ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης"

Transcript

1 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

2 Παραδείγματα στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 2

3 Περιεχόμενα Παράδειγμα (επιβεβαιωτική παραγοντική ανάλυση με δύο παράγοντες) Παράδειγμα 2 (επιβεβαιωτική παραγοντική ανάλυση δύο επιπέδων) Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 3

4 Παράδειγμα Έχουμε έξι μεταβλητές V,.. V 6. Κάνοντας διερευνητική παραγοντική ανάλυση με το spss παίρνουμε τα παρακάτω αποτελέσματα (αρχείο exa.sav). KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig., ,344 5,000 Anti-image Covariance Anti-image Correlation V V a. Measures of Sampling Adequacy (MSA) Total Variance Explained Anti-image Matrices V,676 -,234 -,78 -,02,00 -,00 -,234,620 -,246,08 -,008,025 -,78 -,246,660 -,00,033 -,046 -,02,08 -,00,773 -,243 -,74,00 -,008,033 -,243,729 -,242 -,00,025 -,046 -,74 -,242,772,70 a -,362 -,266 -,07,04 -,04 -,362,666 a -,384,026 -,02,037 -,266 -,384,695 a -,00,047 -,064 -,07,026 -,00,673 a -,323 -,226,04 -,02,047 -,323,637 a -,322 -,04,037 -,064 -,226 -,322,666 a Component Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 2,027 33,790 33,790 2,027 33,790 33,790 2,02 33,680 33,680,82 30,96 63,986,82 30,96 63,986,88 30,306 63,986,633 0,55 74,537,558 9,297 83,834,525 8,743 92,577,445 7,423 00,000 Extraction Method: Principal Component Analy sis. V Communalities Initial Extraction,000,65,000,704,000,664,000,588,000,644,000,588 Extraction Method: Principal Component Analysis. V Component Matrix a Component 2,793,832,80,752,78,76 Extraction Method: Principal Component Analysis. a. 2 components extracted. Rotated Component Matrix a Component 2,807,838,85,767,80,766 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 4 V Extraction Method: Principal Component Analy sis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 3 iterations.

5 Παράδειγμα Από τα αποτελέσματα της παραγοντικής ανάλυσης βλέπουμε ότι τα δεδομένα είναι κατάλληλα για παραγοντική ανάλυση και ότι σχηματίζονται δύο παράγοντες. Επομένως σχηματικά έχουμε το παρακάτω μοντέλο e e2 e3 e4 e5 V f f2 Όπου οι μετρήσιμες μεταβλητές V,...,V 3 σχηματίζουν τον πρώτο παράγοντα F και οι μεταβλητές V 2,,V 6 καθορίζουν τον δεύτερο παράγοντα F 2. Ας ελέγξουμε την αξιοπιστία, την εγκυρότητα καθώς και την ορθότητα του μοντέλου χρησιμοποιώντας επιβεβαιωτική παραγοντική ανάλυση με το Amos e6 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 5

6 Παράδειγμα Εκκίνηση του Amos Graphics : Start Programs Amos Amos Graphics Από την μπάρα εντολών επιλέγουμε File New για την δημιουργία ενός νέου μοντέλου Από την μπάρα εντολών επιλέγουμε File Data Files και στην συνέχεια από την θυρίδα διαλόγου που εμφανίζεται επιλέγουμε File Name. Από την νέα θυρίδα διαλόγου μπορείτε πλέον επιλέξετε το αρχείο το οποίο περιέχει τα δεδομένα. Από την μπάρα εντολών επιλέγουμε File Save για να δώσουμε ένα όνομα στο e V μοντέλο μας η πατάμε το αντίστοιχο εικονίδιο. e2 f Από την μπάρα εργαλείων επιλέγοντας Diagram Draw e3 Unobserved ή πατώντας το αντίστοιχο εικονίδιο e4 σχηματίζουμε την πρώτη κρυφή μεταβλητή. Πατώντας το e5 f2 αντίστοιχο εικονίδιο και κάνοντας κλικ μέσα στην e6 μεταβλητή προστίθενται οι προσδιοριστικές μεταβλητές με τα αντίστοιχα λάθη μέτρησης. Χρησιμοποιώντας το πλήκτρο το οποίο εμφανίζει τις προσδιοριστικές μεταβλητές του αρχείου δεδομένων σέρνεται αυτές που θέλετε στο αντίστοιχο σχέδιο Στην συνέχεια χρησιμοποιώντας τα εργαλεία μορφοποίησης μπορείτε να μορφοποιήσετε το σχήμα Τέλος για να μην ξανακάνετε όλη την διαδικασία για την σχηματική αναπαράσταση της δεύτερης μεταβλητής μπορείτε να χρησιμοποιήσετε την αντιγραφή (φωτοτυπία) Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 6

7 Παράδειγμα Το επόμενο βήμα μετά τον σχεδιασμό είναι να επιλεχτούν οι επιθυμητές προδιαγραφές ανάλυσης. Για την επιλογή των ιδιοτήτων της ανάλυσης μπορείτε να κάνετε κλικ στο αντίστοιχο κουμπί εντολών ή από την μπάρα εργαλείων επιλέγοντας View Analysis Proprieties. Με την επιλογή εμφανίζεται ένα παράθυρο διαλόγου το οποίο περιέχει έξι καρτέλες οι οποίες περιέχουν πολλές επιλογές οι οποίες θα βοηθήσουν στα διάφορα είδη αναλύσεων τα οποία μπορούμε να εκτελέσουμε με το πρόγραμμα. Για την συγκεκριμένη περίπτωση πηγαίνουμε στην καρτέλα output και επιλέγουμε όλες τις επιλογές Επίσης από την μπάρα μενού Diagram Figure Caption μπορείτε να προσθέσετε τίτλους. Ένας χρήσιμος τίτλος πολλές φορές είναι αυτός ο οποίος περιέχει τους κυριότερους δείκτες CMIN=\cmin (df \df), CMIN/DF=\cmindf, CFI=\cfi, GFI=\gfi, RMSEA=\rmsea, RMR=\rmr, TLI=\tli Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 7

8 Παράδειγμα Εκτελώντας την ανάλυση παίρνουμε τα παρακάτω αποτελέσματα e e2 V,46,59,77,68 d f,00 CMIN=4,227 (df 9) CMIN/DF=,470 CFI=,000 GFI=,997 RMSEA=,000 RMR=,034 TLI=,04,70,48 e3,37 e4,6 d2 e5,50,7 f2,00,6,37 e6 Για αναλυτικότερη περιγραφή των αποτελεσμάτων από την μπάρα μενού View Text output ή πατώντας το αντίστοιχο εικονίδιο Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 8

9 Παράδειγμα Σημαντικές πληροφορίες για τα αποτελέσματα της ανάλυσης υπάρχουν στο Estimates όπου βρίσκονται όλα τα βάρη παλινδρόμησης ή οι παραγοντικές φορτίσεις, στο Modification Indices όπου βρίσκονται διάφορες υποδείξεις για την καλύτερη προσαρμογή του μοντέλου και τέλος στο Model Fit όπου βρίσκονται όλοι οι δείκτες προσαρμοστικότητας Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 9

10 Παράδειγμα Για το έλεγχο της αξιοπιστίας του μοντέλου ελέγχουμε τον συντελεστή Cronbach alpha, την σύνθετη αξιοπιστία (ένα μέτρο της εσωτερικής συνέπειας των δεικτών της δομής) και την υπολογισμένη διακύμανση (ένα μέτρο που απεικονίζει το γενικό ποσό της διακύμανσης των δεικτών που υπολογίστηκε για τις αφανείς δομές) για τους σχηματιζόμενους παράγοντες. Για τον υπολογισμό του συντελεστή Cronbach alpha από το κεντρικό μενού του SPSS επιλέγουμε Analyze Scale Reliability analysis και μεταφέρουμε στο πλαίσιο Items τις μεταβλητές π.χ. που σχηματίζουν τον πρώτο παράγοντα. Στην συνέχεια με το πλήκτρο Statistics ενεργοποιούμε τα όποια στατιστικά μέτρα νομίζουμε ότι θα μας βοηθήσουν στην ανάλυση (π.χ. scale if item deleted το οποίο μας δείχνει τον συντελεστή άλφα αν διαγραφεί η συγκεκριμένη προσδιοριστική μεταβλητή,inter item correlation ο οποίος θα μας δώσει τις συσχετίσεις μεταξύ των μεταβλητών καθώς και τις συσχετίσεις κάθε μεταβλητής με τον διορθωμένο μέσο όρο του υποτιθέμενου παράγοντα που σχηματίζουν. Για τον υπολογισμό της σύνθετης αξιοπιστίας και της υπολογιζόμενης διακύμανσης χρησιμοποιούμε τους τύπους : CR ( ( ) i ) 2 i 2 i VA 2 i Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 0 2 i όπου λi είναι οι τυποποιημένες φορτίσεις και εi (= -λi 2 )το σφάλμα μέτρησης για κάθε δείκτη i

11 Παράδειγμα Παράγοντας Cronbach alpha Σύνθετη Αξιοπιστία Υπολογιζόμενη διακύμανση F F Συνθήκη >0.70 >0.70 >0.50 Από τους παραπάνω υπολογισμούς βλέπουμε ότι υπάρχει κάποιο πρόβλημα για την μέτρηση του δεύτερου παράγοντα Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια

12 Παράδειγμα Μία μεθοδολογία που μπορούμε επίσης να χρησιμοποιήσουμε όσο αφορά το μετρικό μέρος ενός συστήματος δομικών εξισώσεων είναι αυτή των Anderson και Gerbin (988), η οποία επισημάνει ότι η αξιολόγηση των ψυχομετρικών ιδιοτήτων της μέτρησης περιλαμβάνει: α)τη μέτρηση της αξιοπιστίας των μεταβλητών (item reliability: Για τη μέτρηση της χρησιμοποιείται το τετράγωνο των παραγοντικών φορτίσεων (SFLs) των μεταβλητών, οι οποίες αντιπροσωπεύουν το ποσοστό συνεισφοράς των στην εξήγηση της διακύμανσης του παράγοντα. Σύμφωνα με τους Fornell και Larcker (98), τιμές μεγαλύτερες του 0,50 υποδηλώνουν υψηλό βαθμό αξιοπιστίας για τις μεταβλητές, β)της σύνθετης αξιοπιστίας (composite reliability), και γ)της υπολογισμένης διακύμανσης (variance extracted). Ο δείκτης μέτρησης της σύνθετης αξιοπιστίας είναι παρόμοιος με το δείκτη alpha του Cronbach, αλλά λαμβάνονται υπόψη οι πραγματικές φορτώσεις των μεταβλητών αντί της υπόθεσης ότι κάθε μεταβλητή είναι εξίσου σταθμισμένη (Perugini και Bagozzi, 200). Σύμφωνα με τον Nunnakkt (978), για τη σύνθετη αξιοπιστία τιμές κοντά στο 0,9 υποδηλώνουν υψηλό επίπεδο συνέπειας, τιμές κοντά στο 0,70 δείχνουν αποδεκτό επίπεδο συνέπειας και τέλος τιμές γύρω στο 0,30 δεν είναι αποδεκτές. Οι Hung et al. (2002) υποστηρίζουν ότι, για τις τεχνολογικές - κοινωνικές επιστήμες ο δείκτης της σύνθετης αξιοπιστίας πρέπει να είναι μεγαλύτερος του 0,7. Τέλος, η υπολογιζόμενη διακύμανση αναφέρεται στο ποσοστό της διακύμανσης που συλλαμβάνεται από το μοντέλο μέτρησης εναντίον του ποσοστού που οφείλεται στο λάθος της μέτρησης. Οι Barclay et al. (995) συνιστούν ότι, ο δείκτης της υπολογιζόμενης διακύμανσης πρέπει να έχει τιμή μεγαλύτερη του 0,5. Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 2

13 Παράδειγμα 2 V f Το παράδειγμα το οποίο θα εξεταστεί είναι μια παραγοντική ανάλυση δευτέρου επιπέδου όπως εμφανίζεται στο διπλανό σχήμα. Η f μετριέται από f2 f5 τις y, y2, και y3 η f2 από τις y4, y5,και y6 η f3 από τις y7, y8, and y9 και η f4 V7 από τις y0, y, και y2. Τέλος ο V8 f3 παράγοντας δευτέρου επιπέδου f5 από V9 τους παράγοντες f, f2, f3, και f4. Πιο V0 συγκεκριμένα οι παράγοντες του V f4 πρώτου επιπέδου αποτελούν προσδιοριστικές μεταβλητές για το δεύτερο επίπεδο. Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 3

14 Παράδειγμα 2 Για να έχουμε μια σύγκριση των αποτελεσμάτων αρχικά εκτελούμε παραγοντική ανάλυση σε όλες τις προσδιοριστικές μεταβλητές (y,, y2) λαμβάνοντας υπόψη τα αποτελέσματα, στην συνέχεια υπολογίζουμε τον συντελεστή Cronbach alpha για κάθε παράγοντα. Στην συνέχεια σχηματίζουμε το σχήμα στο Amos και εκτελούμε την ανάλυση λαμβάνοντας υπόψη όλα τα αποτελέσματα. Τέλος υπολογίζουμε την σύνθετη αξιοπιστία καθώς και την υπολογιζόμενη διακύμανση για όλους τους παράγοντες πρώτου και δευτέρου βαθμού. Συγκρίνουμε τα αποτελέσματα και καταλήγουμε στα συμπεράσματα μας Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 4

15 Παράδειγμα 2 (αποτελέσματα ου βήματος) Component Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 4,555 37,954 37,954 4,555 37,954 37,954 2,550 2,253 2,253 2,07 6,82 54,767 2,07 6,82 54,767 2,509 20,9 42,64,753 4,6 69,378,753 4,6 69,378 2,484 20,699 62,863,694 4,7 83,495,694 4,7 83,495 2,476 20,632 83,495,322 2,684 86,80,32 2,603 88,782,28 2,342 9,24,252 2,02 93,225,229,9 95,36,203,695 96,83,98,650 98,48,82,59 00,000 Extraction Method: Principal Component Analy sis. V V7 V8 V9 V0 V Rotated Component Matrix a Component 2 3 4,884,887,883,893,895,877,905,895,885,908,903,879 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 4 iterations. KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Component Approx. Chi-Square df Sig. Component Transformation Matrix, ,228 66, ,543,460,486,508 -,94,794 -,575,038,66,348,370 -,845 -,800,9,545,60 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. F F2 F3 F4 Cronbach alpha 0,885 0,885 0,903 0,890 V V7 V8 V9 V0 V Communalities Initial Extraction,000,843,000,835,000,805,000,845,000,830,000,805,000,877,000,84,000,835,000,856,000,84,000,806 Extraction Method: Principal Component Analysis. Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 5

16 Παράδειγμα 2,80 e e2 e3 e4 V,76,66,80,89,87,8,89 d f d2,34 CMIN=46,650 (df 50) CMIN/DF=,933 CFI=,000 GFI=,985 RMSEA=,000 RMR=,024 TLI=,00,58 e5,74,86,83 f2,29,53 e6,68 f5 e7 V7,86,93 d3,63 e8 V8,74,74,86,86 f3,39,47 e9 e0 e V9,8 V0,76 V,90,87 d4 f4,22 F F2 F3 F4 F5 Cronbach alpha 0,885 0,885 0,903 0,890 0,848 Σύνθετη Αξιοπιστία 0,89 0,90 0,9 0,90 0,7 Υπολογιζόμενη Διακύμανση 0,74 0,74 0,78 0,75 0,39,83,68 e2 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 6

17 Regression Weights: (Group number - Default model) Estimate S.E. C.R. P Label f <--- f5,728,0992 7,870 *** par_3 f2 <--- f5,6322,0877 7,2055 *** par_4 f3 <--- f5,809,20 7,62 *** par_5 f4 <--- f5,5282,078 6,7648 *** par_6 <--- f,6390,0394 6,2240 *** par_ <--- f,7266,042 7,245 *** par_2 V <--- f,9557,0540 7,694 *** par_3 <--- f2,759,0400 7,988 *** par_4 <--- f2,7307,0396 8,4725 *** par_5 <--- f2,076,0527 9,3239 *** par_6 V9 <--- f3,6859,0435 5,7606 *** par_7 V8 <--- f3,6967,0443 5,7295 *** par_8 V7 <--- f3,992,0603 6,4604 *** par_9 <--- f4,7370,0382 9,2967 *** par_0 V <--- f4,867, ,472 *** par_ V0 <--- f4,02,0522 2,26 *** par_2 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 7

18 Modification Indices (Group number - Default model) Covariances: (Group number - Default model) M.I. Par Change e6 <--> e9 4,0405,0347 e <--> d3 4,7477,0884 e <--> e5 4,6237,0440 e2 <--> e8 4,2874 -,0336 e3 <--> e4 5,5499,053 e3 <--> e5 8,3969 -,0495 Variances: (Group number - Default model) M.I. Par Change Regression Weights: (Group number - Default model) M.I. Par Change <--- 4,2205 -,0578 V <--- V8 4,8550,074 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 8

19 Model NPAR CMIN DF P CMIN/DF Default model 28 46, ,6086,9330 Saturated model 78, Independence model ,009 66, ,6668 Model RMR GFI AGFI PGFI Default model,0239,9848,9763,633 Saturated model,0000,0000 Independence model,4579,3838,277,3247 Model NFI RFI IFI TLI CFI Default model,9883,9846,0008,00,0000 Saturated model,0000,0000,0000 Independence model,0000,0000,0000,0000,0000 Model RMSEA LO 90 HI 90 PCLOSE Default model,0000,0000,0256,0000 Independence model,3458,3367,3549,0000 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 9

20 Παράδειγμα 2,9 e V,5 e2,2,44 e3,39 e4,6,34,4,4 e5,37 e6 e7,5,79 V7,39,89,84 f5 e8 V8,70,85,35 e9 e0,72 V9,2 V0,33,34 CMIN=257,087 (df 54) CMIN/DF=46,63 CFI=,375 GFI=,530 RMSEA=,302 RMR=,274 TLI=,236, e V, e2 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 20

21 Παράδειγμα 2 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 2 f,66 e3,8,76 e2,87,80 V e,89 f2,69 e6,74 e5,80 e4,83,86,89 f3,74 V9 e9,74 V8 e8,86 V7 e7,86,86,93 f4,68 e2,76 V e,8 V0 e0,83,87,90,3,35,29,35,23,29 MIN=45,688 (df 48) CMIN/DF=,952 CFI=,000 GFI=,985 RMSEA=,000 RMR=,02 TLI=,00,34 f,66 e3,8,76 e2,87,80 V e,89,29 f2,68 e6,74 e5,80 e4,83,86,89,39 f3,74 V9 e9,74 V8 e8,86 V7 e7,86,86,93,22 f4,68 e2,76 V e,8 V0 e0,83,87,90 f5,58,53,63,47 d d2 d3 d4 CMIN=46,650 (df 50) CMIN/DF=,933 CFI=,000 GFI=,985 RMSEA=,000 RMR=,024 TLI=,00

22 Παράδειγμα 3 V f f2 V9 V8 V7 f4 f3 Θέλουμε να εξετάσουμε το παραπάνω μοντέλο στο οποίο οι προσδιοριστικές μεταβλητές V,, καθορίζουν την κρυφή μεταβλητή Fοι,, καθορίζουν την κρυφή μεταβλητή F2, οι V7,V8,V9 καθορίζουν την κρυφή μεταβλητή F3 και οι V0,V, καθορίζουν τον παράγοντα F3 (αρχείο exa3.sav). V0 V Στόχος του συγκεκριμένου παραδείγματος είναι εφόσον ελέγξουμε την εγκυρότητα και την αξιοπιστία του συγκεκριμένου μοντέλου να απαντήσουμε στις ερευνητικές υποθέσεις οι οποίες πηγάζουν από τις σχέσεις μεταξύ των κρυφών μεταβλητών. (πρώτα ελέγχουμε το μετρικό μέρος του μοντέλου στην συνέχεια κάνουμε τις αναγκαίες τροποποιήσεις και ελέγχουμε τους δείκτες προσαρμοστικότητας και στην συνέχεια ελέγχουμε το δομικό μέρος του μοντέλου) Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 22

23 Παράδειγμα 3 (Παραγοντική ανάλυση) Πριν την εξέταση του μοντέλου με το Amos μπορούμε να τρέξουμε μια παραγοντική ανάλυση όλων των μεταβλητών οριοθετώντας σε τέσσερις τους εξαγόμενους παράγοντες και στην συνέχεια να υπολογίσουμε και τον συντελεστή Cronbach alpha για κάθε παράγοντα. Τα αποτελέσματα από αυτές τις αναλύσεις θα τα χρησιμοποιήσουμε στην συνέχεια. KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. Rotated Component Matrix a,86 506,69 66,000 Component Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 3,583 29,858 29,858 3,583 29,858 29,858 2,07 6,8 6,8,988 6,563 46,42,988 6,563 46,42,987 6,557 33,368,277 0,644 57,065,277 0,644 57,065,885 5,70 49,078,799 6,659 63,724,799 6,659 63,724,758 4,646 63,724,734 6,7 69,84,649 5,406 75,246,627 5,227 80,473,568 4,736 85,209,48 4,02 89,22,462 3,852 93,073,49 3,493 96,566,42 3,434 00,000 Extraction Method: Principal Component Analy sis. V V7 V8 V9 V0 V Component 2 3 4,736,836,80,746,798,726,773,794,734,743,793,660 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations. Reliability Statistics Cronbach's Alpha N of Items,739 3 Reliability Statistics Cronbach's Alpha N of Items,784 3 Reliability Statistics Cronbach's Alpha N of Items,680 3 Reliability Statistics Cronbach's Alpha N of Items,69 3 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 23

24 Παράδειγμα 3 (μετρικό μέρος) e9 e8 e7,54,52,59,46 V9 V8 V7 e V,68,74,72,77 e2 e3,6,4,78,64 f -,03,45 f3,59,59 d3 e4 e5,44,4,66,64 f2,64 f4 d4,35 e6,40,63 MIN=53,596 (df 50) CMIN/DF=,072 CFI=,998 GFI=,983 RMSEA=,02 RMR=,054 TLI=,997 F F2 F3 F4 Cronbach alpha 0,739 0,680 0,784 0,69,65 V0 e0,42,62,39 V e,52 e2,27 Σύνθετη Αξιοπιστία 0,74 0,68 0,79 0,63 Υπολογιζόμενη Διακύμανση 0,49 0,42 0,55 0,36 Σύμφωνα με την παραπάνω ανάλυση παρατηρούμε ότι υπάρχει πρόβλημα όσο αφορά το μετρικό μέρος του μοντέλου (SFLs, σύνθετη αξιοπιστία, υπολογιζόμενη διακύμανση, συντελεστής Cronbach alpha ). Γεγονός το οποίο υπό κανονικές συνθήκες έπρεπε να μας αποτρέψει στην περεταίρω ανάλυση δηλαδή τον έλεγχο του δομικού μέρους του μοντέλου (υποθέσεις) Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 24

25 Παράδειγμα 3 (δομικό μέρος) Estimate S.E. C.R. P Label f3 <--- f,735,04 6,852 *** par_2 f3 <--- f2,0040,279 7,8480 *** par_6 f4 <--- f3,470,0673 6,9940 *** par_5 <--- f,884,064 3,7574 *** par_ <--- f,7,0663 6,7720 *** par_2 V <--- f,940,0650 4,4533 *** par_3 <--- f2,8395,0644 3,0335 *** par_4 <--- f2,896,066 3,327 *** par_5 <--- f2,9424,069 3,6464 *** par_6 V <--- f4,65,0597 0,3093 *** par_7 V9 <--- f3,6545,0548,9445 *** par_8 V7 <--- f3,747,0623,9092 *** par_9 V0 <--- f4,7449,0688 0,834 *** par_0 <--- f4,5079,0540 9,432 *** par_ V8 <--- f3,6466,0555,6564 *** par_4 Estimate S.E. C.R. P Label f2 <--> f -,0340,0624 -,5446,5860 par_3 Σύμφωνα με τα παραπάνω αποτελέσματα επιβεβαιώνονται οι υποθέσεις F F3 (δηλαδή η F έχει θετική επίδραση στην διαμόρφωση της F3), F2 F3, F3 F4 ενώ η αλληλεπίδραση της F με την F2 δεν επιβεβαιώνεται Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 25

26 Standardized Total Effects (Group number - Default model) Παράδειγμα 3 (Επιδράσεις) Direct Effect f f2 f3 f4 f3,454,6390,0000,0000 f4,0000,0000,5949,0000 Indirect Effect f f2 f3 f4 f3,0000,0000,0000,0000 f4,2702,380,0000,0000 Total Effect f f2 f3 f4 f3,454,6390,0000,0000 f4,2702,380,5949,0000 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 26

27 Παράδειγμα 3 (Δείκτες τροποποίησης) Covariances: (Group number - Default model) M.I. Par Change e6 <--> e9 4,30,093 e <--> d3 4,7609,578 e2 <--> e8 5,4657 -,257 e3 <--> e5 6,5869 -,445 Regression Weights: (Group number - Default model) M.I. Par Change <--- 6,073 -,0864 <--- 5,423 -,0949 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 27

28 Παράδειγμα 3 (δείκτες καταλληλότητας) Model NPAR CMIN DF P CMIN/DF Default model 40 53, ,338,079 Saturated model 90, Independence model 24 52, , ,0508 Model NFI RFI IFI TLI CFI Default model,9648,9535,9976,9967,9975 Saturated model,0000,0000,0000 Independence model,0000,0000,0000,0000,0000 Model RMSEA LO 90 HI 90 PCLOSE Default model,020,0000,039,9999 Independence model,202,20,294,0000 Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 28

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Εισαγωγή στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια 2 Περιεχόμενα

Διαβάστε περισσότερα

Ιωάννης Τσαούσης, Πανεπιστήμιο Κρήτης Τμήμα Ψυχολογίας

Ιωάννης Τσαούσης, Πανεπιστήμιο Κρήτης Τμήμα Ψυχολογίας Η Ανάλυση Παραγόντων (Factor Analysis) Τι είναι η ανάλυση παραγόντων Σκοπός της ανάλυσης παραγόντων (ΑΠ) είναι να συνοψίσει τις σχέσεις ανάμεσα σε ένα μεγάλο αριθμό μεταβλητών με έναν περιεκτικό και ακριβή

Διαβάστε περισσότερα

Διερεύνηση της Αξιοπιστίας και της Εγκυρότητας Ψυχομετρικής Κλίμακας με το λογισμικό SPSS

Διερεύνηση 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 περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Εγκυρότητα - Αξιοπιστία Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια 2

Διαβάστε περισσότερα

ΤΕΙ ΠΕΙΡΑΙΑ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΜΕ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ

ΤΕΙ 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 περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια 2

Διαβάστε περισσότερα

Οι νέοι και το περιβάλλον: Περιβαλλοντικές στάσεις και συµπεριφορά µαθητών Λυκείων και ΤΕΕ του Ν. Ροδόπης

Οι νέοι και το περιβάλλον: Περιβαλλοντικές στάσεις και συµπεριφορά µαθητών Λυκείων και ΤΕΕ του Ν. Ροδόπης Οι νέοι και το περιβάλλον: Περιβαλλοντικές στάσεις και συµπεριφορά µαθητών Λυκείων και ΤΕΕ του Ν. Ροδόπης Ευρ. Παπαδηµητρίου, Λέκτορας Κοινωνιολογίας Τµήµα Κοινωνικής ιοίκησης, ηµοκρίτειο Πανεπιστήµιο

Διαβάστε περισσότερα

ΜΕΘΟ ΟΛΟΓΙΑ ΕΚΠΑΙ ΕΥΤΙΚΗΣ ΕΡΕΥΝΑΣ

ΜΕΘΟ ΟΛΟΓΙΑ ΕΚΠΑΙ ΕΥΤΙΚΗΣ ΕΡΕΥΝΑΣ ΜΕΘΟ ΟΛΟΓΙΑ ΕΚΠΑΙ ΕΥΤΙΚΗΣ ΕΡΕΥΝΑΣ ΑΝΑΛΥΣΗ ΠΑΡΑΓΟΝΤΩΝ (FACTOR ANALYSIS) ΜΕ ΤΟ SPSS Ρ ΚΟΡΡΕΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΑΝΑΛΥΣΗ ΠΑΡΑΓΟΝΤΩΝ (FACTOR ANALYSIS) Η ανάλυση παραγόντων (Fact) είναι ουσιαστικά µία τεχνική µείωσης

Διαβάστε περισσότερα

ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΣΕ ΔΕΔΟΜΕΝΑ ΑΠΟ ΕΡΕΥΝΑ ΑΓΟΡΑΣ

ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΣΕ ΔΕΔΟΜΕΝΑ ΑΠΟ ΕΡΕΥΝΑ ΑΓΟΡΑΣ Τ.Ε.Ι ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΣΕ ΔΕΔΟΜΕΝΑ ΑΠΟ ΕΡΕΥΝΑ ΑΓΟΡΑΣ Αστέριος Μαντζούκης Κυριάκος Παπαντωνίου ΟΚΤΩΒΡΙΟΣ 2014

Διαβάστε περισσότερα

Παραγοντική ανάλυση και SPSS Πρόχειρες σημειώσεις

Παραγοντική ανάλυση και SPSS Πρόχειρες σημειώσεις Παραγοντική ανάλυση και SPSS Πρόχειρες σημειώσεις ΣΤΟΧΟΣ ΠΑΡΑΓΟΝΤΙΚΗΣ ΑΝΑΛΥΣΗΣ Η εύρεση της ύπαρξης κοινών παραγόντων ανάμεσα σε μία ομάδα μεταβλητών. Τι επιτυγχάνεται? 1.Μείωση της διάστασης του προβλήματος.

Διαβάστε περισσότερα

Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS

Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS Βασίλης Παυλόπουλος Τμήμα Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr users.uoa.gr/~vpavlop ΠΜΣ Κοινωνική Ψυχολογία των Συγκρούσεων,

Διαβάστε περισσότερα

Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας

Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας Έρευνα Αγοράς Μέρος 2 ο - Έλεγχοι Συσχέτισης και Πολυμεταβλητή Στατιστική 1 Περιεχόμενα 1. Έλεγχοι Συσχετίσεων Δύο Μεταβλητών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+

ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+ ΠΑΝΕΠΙΣΤΗΜΙΟ+ΠΑΤΡΩΝ+ Τμήμα+Διοίκησης+Επιχειρήσεων+ «Η# δράση# των# επιχειρήσεων# στα# κοινωνικά# δίκτυα# (social# media)# στο# διαδίκτυο# και# η# επίδραση#στην#απόδοση#των#επιχειρήσεων)#»# Δρ.#Δέσποινα#Καραγιάννη,#Αθηνά#Ντάβαρη#(ΜΒΑ)

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Συστήματα Δομικών Εξισώσεων Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΣΕ ΚΥΡΙΕΣ ΣΥΝΙΣΤΩΣΕΣ Α.Κ.Σ.

ΑΝΑΛΥΣΗ ΣΕ ΚΥΡΙΕΣ ΣΥΝΙΣΤΩΣΕΣ Α.Κ.Σ. ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΝΑΛΥΣΗ ΣΕ ΚΥΡΙΕΣ ΣΥΝΙΣΤΩΣΕΣ Α.Κ.Σ. Μ-Ν ΝΤΥΚΕΝ Ορισμός Σκοπός της Α.Κ.Σ. Η Α.Κ.Σ. εντάσσεται στις μεθόδους διερευνητικής ανάλυσης (exploratory) συνθετικών φαινόμενων (Παραγοντικές μεθόδοι).

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ... 1 2 ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ... 13 3 ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ: Η ΜΕΣΗ ΤΙΜΗ ΚΑΙ Η ΔΙΑΜΕΣΟΣ... 29

ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ... 1 2 ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ... 13 3 ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ: Η ΜΕΣΗ ΤΙΜΗ ΚΑΙ Η ΔΙΑΜΕΣΟΣ... 29 ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ... 1 Μεταβλητές...5 Πληθυσμός, δείγμα...7 Το ευρύτερο γραμμικό μοντέλο...8 Αναφορές στη βιβλιογραφία... 11 2 ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ... 13 Περίληψη... 13 Εισαγωγή... 13 Με μια ματιά...

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 1 ο ΒΑΣΙΚΕΣ ΤΕΧΝΙΚΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ ΜΕ ΧΡΗΣΗ ΕΛΕΓΧΩΝ (STUDENT S T).. 21

ΚΕΦΑΛΑΙΟ 1 ο ΒΑΣΙΚΕΣ ΤΕΧΝΙΚΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ ΜΕ ΧΡΗΣΗ ΕΛΕΓΧΩΝ (STUDENT S T).. 21 Πίνακας Περιεχομένων Πρόλογος... 17 ΚΕΦΑΛΑΙΟ 1 ο ΒΑΣΙΚΕΣ ΤΕΧΝΙΚΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ ΜΕ ΧΡΗΣΗ ΕΛΕΓΧΩΝ (STUDENT S T).. 21 (Basic Sampling Techniques and Questionnaire Analysis using

Διαβάστε περισσότερα

Ανάπτυξη Ερωτηματολογίου

Ανάπτυξη Ερωτηματολογίου Τίτλος πράξης: Κατηγορία Πράξης: Ενέργεια: Μέτρο: Επιστ. Υπεύθυνος: "Επιμόρφωση Πιστοποίηση Γυναικών Αρχικής Επαγγελματικής Εκπαίδευσης & Κατάρτισης σε Δεξιότητες Πληροφορικής Επιχειρηματικού Σεναρίου"

Διαβάστε περισσότερα

ΠΕΠΟΙΘΗΣΕΙΣ ΕΠΑΡΚΕΙΑΣ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΚΑΙ Η ΣΧΕΣΗ ΤΟΥΣ ΜΕ ΤΗ ΣΤΑΣΗ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΑΠΕΝΑΝΤΙ ΣΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΕΙΣΑΓΩΓΗ

ΠΕΠΟΙΘΗΣΕΙΣ ΕΠΑΡΚΕΙΑΣ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΚΑΙ Η ΣΧΕΣΗ ΤΟΥΣ ΜΕ ΤΗ ΣΤΑΣΗ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΑΠΕΝΑΝΤΙ ΣΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΕΙΣΑΓΩΓΗ ΠΕΠΟΙΘΗΣΕΙΣ ΕΠΑΡΚΕΙΑΣ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΚΑΙ Η ΣΧΕΣΗ ΤΟΥΣ ΜΕ ΤΗ ΣΤΑΣΗ ΤΩΝ ΚΑΘΗΓΗΤΩΝ ΑΠΕΝΑΝΤΙ ΣΤΗΝ ΑΞΙΟΛΟΓΗΣΗ Χ. Τζελέπης - Δ. Βαγενά Αθήνα ΕΙΣΑΓΩΓΗ Η εργασία που ακολουθεί ξεκίνησε με αφορμή τις διαλέξεις του

Διαβάστε περισσότερα

Reliability analysis Ανάλυση αξιοπιστίας

Reliability analysis Ανάλυση αξιοπιστίας Reliability analysis Ανάλυση αξιοπιστίας ΙΑΤΥΠΩΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ. ΤΡΟΠΟΣ ΕΛΕΓΧΟΥ. ΥΛΟΠΟΙΗΣΗ ΣΤΟ SPSS. ΠΑΡΑ ΕΙΓΜΑ. 1 ΙΑΤΥΠΩΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ Συνήθως όταν θέλουμε να «μετρήσουμε» χαρακτηριστικά π.χ. η

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 6 ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΒΑΘΜΟΛΟΓΙΩΝ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΗΣ ΜΑΘΗΤΙΚΗΣ ΕΠΙ ΟΣΗΣ

ΚΕΦΑΛΑΙΟ 6 ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΒΑΘΜΟΛΟΓΙΩΝ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΗΣ ΜΑΘΗΤΙΚΗΣ ΕΠΙ ΟΣΗΣ ΚΕΦΑΛΑΙΟ 6 ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΤΩΝ ΒΑΘΜΟΛΟΓΙΩΝ ΟΙ ΣΥΝΙΣΤΩΣΕΣ ΤΗΣ ΜΑΘΗΤΙΚΗΣ ΕΠΙ ΟΣΗΣ Εισαγωγή Στο κεφάλαιο αυτό επιχειρούµε να εξάγουµε τις συνιστώσες της µαθητικής επίδοσης, χρησιµοποιώντας παραγοντική

Διαβάστε περισσότερα

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11

ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 2342 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: Οικονομετρικά. Εργαστήριο 15/05/11 ΤΣΑΛΤΑ ΜΑΡΙΑ Α.Μ: 1946 ΠΑΥΛΕΛΛΗ ΛΟΥΙΖΑ Α.Μ: 34 ΤΣΑΪΛΑΚΗ ΦΑΝΗ Α.Μ: 17 Οικονομετρικά Εργαστήριο 15/5/11 ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ 7 ΕΡΓΑΣΤΗΡΙΟ ΜΗ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ Σκοπός του παρόντος µαθήµατος είναι η

Διαβάστε περισσότερα

ιερεύνηση της Συµβολής της Περιβαλλοντικής Εκπαίδευσης στην Πορεία προς την Εκπαίδευση για την Αειφόρο Ανάπτυξη σε Σχολεία του Νοµού Αττικής

ιερεύνηση της Συµβολής της Περιβαλλοντικής Εκπαίδευσης στην Πορεία προς την Εκπαίδευση για την Αειφόρο Ανάπτυξη σε Σχολεία του Νοµού Αττικής ιερεύνηση της Συµβολής της Περιβαλλοντικής Εκπαίδευσης στην Πορεία προς την Εκπαίδευση για την Αειφόρο Ανάπτυξη σε Σχολεία του Νοµού Αττικής ηµήτριος ικαιάκος 1, Μιχαήλ Σκούλλος 2 1. Υποψήφιος ιδάκτωρ,

Διαβάστε περισσότερα

Στατιστικό κριτήριο χ 2

Στατιστικό κριτήριο χ 2 18 Μεθοδολογία Επιστηµονικής Έρευνας & Στατιστική Στατιστικό κριτήριο χ 2 Ο υπολογισµός του κριτηρίου χ 2 γίνεται µέσω του µενού [Statistics => Summarize => Crosstabs...]. Κατά τη συγκεκριµένη διαδικασία

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Περιεχόμενα Εισαγωγή Το πρόβλημα - Συντελεστής συσχέτισης Μοντέλο απλής γραμμικής παλινδρόμησης

Διαβάστε περισσότερα

Δείγμα πριν τις διορθώσεις

Δείγμα 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 περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ 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 ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Στόχοι Ο κύριος στόχος του μαθήματος είναι να βοηθήσει τους φοιτητές να αναπτύξουν πρακτικές

Διαβάστε περισσότερα

Κεφάλαιο 6 Πολυμεταβλητές Μέθοδοι Ανάλυσης

Κεφάλαιο 6 Πολυμεταβλητές Μέθοδοι Ανάλυσης Κεφάλαιο 6 Πολυμεταβλητές Μέθοδοι Ανάλυσης Σύνοψη Στο κεφάλαιο αυτό παρουσιάζονται τρεις βασικές μέθοδοι πολυμεταβλητής ανάλυσης. Συγκεκριμένα θα παρουσιαστούν η παραγοντική ανάλυση, η ανάλυση συστάδων

Διαβάστε περισσότερα

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F

Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό

Διαβάστε περισσότερα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

ΕΙΔΙΚΑ 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 περισσότερα

ΤΕΙ ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΤΕΙ ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΙ ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΘΕΜΑ ΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ: Ο ΡΟΛΟΣ ΤΩΝ ΔΗΜΟΓΡΑΦΙΚΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΣΤΗ ΣΚΙΑΓΡΑΦΗΣΗ ΤΩΝ ΠΡΑΣΙΝΩΝ ΚΑΤΑΝΑΛΩΤΩΝ ΤΗΣ ΚΑΒΑΛΑΣ ΦΟΙΤΗΤΡΙΑ

Διαβάστε περισσότερα

SPSS Statistical Package for the Social Sciences

SPSS Statistical Package for the Social Sciences SPSS Statistical Package for the Social Sciences Ξεκινώντας την εφαρμογή Εισαγωγή εδομένων Ορισμός Μεταβλητών Εισαγωγή περίπτωσης και μεταβλητής ιαγραφή περιπτώσεων ή και μεταβλητών ΣΤΑΤΙΣΤΙΚΗ Αθανάσιος

Διαβάστε περισσότερα

Μοντέλα Πολλαπλής Παλινδρόμησης

Μοντέλα Πολλαπλής Παλινδρόμησης Μοντέλα Πολλαπλής Παλινδρόμησης Πέτρος Ρούσσος Πρόγραμμα Ψυχολογίας, ΦΠΨ, ΕΚΠΑ ΕΙΣΑΓΩΓΙΚΑ 1 Ορολογία Προβλεπτικές μεταβλητές ή παράγοντες (predictors) Μεταβλητή κριτήριο (criterion) Απλή και πολλαπλή παλινδρόμηση

Διαβάστε περισσότερα

ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ EUROSTAT

ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ EUROSTAT ηµοσιεύθηκε στην Επιστηµονική Επετηρίδα Εφαρµοσµένης Έρευνας vol. XII no., 007 σελ. 0- ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ EUROSTAT Μιλτιάδης Χαλικιάς Τµήµα ιοίκησης Επιχειρήσεων, ΤΕΙ Πειραιά ΠΕΡΙΛΗΨΗ

Διαβάστε περισσότερα

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ& ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ& ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ& ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑΠΡΟΤΥΠΑΜΑΘΗΜΑ4ο-5ο-6 ο (β) ΠΟΛΛΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ- ΕΡΓΑΣΤΗΡΙΟ PASW 18 Δρ. Κουνετάς Η Κωνσταντίνος Ακαδημαϊκό Έτος 2011-2012 ΕΠΙΧ

Διαβάστε περισσότερα

1: 1.1. 5 1.2. 5 1.3... 6. 2: 2.1 8 2.2 online. 9. 3: 3.1... 11 3.2. 14 3.3 Fast Food 15 4: 4.1 24 4.2... 24 4.3.. 25 5: - 5.1 27 5.2.. 33..

1: 1.1. 5 1.2. 5 1.3... 6. 2: 2.1 8 2.2 online. 9. 3: 3.1... 11 3.2. 14 3.3 Fast Food 15 4: 4.1 24 4.2... 24 4.3.. 25 5: - 5.1 27 5.2.. 33.. , - :. : 2014 .. 3.. 4 1: 1.1. 5 1.2. 5 1.3... 6 2: 2.1 8 2.2 online. 9 3: 3.1... 11 3.2. 14 3.3 Fast Food 15 4: 4.1 24 4.2... 24 4.3.. 25 5: - 5.1 27 5.2.. 33.. 39.... 41 42 44 2 ,.,.,...,.,.,,,. 3 ,..

Διαβάστε περισσότερα

Σχεδίαση με το AutoCAD

Σχεδίαση με το AutoCAD Σχεδίαση με το AutoCAD Δημιουργία Αποθήκευση Αρχείων, Σχεδίαση & Επεξεργασία Γεωμετρικών Σχημάτων. Το παράθυρο του AutoCAD Δημιουργία - Αποθήκευση Νέου Σχεδίου Από το menu εφαρμογής επιλέγετε New και εμφανίζεται

Διαβάστε περισσότερα

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ 1 ο ΕΡΓΑΣΤΗΡΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ 1 ο ΕΡΓΑΣΤΗΡΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ 1 ο ΕΡΓΑΣΤΗΡΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ ΕΠΙΧ Οικονομετρικά Πρότυπα Διαφάνεια 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΣΤΑΤΙΣΤΙΚΗΣ

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΠΟΤΕ ΚΑΙ ΓΙΑΤΙ ΧΡΗΣΙΜΟΠΟΙΕΙΤΑΙ ΜΟΝΤΕΛΟ ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΕΡΜΗΝΕΙΑ ΤΩΝ ΕΚΤΙΜΗΤΩΝ ΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΤΩΝ ΣΥΝΤΕΛΕΣΤΩΝ ΠΑΛΙΝ ΡΟΜΗΣΗΣ ΥΠΟΘΕΣΕΙΣ ΠΙΝΑΚΑΣ ΑΝΑ ΙΑ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΓΙΑ ΤΙΣ ΠΑΡΑΜΕΤΡΟΥΣ

Διαβάστε περισσότερα

ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ

ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ ΑΚΑΔΗΜΙΑ ΤΩΝ ΠΟΛΙΤΩΝ Αστική Μη Κερδοσκοπική Εταιρεία- ISO 9001 Σαπφούς 3, 81100 Μυτιλήνη (1ος Όροφος) 2251054739 (09:00-14:30) academy@aigaion.org civilacademy.ucoz.org «ΠΡΟΓΡΑΜΜΑ ΜΕΘΟΔΟΛΟΓΙΑΣ ΕΡΕΥΝΑΣ

Διαβάστε περισσότερα

Η ΕΠΙΔΡΑΣΗ ΤΟΥ Τ.Ε.Ι ΚΑΒΑΛΑΣ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΑΝΑΠΤΥΞΗ ΤΗΣ ΠΟΛΗΣ ΤΗΣ ΚΑΒΑΛΑΣ

Η ΕΠΙΔΡΑΣΗ ΤΟΥ Τ.Ε.Ι ΚΑΒΑΛΑΣ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΑΝΑΠΤΥΞΗ ΤΗΣ ΠΟΛΗΣ ΤΗΣ ΚΑΒΑΛΑΣ Η ΕΠΙΔΡΑΣΗ ΤΟΥ Τ.Ε.Ι ΚΑΒΑΛΑΣ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΑΝΑΠΤΥΞΗ ΤΗΣ ΠΟΛΗΣ ΤΗΣ ΚΑΒΑΛΑΣ Ευστάθιος Δημητριάδης 1, Πρόδρομος Χατζόγλου 2, Νικόλαος Θερίου 1, Δημήτριος Μαδυτινός 1, Βασίλειος Αγγελίδης 1. 1. Τ.Ε.Ι Καβάλας,

Διαβάστε περισσότερα

Πως θα κατασκευάσω το πρώτο πρόγραμμα;

Πως θα κατασκευάσω το πρώτο πρόγραμμα; Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών Σκοπός Να γίνει εξοικείωση το μαθητών με τον ΗΥ και το λειτουργικό σύστημα. - Επίδειξη του My Computer

Διαβάστε περισσότερα

ΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ. Μεγγίσογλου Ευθυμία Ξενογιώργη Αικατερίνη Σβολιανίτη Χριστίνα

ΤΕΙ 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 περισσότερα

Δρ. Σταύρος Καραθανάσης

Δρ. Σταύρος Καραθανάσης Δρ. Σταύρος Καραθανάσης Οδηγίες Εκτέλεσης του Προγράμματος Box Model Chemistry Με το πρόγραμμα Box Model Chemistry μπορούν να εκτελεστούν προσομοιώσεις θαλάμου καπνομίχλης (smog chamber) με τη χρήση διαφορετικών

Διαβάστε περισσότερα

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών

Διαβάστε περισσότερα

Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών

Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών Σκοπός Να αναπτύξουν ένα πρόγραμμα όπου θα επαναλάβουν τα βήματα ανάπτυξης μιας παραθυρικής εφαρμογής.

Διαβάστε περισσότερα

Περιεχόμενα. Πρόλογος 17 ΚΕΦΑΛΑΙΟ 1 23

Περιεχόμενα. Πρόλογος 17 ΚΕΦΑΛΑΙΟ 1 23 Περιεχόμενα Πρόλογος 17 Μέρος A ΚΕΦΑΛΑΙΟ 1 23 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 23 1.1 Εισαγωγή 23 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 24 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or

Διαβάστε περισσότερα

Κεφάλαιο 15. Παραγοντική ανάλυση διακύµανσης. Παραγοντική

Κεφάλαιο 15. Παραγοντική ανάλυση διακύµανσης. Παραγοντική Κεφάλαιο 15 Παραγοντική ανάλυση διακύµανσης 1 Παραγοντική ανάλυση διακύµανσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη των επιδράσεων περισσότερων από µια ανεξάρτητων µεταβλητών στην εξαρτηµένη καθώς

Διαβάστε περισσότερα

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

Παράδειγμα: 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 περισσότερα

2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ

2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα

Διαβάστε περισσότερα

ΜΑΘΗΜΑ 2 ο. ΗχρήσητουπακέτουEviews (Using Eviews econometric package)

ΜΑΘΗΜΑ 2 ο. ΗχρήσητουπακέτουEviews (Using Eviews econometric package) ΜΑΘΗΜΑ 2 ο ΗχρήσητουπακέτουEviews (Using Eviews econometric package) Για να καλέσετε το πρόγραμμα πρέπει να εργαστείτε ως εξής: 1. Κάντε δύο κλικ στο εικονίδιο του Eviews 2. Από την εντολή File πάω στο

Διαβάστε περισσότερα

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών

Διαβάστε περισσότερα

ΣΥΣΤΗΜΑΤΑ ΥΨΗΛΗΣ ΑΠΟΔΟΣΗΣ ΚΑΙ ΕΡΓΑΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ: ΔΙΑΜΕΣΟΛΑΒΗΣΗ ΤΗΣ ΑΞΙΟΠΙΣΤΙΑΣ ΚΑΙ ΤΗΣ ΕΜΠΙΣΤΟΣΥΝΗΣ

ΣΥΣΤΗΜΑΤΑ ΥΨΗΛΗΣ ΑΠΟΔΟΣΗΣ ΚΑΙ ΕΡΓΑΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ: ΔΙΑΜΕΣΟΛΑΒΗΣΗ ΤΗΣ ΑΞΙΟΠΙΣΤΙΑΣ ΚΑΙ ΤΗΣ ΕΜΠΙΣΤΟΣΥΝΗΣ ΣΥΣΤΗΜΑΤΑ ΥΨΗΛΗΣ ΑΠΟΔΟΣΗΣ ΚΑΙ ΕΡΓΑΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ: ΔΙΑΜΕΣΟΛΑΒΗΣΗ ΤΗΣ ΑΞΙΟΠΙΣΤΙΑΣ ΚΑΙ ΤΗΣ ΕΜΠΙΣΤΟΣΥΝΗΣ Ονοματεπώνυμο: Σιαλμά Μαριλένα Σειρά: 11 Επιβλέπουσα Καθηγήτρια: Κυριακίδου Ολίβια Δεκέμβριος 2014

Διαβάστε περισσότερα

2.9.3 Χρήση λογισμικού παρουσιάσεων για τη δημιουργία απλών παρουσιάσεων ρουτίνας

2.9.3 Χρήση λογισμικού παρουσιάσεων για τη δημιουργία απλών παρουσιάσεων ρουτίνας 2.9 Δεξιότητες Τεχνολογίας Πληροφοριών και Επικοινωνιών 2.9.3 Χρήση λογισμικού παρουσιάσεων για τη δημιουργία απλών παρουσιάσεων ρουτίνας Να επιδεικνύει ικανότητα στη χρήση λογισμικού παρουσιάσεων, ακίνδυνα

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008

Διαβάστε περισσότερα

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο

Μενύχτα, 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 περισσότερα

Περιγραφή των εργαλείων ρουτινών του στατιστικού

Περιγραφή 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 περισσότερα

ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ

ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΟΣ ΠΡΟΤΑΣΕΩΝ ΣΤΙΣ ΤΟΥΡΙΣΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ Ονοματεπώνυμο: Σπελέτα Ελισάβετ Σειρά: 12 Επιβλέπων Καθηγητής: Δημήτρης Κ. Καρδαράς Δεκέμβριος 2015 Τουρισμός Ο τουρισμός συμβάλει

Διαβάστε περισσότερα

Εισαγωγή στο SPSS. ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας

Εισαγωγή στο SPSS. ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας Εισαγωγή στο SPSS ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας Στόχος του μαθήματος Τα τέσσερα παράθυρα του SPSS Η διαχείριση των αρχείων δεδομένων Βασικά στοιχεία ανάλυσης

Διαβάστε περισσότερα

Πολλαπλή παλινδρόμηση (Multivariate regression)

Πολλαπλή παλινδρόμηση (Multivariate regression) ΜΑΘΗΜΑ 3 ο 1 Πολλαπλή παλινδρόμηση (Multivariate regression) Η συμπεριφορά των περισσότερων οικονομικών μεταβλητών είναι συνάρτηση όχι μιας αλλά πολλών μεταβλητών Υ = f ( X 1, X 2,... X n ) δηλαδή η Υ

Διαβάστε περισσότερα

Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται

Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται Κεφάλαιο 10 Η Ανάλυση Παλινδρόμησης Η Ανάλυση Παλινδρόμησης Το στατιστικό κριτήριο που μας επιτρέπει να προβλέψουμε τις τιμές μιας μεταβλητής από τις τιμές μιας ή πολλών άλλων γνωστών μεταβλητών Η σχέση

Διαβάστε περισσότερα

Εισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)

Εισαγωγή 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 περισσότερα

Το πρόγραμμα συγχρηματοδοτείται 75% από το Ευρωπαϊκό κοινωνικό ταμείο και 25% από εθνικούς πόρους.

Το πρόγραμμα συγχρηματοδοτείται 75% από το Ευρωπαϊκό κοινωνικό ταμείο και 25% από εθνικούς πόρους. Το πρόγραμμα συγχρηματοδοτείται 75% από το Ευρωπαϊκό κοινωνικό ταμείο και 25% από εθνικούς πόρους. ΓΕΝΙΚΟ ΤΜΗΜΑ ΦΥΣΙΚΗΣ, ΧΗΜΕΙΑΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ ΕΡΓΑΣΤΗΡΙΑ ΦΥΣΙΚΗΣ ORIGIN ΕΙΣΑΓΩΓΙΚΟ ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ

Διαβάστε περισσότερα

ROWPVT & EOWPVT 3 rd Edition (Μια συνδυαστική πιλοτική μεταφορά και αξιολόγηση τους στην ηλικιακή ομάδα των 2 ετών έως 2 ετών και 11 μηνών)

ROWPVT & EOWPVT 3 rd Edition (Μια συνδυαστική πιλοτική μεταφορά και αξιολόγηση τους στην ηλικιακή ομάδα των 2 ετών έως 2 ετών και 11 μηνών) ΠΑΡΟΥΣΙΑΣΗ ΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ: ROWPVT & EOWPVT 3 rd Edition (Μια συνδυαστική πιλοτική μεταφορά και αξιολόγηση τους στην ηλικιακή ομάδα των 2 ετών έως 2 ετών και 11 μηνών) Κουμούλλη Τσαμπίκα (Α.Μ.: 10155)

Διαβάστε περισσότερα

Media 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 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 περισσότερα

Εργαστήριο 1-1 η Άσκηση - Ανάλυση

Εργαστήριο 1-1 η Άσκηση - Ανάλυση Εργαστήριο 1-1 η Άσκηση - Ανάλυση Εκφώνηση: Δημιουργείστε εφαρμογή σε Java Swing με χρήση του IDE NetBeans όπου θα παρουσιάζεται ποιο κουμπί πατήθηκε. Η εφαρμογή θα μοιάζει ως εξής: Πρώτο Βήμα: Αρχική

Διαβάστε περισσότερα

Μονάδα Διασφάλισης Ποιότητας Εθνικού & Καποδιστριακού Πανεπιστημίου Αθηνών

Μονάδα Διασφάλισης Ποιότητας Εθνικού & Καποδιστριακού Πανεπιστημίου Αθηνών Μονάδα Διασφάλισης Ποιότητας Εθνικού & Καποδιστριακού Πανεπιστημίου Αθηνών Παραδοτέο 3.2.1 Εγχειρίδιο μεθοδολογίας επεξεργασίας δεδομένων αξιολόγησης ΠΑΚΕΤΟ ΕΡΓΑΣΙΑΣ 3: Ανάπτυξη μεθοδολογικής υποδομής

Διαβάστε περισσότερα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για την Μέση Τιμή ενός Δείγματος (One Sample t-test) Το κριτήριο One sample t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε τον αριθμητικό

Διαβάστε περισσότερα

Visual Basic Γλώσσα οπτικού

Visual Basic Γλώσσα οπτικού Visual Basi Γλώσσα οπτικού προγραµµατισµού «Η αρχή είναι το ήµισυ του παντός» Κουλλάς Χρίστος www.oullas.om oullas 2 Στόχοι Μαθήµατος Οι µαθητές να µπορούν: να εξηγούν τι είναι η Visual Basi. ναεξηγούνταστάδιαδηµιουργίας

Διαβάστε περισσότερα

POWERPOINT 2003. Είναι το δημοφιλέστερο πρόγραμμα παρουσιάσεων.

POWERPOINT 2003. Είναι το δημοφιλέστερο πρόγραμμα παρουσιάσεων. POWERPOINT 2003 1. Τι είναι το PowerPoint (ppt)? Είναι το δημοφιλέστερο πρόγραμμα παρουσιάσεων. 2. Τι δυνατότητες έχει? Δημιουργία παρουσίασης. Μορφοποίηση παρουσίασης. Δημιουργία γραφικών. Δημιουργία

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS. Θα επιλέξουμε Type in data ώστε να εισάγουμε νέα στοιχεία και θα επιλέξουμε ΟΚ.

ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS. Θα επιλέξουμε Type in data ώστε να εισάγουμε νέα στοιχεία και θα επιλέξουμε ΟΚ. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS To SPSS είναι ένα πακέτο για γενικές στατιστικές αναλύσεις το οποίο από την σκοπιά του οικονομολόγου προσφέρει δυνατότητες που είναι ενδιάμεσα στο Excel και στο Eviews. Θα αρχίσουμε διαβάζοντας

Διαβάστε περισσότερα

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ

ΑΡΙΣΤΟΤΕΛΕΙΟ 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 1 η : Βασικές

Διαβάστε περισσότερα

1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά

1. 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 περισσότερα

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, 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 περισσότερα

Εταιρικοί δικτυακοί τόποι: Λειτουργία και Χρησιµότητα

Εταιρικοί δικτυακοί τόποι: Λειτουργία και Χρησιµότητα Εταιρικοί δικτυακοί τόποι: Λειτουργία και Χρησιµότητα Στέλεχος του Εργαστηρίου Πολυµέσων Επικοινωνίας του Οικονοµικού Πανεπιστηµίου Αθηνών Οκτώβριος 2007 1. Σκοπός της έρευνας Ποιοι είναι οι σηµαντικότεροι

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ 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 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 περισσότερα

ειγµατοληπτική έρευνα: Υποκλοπή προσωπικών δεδοµένων στο ιαδίκτυο

ειγµατοληπτική έρευνα: Υποκλοπή προσωπικών δεδοµένων στο ιαδίκτυο ΤΕΤΡΑ ΙΑ ΑΝΑΛΥΣΗΣ Ε ΟΜΕΝΩΝ, ΤΕΥΧΟΣ 15 (σσ. 54-65) DATA ANALYSIS BULLETIN, ISSUE 15 (pp. 54-65) ειγµατοληπτική έρευνα: Υποκλοπή προσωπικών δεδοµένων στο ιαδίκτυο Νικόλαος Φαρµάκης και Ιωάννα Παπατσούµα

Διαβάστε περισσότερα

Ανάλυση εικόνων DSLR με το πρόγραμμα IRIS

Ανάλυση εικόνων DSLR με το πρόγραμμα IRIS Δεκέμβριος 2014: Θεματικός Μήνας Μεταβλητών Άστρων Μαραβέλιας Γρηγόρης Ανάλυση εικόνων DSLR με το πρόγραμμα IRIS v1.0 Πηγές Το υλικό προέρχεται από τις ακόλουθες πηγές (τις οποίες μπορείτε να συμβουλευτείτε

Διαβάστε περισσότερα

+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:

+ 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 περισσότερα

Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για εξαρτημένα δείγματα)

Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για εξαρτημένα δείγματα) Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για εξαρτημένα δείγματα) Όπως αναφέρθηκε στο προηγούμενο κεφάλαιο σε ορισμένες

Διαβάστε περισσότερα

Εγχειρίδιο του Accerciser, έκδοση 0.2.0

Εγχειρίδιο του Accerciser, έκδοση 0.2.0 i Εγχειρίδιο του Accerciser, ii Copyright 2006, 2007, 2008 IBM Corporation Ανάδραση Για να αναφέρετε ένα σφάλμα ή να κάνετε μια εισήγηση σχετικά με την εφαρμογή Accerciser ή με αυτό τον εγχειρίδιο, ακολουθήστε

Διαβάστε περισσότερα

Στόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. 1. Απλή γραµµική παλινδρόµηση. 1.2 Παράδειγµα 6 (συνέχεια)

Στόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. 1. Απλή γραµµική παλινδρόµηση. 1.2 Παράδειγµα 6 (συνέχεια) ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 2006-2007, 3ο εξάµηνο ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. Απλή γραµµική παλινδρόµηση Παράδειγµα 6: Χρόνος παράδοσης φορτίου ΜΑΘΗΜΑ

Διαβάστε περισσότερα

Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.

Εργαστήριο 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 περισσότερα

Εισαγωγή στη μεθοδολογία της Εκπαιδευτικής Έρευνας

Εισαγωγή στη μεθοδολογία της Εκπαιδευτικής Έρευνας Εισαγωγή στη μεθοδολογία της Εκπαιδευτικής Έρευνας Νίκος Καλογερόπουλος 2014 Τι είναι έρευνα στην στατιστική Αρχική παρατήρηση: κάτι που πρέπει να διευκρινιστεί Κάθε χρόνο υπόσχομαι στον εαυτό μου ότι

Διαβάστε περισσότερα

Εταιρικοί δικτυακοί τόποι: Είναι χρήσιμοι;

Εταιρικοί δικτυακοί τόποι: Είναι χρήσιμοι; Εταιρικοί δικτυακοί τόποι Είναι χρήσιμοι; Στέλεχος του Εργαστηρίου Πολυμέσων Επικοινωνίας του Οικονομικού Πανεπιστημίου Αθηνών. Σκοπός της έρευνας Ποιοι είναι οι σημαντικότεροι παράγοντες που επηρεάζουν

Διαβάστε περισσότερα

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

Άσκηση 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 περισσότερα

Θέµα 2: Φασµατογράφηµα στενής και ευρείας ζώνης, ενός σήµατος οµιλίας. Προέµφαση της οµιλίας. Παράµετροι οµιλίας (Ενέργεια, Pitch, Formants, LPC.

Θέµα 2: Φασµατογράφηµα στενής και ευρείας ζώνης, ενός σήµατος οµιλίας. Προέµφαση της οµιλίας. Παράµετροι οµιλίας (Ενέργεια, Pitch, Formants, LPC. Θέµα 2: Φασµατογράφηµα στενής και ευρείας ζώνης, ενός σήµατος οµιλίας. Προέµφαση της οµιλίας. Παράµετροι οµιλίας (Ενέργεια, Pitch, Formants, LPC.) Άσκηση 1: Φασµατογράφηµα στενής και ευρείας ζώνης, σηµάτων

Διαβάστε περισσότερα

Mobile Marketing: Οι Παράγοντες Αποδοχής του SMS των Ελλήνων Καταναλωτών

Mobile Marketing: Οι Παράγοντες Αποδοχής του SMS των Ελλήνων Καταναλωτών Mobile Marketing: Οι Παράγοντες Αποδοχής του SMS των Ελλήνων Καταναλωτών Ονοματεπώνυμο: Πατεράκη Σοφία Σειρά: 8 η Επιβλέπουσα Καθηγήτρια: κα. Άννα Ζαρκάδα Δεκέμβριος 2011 Περιεχόμενα Βιβλιογραφία Μοντέλο

Διαβάστε περισσότερα

Απλή Ευθύγραµµη Συµµεταβολή

Απλή 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 περισσότερα

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού

Προσοµοίωση 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 περισσότερα

Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών

Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών Εργαστήριο Δομημένος Προγραμματισμός (C#) Τμήμα Μηχανολογίας Νικόλαος Ζ. Ζάχαρης Καθηγητής Εφαρμογών Σκοπός Να καταλάβουν την διαφορά ανάμεσα σε τοπικές και καθολικές μεταβλητές. Nα κάνουν αποσφαλμάτωση

Διαβάστε περισσότερα

ΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΟΥ ΤΟΥΡΙΣΜΟΥ ΣΕ ΜΙΚΡΕΣ ΚΟΙΝΩΝΙΕΣ: ΠΕΡΙΠΤΩΣΙΟΛΟΓΙΚΗ ΜΕΛΕΤΗ ΝΗΣΟΥ ΘΑΣΟΥ, ΛΙΜΝΗΣ ΠΛΑΣΤΗΡΑ ΚΑΙ ΑΓΙΑΣ ΝΑΠΑΣ (ΚΥΠΡΟΣ)

ΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΟΥ ΤΟΥΡΙΣΜΟΥ ΣΕ ΜΙΚΡΕΣ ΚΟΙΝΩΝΙΕΣ: ΠΕΡΙΠΤΩΣΙΟΛΟΓΙΚΗ ΜΕΛΕΤΗ ΝΗΣΟΥ ΘΑΣΟΥ, ΛΙΜΝΗΣ ΠΛΑΣΤΗΡΑ ΚΑΙ ΑΓΙΑΣ ΝΑΠΑΣ (ΚΥΠΡΟΣ) Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 20 ου Πανελληνίου Συνεδρίου Στατιστικής (2007), σελ 147-154 ΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΟΥ ΤΟΥΡΙΣΜΟΥ ΣΕ ΜΙΚΡΕΣ ΚΟΙΝΩΝΙΕΣ: ΠΕΡΙΠΤΩΣΙΟΛΟΓΙΚΗ ΜΕΛΕΤΗ ΝΗΣΟΥ ΘΑΣΟΥ, ΛΙΜΝΗΣ ΠΛΑΣΤΗΡΑ

Διαβάστε περισσότερα

Δρ Κορρές Κωνσταντίνος

Δρ Κορρές Κωνσταντίνος Δρ Κορρές Κωνσταντίνος ΑΘΗΝΑ 2016 Διδάσκων: Δρ Κορρές Κωνσταντίνος Περιεχόµενο ενότητας Στατιστική ανάλυση µε τη βοήθεια του SPSS y Περιγραφική στατιστική ανάλυση y Έλεγχος αξιοπιστίας y Επαγωγική στατιστική

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2

ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2 013 [Κεφάλαιο ] ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο Μάθημα Εαρινού Εξάμηνου 01-013 M.E. OE0300 Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης [Οικονομετρία 01-013] Μαρί-Νοέλ

Διαβάστε περισσότερα

Πώς εισάγουμε μια νέα έννοια χρησιμοποιώντας το εργαλείο Create

Πώς εισάγουμε μια νέα έννοια χρησιμοποιώντας το εργαλείο Create Inspiration 8 IE Β ήμα προς Βήμα Για μαθητές Έναρξη Προγράμματος Inspiration 1. Κάνουμε κλικ στο κουμπί Start, επιλέγουμε Programs και κάνουμε κλικ στο Inspiration 8 IE. 2. Στην αρχική οθόνη του προγράμματος

Διαβάστε περισσότερα

Νικόλαος Τσιγγίλης Τμήμα Δημοσιογραφίας και ΜΜΕ, ΑΠΘ ntsigilis@jour.auth.gr

Νικόλαος Τσιγγίλης Τμήμα Δημοσιογραφίας και ΜΜΕ, ΑΠΘ ntsigilis@jour.auth.gr Εφαρμογές της Θεωρίας Απόκρισης Ερωτήματος (Item Response Theory) για την εξέταση των ψυχομετρικών ιδιοτήτων ερωτηματολογίων και κλιμάκων μέτρησης στις κοινωνικές επιστήμες Νικόλαος Τσιγγίλης Τμήμα Δημοσιογραφίας

Διαβάστε περισσότερα

"Η ΠΟΙΟΤΗΤΑ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΠΟΥ ΠΡΟΣΦΕΡΟΥΝ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ. ΜΙΑ ΕΜΠΕΙΡΙΚΗ ΕΡΕΥΝΑ ΓΙΑ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ ΤΗΣ ΚΑΒΑΛΑΣ."

Η ΠΟΙΟΤΗΤΑ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΠΟΥ ΠΡΟΣΦΕΡΟΥΝ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ. ΜΙΑ ΕΜΠΕΙΡΙΚΗ ΕΡΕΥΝΑ ΓΙΑ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ ΤΗΣ ΚΑΒΑΛΑΣ. "Η ΠΟΙΟΤΗΤΑ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΠΟΥ ΠΡΟΣΦΕΡΟΥΝ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ. ΜΙΑ ΕΜΠΕΙΡΙΚΗ ΕΡΕΥΝΑ ΓΙΑ ΤΑ ΤΑΞΙΔΙΩΤΙΚΑ ΓΡΑΦΕΙΑ ΤΗΣ ΚΑΒΑΛΑΣ." ΑΤΕΙ ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΟΝΟΜΑΤΕΠΩΝΥΜΟ

Διαβάστε περισσότερα

Εργαστήριο 4 ΔΗΜΙΟΥΡΓΙΑ ΓΡΑΦΗΜΑΤΩΝ ΜΕ ΤΟ EXCEL ΑΚ ΤΡΑΥΛΟΣ

Εργαστήριο 4 ΔΗΜΙΟΥΡΓΙΑ ΓΡΑΦΗΜΑΤΩΝ ΜΕ ΤΟ EXCEL ΑΚ ΤΡΑΥΛΟΣ Εργαστήριο 4 ΔΗΜΙΟΥΡΓΙΑ ΓΡΑΦΗΜΑΤΩΝ ΜΕ ΤΟ EXCEL ΑΚ ΤΡΑΥΛΟΣ Βήμα 1 ο : Από τα αποτελέσματα μιας στατιστικής ανάλυσης έχουμε τα παρακάτω περιγραφικά στατιστικά. Για τον σκοπό της εργασίας με την εντολή copy

Διαβάστε περισσότερα

Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων

Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Κωνσταντίνος Τζιόμαλος Επίκουρος Καθηγητής Παθολογίας ΑΠΘ Α Προπαιδευτική Παθολογική Κλινική, Νοσοκομείο ΑΧΕΠΑ 1 ο βήμα : καταγραφή δεδομένων Το πιο πρακτικό

Διαβάστε περισσότερα