ι$*ι ι*+υ c )υ )%ι4/\,%$%)+4,%%5/ι> PPQ9KD8<B8H::> PQ *+ &ι2 /* 9KD;;:9FD8>:8E: A8?GS9B9: )*/,% * υ,) 9$<?<B9<BE9Z:>,5D%*ι +'υ7+/* 158
6 PVQ/υ,%*ι%)ι4.)υ$+,%ι-*ι)> PXQ9KD8<B8H::> P[Q *+&ι2/*9kd;;:9fd8>:8e: A8?GS9B9:)*/,%*υ,)9PGD<9Z:>,5D%*ι +'υ7+/* %,5ι$*%.)4*ι' ι/4,,,%*+*υ*'&+ )%ι'ι$+ *ω [ %5-,% *ι υ)3*+4% *ω,%*8+*-> *+%)ι429ibkjsnkpihbp?@hcljbbnhwk@bc: $+,%ι-υ,% % o #,),% $+,%ι-$υ,% )ι2)*% % / '$ )ι,ι' %ι *'$ )ι %υ/4ω$*%%ιιυ)3*+4%$*ι/4,,(> P Q9KD8<B8H::> PiQ *+ &ι2 /* 9KD;;:9FD8>:8E: A8?GS9B9: )*/,% * υ,) 9OK: 4ι 9*.=υ,%: *+ /υ$+ *ι$*ι&ι-)υ$,%,%*ι))/ω%.4%ι%> SPSS ι"ι : Correspondence Table υη 2η υ!υ" Active Margin 0 + #! υη Active Margin , ι ιι ιιι, η ι η η.,ι ι η ιι (.. /ηι) ι! ι ηι ι η (.. ). # «Active Margin» ι ι ι ι -η ι ( /ηι). # ι «Active Margin» ι ι ι ι -η η ( ! η ι ηι ι η). ι"ι ι: 159
7 Row Profiles υη 2η υ!υ" Mass 0 + #! υη Active Margin,023,124,169,328,294,062 1,000,036,152,226,347,178,061 1,000,045,167,242,424,121,000 1,000,090,180,251,323,120,036 1,000,125,205,307,239,114,011 1,000,051,157,229,335,179,048 2 η ι, ι ιη ι ι η η ι ι. $ι ι,, 30,7% ι ιι ι ι ι ι ηι ι η. # η η, η η ι ι 16,9% ιι /ηι ι ι ι ηι ι η. 2, ι ι ι ι ι ι η ι. ι «Mass» (") η η η ηι η ι. 6ι, η η, ι ι, 33,5% ι ιι,! ι ι η. # ι ιι η η. ι"ι η: Column Profiles υη 2η υ!υ" Active Margin 0 + #! υη Mass,078,141,132,174,292,229,178,353,481,493,517,494,625,498,059,071,070,084,045,000,066,294,192,185,162,112,125,168,216,115,119,063,056,021,089 1,000 1,000 1,000 1,000 1,000 1,000 η ι ι ι, η. $ι ι, 51,7% ι! ηι ι η η η ι ιι ι $ι. ι, ι ι ι ι η ι ι,, ιι! ι ι x 2 ( Analyze-Descriptive Statistics- Crosstabs -Cells)., ι ι η ι η (ι ι η, η.! ιι ι ι ηι ι ), ι ιι ι"ι ι ι η η. 160
8 Summary Proportion of Inertia Confidence Singular Value Dimension Total Singular Standard Correlation Value Inertia Chi Square Sig. Accounted for Cumulative Deviation 2,219,048,790,790,031,237 a. 20 degrees of freedom,091,008,138,928,032,062,004,063,991,023,001,009 1,000,061 60,215,000 a 1,000 1,000,ι ι η η «Singular Value» ι ι ι ιη ι η. & ι 'η ι η ι, η. ι ι. ι ι ( x 60,215 η «1nertia») ι η 0, 061. N η η «Proportion of Inertia» ( ι) ι ι η -η «Accounted for» ι ι η η ιη 79% ι η η 13,8% η ι ι. 3ι ( -η «Cumulative») ι ιι,!ιι, 92,8% η ι ι, ι η! η η ι η ιη ι!. ιι ιι chi-square (x 2 ) ηι ιι ι! η ηι η ι ι η ι η. 2 η η η sig. η ι p ι ιη 0,05 ηι ι η ηι η ι ι η ι, ι η ι η "ι!.,ι η ι ηι ι ι η η. υη 2η υ!υ" Active Total a. Symmetrical normalization Overview Row Points a Score in Dimension Contribution Of Point to Inertia of Dimension Of Dimension to Inertia of Point Mass 1 2 Inertia Total,178,673 -,373,021,369,271,859,110,969,498,137,148,004,043,120,503,247,749,066 -,289,678,006,025,335,197,453,651,168 -,503 -,034,010,194,002,959,002,961,089 -,954 -,530,020,368,272,878,113,991 1,000,061 1,000 1,000 ι η η «Score in Dimension» ι"ι ι η ι ι ι ιι -η. η η «Inertia» ι"ι η ι ι ηι η ι. η «Contribution» ι ι η -η «Of Point to Inertia of Dimension» η ι -η ι ι η ι ιη. ι, /ηι ι * ι 36,9% + 36,8% ( 73,7%) η ι ι η η ιη. η η ιη ι ι η η -η -ι (33,5%). -η «Of Dimension to Inertia of Point» η ι η η ιη ηι 85,9% η ι ηι η -η /ηι... 96,9% η ι ι η η /ηι ηι ι ιι (. η Total). ιι, ι, η ι ι η - η -ι ι η ( 65,1%). 161
9 0 + #! υη Active Total a. Symmetrical normalization Score in Dimension Overview Column Points a Of Point to Inertia of Dimension Contribution Of Dimension to Inertia of Point Mass 1 2 Inertia Total,051-1,231 -,669,019,356,252,883,109,992,157 -,303 -,011,003,066,000,995,001,996,229 -,321,027,006,108,002,930,003,933,335,101,327,004,016,393,171,752,922,179,646 -,422,020,342,350,829,148,977,048,718 -,087,009,114,004,641,004,645 1,000,061 1,000 1,000 #ι ι ι η ι. ι"ι ι ι η η ιιι, ι ι ι: 3η ι ι " -η η ι ι ιι. $ι ι η «#»-«* ι» ι ι ι ι ι, ι ηι ι η" ιι. 2()η+οο/dHD_D^:8:B<SA8?GS9B9e η -ι ι ι η η ιιι (correspondence analysis) ηι ι η. & η ι η ηι ι η. η η 13 SPSS! ι η ι «HOMALS»!" η ι, ιη η ι «Multiple Corrspondence Analysis» η, ι η, ι ι ι η η «ηι» η (supplementary variables) η" ηι ι ι"ι ι ι. / ι 162
10 ι ηιι η, ι ι η ι η η. η ιι (Homogeneity Analysis HOMALS η η homogeneity analysis by means of alternating least squares), ι ι η ιιι, ι ι ηι ιηι ι ι ι ι ι (cases) ι ι η. η ιι HOMALS ι ι'ι ι ι ι ηι η ι ι -η η ι ι ι ι ι -η. η ι ηι ι ι ι η η ιι homals.sav. ι ι η η ι (η gender), η ιι η (η marital) ι ι (η personal). 2 ι η ι ηι. ι 500 ι ι (cases), η η ιι. PQA8?GSl:T?<?f:>HE<BD8OF<B_?G$E?GB8^Z,5D%*ι+'υ7+/* Q/υ,%*ι)%)ι4.>)ι.4υ,%*+%)ι429AGG M?;B?JG:9?;: _HG<BFG: 8D_B8?G: 4ι* '% ι υ)3 *+4%*ω *+4ι-,%*8+*-)υ 7.υ,% ι%%υ2$υ,% *+,%*= *υ $&.$+ %ι ι5%*ι.> )$+/υ,%*+%)ι429o8:9:<:4ι*7$υ,%,'.$,%*8+*-> VQ*/,%T:WB8:>,5D%*ι+'υ7+/* XQ %*5.υ,%,% * 8%/ι *ι *%ι,%*8+*.$*%=)$ιι,%*+%)ι42 9T:WB8: f?8^:z: Dυ,%*%*ω*ι,-*+/7%,%*8+*2> ι )/%ι4, +,%*8+*2 9".&%ι% )'!.ω ι r 4ι*.&υ,% ι7,2$%ι r )$ω)ι/ )82,* )' * )* υ)%,%,)$ %)ι.=υ υ*')υ 7%ω$) $+,*ι'> [Q *+ %)ι42 9TB_:89BD89 B8 $DGH<BD8:,),%$υ,%* ι7,'*ωι$*/$%ω*υ,*.υ 2$+)υ7.υ,%%.4=υ,%>,.4ι$* ι7,' ι$*/$%ω )υ,),%$υ,%%ι%*% ( $υι' ι7,'*ω υ)3*+4ι-'ω*ω,%*8+*-,%* ι7,'*ω,%*8+*-#+>![3ni" ι$*/$%ι(#%5'$'%)%ι,8/υ /)ι υ)%,% 2)%ι)*-$%ι( 2 8( ι7,'*ω)%ι)*-$%ω#$* )/%ι4,/,qeeυ)%,%(e/4,%*)ι)'*ι))/ω%)ι4.%ι+,ι'*%+#%-%ι ι7,'"(>d)ω4%*ι*+*'e%)%ι2,.$)'υ*2*+ιι$)$)7,%ι%%υ2$υ,%υ)/&%ι. $&%*ι/,ι' ι7,' υ)%,%ω ι$*/$%ω)υ %,+%%ι'$* υ*',%4*%)$$*'*+ 163
11 164 η &, 2007 ι,$+*ω*ι,-e$υ27ω%)ι.4υ,%[2nι$*/$%ι>-%)ι.=,%[>d$,ι'*%%ιι7,'*ω ι$*/$%ω)υdυ,%*'$)ι%%,+%$ι,%ιι*)*.%$,*+/υ$+,ι4.%ι> ),%%)$+&&'$υ,%,ι2)%ι$$'*%%,%*8+*.,%8/$+*ι)%υ,%**υ#kjsnkc( $*ι*ι,.*υ)4*ιι4/,,*>)%ι2%,),%$υ,%*+ι,%*8+*2)υ&+$ι,)ι,% $*+/υ$+ιω,%*8+*2$*+8/$+*+)7υ,%**υ$*ι*ι,.*υ)4*ιι4/,,*e,),% /υ,%* 'υ7> %*+%*2 *+*/$*$+9RJHIJSKNRINP:*ι4/5υ,%*',**+,%*8+*2fNAhNHι*%)ι,%#%)ι42WJCBN( %=+4+7%υ*ι/*/*$&ι$,'*ω)*%%$,/*ω*+/υ$2,)υυ7%>5+,ιυ42$,%*ι ;(:#,%*ι82,*!e[ ι n)υ 5.,%)ι)/ω(> *)/7υ υ*' ι $*+%)ι42 9I?J:G OJ :E< $ED;:9 PGD<d9e JS6:,%*5.υ,%*+.,%*8+*2$$*)$ι%=ι/ι,%*+%)ι429T:WB8:f?8^:Z:Dυ,%*% *+#$*)/%ι4,/,!3[( ι /υ,% ι 4ι*ι υ)'ι)%[.%,%*8+*. )υ $,% ω 9" ι => *ι/ ι ι*%ι,%*8+*..&υ *ι ι% *ι,. ι υ)3*+4%,% *ι&ι.ι,''4 )υ*ι +,ιυ42$,%%ι 4ι,&+$ι,%$υ ω **ι*ι,-$*ι4/,,* )υ 7 +,ιυ42$υ,% $*+ $υ.&%ι> `Q *+%)ι429of<bd89qqq:,),% %)ι.=υ,% )ι%*ι/ /)ι%%)ι4. 4ι *+ )υ$$+ $**ι$*ι- )*%%$,/*ω Q/υ,%*ι%)ι4.)υ$+,%ι-υ,%%=ι/#$υ*+ 9E?<:^D;S UH?8<BWBE?<BD89:)υ %.&ω $+,%ι-$%ι(> *+ %)ι42 9K;B<:;B?:,),% $υ,% * ι7,'*ω%)2\%ω4ι*+%)*%υ=+*+8.*ι$*+ )$*ι)+$+ *ω *ι,- *ω *+4ι-,%*8+*-,% *+ %)ι42 9M?cB_H_ B<:;?<BD89:> )$+,),% $υ,%,ι *ι,2 $4ι$+ 9ED8M:;^:8E:: /,%$ $*ι *%%υ*% %)2\%ι> /υ$+,ι4.%ι $*,*/'* ι)ι+7.)'*ι*2ι)υ7.$,%> *,*/+2 '*5*/$%ι$*,.4ι$*ι7,'*ω%)2\%ω)υ $,%#%-!ee( 2'* + ι5/ /,%$ $% %)2\%ι %ι,ι'*%+ )' *+ *ι,2 $4ι$+ )υ$,%> *+ %)ι42 9$?M: DJ :E< 9ED;:9:,),% )7+%$υ,%*ι*ι,.*υ/7%υ)%ι,.υ$*ι ι$*/$%ι )υ $,% ω.%,%*8+*. 4ι )%ι*.ω/υ$+>ι.%,%*8+*.)υ/7%5/ +,ιυ4*ι %ι *'$% '$% ι ι7,' *ω ι ι4,,/*ω>,5d%*ι + 'υ7+ /*
12 ι$*/$%ω)υ$,%> iq*/,%9kd8<b8h:: jq ;(:)*/,%9:> SPSS : η &, 2007 #!!!ω # 5 υ Missing Marginal Frequency " "ω Missing Marginal Frequency !. /+ 0 & +η &" Missing Marginal Frequency ι ι"ι ι η ι -η ι η ι η η ιι. ι"ι ιι ' : Iteration History Difference from the Previous Iteration 35 a Fit, Iteration, η.7, η η ιι ι ι ι ' η ι 'ι ι ιη ι ι ιη η. η ι 'ι η η 35 η η'η ι η ι η ηη η'η a. The iteration process stopped because ιη.00001, η. ιη η ι the convergence test value was reached. ιη ( η «Difference from Previous Iteration»). η η «Fit» ι"ι η ιη ηι η η ηι η ηη ιη ι ι ιη η. η ιη η η ι ι 0,84 η ηι 84% η ιη ηι. ι 16% ηι ι ι ι η ιη. ι"ι ι ιιι (eigenvalues) ι ι ι ιι: Eigenvalues,ι ιιι η η ι Dimension Eigenvalue ιη ι η η ι ι ι ιιι ι 1. 1,455 ι ιιι ι ι η η «Fit» 2,390 η. η, η η ιη ηι 45,5% η ιη ι η η 39%.,ι ιιι " ι η. & ι η ι ιιι ιη, ι ι ι (cases) ι ι -η ι (η ι ι) ι ι -η ιι η ι ι ι ι ι (η ι ι ι ι ι ι η ι ι ι ι ι ι η η ). #! ι ι ιιι! ι ι ι ιι (objects scores). & ι ι ι ι η ι ι ι ι η ι ιι : 165
13 ι!ι ι ι ι ι ι η ι ι ι (outliers) η. ι, η η ι"ι. ι η ι ι ι ηι ι ι ι ι ι. ) ιι ι ι ι ι ι ηι ι ι ι ι. η η ι ι ι ιι (η ") η η, ι. ηιι ιι ι η ι. η, ι ι ι ηιι ι"ι. 3!, ι"ι ι ιιη ι η ιη. Discrimination Measures Dimension 1 2,432,090 %+ η,541,517 ω,394,564 ι, 'η ι ιιη ι η ιι η η ι -η η η ι η 'η ιιη ι -η η η η ιη ιη. ι ι ιι η η ιη (dimension 1). ι ι ι η η ιη, η ιι η ι ι ιι. η ι ιιη ι ιη η ( gender, marital ι personal) ιι η ιιι (η η ιη ηι) ι η ιη ιη. ι ιι ι ι ιιη: 166
14 167 η &, η ι η η ιη (ι"ι!) "ι η η ('η ι ιιη η η ιη ι η η η) ι η η ιη ι (!). 6ι ι ι η ι -η ιι ι η ι η η η η ιη. ιι η ι ι 'η ι ι ι ιι ι ι ιιη ι ι ιι.,ι ι ιιη ι ι ι ι ι η ι ιη. ; η ι ι ι - η η η. $ι ι, η ι ι ιη ιι ι ι ιη ι -η ι ι ι ιη ι - ηι ι -η ιι ι ι. ι ι ηη -ηι ι ι η η η ι -η. 6ι ι -η ι η ι"! ι ι ι: ιη ι ι - ηι η ι η ιη ι ι ι ι η ιι ιη. ι!ι η ι ι η η «ι» η - η «η» ι η ι ι "ι η η ιη. ι η η ιη "ι η ι -η «ι» ι ι ι ι!, η ι. «!ι» "ι η η ιη. ι η «ι» ι! ι ι η η ι η η ιη. 6ι, ι η η «ι» (personal) ιι η η η η ιη., η η ιι η η ιη (!) ιι η η ιη. η, ι -η η ιι η ιι ι η ι η η ι ι ι ι η η ιι ι ι ιι. η ι ι η ι ι ι η ι ι η η ι ηι 3 η ι ι gender, marital ι personal. 3 ι ι ι «Object Scores Labeled by ι ι». & ι ι "ι η ι -η η η marit ηι 4 ι ιι ι η ιι
15 η: # η ι ι η η ιη (dimension 1 ι"ι!) ιι ι η ι ι ( ι η ι ι) ι η ι ( ι η!ι ι). η ιη (dimension 2!) ιι ι η ι ι ι η ι. # ι ηι ι ι ι ι η ι ηη ι η ηι η ιι η (η marital): #!! " "ω Missing Marginal Dimension Frequency ,281 -, ,929 -, ,551 1, ,600,918 0 Category Quantifications η η «Category Quantifications» ι η η ιη ι ιιη ι ι ι -. η η ιη ι ιιη ι- ι -. 6ι ιιι ι ι ηι ι. η ι ι" ι ι ι ι η ι «ι»: 168
16 5 υ Missing Category Quantifications Marginal Dimension Frequency ,766 -, ,564,254 0!. /+ 0 & +η &" Missing!ω # Category Quantifications Marginal Dimension Frequency ,101 -, ,239 -,299 77,799 -,069 66,263, ,831 3, ,033,
17 ο(2),,ηο)ο,-ο3ο.η)ηdmhg<b>b_:89bd8?g$e?gb8^e η &, 2007 ιη ι ηη ι ιη ι η ιηη η ι ιι «η» «η» «ι», «ηι», «ι ι» ι. $ι ι, η «ι» ιι η ιι, ι ηι ι ηι η ι ι η ι ιι «ιι» «ι"ι» ιι ιι. η % η ι η η ιη ι ηη ι ι ι η ι η ηη!ιηη «ιι» η «η» «η». $ι ηι ι η η ιη ι ηη SPSS ηι ι ι politicians.sav. ιι 3 "η ηι ι ι 1 9 ι ι 11 ιι ιι!. *ιη ι ι ιη ι ι η ι η ι. # SPSS politicians.sav ι : PQA8?GSl:$E?G:MHG<B>B_:89BD8?G$E?GB8^dPfOXKAIeZ,5D%*ι+'υ7+/* Q *+/*υ*2).)%ι $υ,%*+,52,%*+).&υ,%4-$%ι*%,.,$*&%%,.ω W@KIBIlIJAC>CJc>*F&2E* %,.,+>ι*ι,.$% /7%,%*8+*2%5/Dυ/,%$ %44*+*E)'*%%)ι.4υ,%9TY: >?<??;:F;DcB_B<B:9:>)$+.&υ,%)).,2*% %,.ωι4ιfυ*'*'4 %)ι.4υ,%9mhg<bfg:_?<;bc 9DH;E:9:> */*ω,.*υ )7υ).)%ι )$ι$υ,%)-ι8- %ι4ω,.%υ*.ι,2*% $*&%*ω%,.ω,> )*+2$υ,%*&%, 7,%'*ι.&υ,%n,2*%E '$+2ι*υ)%,% )υ)/*+$$* %ω*+,*'4ι',>υ*.ι,2*%%ι4ω,.%$% $%ι.+,ι/*ω)'*+/+ 170
18 VQ*/,%T:WB8:>,5D%*ι+'υ7+/* XQ%*5.υ,%$*%=)$ι'% *ι,%*8+*.,%*',**ω )ι*ι->1%8ιω7%*%'*ι+$%ι/,% *+),%*5.,%*ι,%*8+*. υ*.%ιι,%*+$%ι/,%*+ )%ιωι)ι+,.%ι,%*8+*.$*&%,>,%*8+*2>%ι*/7%.)' **υ)%,%*+.%υ/,ι 5υ$ι/%$υ,)%ι,8/%*ι$*+ /υ$+>>> [Q*/,%*υ,)9MD>:GZ:>,5D%*ι+'υ7+/* 171
19 (&ι/e$*+%)ι42 9$E?GB8^MD>:G:%)ι.4υ,% *9I>:8<B<S:4ι**%,. )''%*ι9)+4.:+>* υ)%,%)υ$υ,,%*%& $*+.%υe%ι4ω,. ιωι)ι+,.*/* ι*')> 8( *+%)ι429$y?f:9:,),%$υ,%)' )ι,.*+/7%,2*7 %)ι.4*ιι*ι,.%44*+*e *)/ω2*/*ω*ι4ωι',.*+,2*e2)/ι7 %)ι.4*ι)''++*+,2*>,%$υ4%ι,. *ι%,% * /ω *ι4ωι',. *+,2* )%ι,8/*ι * %,. )'. υ)%,%> ι %,. )%ι,8/*ι ι $* /*ω *ι4ωι',. ι / */ *+ %ι$4ω42 *ω %,.ω 7,)$ )%ι577-)-)*%*+%$*,,.+9%ι':*υ/ω*ι4ωι,.υ> *+%)ι429$y?f:9: Dυ,%)')ι,.*+/7%,2*7%)ι.4*ιι*ι,.%44*+*ι)5-%)ι.4υ,%υ*'$*).&υ,% *&ω2$%ι* %,.,> *+)%)*ω$+*υ)%4,*',.&υ *&ω+7% ι $* *4ω )'*%'E*ι ι %)ι.=υ,% )'*ι υ*.%)ι4.#+> 9ID=:;p<;B?8^HG?;_?<;Bck qff:;p<;b?8^hg?; _?<;BcCHGG_?<;Bc(%ι.4υ> 4( *+%)ι42 9P;DcB_B<B:9:)$ιDυ,% ι,2*%)%ι,8/υ,%*2$%ι,ι'*+* 2,ι'*+*> *+ $υ4%ι,.+)%)*ω$+)%ι,8/υ,%*2$%ι,ι'*+*#)'*%%)ι.4υ,% 9TB99B_BG?;B<B:9:( 7- D+*2$,%)'*υ)%,%$+,%ι-$υ,ι*ι,2)'*!ω*"/4,%*)'$7%ω'*ι0/&*!! ι$*ι/)ι*ι/)'$ω),%*=*υ>ι'*%+*ι,2$+,%ι,ι'*%+ι5/ι,%4*%+*ι,2,%4*%+ ι5/> ( *+%)ι42 9P;DcB_B<B:9 T;?89WD;_?<BD89: Dυ,%*%*υ,%*$&+,*ι$,*ω*ι,-,ι'*+*3,ι'*+*> )ι.4υ,% 9O;>B8?G: 4ι* 7.υ,% ι*++7% + ι */*=+,%*ι &ι.*ι,.,ι'*+*3,ι'*+*)υ.ω$*υ)%,%/,4ι/7%)ι*ι')'$ω)> %( *+%)ι429affgst;?89wd;_?<bd89:)$ιdυ,%ι$υ4$%ι*ω*ι,-74υ,.$$%/7%9)+42: +2,.$$%/7%,2**υ7%')'*nυ)%,%2ι$υ4$%ι74υ*υ*'&%=/*+*)' *+)+42$*+)2υ> 172
20 $*( *+%)ι42 9TB_:89BD89: Dυ,%* ι7,'*ω ι$*/$%ω $*ι )% 7.υ,% ))ι2$υ,%* %,.,>,.4ι$*ι7,'ι$*/$%ω)υ,),%$υ,%%ι'$%ι)%ι)*-$%ιE)*+2$%ι2 *ι%,%,%!> *+ $υ4%ι,.+)%)*ω$+.&υ,%!!)%ι)*-$%ι)ι*ι-e%),.ω,.4ι$* ι7,' υ*-ι$*/$%ω%ι!e>$*'$e')ω5.,%$*+&2e$*'&*+/υ$2,%ι)$)72$υ,% ))ι2$υ,%$7%*%,.$%.ι7,'4ωι$*/$%ω)'*%$υ27ω%)ι.4υ,%$,.4ι$*ι7,'[ 2nι$*/$%ι> `Q*/,%9KD8<B8H::> Q)'*&ι')/7υ%)ι.4υ,%*-*υ,)9OF<BD89Z:>,5D%*ι+'υ7+/* -,),% $υ,% ι*2ι4ι*+%)/+\+*υ 4'ι7,υ $4ι$+ *ω,%*$&+,*ι$,.ω *ι,-> ι %)ι4. )υ )υ$ι/d*ι )ι )/ω.&υ )%)ι%4% )' * ;<;;> * )$ι 9I<:;?<BD8 E;B<:;B?: #ι*2ι %)2\%ω( D*ι ι *ι,.*ωι*+ωυ*-> iq*/,%9kd8<b8h::> jq)'*+&ι2/* )*/,%*υ,)9pgd<9z:>,5d%*ι+'υ7+ /* PQ *)/7υυ*',),%$υ,% )ιι4/,,*7 %,5ι$*$* )*%.$,*/,>1$ι/ %)ι.4υ,%*+%)ι42 9KD D89F?E::4ι %,5ι$*%.ι/4,, $%$,,%$+,%)υ D*ι)'*ι $υ*%*4,.%/7% *ι%ι,.υe)*2+$+ 2)%)*ω$+#%-/7% )ι*ι)$-)υ(> )$+,%*+%)ι42 9O;B^B8?GM9Q <;?89WD;_:> F;DcB_B<B:9:,),% )/4υ,%.ι/4,,,%*ι&ι.*ι,.,ι'*+*3,ι'*+*)υ)2,%)'*nυ)%,%)υ $υ,,%*%&$*+.%υ.*ι*ω,%*$&+,*ι$,.ω*ι,-,ι'*+*3,ι'*+*)υυ)4d%ι*;<;;> PPQ*/,%«Continue»> PQ)'*+&ι2/*)*/,%*υ,)9OH<FH<Z:>,5D%*ι+'υ7+/* 173
21 *+/*ι$*%/,),%$υ,%*+ 9)$'*+*:*+ )+5)υ7 )υ$ι$*%$*)/7υ )*%%$,/*ω*υ;<;;> *+%)ι429tb9fg?s: %)ι.4υ,%9kd D8 9F?E:EDD;>B8?<:9:4ι*+ )υ$$+*ω $υ*%*4,.ω*ω *ι%ι,.ωe)*+2$%ω 2)%ι)*-$%ω)υ υ,%>),% %)$+)7+%$υ,% *ι*ι,.υ*.$%.&% 4ι))./υ$+$*+ %)ι429$?m:<dn:= CBG::> *+%)ι429tb9<?8e:9:,),%)/υ,%ω )*.%$,.),% *ι,.)υ%&υ*+%υ7%)'$*$+/,%$$*ι$υ*%*4,.%d%υ4-*ι%ι,.ω$*)4*ι'ι/4,,> *+ %)ι42 9<;?89WD;_:> F;DcB_B<B:9:,),% )/υ,% ω )*.%$,,ι $%ι/ )' )%,% *ι,%*$&+,*ι$,.%*ι,.,ι'*+*3,ι'*+*#+>)'$*$+(e.4ι/7%,ι)'*ι9)+4.:*ω%,.ω,3$*+)%)*ω$+υ*24ι/7%.)'*nυ)%,%)υ$υ,,%*%&$*+.%υ/,> *+%)ι429i<:;?<bd8yb9<d;s:,),%,%%)$+*ι$*ι'*ω%)2\%ω%*.%$+*υ4'ι7,υ 8.*ι$*+)$*ι)+$+*ω*ι,-,ι'*+*3,ι'*+**ω&ι-%,.ω*+.%υ> *+%)ι429$<;:99>:ed_fd9b<bd8:)υ$ι/d%*ι.)*ι,-)υ,),%,%)'$$υ,8/%ι+ /7%9)+42:#+>*/7%υ)%,%*+.%υ$*+$υ4%ι,.+)%)*ω$+($*+ι,'5ω$+*+$υι2 /%ι> PV>*/,%«Continue»> PXQ *+&ι2/*)*/,%*υ,)9:> SPSS ι"ι : Cases Sources Objects Proximities Case Processing Summary Total Proximities Missing Proximities Active Proximities a b a. Active proximities include all non-missing proximities. b. Sum over sources of all strictly lower-triangular proximities., ι ιι.,ι ι ι (cases) ι ι 33 (η. 11 ιι x 3 ).,ι η (sources) ι 3, ι, ι ι (objects) ι 11, η. ι ιι ( ι η ). ι «Total Proximities» ι ι ιη- ιη ι η (η. ). 174
22 ι"ι ι η ιη ηι ι ι ι ι. /η ι ι ηι ι " ι ι ι ιη-ιη 11 ιι. 6ι, ι ι «Stress» ( 4 ι) ι ι ι η. # η ι Stress ι ι 0 ι ι ι ι ιη- ιη η ι ηιη ι η (Kruskal ι Wish, 1981,.25). #ι, ι 'η ι ι ι η ι ι ι η. & ι ι ι ι ι ι η &, 2007 Stress and Fit Measures Normalized Raw Stress Stress-I Stress-II S-Stress Dispersion Accounted For (D.A.F.) Tucker's Coefficient of Congruence,03373,18365 a,50161 a,08804 b,96627,98299 PROXSCAL minimizes Normalized Raw Stress. a. Optimal scaling factor = 1,035. b. Optimal scaling factor =,977. ι ι ι η. * ι η ι!η ι ι'ι η ιη ι ηι ι ιη-ιη 11 ιι. «Iteration History» ι"ι ιι ' η ι ιη ι ηη ι ιη-ιη ι η., η ι ι ι 8 'ι. η 8 η η'η η ιη η ι η η ηη ιη 0,0001 ιι η ι «Options» ι ι. Iteration History Normalized Iteration Raw Stress Improvement 0,28733(a) 1,04739, ,03817, ,03555, ,03455, ,03411, ,03390, ,03379, ,03373,00006(b) a Stress of initial configuration: simplex start. b The iteration process has stopped because improvement has become less than the convergence criterion. ι ι"ι ι ηι ι η (. SRC_1 3) ι ιι ι ι. SRC_2 ι 0,0368 (. ι «Mean») ι ι ι η ι ι. # η «ιι» η Chamberlain, o Franco ι Churchill ι η ι ι (. η «Mean»). Decomposition of Normalized Raw Stress Final Coordinates Object Mean hitler mussolin churchil eisenhow stalin franco degaulle maotsetu truman chamberl tito Source SRC_1 SRC_2 SRC_3 Mean,0265,0205,0206,0225,0214,0529,0293,0345,0338,0321,0574,0411,0278,0275,0141,0231,0188,0514,0275,0326,0547,0443,0302,0431,0245,0118,0155,0173,0374,0346,0491,0404,0361,0335,0255,0317,0366,0667,0297,0443,0607,0291,0313,0404,0344,0368,0300,0337 HITLER MUSSOLIN CHURCHIL EISENHOW STALIN FRANCO DEGAULLE MAOTSETU TRUMAN CHAMBERL TITO Dimension 1 2 -,653 -,010 -,725 -,296,176 -,157,634 -,426 -,472,424 -,450 -,336,111,038,037,947,788,059,187 -,712,368,
23 ,!ι ιι ι η ι"ι ι ι ι ιι ι ι ιι. 3η ι ι ιι ιι ι ι (ι ηι ι). ιι ι ι "η ιι!" ιι ι"ι ι ι! η ι. Distances Hitler,000 Hitler Mussolini Churchill Eisenhower Stalin Franco Degaulle Mao Truman Chamberl Tito Mussolini,295,000 Churchill,842,912,000 Eisenhower 1,353 1,365,531,000 Stalin,471,764,871 1,395,000 Franco,384,278,651 1,088,760,000 Degaulle,766,901,205,699,700,674,000 Mao 1,181 1,459 1,113 1,497,730 1,372,912,000 Truman 1,443 1,554,649,508 1,312 1,299,677 1,163,000 Chamberlain 1,095 1,003,555,531 1,314,740,754 1,666,977,000 Tito 1,128 1,334,655,934,841 1,147,502,581,587 1,195,000 ι ι η ι Hitler ι η ι «ι"ι» ι Mussolini, Franco ι Stalin (η η! ιι ιι ιι ι η ιη! "η) Stalin ηη., ι ι η ι η ι: & η ι ιι "ι ι ι ιη. η η ιη (. ι"ι!) η ι Hitler, Mussolini ι Franco η" ι ι η!ι Eisenhower. $" η ιι ι η η ιι ιι, ι ι ιι ι η ι ιι. ; ι ι ι ι ιι ι "ι ι ι «ιιι» ιη ι η η ιι ιη ι ι η. 176
ι η ιι η η ι η η η ι ιη () ι η η η ιη Pearson r ι η!η ιι η η η ι ιηη. $ιη ηι ι η " ι η ι (ι) ι. 6 ι- ι ι ι η ι ι ι η η,!ι!ι ι η η, ι ι!
! # " ι η ιι η η ι η η η ι ιη () ι η η η ιη Pearson r ι η!η ιι η η η ι ιηη. $ιη ηι ι η " ι η ι (ι) ι. 6 ι- ι ι ι η ι ι ι η η,!ι!ι ι η η, ι ι!ι η η ιι: ι ι" η η ι ι ηι η ιη!"ι ι. & ι ι ι ι η ι ι ηι" ι ι
Διαβάστε περισσότεραο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x
η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η
Διαβάστε περισσότερα!# # v "6c. ,ι ιι ι "ι ηι ιι ιι. # ι α αα+ 0+!α/,. * η ι ι ιη ηι ι η ι η ι ιι ι ι ι ι η ιη ι ι ιι ηι.
!# # v "6c #,ι ιι ι "ι ηι ιι ιι. # ι α αα+ 0+!α/,. * η ι ι ιη ηι ι η ι η ι ιι ι ι ι ι η ιη ι ι ιι ηι. $ι ιι η ι ι ι η ηι ι ιι ιι chi-square ι 0 2 ι ι ι! α (measures of association. ο,,,--,ο& 632ε/+ ιι
Διαβάστε περισσότερα$ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η.
η &, 7!# v # $ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η. - ι% ιι* ι' F ι ι ι% MS F MS between within MS MS
Διαβάστε περισσότεραEDUCAT &ι'ι% Measurement Level: Ordinal Value Label 1,00 7ι η 2,00 -ι 3,00 3 ιι 4,00 * ι. Measurement Level: Scale
## ι ι ι ι η ιι ι ηι ιι η ι η ι ι. ηι ι ι ι ηι ιη 474 " ι ( «work.sav» η ι ) η η ι ι. ι ι"ι ι ιι ι ι ι η ( ηιη ι ι: File Display Data File InformationWorking File). ID!ι% Measurement Level: Scale Column
Διαβάστε περισσότερατατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
Διαβάστε περισσότεραα + α+ α! (=+9 [1] ι «Analyze-Regression-Linear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. 1 SPSS ι η η ι ιηη ι η
# η &, ε ε 007, ιη Pearson r "η η ι ι ι η ι!ι ι ι η ι η!ηη ι ι!ηη. η ι ιηη ι" η ι!"ι 0 ι η ( α ι ι α η 9 ( ι ι / + -predctor varable). * ι ι ι ι η ι ι ι!ηη η "ι ι ι ι!ηη η ι ι η η ι 'ι ι ι (η ) ι η ( "
Διαβάστε περισσότεραΜαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )
Διαβάστε περισσότεραΕργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.
Σημειώσεις για το μάθημα Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S. Παπάνα Αγγελική E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης και
Διαβάστε περισσότεραUnifying the geometry of simple and multiple correspondence analysis
Venue for CARME in ASSOS Assos View from Turkey of Aegean Sea and island of Lesbos Unifying the geometry of simple and multiple correspondence analysis Michael Greenacre Universitat Pompeu Fabra Barcelona
Διαβάστε περισσότεραΠαράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο εξαρτημένων δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Άσκηση 1 η Ένας παραγωγός σταφυλιών ισχυρίζεται ότι τα κιβώτια σταφυλιών που συσκευάζει
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ποσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες Ενότητα 9 : Περιγραφή του ελέγχου Χ 2 Θεόδωρος Χατζηπαντελής Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΤΕΙ ΠΕΙΡΑΙΑ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΜΕ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ
ΤΕΙ ΠΕΙΡΑΙΑ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΜΕ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΘΗΜΑ: Ανάλυση Πολυδιάστατων (Πολυμεταβλητών) Δεδομένων και Συστήματα Εξόρυξης Δεδομένων (Multivariate Data
Διαβάστε περισσότεραΓια να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.
A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:
Διαβάστε περισσότεραΠαράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο ανεξάρτητων δειγμάτων, που διαχωρίζονται βάσει ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς
Διαβάστε περισσότερα1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ Περιεχόμενα 1. ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ...
Διαβάστε περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Διαβάστε περισσότεραΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)
ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για τους Μέσους - Εξαρτημένα Δείγματα (Paired samples t-test) Το κριτήριο Paired samples t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε
Διαβάστε περισσότεραPENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI
155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia
Διαβάστε περισσότεραΈλεγχος ανεξαρτησίας μεταξύ δύο ποιοτικών μεταβλητών (Crosstabs - Chi-Square Tests)
Έλεγχος ανεξαρτησίας μεταξύ δύο ποιοτικών μεταβλητών (Crosstabs - Chi-Square Tests) Σε αρκετές περιπτώσεις απαιτείται να ελεγχθεί αν η συχνότητα εμφάνισης κάποιων συγκεκριμένων τιμών (κατηγοριών) μιας
Διαβάστε περισσότερα13SYMV
«..», 5.7.2013, : 1 ι ιω,!ιι &!ι "ι, "# # 16 ι ωι #ι # $,. ω ι!ι,!,. ι%" &ι, ' ι, "# (! 40,! «%"» ι!) #* : 1. + (+/,--/77443/2012/10.08.2010 # ι! ι.//',-+/,--/77444/4667/2062/03.08.2012 # ι ω!ωι!. 2. +.
Διαβάστε περισσότεραΕπιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata
One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is
Διαβάστε περισσότεραΑν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
Διαβάστε περισσότεραBiostatistics for Health Sciences Review Sheet
Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................
Διαβάστε περισσότεραΠαράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου και ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως προς δύο παράγοντες,
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
Διαβάστε περισσότεραΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ. Μεγγίσογλου Ευθυμία Ξενογιώργη Αικατερίνη Σβολιανίτη Χριστίνα
ΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ Σπουδάστριες Γιαννιού Λαμπρινή Μεγγίσογλου Ευθυμία Ξενογιώργη Αικατερίνη Σβολιανίτη Χριστίνα Εισηγητής Ταφιάδης Χρ.Διονύσης «Η γλώσσα
Διαβάστε περισσότεραΜεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι Εργαστήριο 9 1. Να χρησιμοποιηθεί το αρχείο data_kids. Τα δεδομένα του προέρχονται από την έρευνα των Chase και Dummer (1992), μελέτησαν τον ρόλο των
Διαβάστε περισσότεραΕισαγωγή στην Ανάλυση Διακύμανσης
Εισαγωγή στην Ανάλυση Διακύμανσης 1 Η Ανάλυση Διακύμανσης Από τα πιο συχνά χρησιμοποιούμενα στατιστικά κριτήρια στην κοινωνική έρευνα Γιατί; 1. Ενώ αναφέρεται σε διαφορές μέσων όρων, όπως και το κριτήριο
Διαβάστε περισσότερα519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008
.. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.
Διαβάστε περισσότεραAPPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότεραFORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
Διαβάστε περισσότεραLampiran 1 Output SPSS MODEL I
67 Variables Entered/Removed(b) Lampiran 1 Output SPSS MODEL I Model Variables Entered Variables Removed Method 1 CFO, ACCOTHER, ACCPAID, ACCDEPAMOR,. Enter ACCREC, ACCINV(a) a All requested variables
Διαβάστε περισσότεραχ 2 test ανεξαρτησίας
χ 2 test ανεξαρτησίας Καθηγητής Ι. Κ. ΔΗΜΗΤΡΙΟΥ demetri@econ.uoa.gr 7.2 Το χ 2 Τεστ Ανεξαρτησίας Tο χ 2 τεστ ανεξαρτησίας (όπως και η παλινδρόμηση) είναι στατιστικά εργαλεία για τον εντοπισμό σχέσεων μεταξύ
Διαβάστε περισσότεραΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο
ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ Παιεάο Δπζηξάηηνο ΑΘΗΝΑ 2014 1 ΠΔΡΙΔΥΟΜΔΝΑ 1) Δηζαγσγή 2) Πεξηγξαθηθή Αλάιπζε 3) ρέζεηο Μεηαβιεηώλ αλά 2 4) Πξνβιεπηηθά / Δξκελεπηηθά Μνληέια
Διαβάστε περισσότεραΠεριγραφή των εργαλείων ρουτινών του στατιστικού
Κεφάλαιο 5 ο Περιγραφή των εργαλείων ρουτινών του στατιστικού πακέτου SPSS που χρησιµοποιήθηκαν. 5.1 Γενικά Το στατιστικό πακέτο SPSS είναι ένα λογισµικό που χρησιµοποιείται ευρέως ανά τον κόσµο από επιχειρήσεις
Διαβάστε περισσότεραΠαράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο δειγμάτων, που διαχωρίζονται βάσει δύο ανεξάρτητων παραγόντων (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς περισσότερους
Διαβάστε περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 7. Παλινδρόµηση Γενικά Επέκταση της έννοιας της συσχέτισης: Πώς µπορούµε να προβλέπουµε τη µια µεταβλητή από την άλλη; Απλή παλινδρόµηση (simple regression): Κατασκευή µοντέλου πρόβλεψης
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ποσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες Ενότητα 8 : Παραγοντική Ανάλυση Αντιστοιχιών. Θεόδωρος Χατζηπαντελής Άδειες Χρήσης
Διαβάστε περισσότεραΒοήθημα Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων
Βοήθημα Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων 2 1. Περιγραφική Στατιστική Θα δίνονται το ιστόγραμμα των σχετικών συχνοτήτων και τα στατιστικά. 1. Να μπορείτε να εξάγετε
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Επίλυση: Oneway Anova Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 5 ο. 5.1 Εντολή EXPLORE 5.2 Εντολή CROSSTABS 5.3 Εντολή RAΤΙΟ STΑTISTIC 5.4 Εντολή OLAP CUBES. Daily calorie intake
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 5 ο 5.1 Εντολή EXPLORE 5.2 Εντολή CROSSTABS 5.3 Εντολή RAΤΙΟ STΑTISTIC 5.4 Εντολή OLAP CUBES 5000 Daily calorie
Διαβάστε περισσότεραΑσκήσεις Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη. Διοίκηση των Επιχειρήσεων
Ασκήσεις Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων ΑΣΚΗΣΗ 1: Έλεγχος για τη μέση τιμή ενός πληθυσμού Η αντικαπνιστική νομοθεσία υποχρεώνει τους καπνιστές που εργάζονται σε
Διαβάστε περισσότερα1991 US Social Survey.sav
Παραδείγµατα στατιστικής συµπερασµατολογίας µε ένα δείγµα Στα παραδείγµατα χρησιµοποιείται απλό τυχαίο δείγµα µεγέθους 1 από το αρχείο δεδοµένων 1991 US Social Survey.sav Το δείγµα λαµβάνεται µε την διαδικασία
Διαβάστε περισσότεραΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)
ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., -) (Επιµέλεια: Ελευθεράκη Αναστασία) Άσκηση (Εργαστήριο #) Στις εξετάσεις Φεβρουαρίου του µαθήµατος
Διαβάστε περισσότεραMedia Monitoring. Ενότητα 7: Εισαγωγή & Ανάλυση δεδομένων με το SPSS. Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ
Media Monitoring Ενότητα 7: Εισαγωγή & Ανάλυση δεδομένων με το SPSS Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ Output Είναι ο όρος που χρησιμοποιείται για να περιγράψει τα αποτελέσματα από αναλύσεις που
Διαβάστε περισσότεραΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές
Διαβάστε περισσότεραές ές ώ ς ς ίς ά ής ί ς ό ς ί ς ς ό ς ό ς ί ς
ές ές ώ ς ς ίς ά ής ί ς ό ςί ςς όςό ς ίς ό ίό ς Έ ί ύ έςώς ς ές ί ς ς ίς ές έςές ς ίς έςώς ς ύς ίς ή ή ί ής ί ς ά ό ίό ς Έ ί ύ ές ί ς ς ίς ές έςές ς ίς έςώς ς ύς ίς ή ή ί ής ί ς ά ές ές ώ ς ίέ ςύ όίώώ
Διαβάστε περισσότεραΠεριγραφική Ανάλυση ποσοτικών μεταβλητών
Περιγραφική Ανάλυση ποσοτικών μεταβλητών Στο data file Worldsales.sav (αρχείο υποθετικών πωλήσεων ανά ήπειρο και προϊόν) Analyze Descriptive Statistics Frequencies Επιλογή μεταβλητής Revenue Πατάμε στο
Διαβάστε περισσότεραViola adorata X ± 2s 1 344 320 2 348 316 3 224 232 4 372 364 5 336 308 6 372 328 7 292 296 8 316 264 AT1 AT2 1 344 320 342.25 272.25 2 348 316 506.25 156.25 3 224 232 10302.25 5112.25 4 372 364
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «ΑΣΚΗΣΗ, ΕΡΓΟΣΠΙΡΟΜΕΤΡΙΑ ΚΑΙ ΑΠΟΚΑΤΑΣΤΑΣΗ» ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ 1. ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: Μεθοδολογία έρευνας και στατιστική 2. ΚΩΔ.
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 5Α: ΠΑΡΑΜΕΤΡΙΚΟ Χ 2 Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης
Διαβάστε περισσότεραΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εισαγωγή στην Ανάλυση Ερευνητικών Δεδομένων στις Κοινωνικές Επιστήμες Με χρήση των λογισμικών IBM/SPSS και LISREL Ενότητα 7 η : Ανάλυση
Διαβάστε περισσότεραΔείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Διαβάστε περισσότεραΣτατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο
Εαρινό εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr
Διαβάστε περισσότεραΛογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία
Διαβάστε περισσότεραΑ.Σ.ΠΑΙ.Τ.Ε. Π.Ε.ΣΥ.Π. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΓΙΑ ΤΟΥΣ ΣΚΟΠΟΥΣ ΣΥΕΠ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΤΟ SPSS
Eigenvalue Α.Σ.ΠΑΙ.Τ.Ε. Π.Ε.ΣΥ.Π. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΓΙΑ ΤΟΥΣ ΣΚΟΠΟΥΣ ΣΥΕΠ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΤΟ SPSS ΔΡ ΚΟΡΡΕΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΑΘΗΝΑ 2017 6 5 4 3 2 1 0 Scree Plot 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Διαβάστε περισσότεραΑπλή Ευθύγραµµη Συµµεταβολή
Απλή Ευθύγραµµη Συµµεταβολή Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Εισαγωγή Ανάλυση Παλινδρόµησης και Συσχέτιση Απλή
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Όταν ανοίγουµε µία βάση στο SPSS η πρώτη εικόνα που
Διαβάστε περισσότεραΕρμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα Αρχείο δεδομένων school.sav Στον πίνακα Descriptives, μας δίνονται για την Επίδοση ως προς τις πέντε διαφορετικές μεθόδους διδασκαλίας, το
Διαβάστε περισσότερα«ΘΥΜΑΤΟΠΟΙΗΣΗ ΚΑΙ ΦΟΒΟΣ ΤΟΥ ΕΓΚΛΗΜΑΤΟΣ ΣΤΟ ΔΙΑΔΙΚΤΥΟ»
Ελληνική Εταιρεία Μελέτης της Διαταραχής Εθισμού στο Διαδίκτυο 3ο Πανελλήνιο Διεπιστημονικό Συνέδριο E-LIFE 2013 Κινηματογράφος ΔΑΝΑΟΣ - Αθήνα, 1-2 Νοεμβρίου 2013 «ΘΥΜΑΤΟΠΟΙΗΣΗ ΚΑΙ ΦΟΒΟΣ ΤΟΥ ΕΓΚΛΗΜΑΤΟΣ
Διαβάστε περισσότερατατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΔείγμα πριν τις διορθώσεις
Εισαγωγή Α ΜΕΡΟΣ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ 1 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Εισαγωγή 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or Αnalytical Statistics)
Διαβάστε περισσότεραΈλεγχος καλής προσαρμογής για μια ποιοτική μεταβλητή (Nonparametric Tests Chi-Square)
Έλεγχος καλής προσαρμογής για μια ποιοτική μεταβλητή (Nonparametric Tests Chi-Square) Το Chi Square τεστ αποτελεί ένα μη παραμετρικό τεστ και εφαρμόζεται σε ονομαστικές μεταβλητές, βάσει των οποίων τα
Διαβάστε περισσότερατατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Επαναληπτικζς ασκήσεις Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
Διαβάστε περισσότεραΟδηγός Ανάλυσης Αξιοπιστίας και Εγκυρότητας Ψυχομετρικών Κλιμάκων με το SPSS
Οδηγός Ανάλυσης Αξιοπιστίας και Εγκυρότητας Ψυχομετρικών Κλιμάκων με το SPSS Άγγελος Μάρκος Λέκτορας ΠΤΔΕ, ΔΠΘ Αλεξανδρούπολη 2012 1. Εισαγωγή Η μέτρηση στις επιστήμες της συμπεριφοράς συχνά στοχεύει στην
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Περιεχόμενα Εισαγωγή Το πρόβλημα - Συντελεστής συσχέτισης Μοντέλο απλής γραμμικής παλινδρόμησης
Διαβάστε περισσότεραTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Exploring Data: Distributions Look for overall pattern (shape, center, spread) and deviations (outliers). Mean (use a calculator): x = x 1 + x
Διαβάστε περισσότεραΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Στόχοι: (a) να δοθεί µια εισαγωγή στη θεωρία της στατιστικής συµπερασµατολογίας ελέγχων υποθέσεων, (b) να παρουσιάσει τις βασικές εφαρµογές αυτών των ελέγχων: µέσης τιµής, ποσοστού
Διαβάστε περισσότεραΛυμένες Ασκήσεις για το μάθημα:
Λυμένες Ασκήσεις για το μάθημα: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ ΚΩΝΣΤΑΝΤΙΝΟΣ ΖΑΦΕΙΡΟΠΟΥΛΟΣ Τμήμα: ΔΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΣΠΟΥΔΩΝ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Αναλυτική στατιστική Σύγκριση ποιοτικών
Διαβάστε περισσότερα+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, 6-5-0 Άσκηση 8. Δίνονται οι παρακάτω 0 παρατηρήσεις (πίνακας Α) με βάση τις οποίες θέλουμε να δημιουργήσουμε ένα γραμμικό μοντέλο για την πρόβλεψη της Υ μέσω των ανεξάρτητων μεταβλητών
Διαβάστε περισσότεραΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ
Α εξάμηνο 2011-2012 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ Ποιοτικές και Ποσοτικές Μέθοδοι και Προσεγγίσεις για την Επιστημονική Έρευνα ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ
Διαβάστε περισσότεραΆσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
Διαβάστε περισσότεραΕισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (nalysis of Covariance, NCOV) Βασίλης Παυλόπουλος Λέκτορας Διαπολιτισμικής Ψυχολογίας Τομέας Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr http://www.psych.uoa.gr/~vpavlop
Διαβάστε περισσότεραDoes anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis
Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014
Διαβάστε περισσότερα/03 (Presse 321) (OR. en) υ, 17 µυ Franco FRATTINI, υ ι ι! "µ. * # 2540! $ι % ιµ &ι ι% υ (14486/03 Presse 319)
14500/03 (Presse 321) (OR. en) 2541 υ υµυυ - - υ, 17 µυ 2003 :. Franco FRATTINI, ι! "µ * # 2540! $ι % ιµ &ι ι% υ (14486/03 Presse 319) Internet: http://ue.eu.int/ E-mail: press.office@consilium.eu.int
Διαβάστε περισσότεραΣΧΕΔΙΑΣΜΟΣ. ΠΟΛΥΞΕΝΗ ΗΛΙΟΠΟΥΛΟΥ Αγρονόμος-Τοπογράφος Μηχ. Δρ. Γεωγραφίας Καθηγήτρια Τμ. Τοπογραφίας ΤΕΙ ΑΘΗΝΑΣ piliop@teiath.gr
ΧΩΡΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΠΟΛΥΞΕΝΗ ΗΛΙΟΠΟΥΛΟΥ Αγρονόμος-Τοπογράφος Μηχ. Δρ. Γεωγραφίας Καθηγήτρια Τμ. Τοπογραφίας ΤΕΙ ΑΘΗΝΑΣ piliop@teiath.gr ΘΕΜΑΤΑ ΜΕΘΟΔΟΛΟΓΙΑΣ Η Χωρική Ανάλυση άυση(spatiala Analysis)
Διαβάστε περισσότερα1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm
HASIL PENELITIAN 1. Hasil Pengukuran Kadar TNF-α DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm NO KADAR ( pg/ml) ABSORBANSI 1. 0 0.055 2. 15.6 0.207 3. 31.5 0.368 4. 62.5 0.624
Διαβάστε περισσότεραΕνότητα 6 η :Επαγωγική Στατιστική Ι. Ανάλυση δύο μεταβλητών. Δημήτριος Σταμοβλάσης Φιλοσοφίας Παιδαγωγικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εισαγωγή στην Ανάλυση Ερευνητικών Δεδομένων στις Κοινωνικές Επιστήμες Με χρήση των λογισμικών IBM/SPSS και LISREL Ενότητα 6 η :Επαγωγική
Διαβάστε περισσότεραΣυνάφεια μεταξύ ποιοτικών μεταβλητών. Εκδ. #3,
Συνάφεια μεταξύ ποιοτικών μεταβλητών Εκδ. #3, 19.03.2016 Ο έλεγχος ανεξαρτησίας χ 2 Ο έλεγχος ανεξαρτησίας χ 2 εφαρμόζεται για να εξετάσουμε τη συνάφεια μεταξύ δύο ποιοτικών μεταβλητών με την έννοια της
Διαβάστε περισσότεραΕισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Φιλοσοφίας, Παιδαγωγικής και Ψυχολογίας Τομέας Ψυχολογίας Εισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows Επιμέλεια: Λέκτορας Βασίλης
Διαβάστε περισσότεραΔιερεύνηση της Αξιοπιστίας και της Εγκυρότητας Ψυχομετρικής Κλίμακας με το λογισμικό SPSS
Διερεύνηση της Αξιοπιστίας και της Εγκυρότητας Ψυχομετρικής Κλίμακας με το λογισμικό SPSS 1. Εισαγωγή Άγγελος Μάρκος Αλεξανδρούπολη, 04.04.2013 Η μέτρηση στις επιστήμες της συμπεριφοράς συχνά στοχεύει
Διαβάστε περισσότεραΈλεγχος Υποθέσεων Εφαρμογές
ΚΕΦΑΛΑΙΟ 7 Έλεγχος Υποθέσεων Εφαρμογές 7.1 Παράμετροι και Στατιστικά Ο στόχος της επαγωγικής στατιστικής είναι η εκτίμηση των παραμέτρων του πληθυσμού από στατιστικό μέγεθος ενός δείγματος. Οι κυριότερες
Διαβάστε περισσότερα6 / 4 / Βιοστατιστικός, MSc, PhD
Ανάλυση εδοµένων µε το SPSS Μάθηµα 2 6 / 4 / 2012 ΚριτσωτάκηςΙ. Ευάγγελος Βιοστατιστικός, MSc, PhD ekritsot@yahoo.gr Μάθηµα 2 -Θεµατολογία Παραγωγήπινάκων συχνοτήτων και πινάκων συνάφειας. Παραγωγή και
Διαβάστε περισσότεραΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ. ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ.
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ. Κανονική Κατανομή Τυπική Απόκλιση Διακύμανση z τιμές Περιεχόμενα 6 ου μαθήματος Έλεγχος κανονικής
Διαβάστε περισσότεραRepeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
Διαβάστε περισσότεραΠροεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη
Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης
Διαβάστε περισσότεραΜη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2
Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2. Μη Παραμετρικοί Έλεγχοι Παραμετρικοί είναι οι κλασικοί έλεγχοι υποθέσεων της Στατιστικής οι οποίοι διεξάγονται κάτω από κάποιες προϋποθέσεις για τις παραμέτρους
Διαβάστε περισσότεραΠροσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού
Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Viola adorata Σκηνή Πρώτη Ερωτήσεις Σωστού-Λάθους (µέρος Ι). Ο µέσος όρος
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, -- Άσκηση. Δίνονται τα παρακάτω δεδομένα 5 7 8 9 5 X 8 5 5 5 9 7 Y. 5.. 7..7.7.9.. 5.... 8.. α) Να γίνει το διάγραμμα διασποράς β) εξετάστε τα μοντέλα Υ = β + β Χ + ε, (linear),
Διαβάστε περισσότεραΕΝΗΜΕΡΩΤΙΚΟ ΔΕΛΤΙΟ Ο Κ Τ Ω Β Ρ Ι Ο Σ - Δ Ε Κ Ε Μ Β Ρ Ι Ο Σ 2017 ΜΝΗΜΌΝΙΟ ΣΥΝΕΡΓΑΣΊΑΣ ΜΕΤΑΞΎ ΚΕΚ ΓΣΕΒΕΕ ΚΑΙ ΛΈΣΧΗΣ ΑΡΧΙΖΑΧΑΡΟΠΛΑΣΤΏΝ ΕΛΛΆΔΟΣ
ΝΗΜΡΩΙΚΟ ΔΛΙΟ Ο Κ Ω Ρ Ι Ο - Δ Κ Μ Ρ Ι Ο 017 Υ Χ Ο 17 ΡΙΧΟΜΝΑ ΜΝΗΜΌΝΙΟ ΥΝΡΓΑΊΑ ΜΑΞΎ ΚΚ Γ ΚΑΙ ΛΈΧΗ ΑΡΧΙΖΑΧΑΡΟΛΑΏΝ ΛΛΆΔΟ Ο ΊΚΝΡΟ Η ΉΡΙΞΗ ΩΝ ΜΙΚΡΟΜΑΊΩΝ ΙΧΙΡΉΩΝ Η ΑΙΚΉ Ο ΥΡΩΑΡΌΜΡΟ ΓΙΑ Ι ΜΙΚΡΟΜΑΊ ΙΧΙΡΉΙ 49H
Διαβάστε περισσότεραDEMOCRITUS UNIVERISTY OF THRACE Dept. of Physical Education and Sport Sciences Doctoral Program of Study COURSE OUTLINE
DEMOCRITUS UNIVERISTY OF THRACE Dept. of Physical Education and Sport Sciences Doctoral Program of Study COURSE OUTLINE 1. COURSE TITLE: Advanced Statistics 2. COURSE COORDINATOR/ LECTURER: Mavrommatis
Διαβάστε περισσότερα< (0.999) Graft (0.698) (0.483) <0.001 (0.698) (<0.001) (<0.001) 3 months (0.999) (0.483) (<0.001) 6 months (<0.
Supplementary table 1. Correlation of endothelial cell density among graft, 3, 6, and 12 months after Descemet s automated stripping endothelial keratoplasty. Graft 3 months 6 months 12 months Graft
Διαβάστε περισσότεραές ά ς ές ά ς ί ύ ό ί ό ς ές ά ς ός ός ύ ή ς ός ό ς ό ς ή ί ό ς ό ς ύ ί ς ώ ώ ΐ ός ό ς ής ά ά ί ά ό ύ ί ά έ ί ς ύς ής ής ί ί ς ή ά ός ά ς ί ς έ ς ό ς
ίςύςής ής ίίςή άός ά ς ί ς ί έςάς έςάς ί ύό ά έςάς ός όή ίί ς ός ά ς ί ςίώώί ός ά ς ί ςίώώί ί ίός έςάςέςάς ύί ςώ ώΐ ό ό ς ί ής ά έςάς άίό ήίός ός ά ς ί ςίώώί ός ός ύή ς ί ς ής έ ί ά ίάό ςί ς ύ όά ύύ ός
Διαβάστε περισσότερα