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!
|
|
- Κασσάνδρα Ταρσούλη
- 5 χρόνια πριν
- Προβολές:
Transcript
1 ! # " 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 η. ι ι ι η: +ι 3 +ι η ι ι ι η η 9 ι ι η ι η η (. ( ι η ι ιη, η η. ι!ι ι ι ι η. 79
2 +ι, ι ι ιι ι ι ι ι ι η ι" ι ι ι. ; ι ηη ι ι η ι ι ι, η ηι ηη ι η ι ι η, ι, η ι η η. ι ι ι η/ι!ι ιι ι η η η η ι η. )(,εε),)()&,)ηp:?;9d8;-ο3ο}3ο)εεn+ο/,ο( $ι ιι η η ι η η η ι ιη () η ηι ι + 0 Pearson r ( ι ι Pearson Product Moment Correlation) η Karl Pearson ( ) ιη η "ι ι ιη ιη (bivariate correlation) ι ιι, ι! η ηι ιι ι ι η η (partial correlation) ι ι!η η ι!ηη η "ι ι (multiple correlations).. # ι ι ιι ι ι η ι ιη Pearson r ( ι) : - ι% ' ',ι Pearson r ( Xx X i )( X y Yi ) r ( X x X ) ( X y Y ) X x X )( X y Y ) ι ι η ι ι η η 9 ( i i i η ι ι η η ( (ι ι SP -Sum of Products of Deviations, S XY Sum of Cross-Products), X x X ) ι ι η ι ι ι η ( i η 9 ( ι ι SST X ), ι X y Y ) ι ι η ι ι ι η ( i η Y ( ι ι SST Y ) η, "ι ι ι η η " η!ι., ιη Pearson r ι ι -1 ι +1. η ι ηι"ι ±1 η ιη! " η ι ιη, η ι ηι"ι η ι ι η ιη. η ι Pearson r ι ±0,1-±0,3 η ιη η"ι, ±0,3 ±0,5 η"ι ι, ±0,5 ±0,7 ι ι ±0,7 ι. η ι r ι η η ι ιη. ι ι η ι ι " ι η" ι ι ι η, ι ι" ι : i 1 Karl Pearson, «Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia», Philos. Trans. Roy. Soc. London Ser. A, 187, 1896,
3 /ι: ι ιη ι ι ι η ι ι ι /ι: ι ι ι η!ι ι ι ι ι η ιη ι ι ι η. η ι ι ι ι ηι ιη. η ι ιη Pearson r ι ηι ι ι ηι ιη! " η, η!ι ι ι ι η 9 ιι ι ι η η ( ι. #ι, η ι ιη Pearson ι ι ι ι ι ιη, η!ι ι ι ι η 9!ι ι ι η η ( ι.!η ι ιη " η 9 ι (! α! α ααα αα 0 α 0 αα-αα α! α, α/,.,ι η ι ι ι η ι ι!ηη η η η!ηη, ι ι ι ιη' ι ι ι, ι η ι ι η η : ι ι. 6ι η η η : ι ι η ι ι! η 9 ι (. $ι η ι η ιιη η!ι η η 81
4 ι ιι η ιι ι ι η ιιη. # ι ι ιι ' η η ι η ι η «ιιη» ηι ι ηι ι. ι, ι ι, ι ι ηι ι η ιηη η ιη η η η η! ι η ι η ιι, ι η ι ιι ι'ι η ι η ι ιιι ι. $ι η η Pearson r ι η ι ι η ι ι % ι. / ι % ι ι ι ) η ηη η ι ιηι ι (η ι), ) " ι η ι!η " ι. # ι, η ηιη % η ι Karl Pearson ι η!ιη η η η η r ι ι η ι η ιη ι ι η ιη ι (bivariate normal distribution). # ηι ι η ι ι η ι ι!η η ι η η (univariate normal). / η ι" ιη ι ι ι η ι η ι ι ι η η η ι" ι. # η % η ι ιη ) η η ι η ι ι, η η ιηη (regression line) ι ι η ι ι ηη ι, ) η η η ι ιι (homoscedasticity assumption), η η ι η ιηη (! ι ι ) ι η ι "η ι η ι ) ι (! ι ι η ι ιηη). # η % η ι ι η "ηη!ι η ηη η ι ιηη η ι ι η Pearson George Udny Yule 1 ( ), η ι η % η η ιη. *ι η η ι ι ι η ι!η! ι η ι ι ι"ι ι ι ι η ι ι ι η ι ι η η ι r 3. η ι ι ι ιη η η ιη η ι η ι ι ι ι η ι η ι η η. 3 ι η η η η ι ι " η ηη % ι η ιι ιη ι ι! ι ι ι ιη η η η η Pearson r ι'η ιη η ι ι η "ι!. 6 η! η ι η ι ι 'η # ι η η η ηη. ; η ι η η! ι ι η ι ι 'η ι ι ι. 5!ι η η η ηι η "η 10 ιι ι ι ι # ι η η ι ι ι ι η η # ( 5 00 ). = η ηη η "η ι ι ηη ι # ι ι 1 5. ι"ι ι ι ι : 1 George Udny Yule, «On the theory of correlation», J. Roy. Statist. Soc., 60, 1897, R. V. Hogg ι A. T. Craig, Introduction to mathematical statistics (3η.),. (η: Macmillan, Q. McNemar, Psychological Statistics (4η.),. (η: Wiley, 1969,
5 ι ι ' % ($ 3) 0% 'ι % ($ -) ι ι ι ιι η η, ι η η Pearson r ι!ι η η ι η ι ιι ι η ι r ι -0,04 ι ιη 5% ι ιι η. 3η η ι ι ιι η % η η ιη η ι Pearson r ι ιη η ι ηι. $ι!ι η ι η ιη ι η η ( ι ι η η 9 ι (ι) (ιιη), η η ι η ι ιιι. ι ιιη ι r@0 ι ι " ι η" η ι ι η!ι ι ι (. ι ).!η η ιιη ι ι η η η ι ηι η/ι ηι ηι η ι ηι ι. 83
6 ι, ι ι, η ι " ι η η"ι η ιι η ι" ι η ι ι η η., η/ι ι ι ι /η η ι η ι ηη ι η"ι ι η, ι ι ι ι ηη. ηη ι. ι ι η ι ιη ι ι η ιη.,ιι ι, ι ι, ιη ηι η ι ι ι ι. ι ι ιι ι ι ι ι ι ηι η ι ι. $ι ι ι ιι ηι ι ι ι ι! " ι «ι» ι ι η ιη (.. ι ι η ). ι ' Pearson r $ι Pearson r ι ιι ι η! ι. ηι η ι ι ι ιη ι η " ι ηι 18- ι η η ηι ηη ηη. 6 ι ι ι ηι η 10 ηι 18- η () " ι ηη η. )' :. 'ι' $.. *!! ($ 3) 84 $.. ι * % ($ -) η "η ι ι ι ι ι ι "ι ι- ι ηι ι ηη ηη.
7 $ι ι ι "η ι ηι ι 1.! η η 9 ι η η (. ηι ι η ι ι η ι " ι. 6ι η"ι : ι ι ι ι ι η ιη ι η "η ι ι η ι"ι ι ι ι. )ι ι ι η ι, η ιη ι ι! ι ιη Pearson r ι η ι ι ι ι η. $ι ι ι ι ιι ι η η η ι η η (ι ηι 18- ) ι ιη Pearson r. η η ι ι ηι η ιι η ηι η η η: / ι ι ιη ι η " ι ηι 18- ι η η ηι ηη ηη ( : =0). ι η ι ι ι ιη ( 1 # Pearson r ι η, " ι 31 η η 9 (η) ( X X x 3, 1) N ι ( (ηη) ( Y X y 3) N 10 ι η ι ι ι!ι : 3 - X x X i X y Y i ( X x X i )( X y Y i ) ( X x X i ) ( X y Y i ) 3 0,1 1 0,1 0, ,1 - -4, 4, , ,1 0 1 # ι ηι ι ". η ι η η ηι ι ι η ηι ι ηι ι ι r η ι ι. 85
8 1 6,1-3 -6,3 4, , , , , ,9-1 0,9 0, ,9-3,8 3, ,9-3,8 3, ,1 1 0,1 0,01 1 3=31 -=30 )( X x X i X y Y ) -17 ( Xx X i ) 18,9 ( Xy Yi ) 4 X x 3,1 X y 3 : ( X x X i )( X y Yi ) ιι ι.-1 η ι ηη η ιη (covariance) η ι ι ι ι ι ι η. ι ι, ι 'η ι ι η η 9 ιι 'η ι ι η η ( ι (ι ) ι 'η ι ι η η 9 ιι 'η ηι ι η η ( ι. ι ι ι ι ι η ι η 'ηη ι. η ι!ι η ηη η η. # ι ι η η 9 ηι ι ι η ι η ηη η ιη ιη!ιι η -17., ι Pearson r η ι η ηη η ιη ι ι ι ι η ιη η ιη " η η ιη " η ι ι ι ιι ηη. * η! η ιη: 17 ι ι, η ι Pearson r= -0,798. * η r η ι ι ι ιη 18,9* 4 ι ι ηι ι η "ι 17 ι ι η η ηι ηη ηη. +ι ι 1,9789 η ι ιι ι ι ι η ι-ιι. A ι ι -0,798 ι η"ι η ι ι ιι ι!ηι!... : η ι Pearson r (r ) η ι η η ιη η η η η. ι r = 0,6371 ι ηι ι 63,71% η ιη ι η 9 ι ( ηι η! η. To r "ι ι ιι (coefficient of determination). &ι!ιη η η ι η ι r ι ι η η ι η ι Pearson r ι ι ι ιιηι ι ι. $ι ι ι ι r=0,8 ηι ι ι ιη ι ι r=0,4. η η η r =0,8 =0,64, η ηι 64% η ιη ι, η η η r =0,4 =0,16, η ηι ι 16% η ιη! # η ι ι η ι r ηι"ι ±1 η ιη ι ι ι ηι"ι 0 ι ι. * η ι ηι ι ι ι r ±0,3-0,5 η «ι» ιη η!η ι ι η ηι ι 5% η ιη ι. ι Pearson r ι " ι ι 'η ηι"ι -1, ι η (= ι ι ι ηι 18- ) ιι. η ηη ι ι «ι ι η ιη η ι r ' η ιη';» ι ι 'ι ι 'η ι r η η ι. # ηι ι ι η " ι ι ιη η ιι. 86
9 ε/+,οη3,--,ο+,ο(;-ηε-,.+η)η),,),-)η+,-,η, # ι ι 10, ι 100 ιι ι ι ι " Pearson r ι ι η. &ι ι ι η ι Pearson r ι, ι ι ι ι ι ι ι η ι. ι r ι ι ι η "ι ι ι ' r (sampling distribution of r), ι η ι ι ι η ι "ι ιη ι (ι η "η η ι). η ιη ι r ι"ι ι ι $ι ι ι /ι 'η ι r ι ι ι η η η ιη ι ι"ι ι ι η η 0.,ι ι ι η r ι ι ιη ι (df=n-) ι"ι η ι. $ι ηι ι ιι ι ι η ιη η ι r= -0,798 η ιη' ι : df=.-= 10-=8. p ι r ι $ *' 5%,5% 1% 0,5% 0,05% df ι *' 10% 5% % 1% 0,1% 8 0,549 0,63 0,716 0,765 0,87 3: # ι r ι ι df=8 ι ι η ι η ι ι ι ι r η ι, ι ι df ( 8) ι ιη p ' η ιη'. 5 ιι, ι ι ι ι 99% ι ι ι df=8 η =0 η ι r ι ι ιη η ιη ι 0,765. ι r ι ι!ιι ι ' η ιη =0. ι ι ιη 1% η ι η ι η 10 ι ι η ι r>0,765. 3η ι ι 8 η ι Pearson r (r= -0,798) ι η η ιη ι 0,765 ι ιη 1% (p=0,01 - ). & η ιη η ι Pearson r ι η ιη' ι ιη 1 100, η ι ι 'ι η ι ιη ι!ιι ι ι ' η ηι η ι ι η ι, η ι η ηι 18- ιι ι ι ιη ι ι ι ι ηι ι η " ι η η ηι ηη ηη : # ι (...=5) ι 3. 6 ι " η ι Person r ι ι η η ι ι r= - 0,798. &!" ι ι ι ι ι η ι r ι ιη ι η ιη ι 0,878 ι p=0,05 ι ι η ' η ηι η ι =0. 7 ι ι ι ι ηι ι ι ι η ιη η ι r ' η ι. $ι ι ι df=3, ι 90% ι ι ι r ι -0,804 +0,804 η η ι ι 0! $ι ι ηι ηι ι. ι"ι! ι 1 10 ι η ι (df+) η ιη ι Pearson r.! ι ι ι r ι ιι ηιη 5% ι (ι,5% ι ). 87
10 ι η ι ι ~.<30 ιι ι ι ι Pearson r ι r=0 ' η ι , ι η η ι ι =0, η ι η!" η!. $ι ~.>30 ι r ' η ι ι ι. : *ι ι!η ι ι ιι ι ι η ι ι ι ι ι η ι ηη ηι ι. / ιι η ι 18-, ι ι, " η ηη 6 ηη ι ι ι! ι ηη ι ι η, ι ι r ιι ι 'ι η ι r ι t, ι!η ι η ι. η, ι ι η ιι ηιη η ι Pearson r ι ' η ι Pearson r ι t ι ι ι t ι., η η Ronald Aylmer Fisher ( ) ι ' ι ι η ιη Gossett ( ι student) ι η!η ιι η 1., ι : t r ( N ) (1 r ) ) ιη ι : 8 8 t -0,798-0,798-3, ,6371 0,369 1 Ronald Aylmer Fisher, Statistical Methods for Research Workers, Edinburgh and London: Oliver and Boyd, 195 [/ιι η ιη 9/06/006]. & η ι Churchill Eisenhart, «On the Transition from "Student's" z to "Student's" t», American Statistician, 33(1), (+., 1979),.6-10., η ιι R.A. Fisher ι η η «Bηι # R.A. Fisher» 3 ιη η # η ηι ιη [.. 09/08/006] 88
11 # ι t ι η ι ι 8 (df=n- ) η ι t= 3,74769 ( η) ι η ι η ιη t ι 3,35539 ι ιι ηιη 1% ( ). p ι t ι $ *' 5%,5% 1% 0,5% 0,05% ι *' df 10% 5% % 1% 0,1% 8 1,8595,3060,8965 3, ,0413 3: # ι t ι ι df=8 ιη ' η ιη t ι ( η η ι Pearson r) η ιη' ι ιη 1%,! ι η ι η ι r ι ι r.,ιι ι ι ι r ι η ι η ι ι t ι ι r : t r ( N ) t $ι ι, ι ιη ι t=,30600 (df=8, p=0,05 ι ι 0,05 ι ), η ιη ι r ι:,30600,30600,30600,30600 r 0,63 8, , , , #! ι ι r ι ι ι ι df=8 ι p=0,05 ι ι 0,05 ι, η ιη ι r ι ι 0,63. & ' ι ι* ' ι ι Fisher s z ι ι η ι Pearson r ι -0,798 ι ι ι ιη 'ι ι *ι η ι ι ιι η ι η η ηι ι ι η. #!" η ι r ι ι ι η ι ι ι ιη ι ι ι ι ηι ι η. ι Pearson r ' η ιη η ι ι ηη (η η ι ) η η ι ι (ι ι rho) η ι ι η. #ι ι η ι r ' ι ι ι ι ι ι ι ι ιη ι/ η ι ι η ι ι ι η ( ι ι C C ι ι). +ι ι ι ι " η ι ι ιι ηιη (ι ι 5%, 1% 1%). & ι η η ιη ι Pearson r ι ι ι ι ι Fisher s z 1. η"ι η ι r ι ι ι ι ι ι ι!η η 1 ι ι r ι ι z. ι η!η., N 3 ι ι ι ι. 3η η ι ι z η Fisher ι!η η ι η ιη η η. 1 / ιι ι η ι ι z. 89
12 $ι ι ιη ιη η ι Pearson r : 1 r ln 1 ) * η ι r ι z ' r z ( ln ι ι ι 1 ιη) ι ι % ι ι ι (, ι ). 1 ( 0,798) 0,018 ln ln 1 (-0,798) 1,798 ln(0,11) -,1873 ' z -1,0936 " ι" r ι z r z' r z' r z' r z' r z' : # η (. ι ) ι "η ι r ι ι ι z η ι ι ι ι r ιι ι ι ι z. ; ι ι ι r, ι ι! ι r ιι ι ι η ι z. 1, ι η η b η η x "ι η η η ι ' η η b ι η ι x. & ι η η b x ι y b ' η η y ι η ι x. +ι ι ln(x) ι ι x ι η η e. e "ι ι Napier ( , " ηι ιη ι) ι e & ηι Leonard Euler ( ). e ιι, ( ι 'η). $ι ι ι ι 8 ι,07944 ι η e 'η η η,07944 ι ι 8. $ι ι ι ι ι ηι ι ι η ι η η ( ι ι η ι!η ln) MS Excel ι ιι «=ln(x)» x ι η ι ι ι "η ι ι. ) ι z η ι Fisher ι η η η ι η «inverse hyperbolic tangent» η ι r. MS Excel η ι η =# #. (r) r ι η ι Pearson r. 90
13 1 1 1 ) ( " ι z 0,378 N ,6458 ) # ι z ι ι " η ιη z ι ι ιι ηιη 0,05 ( z 95% ) ( ), ι 1,96 ( ι ι). ) ( " ι ι ι ιη : # ι z = z +( z 95% )( z ) ) ι z = z -( z 95% )( z ), ι ι ιη ι -1,0936+(1,96)(0,378)= -0,357 ι ι -1,83448, ι z ( η η ι r ι ι). ) * ι ι z 1 ι ι ι ιη ι r : z z e e r z z e e &, ι ' η ι z ι ι ιη ι!ι: -1, ,83448,718818, , , , r -0, , ,83448,718818, , , , ι ι, r, , ,357,718818, ,357 0,357 0, , , , ,701587, , ) ι r η ι Fisher ι η η ι η η ι z. MS Excel η ι η = #. (z). 91
14 * η ι ι ι r= -0,798 ι 8, η ι ι η ι ιη 95% ιη -0,95 ι -0,34 (-0,95C C-0,34). ιη ι ι ι"ι ι η ι ι η ι ι ι. 6 ι ι ι ι! ι ιη ι η " ι ηι 18- ι η η ηι ηη ηη ι ι η ι Pearson r ι (r=-0,798). ( " ι ιη ιη η ι ι ι ιη 95% ι ι ι -0,86 ι -0,714. ιη ι ι ι ι ι ι η! η ι ι η η η η. ι ιη!ι, ι η ι r ι ιι ηιη. $ι η η ιι ηιη 95% ι ι ιη ι ι r=0,3, r=0,5, r=0,7 ι r=0,9 ι ι 5. ι ι" η ι η ι : 3η ι ι ι ι ι ι Pearson r ι ιη ι ιη 95% η ι ι η ι!ιι. η ι r ι!ιι η, ι ι ι ι ιη ι. 9ηιι ι.=10 ι r=0,3 ιη ιη ι 95% ι 1,188 η -1 1 (-0,406DC0,78) ι r=0,9 ι 0,35 (0,64DC0,976)., ι ι ι η η ι Pearson r ι ι ιη ιη ι η ι ι η. ι ιι ι "η ιι ηιη 99% ι 99,9% ι ι η ι ι ιη ι ι η "ι ι. & ι " η ι Pearson r 9
15 ( ι "η) η ι ι «ι ι ιη ι ( ι ιι ηιη) η ι ι η ι ι ι»; ι ιι ηιη 95% ι ι ιη ι ι r=±0,3, r=±0,5, r=±0,7 ι r=±0,9 ι ι 5. 3η ι ι.>1000 ιη ιη ι ι ι r ηι ι η"ι ι ι"ι, ι ι 1000 ι, η ι ι ι η ιη ι ιι. /η η ι!ι ι 1000 ι ι, ι ι ιη ιη ι ι ι ι ι ηι ι ηι ι / ιι. # η! ι ιι η & η ηηη ι ι ι!η η ι ι η η &.&. ι ι ι $ι ι ι ιη η!η 0,1 ι -1 +1, ι!ιι ι, ιι ι η ι Pearson r ι ι ιι ηιη ι!. $ι ι, Pearson r= ±0,3 ι ι ι ιη 0,1 95% ι 185 ι... $ι ι, ιη 99% ι" ι,15 ι... ι ι 99,9% ι" 3,000 #ι, ι ι ι ιη 0,1 ι 95% ιη η ι r=±0,9 ι 65 ι...! $ι ιη 99% ι ι ι 105, ηι... ι ι 99,9% ι 170. ι" ι ι ι ι ιη ~0,1 ιη ι ι Pearson r. & ι* &,ι +ι Pearson r " %ι ι ι* " %ι ι ι* &* ι ι* 93
16 95% 185 0,3 0, , , % 15 0,3 0,4938 0, , ,9% ,3 0, , , % 875 0,5 0, , , % ,5 0, , , ,9% 460 0,5 0, , , % 405 0,7 0, , , % 700 0,7 0, , , ,9% ,7 0, , , % 65 0,9 0, ,938 0, % 105 0,9 0, , , ,9% 170 0,9 0, , , η ι ι ι ιη ~0,1. ι ι ι ιη ι ι η ιι η ι Pearson r. #4)η,ηε-,.+η)η,η,+),ο3η()+3,η,+;,ο(ε./+,ο η ι ι η ι Pearson r ι ιι ηι ι ι ιη ιη ι ιη 95% η ι ι ιη η ι ι η!. & η ιι ι η ιη ηη η ι ιη η η η ι r ι ι.c0 ι ι r@0, ηι ιι ι Fisher ι ι ιη η η' ηη η ιη η: (1 r ˆ r 1 N ) $ι ι, η η η ι r= -0,798, ι ι η η ηη ˆ η ι ι η ι " : (1 0,63715) 0,36875 ˆ -0,7981-0,7981-0,7981 0, ,798 1, ,8168 ι ι!ι ι η ηη η ι ι η, ι -0,798 Pearson r, ι η ι ˆ = -0,8168. *ι ιη η ι r η ι ι Olkin ι Pratt 1 $ (1 r )! ˆ r" 1 "# ( N 3) ι η η: ι 0,36875 ˆ $! -0,798" 1-0, , # -0,7981,059-0,81889,ι ιι ι η η Donald W. Zimmerman.. ι η' r ι η ι" ιη η ι ιη.,ι ι ˆ ' ιι η η ι Pearson r 1 I. Olkin ι J.W. Pratt, «Unbiased estimation of certain correlation coefficients», Annals of Mathematical Statistics, 9, 1958, Donald W. Zimmerman, Bruno D. Zumbo ι Richard H. Williams, «Bias in Estimation and Hypothesis Testing of Correlation», Psicológica, 4, 003,
17 η ι ι ηι!, η ι η ι ι ι ιιι ι ιη ηη η ι η. ε/+εn+ο/,ο()(,εε),)()&,)ηp:?;9d8;),ο$p$$ 6 ηι η! η ι ι η ιι ηιη (ι 1000 ι) ι η ι ι ι η. ι world95.sav ιι SPSS.!+ - ι ι! 0 α+ 0 ι (η babymort) ι ι ι ι η (η lit_fema). αα+ - ι ι 0 α+ 0 ι ι ι ι ι η. $ι η η ιη Pearson r, ι! ι ι ι ι % ι ι ι ιι : 5% 1: ηη η ι ιηι ι (η ι). 5% :,ι ι η η, ηη η ι!η ι ι η ι, ηι ι ι. 5% 3: η ι " ι η ι η. 5% 4: ι η ιη ι ι. 5% 5: ιη ι η ιη ι η. % η 1 ι ιι ι η ηη η babymort ι lit_fema ι ι. η η η ι ι ι ι 1000 ι ι η η η ι ι ι ι ι η. % η η ι ιι ι ι ι ιι ηιη ι η ι ι ι!η ι ι ιι ηιη ι η ι. $ι % 3, 4 & 5 ι * (scatter plot) SPSS : PQm;?FY9$E?<<:;Z,5D%*ι+/* Q)ι.4υ,%9$B_FG::ι)*/,%*υ,)9T:WB8::>,5D%*ι+/* 95
18 VQ)ι.4υ,%*ι,%*8+*.ι*ι,%*5.υ,%$*)$ι%=ι/#tJZIC%ιιD'*ι/=ιXJZIC %ι/7%*/=x%.&%ι$+,$)υ*)7%*,%*+/7%,ι)'*ι,%*8+*.(> XQ*/,%> '! (output) SPSS "ι ι : 3η ι η η ι ι"ι η ι ι ι ηι.!ι ι ι ι η ιι η ι ηιη ι. & η ι ι ι η ι ι ι ι ι ι ι ι ι η. # ι ι η η : 96
19 PQ */,% ι)' ι )/ω $*+ %)ι5/%ι*υι4/,,*$%$, )υ 8$%*ι $* )/7υ ;<;;> Q%*+%.4%ιυ*4%ι.. )/7υ #lpjhb 4ι *+ %)%=%4$*υι4/,,* VQ */,% ι$*%' ι,.$ $% /)ι υ *υ ι4/,,*> *+,% '*ι '% ι υ% %)ι.&7+ ι ).*+$.* &-,> XQ */,% * υ,) )υ 8$%*ι $*+,)/ %4%ω>,5D%*ι+'υ7+/*> [Q*/,%*+%)ι49CB<IB8::> `Q )ι.4υ,%*+,.7 9IB8:?;:> %*+,.7 υ* )/ω $* ι/4,, $%$, %,5D%*ι,ι 4,, )ι',+$+ + ) )*%%,ι%υ7% )υ.&%ι*+,ι'*%+υ*)'$*$+)' *ιυ%*υι4/,,*> Q*/,%KGD9:Q *+,%'*ι+,ιυ47+%,ι%υ7% 4,, )υ ι.&%*ι '$ * υ*' )+$ι.$*%)*ι)%ι$$'*%%*ι,.*υ ι4/,,*> υ* + 4,,.4%*ι /++3+η)η 97
20 iq%υ,%*)/7υ %)%=%4$45+,/*ω)*-* >*+,%'*ι'%ι4. $*)/7υ*ω)*%%$,/*ω, #OVBWVB(> # ι ι ι η η ι " ι η babymort ι lit_fema α -α ι ι ιι η 5% 3 ι η η ιη Pearson r. ι η α+ 0 ι α+ αα+ ( % η 4) ι ι ι ι η. # ι ι η ι ι ι ι (. ι!ι). η ι ι ι η η ι "η ι η, ι ι α α α "η ι ι ι η ιηη. 98
21 η &, ε ε 007 # ηι ι ι ι"ι ι η ι ι η ι ηι ι ι η ι ηιη. ι ι ηιι ι ι ι ι ι ι, ι η ι. η ι ι ηιι ι ι ι ι ι ι ι ιι ι η ι. "η ι η ι ι ι ι η ιηη α+ η η ιη η, ι η ιη ι. 6 ι η ι ιη', η η ιη' ι ι ηι η ι ι (ι ι ι ιη!η η ι ηιη η!"). *ι η ι ( ι ι ) η. 3 ι ι ι ι ι ι ι ι η!" ι ; PQ */,% ι)' ι)/ω $*+%)ι5/%ι*υ ι4/,,* $%$,#ClJBBNHWK@B()υ 8$%*ι $* )/7υ)*%%$,/*ω#@VBWVB(*υ;<;;> Q%*+%.4%ιυ*4%ι..)/7υ#lpJHBNhIB@H(4ι*+%)%=%4$*υι4/,,* VQ)ι.4υ,%*%ιι )/ω$*+,)/%4%ω> XQ */,% ι )/ω $% /7% υ )υ υ,% '*ι %ι %*/ ),υ$,.+ )' *+ 4,, )ι',+$+> %*+%.4%ι/, υ*%,5d%*ι. ι7,')υ)*ι/ $+,%ι* ι7,'*+ $%ι/ $*+ ) 8$%*ι + $υ4%ι,.+&- $* &% %,.ω, $*;<;;> * $υ4%ι,. )/%ι4,%)ι.=,%[υ%)υ$υ,8dυ[&-%,%),υ$,.%*ι,.ιι)%8$*ι $*ι$%ι.!ι!o*υ&%υ%,.ω,> [Q +,%ι-υ,%/)υ*υι7,*ω$%ι- υ*-ι%υ,%*)/7υky?;<e>b<d;> `Qι)%$υ,%*ι&-%υ*.)'*+ /υ$,7).)%ι)/,%$*)/7υ T?<?AB:=*υ&%υ,ι%*)$υ,% )-*)ι&-.&%ιωι)ι+7%$*+$%ι/! ι!o> *+$%ι/!8$%*ι*54ι$*/#8>,%*8+*9l@vabhz:(ι$*+$%ι/!o+ )*$υ/> Qu+$ι,)ι,%*+%*T?<?$:G:E< K?9:9IWED8>B<BD8B99?<B9WB:>> *)$ι )υ)7υι'4υ4/5υ,%*'υ7 #{va?fpjaicbjavil@vabhz(jah #{vb@bcpjajvil@vabhz(>#$,8~$+,%ι 9'&ι:(> 7 7.,% )%$υ,% )' *+ /υ$+)%ι)*-$%ι $*+ 8/$+ ι7,+*ι-,%*8+*- #)&> +,%*8+*Ih)υ)υ$ι/Dυ,%$*+$υ.&%ι(*'*%+$*=+*+%*,)%%ι#{ iih(jah#{ }riih(>*+,%'*ι 4ιι7,%8/Dυ,%%ι$4ω4ι/#+>4ι,%*8+*.)υι*ι,.*υ% %ι*)υ9cbhiaf:')ω*dυ,%*/*++,ιυ4*ω,%*8+*-$*)/7υ9rjhijsknrinp:> iq*/,%9kd8<b8h::q jq9ok>:> * ι! ι ι η 99
22 η &, ε ε 007 ι ι. η ι η Pearson r ι! η ηι η ι η. # ι ι: PQA8?GSl: KD;;:G?<:BBM?;B?<:>,5D%*ι+'υ7+/* Q%*5.υ,%*ι,%*8+*.$*%=)$ι> VQ)ι.4υ,%*$υ*%%$* $υ$&.*ι$+p:?;9d8>d)ω )*+,%E$%υ**+/*,),%%)$+ &+$ι,)ι$υ,%#/4,% *%,.,(ι*υ $υ*%%$*.knahjkkfcbjv3sι *;WNJHMJA)υ%=%*/$,%$* )+4,%%5/ι> XQ *+%)ι4t:9<dw$b^8bwbe?8e:%)ι.4υ,%9t=dp<?bg:>:4ι*+ι*)ω$+*+,+%ι, υ)'7%$+*ι*/+*+#%$+,%ι-$%ι4ι*+ι*)ω$+,+%ι-υ)7.$%ω(> [Q *+%)ι49of<bd89:%)ι.4υ,%9m:?89?8>9<?8>?;>>:mb?<bd89:-$*%+,ιυ4+7%ι. ),%*υ,.$υ'υι*υ)ι.)$%ι*ω*ι,-*ω,%*8+*-> `Q*/,%«Continue»> Q*/,%> : Descriptive Statistics ε* $η η ($ εε) ε*0ηω +υ# Mean Std. Deviation N 41,166 36, ,5 7, η ι! 41 ι 1000 ι, η ι ιη ι η (sd=36,4) ι η ι ι. #ι, η ι ι 68,5, η η ι ιη. η ι!" ι Pearson r. 100
23 η &, ε ε 007 Correlations ε* $η η ($ εε) ε*0ηω +υ# Pearson Correlation Sig. (-tailed) Sum of Squares and Cross-products Covariance N Pearson Correlation Sig. (-tailed) Sum of Squares and Cross-products Covariance N **. Correlation is significant at the 0.01 level (-tailed). ε* $η η ($ εε) -,865**, ,78-876, ε*0ηω +υ# ι Pearson r ι -0,865. ι ι ηι η ι ι η ι! η ι ηι. & η η ι ηι"ι -1 ηι ι η ι η ι ηιη ι η ι ι ι. H ι p ( ι «Sig.(-tailed)» ι 0,000 η!ιι η (p<0,001). * ι ι ιη ιη 1 ι ιι η ι ι η η η ι η. η ηι η (: =0) ι ι η ι η ι ι ι ιη ι ηιη ι η ι. 3, η η, η!η ι ι η η ηι η ι! ι η ι-ιι. $ι η ιη ' η ι ηιη ι η ι, ι ι ι η ιι 'η ι η ιη ιι!η η ι η ι η ι... * ι η ι ηη η ι ι 101
ο),,),--,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< $ι ιι!η
Διαβάστε περισσότεραα + α+ α! (=+9 [1] ι «Analyze-Regression-Linear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. 1 SPSS ι η η ι ιηη ι η
# η &, ε ε 007, ιη Pearson r "η η ι ι ι η ι!ι ι ι η ι η!ηη ι ι!ηη. η ι ιηη ι" η ι!"ι 0 ι η ( α ι ι α η 9 ( ι ι / + -predctor varable). * ι ι ι ι η ι ι ι!ηη η "ι ι ι ι!ηη η ι ι η η ι 'ι ι ι (η ) ι η ( "
Διαβάστε περισσότερα$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 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 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 περισσότερα3 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»
# 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
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 περισσότεραAquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET
Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical
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 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 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 περισσότεραΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 6Α: Ανάλυση Συσχέτισης Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης
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 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 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 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 περισσότεραή ί έ ά ς ς ί ς ές ές ό ές ά ς ή ύ έ ί ς ς ή ς ές ώ
ή ί ς ές ής ές ώ έ ής ά ς ίς έςές όέςάςή ύ έ ίς ς ής ές ώ έάςςίςέςές 1 όίόςέςάς έήίώάςάς ίς ώ ό ς άς ί ύ ό έ ς ά όά όςέςάςύάάς άςήώ ή ώ ή ά όςόίάύύςάάς ήςόςάςς άς ή ώ ή ά ός ί ά έ ή ές ά ά ς ής ό ς άς
Διαβάστε περισσότεραΗ βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων. Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή Δεκέμβριος 2011 Στόχος Έρευνας H βιτρίνα των καταστημάτων αποτελεί
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 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 περισσότεραΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ-ΠΕΜΠΤΟ ΘΕΩΡΙΑΣ- ΠΟΛΛΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Σηµειώσεις: Θωµόπουλος Γιώργος Ρογκάκος Γιώργος Καθηγητής: Κουνετάς
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 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 περισσότεραΠροϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.
. ΣΤΑΤΙΣΤΙΚΗ ΣΥΣΧΕΤΙΣΗ. Υπολογισµός συντελεστών συσχέτισης Προκειµένου να ελέγξουµε την ύπαρξη γραµµικής σχέσης µεταξύ δύο ποσοτικών µεταβλητών, χρησιµοποιούµε συνήθως τον παραµετρικό συντελεστή συσχέτισης
Διαβάστε περισσότεραήέώήίςές ύό ά όόίςόςύς ές
ήέώήίςές ήέώή ίςές έςάς ός όή όίίς ήή ός άίί ήά ήήςές ήή ήύ ήή ώή ίίςύς όόίςόςύς ές ήέώήίςές ύό ά όόίςόςύς ές ήέώήίςές ή όώήύς ά έέςής άέάά όόίςόςύς ές ήέώήίςές ός ήώή έέό όςύςό ύςύςόές όόίςόςύς ές ήέώήίςές
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 περισσότεραΚεφάλαιο 9. Υπολογισµός του είκτη Συσχέτισης. Ο Υπολογισµός του είκτη Συσχέτισης
Κεφάλαιο Υπολογισµός του είκτη Συσχέτισης Ο Υπολογισµός του είκτη Συσχέτισης Οι δύο σηµαντικότεροι και πιο συχνά χρησιµοποιούµενοι δείκτες συσχέτισης είναι: είκτης Pearson r είκτης Spearman rho Προϋποθέσεις
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΠοσοτική & Ποιοτική Ανάλυση εδομένων Συσχέτιση. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη,
Ποσοτική & Ποιοτική Ανάλυση εδομένων Συσχέτιση Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη, 2013-2014 Οι επιδόσεις δέκα μαθητών σε τέσσερα μαθήματα Μαθητής Άλγεβρα
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 περισσότερα----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 8 ο 8.1 Συντελεστές συσχέτισης: 8.1.1 Συσχέτιση Pearson, και ρ του Spearman 8.1.2 Υπολογισµός του συντελεστή
Διαβάστε περισσότεραΕνότητα 4 η : Ανάλυση ερευνητικών δεδομένων. 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 4 η : Ανάλυση
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 περισσότεραΎλη 1 ης Εβδομάδας. Σχέσεις Μεταβλητών ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ. Σχέση μεταξύ Μεταβλητών Παραδείγματα. 2 η Διάλεξη
ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ 2 η Διάλεξη Ελένη Κανδηλώρου (Αναπλ. Καθηγήτρια) Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Στατιστικής Ύλη 1 ης Εβδομάδας Γραμμική Παλινδρόμηση-Έννοια Παλινδρόμισης 1. Σχέση μεταξύ μεταβλητών
Διαβάστε περισσότεραΜέρος στατιστικής ανάλυσης (πολλά κεφάλαια λείπουν) Ανάλυση αξιοπιστίας της κλίµακας PCRS
Μέρος στατιστικής ανάλυσης (πολλά κεφάλαια λείπουν) 6.2.2 Ανάλυση αξιοπιστίας της κλίµακας PCRS Πίνακας 16: Reliability Statistics Cronbach's Alpha N of Items,963 8 Ο Cronbach a είναι κοντά στο 1 για αυτό
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 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 περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 6. Συσχέτιση
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 6. Συσχέτιση Γενικά Υπάρχει σχέση ανάµεσα σε δύο (ή περισσότερες) µεταβλητές; Αν υπάρχει σχέση ποια η φύση της σχέσης αυτής; Συσχέτιση: µέτρο σχέσης ανάµεσα σε µεταβλητές Θετικά συσχετισµένες
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 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 περισσότεραΕκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση
Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση Οι επιδόσεις δέκα μαθητών σε τέσσερα μαθήματα Μαθητής Άλγεβρα Φυσική Νέα Ελληνικά Μουσική Α 65 63 35 61 Β 60 58 38 35 Γ 60 60 40 46
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 περισσότεραΟι 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 περισσότεραCorrelation Analysis 개념
Correlation Analysis 개념 Bivariate analysis 측정형두변수간의관계분석 상관관계? 두측정형변수의산점도 : 상호직선적관련성을상관계수 (Correlation Coefficient) 측정. 잠재설명 ( 원인 ) 변수 (X s) 상관관계, 잠재변인과결과변수 (Y) 의상관관계 Pearson 상관계수 측정형변수직선관계정도 cov( X, Y
Διαβάστε περισσότεραΜη Παραµετρικοί Έλεγχοι
Μη Παραµετρικοί Έλεγχοι Επιστηµονική Επιµέλεια: ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Εργαστήριο Γεωργίας Viola adorata Καταρχήν Μη Παραµετρικοί Έλεγχοι εν απαιτούν κανονικότητα
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 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 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 περισσότεραΠεριεχόμενα. 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 περισσότεραNOB= Dickey=Fuller Engle-Granger., P. ( ). NVAR=Engle-Granger/Dickey-Fuller. 1( ), 6. CONSTANT/NOCONST (C) Dickey-Fuller. NOCONST NVAR=1. TREND/NOTREN
CDF(BIVNORM or CHISQ or DICKEYF or F or NORMAL or T or WTDCHI, DF=CHISQ T, DF1=F, DF2=F, NLAGS= Dickey-Fuller, NOB=, NVAR=, RHO=BIVNORM, EIGVAL=WTDCHI, LOWTAIL or UPTAIL or TWOTAIL, CONSTANT, TREND, TSQ,
Διαβάστε περισσότεραΚεφάλαιο M2 Κίνηση σε μία διάσταση
ά ίίά ή άίώςςάςύς άςέύήάί ςήίίά ύί ίόςώςίήςήςές Εισαγωγή ίίς ή άέίίό ή άήςςύόάάς ά άήίόςύς Εισαγωγή έί ήέί ίίέάώήέώέ έάάόές Εισαγωγή έ έόςώςίί ίέά έίάς ύίςήός ήςέ ςέή ίήό ύςί άέςό ίίή ίάέςό ήύίί έήύ ίέ
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 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 περισσότεραΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ
ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ Ενότητα 5: ΠΡΟΥΠΟΛΟΓΙΣΜΟΙ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΠΩΛΗΣΕΩΝ ΚΥΡΙΑΖΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ Τμήμα ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
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 περισσότεραΣΥΣΧΕΤΙΣΗ 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 περισσότεραΜονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων 1 Μονοπαραγοντική Ανάλυση Διακύμανσης Παραμετρικό στατιστικό κριτήριο για τη μελέτη της επίδρασης μιας ανεξάρτητης μεταβλητής στην εξαρτημένη Λογική
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 περισσότεραΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ
Α εξάμηνο 2010-2011 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ Ποιοτικές και Ποσοτικές μέθοδοι και προσεγγίσεις για την επιστημονική έρευνα users.sch.gr/abouras
Διαβάστε περισσότεραα α α α α α α α α α α α α α α α α α α α α α α α α α α α β χ δ ε φ γ η ι ϕ κ λ µ ν ο π θ ρ σ τ υ ϖ ω ξ ψ ζ αα ββ χχ δδ εε φφ γγ ηη ιι ϕϕ κκ λλ µµ νν οο
Διαβάστε περισσότεραΣΥΣΧΕΤΙΣΗ ΕΠΙΠΕΔΩΝ ΤΕΣΤΟΣΤΕΡΟΝΗΣ ΜΕ ΠΑΡΑΜΕΤΡΟΥΣ ΜΕΤΑΒΟΛΙΣΜΟΥ ΓΛΥΚΟΖΗΣ ΚΑΙ ΛΙΠΙΔΙΩΝ ΣΕ ΑΝΔΡΕΣ ΗΛΙΚΙΑΣ ΑΝΩ ΤΩΝ 65 ΧΡΟΝΩΝ.
ΣΥΣΧΕΤΙΣΗ ΕΠΙΠΕΔΩΝ ΤΕΣΤΟΣΤΕΡΟΝΗΣ ΜΕ ΠΑΡΑΜΕΤΡΟΥΣ ΜΕΤΑΒΟΛΙΣΜΟΥ ΓΛΥΚΟΖΗΣ ΚΑΙ ΛΙΠΙΔΙΩΝ ΣΕ ΑΝΔΡΕΣ ΗΛΙΚΙΑΣ ΑΝΩ ΤΩΝ 65 ΧΡΟΝΩΝ. Αστέριος Μπάτος 1,Ξανθίππη Τσεκµεκίδου 2, Κων/νος Καλέσης 3,Σπυρίδων Καρράς 2, Κυριάκος
Διαβάστε περισσότεραΤΣΑΛΤΑ 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 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 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 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 περισσότεραStatistical product and service solution
SPSS Statistical product and service SPSS SPSS solution SPSS Statistics 17.5
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 περισσότεραLAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk.
LAMPIRAN Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk. 2. BACA PT Bank Capital Indonesia Tbk. 3. BABP PT Bank MNC Internasional Tbk. 4. BBCA
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 περισσότερα----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 10 ο 10.1 Πολλαπλή Γραµµική Παλινδρόµηση 10.2 Η εφαρµογή της Πολλαπλής Γραµµικής Παλινδρόµησης 10.3 Παράδειγµα
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 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 περισσότεραก ก SOCIAL NETWORK HI5 ก ก ก ก ก ก 2552
ก ก SOCIAL NETWORK HI5 ก ก ก ก ก ก 2552 ก ก SOCIAL NETWORK HI5 ก ก ก ก ก ก 2552 ก ก SOCIAL NETWORK HI5 ก ก ก ก ก ก 2552 . (2552). ก ก Social Network Hi5...(ก ก ). ก :. ก :. ก ก. ก ก ก Social Network Hi5
Διαβάστε περισσότεραESTIMATION OF SYSTEM RELIABILITY IN A TWO COMPONENT STRESS-STRENGTH MODELS DAVID D. HANAGAL
ESTIMATION OF SYSTEM RELIABILITY IN A TWO COMPONENT STRESS-STRENGTH MODELS DAVID D. HANAGAL Department of Statistics, University of Poona, Pune-411007, India. Abstract In this paper, we estimate the reliability
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 περισσότεραΕκπαιδευτική έρευνα Οργάνωση & Παρουσίαση Δεδομένων (Εργαστήριο SPSS) Άγγελος Μάρκος, Λέκτορας Δημοκρίτειο Πανεπιστήμιο Θράκης
Εκπαιδευτική έρευνα Οργάνωση & Παρουσίαση Δεδομένων (Εργαστήριο SPSS) Άγγελος Μάρκος, Λέκτορας Δημοκρίτειο Πανεπιστήμιο Θράκης Σύνολα Δεδομένων - Είδη Ποσοτικής Έρευνας: Παράλογες Ιδέες Γονέων (Δειγματοληπτική)
Διαβάστε περισσότεραΈλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test) Σε ορισμένες περιπτώσεις απαιτείται ο έλεγχος της ύπαρξης στατιστικά
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 περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραΈλεγχος 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 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 περισσότεραΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ FACTOR ANALYSIS
ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ ΣΤΟΧΟΣ FACTOR ANALYSIS ΜΕΙΟΝΕΚΤΗΜΑΤΑ-ΠΛΕΟΝΕΚΤΗΜΑΤΑ ΙΑΦΟΡΕΣ ΜΕ ΚΥΡΙΕΣ ΣΥΝΙΣΤΩΣΕΣ. ΚΑΤΑΛΛΗΛΟΤΗΤΑ Ε ΟΜΕΝΩΝ. ΠΩΣ ΕΠΙΤΥΓΧΑΝΕΤΑΙ. ΠΑΡΑ ΕΙΓΜΑ ΥΛΟΠΟΙΗΣΗ ΣΤΟ SPSS ΕΡΜΗΝΕΙΑ 1 ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ
Διαβάστε περισσότερα! # % & ( % # ) # + +, / / + % ) +
! # ! # % & ( % # ) # + +,,. / / + % ) + 0 1223 444444444444444444444444444 ( 6 3 99291 5 2?9=3 322 5 2?9=3 333 5 4 Α % 5 +++ 5 7 8 : ; 31 22 /0 ! # % & ( # )) +, +,+. / / 4 0 1 2 3 2 + ( 5 3 4,.
Διαβάστε περισσότεραΠανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχόλη Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχόλη Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ: ΟΙΚΟΝΟΜΕΤΡΙΑ Εισαγωγή στην Οικονομετρία ΔΙΑΛΕΞΗ 01 Μαρί-Νοέλ Ντυκέν, Μαρία Τσιάπα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ+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 περισσότεραΔPersediaan = Persediaan t+1 - Persediaan t
Lampiran 4 Data Perhitungan Perubahan Persediaan ΔPersediaan = Persediaan t+1 - Persediaan t No Kode Perusahaan 2011 Persediaan t+1 (2012) Persediaan t (2011) ΔPersediaan a b a-b 1 ADES 74.592.000.000
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 περισσότεραΠανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ: ΟΙΚΟΝΟΜΕΤΡΙΑ Το Γενικευμένο Γραμμικό Υπόδειγμα (Α) ΔΙΑΛΕΞΗ 05 Μαρί-Νοέλ Ντυκέν,
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 περισσότεραά ς ά ς ώ ς ί ς ά ς ί ς ής ύ ή ς ί ί
ίςέςέςές άςάςώς ίς άςίς ήςύής ί ί άήύέςίί ύίίςόά ίά ίό έ ί ύίςίήό ύ ώήύ ήάί ί ήί ός ώςάώί όώύύςώςή άςύς ί όόόάί έό έώςίςάς έςάςέςίςές όςάί ςάςίςίςώ ός ς ής ίς ά ί όςάά Άς ίς ήάέ άςύήί ί ί ύ ή ίάς όήός
Διαβάστε περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 8. Ανάλυση διασποράς (ANOVA)
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 8. Ανάλυση διασποράς (ANOVA) Γενικά Επέκταση της σύγκρισης µέσων τιµών µεταβλητής ανάµεσα σε 2 δείγµατα (οµάδες ήστάθµες): Σύγκριση πολλών δειγµάτων (K>2) µαζί Σχέση ανάµεσα σε µια ποσοτική
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 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 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 Έλεγχος κανονικότητας P-P Plot και Q-Q Plot Τεστ Κανονικότητας Τεστ Κανονικότητας
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 περισσότεραΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ (Νο2) ΧΡΗΣΙΜΕΣ ΣΧΕΣΕΙΣ έ ώ ό έ ώ. ώ ό. ί ό ό 1, 1,2,, 1,,,,,,, 1,2,,, V ό V V. ή ό ί ά ύ. ό, ί ί ή έ ύ.
ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΣΤΙΣ ΠΙΘΑΝΟΤΗΤΕΣ (Νο) ΧΡΗΣΙΜΕΣ ΣΧΕΣΕΙΣ έ ώ ό έ ώ 0,,,, i i i i i i ό i i i Έ ώ,,, ό,,, ί ώ ό. ί ό ό,,,,,,,,,,, V ό V 0 V 0,,, ύ ώ ό ή ό ό ή ό ί ά ύ ό, ί ί ή έ ύ ό ό, ί ί ή έ ύ ό ύ ό ΠΑΡΑΔΕΙΓΜΑΤΑ
Διαβάστε περισσότεραΠεριγραφική στατιστική μεθοδολογία.
Περιγραφική στατιστική μεθοδολογία. Κυργίδης Αθανάσιος MD, DDS, BΟpt, PhD MSc Medical Research, Μετεκπαίδευση ΕΠΙ ΕΚΑΒ Γναθοπροσωπικός Χειρουργός Ass. Editor, Hippokratia 2 κεφάλαια: Περιγραφική Αναλυτική
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 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 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 περισσότερα