6.4. LOGLINEAR (MANOVA) 121
|
|
- Αλθαία Κόρακας
- 8 χρόνια πριν
- Προβολές:
Transcript
1 Φ Γ SPSS Dr. υ υ α α Θ α 2012
2 2 1. Γ SPSS Φ Γ SPSS Φ Γ Φ Pτ ΘHKH IAΓPAΦH Γ Γ Φ Γ Θ Γ Φ 2.1 Θ, Γ, Γ Θ Γ Φ Γ Γ Θ Γ Φ Γ Γ Γ Γ Γ I Θ 4.1 Γ Φ Γ (Independent samples t-tests) Γ Γ Γ (Paired samples t-tests) Γ (AστVA) Γ Γ υ α π α π υ α π α π 74
3 Γ Γ Γ Γ Γ Γ Γ ( Kruskal-Wallis) Γ Γ Γ 6.1. (CRτSS TABUδATIτσ) Γ Φ LOGLINEAR PEARSτσ SPEARεAσ Γ (PCA) (CA) (DA) (MANOVA) 121. Γ 125
4 4 1. Γ SPSS 19.0 α π α α SPSS (Statistical Package for the Social Sciences) α α απ α α α α πα α α π α π α α α υ α π. 1.1 Φ Γ SPSS SPSS υπ υ α α α: α (SPSS Data Editor), α α απ (SPSS Viewer). SPSS Data Editor α α φ α α, π α α α α π υ υ α α α υ. SPSS Data Editor απ α απ πα υ α: Data View ( α 1.1) α Variable View ( α 1.2). π υ α α π υ α α α υ α υ α α αυ, α υ π υ α α αυ. α Data View α Cases ( π ) α α α α υ α, α Variables ( α α ). Γ α πα α, υ α α α υ α 10 α, α α π α α α υ, α α α α α α α α π α ( α 1.3).
5 5 α 1.1. O SPSS Data Editor πα υ Data View α α α 1.2. SPSS Data Editor πα υ Variable View α φ π
6 6 α 1.3. O SPSS Data Editor (πα υ Data View) α α υ α υ 10 α SPSS Viewer α α απ ( α 1.4). α υ πα υ, Output, φα α α π π υ υ α α α απ α α. α 1.4. O SPSS Viewer α πα υ α απ
7 7 α (menu bar) SPSS Data Editor π α π : File, Edit, View, Data, Transform, Analyze, Direct Marketing, Graphs, Utilities, Add-ons, Window, Help. υπ υ α SPSS Viewer, π υ υπ υ π π α Insert α Format. π υ α π π υ α υ αυ π α : File: π α α υ α α (σew), α πα (τpen), α απ υ α α (Save), α υπ υ (Print),... Edit: π α π π υ α α υ α α υ α υ. View: π α π α υ α φ α α υ πα α υ α α π α. Data: π α π α α π υ α α α α. Transform: π α π α α π υ α α α. Analyze: α α π α α υ. Direct Marketing: φα α α π α. Graphs: υ αφ πα α. Utilities: α α α π. Γ α πα α, α π φ α α α α α. Add-ons: α π πα IBM ( α α - α υ υ SPSS) Window: π α α π πα υ. Help: φ φ α α. απ α υπ α α (toolbars), π α π φ α α π υ α α. 1.2 Φ Γ απ π α α Σ α φ α α α απσ υ α π Data View. α πα α α α 1.5, π υ α α π α απ υ απ α φ υ α α (documented
8 8 collection), α απ π α α α αυ υ α. φ φ υ, π π α α α α (hand arthritis), π π φ υ φυ π υ (lumbar vertebrae osteophytosis), υ υ α υ. α α αυ υ φ απ α α. π π α αφ υ α απ α φ υ Excel φ υ SPSS π α α α φ υ Excel, α φ α Ctrl+C α π α α φ υ SPSS Ctrl+V. α 1.5. α
9 9 1.3 α α π υ π υ α α (variable) α, π α αφ, α α α υ SPSS πα υ Data View. α α π, α (numeric) α α φα (string). α α α α α φ α α, α φα φ α α α, α α α υ α α φα υ, υ υα α α α π π. π π α α α : π (quantitative) α π α (qualitative/categorical) α. π έ α έ α π υ π α, π,, α α,. υ π πα υ α έ έ α φ ά α α ά α έ, π π υπ α. Γ α πα α (gr, kgr, ), α α ph. SPSS π α α α α α α (scale). Γ α, α π α α ί α α έ α ή α (interval) α α έ α α ία (ratio). H α αφ π α α αυ α α α α α α υ α π α α α α φ π α. υπ π π α α α α α α, υ α α 0 C α απ υ α α α α. Ό π α, α α υ α π υ π α π υ, α α υ (continuous) α α (discrete) α υ (discontinuous) α. υ α π α π υ π α π π α α, αφ α υ α υ π α π. α α α πα υ υ, υ α α, α υ υ α α α π υ α αυ. π έ α α α α α φ υ π α α υ π υ. SPSS α α α α αυ α α (nominal) α α α α (ordinal).
10 10 α (nominal) α α π α α υ α α υ. Γ α πα α, α α π υ φ α πα f ( υ α α) α m ( α ) α α. Θα π α α α f α m α π α υ α 1 α 2, α α. α π 1 α 2 α α α. α α α α (ordinal) α α π α α υπ υ α α. Γ α πα α, α α υ α 1.5 α α (arthritis) υ α φ (osteophytosis) α π α π υ ordinal. π α πα 1, 2, 3, 4, 5, 6, 1, 2 α 3. α π π α υ α α α α υ α π. α α 1. π ή α ώ ώ α ά α α ά ύ ό από ύπ α ώ π υ ά α. α α 2. Γ α α υ α α π υ α α α α α α α (α φα α -string) α απ α Σ α φ α α, α π π π α α υ π Variable View ( π πα α ). 1.4 Φ α, α φ π απ πα υ Data View : υ Variable View α π (Name) π π φα π υ υ α υ ( α ) Data View (π.. sex, bday, arthritis, osteophytosis, height, bmass). (Type) π υ π α. υ α αυ, α υ φα α α. αυ φα α α πα υ α υ π υ α π π α π υ π α. υ α υ π : Numeric, Comma, Dot, Scientific notation, Date, Dollar, Custom currency α String. α α SPSS απ υ
11 11 π υ Numeric α String π 6 π π π υ α. Comma α α α α α π α α α α α, π.. 5, Dot α α α α α π α α α α α α, π ,6. scientific notation α π π πα υ α α α, π α α α α Date π α α α υ. πα α π υ υ, α π υ Date α φ π α birthday, υ α π υ φ dd.mm.yyy, π φα α α 1.6. Dollar π α α α αφ α α α α υ., π π π Custom currency. α 1.6. φ π Width α υ π α α α π α α α. Decimals α α α α φ α α. Label ( ) π α υ α π αφ α. Values υ π φ α α α αυ α α. π π α None α αφ υ π α. α πα α α α, arthritis,
12 12 π α πα 1, 2, 3, 4, 5 α 6 α α π π α α, π υ α π α α υ α α α. Σ αυ π π, α α π φ, υ Values π υ α α arthritis α, π α πα υ α υ υ α π α Value π 1, Label π slight osteophytic formation α υ Add. φ α 1 = Οslight osteophytic formationπ α π α ( α 1.7- ). υ υ α 2 Value, moderate osteophytic formation Label α π Add. αυ π α π υ α υ α 1.8. α π υ α osteophytosis ( α 1.9). α 1.7. α α υ π υ π α υ α υ Value δabels α α arthritis
13 13 α 1.8. πα υ α υ Value Labels α α arthritis α 1.9. πα υ α υ Value Labels α α osteophytosis SPSS π π α α υπ υ. Γ Σ αυ π α υ ( πα α 0) α α υ α απ α. πα α α π υ 0 α απ α bmass π αυ π α υπ φυ bmass. απ α
14 14 Missing (Values) α α π α α π υ α π υ. υ α α υ π υ φα α α αυ. α πα υ α υ υ α α α π α α π υ υπ υ απ Discrete missing values υ π α π υ α αφ α α υ απ. π, π α υ α απ υ, π.. απ 0-10 α υ π α α, α π α α α π π (π , 333). α πα υ α υ Missing Values Columns α υ π π υ α α α (π α φ α π α π α ). Align α α α π Left (α ), Right ( ) α Center ( ). Measure α α α α α π (Scale) α (Nominal) α (Ordinal ). α φ π υ α 1.5 α α α α 1.11
15 15 α α φ π υ α 1.5 α α φ π υ α 1.5 α α : SPSS π α π υ α α.
16 Pτ ΘHKH Ή IAΓPAΦH υ α υ α α π π ( α ) α π π π υ υπ υ, π υ α π π α π υ α ά ω απ π υ υ α υ α α α απ Edit π υ Insert Case. α α υ α α π υ α απ π υ α υ α α α π υ Insert Case. Γ α α υ α α α ( ) α α π υ υπ υ, υ Σ α π π π υ α ά απ π υ υ α υ α α απ Edit π υ Insert Variable. α α π υ π υ α απ π υ α υ α α π υ Insert Variable. α α, α α α Edit Undo. Γ α α α υ α π π ( α ) α α ( ), π υ α αυ α π υ Clear. 1.6, α πα α, υ α α υ α α (m) α α α (cm). π Transform Compute Variable α υ πα υ α υ υ α 1.13, υ height (height),, π α height α π α Numeric Expression, α υ υ π α / α 100. Target Variable υ, heightm, α Type & Label α υ φ υ π α α υ height in m. ΟΚ α α α α π α υ α α. α α. α π α Compute Variable α π υ α α α υ υ α α α υπ υ α, α π π αυ α υ α φ υ Excel α α α αφ υ α α SPSS.
17 17 α πα υ α υ Compute Variable 1.7 υ α υ α ( α height) α : α απ 160 cm, α 161 Ν 170 cm, α 171 Ν 180 cm α α α απ 181 cm. α αυ απ υ 1, 2, 3 α 4, α α. Γ α α υ π α υ πα α π α: π Τransform Recode Into Different Variables α υ πα υ Recode into Different Variables. Σ αυ π υ α height α υ π α Numeric Variable Output Variable. π α Name π α α, heightcat, α π α Label π α α Σ αυ, height category. Change πα υ α υ α 1.14.
18 18 α πα υ α υ Recode into Different Variables αυ υ Old and New Values, π α α πα υ α υ, Recode into Different Variables: Old and New Values. υ π υ πα υ αυ α υ α α α υ α α α: 1. υ Range, LOWEST through value α π α π υ υπ απ υ α 160. π α New Value π 1, π α π α υ π Add. Σ αυ α π α Old New φ α Lowest thru υ υ Range α υ υ α 161 π α 170 π α απ Range. π α New Value π 2 α υ Add. 3. πα α α υ α α 180 α α 161 α 170, α α. π π α New Value π 3 α υ Add ( α 1.15). 4. υ Range, value through HIGHEST α π α π υ υπ απ υ α 181. New Value π 4 α υ Add.
19 19 5. υ α α α Continue α ΟΚ. heightcat φα α α π ( α 1.16). α α. π α π Into Same Variable α α Into Different Variable, α α α α α α α salary απ α, heightcat. Γ αυ α π π. α υ π υ Recode into Different Variables: Old and New Values
20 20 α α heightcat 1.8 πα α π υ υ, α arthritis α ordinal α πα 1, 2, 3, 4, 5, 6 π υ υπ υ π π α α απ 1 (slight osteophytic formation) 6 (ankylosis). α υ α π υ α π π α π α, π α α π π α 1 α 2, 3 α 4, α 6 α 7. α π π α υ α α : α α αφ Low Low Moderate Moderate High High
21 21 Γ α α π υ αυ πα α π α υ π α α π. π Τransform Recode Into Different Variables α υ πα υ Recode into Different Variables α υ Reset. π υ α arthritis, π α υ π α Numeric Variable Output Variable. π α Name π α α α, arthritis2, α π α Label π α α Σ αυ, arthritis levels. Change πα υ α υ α υ Old and New Values α υ π υ πα υ α υ Recode into Different Variables: Old and New Values : Old Value υ πα, New Value α α υ Add. α α α αυ πα α α α α π υ α υ α υ Continue α ΟΚ, π arthritis2 φα α α π. α α αυ α φ π α α α Value Labels α α α α α. α πα υ α υ Recode into Different Variables
22 22 α πα α π arthritis πα υ α υ Recode into Different Variables: Old and New Values α α. Ό α π πα α πα υ Recode into Different Variables α απα α α αφα υ πα π απ π α Old New. υ α α π υ π υ υ α αφα υ α υ Remove Reset. 1.9 α α α α α απ Data Sort Cases. πα υ Sort Cases π υ α υ α π α α α, α π υ α α α α υ α (Ascending) φ υ α (Descending) ( α 1.19). υ ΟΚ. α α α α α α α α α, υ π π ( α ) α α α α α α υ α α α π υ υ π. α α α α α π α α υ α α, π α π α
23 23 α, α π υ Sort Ascending Sort Descending. α πα υ α υ Sort Cases 1.10 Γ α α α αυ φα α α υ α υ α υπ α. Γ α πα α, υ α υ α α α υ α α α υ α 1.5. απ Data Select Cases α υ α πα υ α υ α υ If condition is satisfied α ο If πα υ π υ α π υ α sex α αφ υ π α π υ α. υ υ υ π = α π ΟfΠ. Θα π υ α υ α Continue α ΟΚ π α α π π π π υ sex = ΟfΠ. υ φα α απ α α π π sex = ΟmΠ υ α αφ, π φα α απ α αφ α π π sex = ΟmΠ α π π, π α υ α α α filter_$ α 0 α sex = ΟmΠ α 1 α sex = ΟfΠ. π αυ π α, α υ α π α π α π α α, αυ π α π π π υ sex = ΟfΠ.
24 24 α πα υ α υ Select Cases: If α α απ α π α υ α αφ π π sex = ΟmΠ.
25 25 Γ α α απ π υ π Select Cases π α υ απ Data Select Cases α πα υ α υ α υ All Cases Reset. π, α α α α υ α filter_$, αφ π α π υ α α πα υ π Delete Γ Φ SPSS πα υ α α υ α π αφ αφ πα α α απ α. Γ α πα α, υ α π α α α πα α π υ υ. Γ α π αυ, α υ π α Graphs Legacy Dialogs Scatter/Dot. π α α υ π υ α π υ Simple Scatter α υ Define, π φα α πα υ α υ υ α πα υ αυ υ α bmass α α υ π α απ π α Y Axis, α bmass α α π α π υ αφ α y. π υ α height π α X Axis α sex π α Set Markers by. α α α π α α X Axis, Y Axis α Set Markers by
26 26 πα υ αφ πα α υ α υ αυ αφ πα α απα φ π α α α α υ α, α α α α α υ α π υ α α. Γ α α φ π υ α αφ πα α υ π π, π α π α αφ πα α (Chart Editor) α υ α π π υ υ. Γ α α φ υ απ π α υ π α. Ό α α π α αφ πα α α υ Σ α απ υ α α α α, π α α α αυ α α α π α α υ π π α α υ α α,, α, α α α α φ, α π α α υ α α φ υ. φ π υ υ α α α π π α πα υ π Apply. π α υ Σ α π υ πα α α α αφ πα α, π α α α α α α α α υ π α α α α. π π α π υ φα α π α α φ π υ α α α α π, α α υ ( α 1.24). α Γ αφ πα α α body mass α height
27 27 α φ π αφ πα α α π απα α. π υ, π α αφ υ π υ π α φ α. αυ υ α α α αφα α. π π π α α α- π υ α α αυ υ π α. υ αφ πα α α α α π α φ α α Γ Γ α α α υ α απ υ α υ SPSS α υ α Windows α α α α α υ: υ π π υ π α υ File Open, α. α αφ πα υ π π α α υ α α υ Excel α υ SPSS. Γ α π αυ α υ π α File Open Data α πα υ α υ Open File π υ α π υ Look in φ α υ π α α α. Files of Type υ π υ α υ, α Excel (*.xls, *.xlsx, *.xlsm), α π υ α π υ υ α α υ. Οpen α πα υ υ α α υ Excel π α ( υ ), υ Read variable names from the first row of data. π π υ π φ α α α α
28 28 αφ υ SPSS α υ ΟΚ. π αυ φ α α π υ π α α π α αφ υ SPSS. α πα υ α υ Opening Excel Data Source Όπ υ α αφ, π υ Excel α αφ υ α α α υ SPSS Copy - Paste. α, π υ α π απ α φ α α υ Excel, υ Ctrl+C, αφ α αφ υ SPSS, υ π α υ φ υ α α υ SPSS α υ αφ Ctrl+V. α α α α α α φα ( α αφ απ SPSS Excel) Θ Γ α α απ υ α α υ SPSS υ File α, π υ Save as ( πο υ ω ) α υ π υ α α πα υ α υ π υ α φα. α, SPSS Data Editor, απ α π α.sav. α, α α απ, SPSS Viewer, απ α π α.spo. α α α υ SPSS π α απ υ α α α υ Excel. α α απ α α υ Excel α πα υ α υ Save Data As, π υ α α File Save as, π υ Excel 97 through 2003 (*.xls) Excel 2007 through 2010 (*.xlsx) π α Save as type. υ α υ α υ π α File name α υ Save. π α υ SPSS απ α π υ φ υ α α π υ α Data View.
29 29 2. Γ Φ H α π π α α υ π α α π α π -π α α α. π αφ α α α π υ α απ υ α υ π α απ α πα υ α α) α π αφ, ) π υ α ) αφ πα υ α. 2.1 Θ, Γ, Γ π υ α υπ. Γ α πα α, αφ α α α α α α α α α, π υ απ α απ α α α α α π υ υ. α α α υπ υ π υ π π υ α α α υ. Γ α πα α, α α α α π υ υ α α υπ π α π α α υ α α υ α, π α π υ υ α α α π α αυ α απ α α. π υ α υ α α ( α π υ π υ α α π α α α α α) α α υ α α. α, π α υ π, π π α υ α υ α α φ π υ α υ υπ υ π υ α. α αυ π π, α υ α π υ α απ υ π υ α απ αυ α υ, π α υ α α α υπ ( υ α α) α α π υ α α α ( υ α α). υ α πα α α π α α απ. α π π α α υ α α) υπ α α π υ, ) π υ α α απ α ) π π π α α α. α α α υ α α α α α. π α απ α π υ π υ, α α π α α π υ αυ α α α π π υ υ π υ. α α α π π υ υ π υ,
30 30 α α απ υ, α α υ α α α α υ π α α. 2.2 Θ Γ Φ α α α α α υ φ. α α α α π α α : α, α π α α α α ( α α 2.1). α α υ π φ π υ α υ α, α α α π υ π α π α α α α, α α α α α αφ α α α, α π υ α α α α α α απ π α. α α 2.1. α α α α (Mean) (Median) υφ (Mode) α (First quartile) o α (Third quartile) α α π α π (Variance) υπ απ (Standard deviation) υπ απ υ (Standard error of mean) (maximum) (Minimum) α α (Interquartile range) α α α α υ α υ α (Skewness) υ υ α (Kurtosis) (mean average value) υ α α απ π α α υ υ α α α απ : x = (x 1 + x x m )/m
31 Όπ υ x 1, x 2, Ζ, x m α α m υ α. Γ α πα α, υ α α α α α υ υ υ α, α α υ π π π υ α α 30 ( α m=30), x 1 α υ π υ α, x 2 υ υζ x 30 υ α α. α π α α (variance) α α π α απ υ α α απ : Var(x) = ( x x) 1 2 ( x 2 2 x) m 1 ( x m x) 2 α π α υ υ α π υ α. Γ α πα α, υ α π α υ α, α π π α α π α π π. α π π, α α πα α υ α. υπ απ (standard deviation) α α α α π α π φ απ απ x. (median) α Ο α απ α, α υ α α α υπ π α. υ α π υ, π π α α υ υ α α α υ α (απ π α ). Γ α πα α, α υ π α = {1.53, 1.65, 1.78, 1.84, 1.86}. α α α = {1.53, 1.65, 1.78, 1.80, 1.84, 1.86}, υπ α απ ( )/2=1.79, α π π απ - α α. π α απ α α (π.. α α υπ α α )., α π αφ π υ φα υ α α π α απ, π α π α π απ α α. υφ (mode) α α υ α Σ α α. Γ α πα α, α = {2, 3, 5, 3, 6, 2, 4, 3} υφ α 3., α (First, third quartile) α α α (Interquartile range): α α α α (quartiles). π α (Q 1 ) α υ α
32 32 α π α 25% υ α α αυ. α (Q 3 ) α υ α α π α 75% υ α α αυ. αφ Q 3 -Q 1 α α α. υπ απ υ (Standard error of mean) υπ α απ s s m = m π υ s α υπ απ α m υ α. (maximum) α υ α. Γ α πα α, α α α = {1.53, 1.65, 1.78, 1.84, 1.86} α (minimum) α υ α. Γ α πα α, πα απ α α υ α υ α (Skewness) α υ α (Kurtosis). Όπ α φ α 3, α α α α υ π α α α π υ π α α υ α. π υ π α α α α α α υ α υ α α υ α. υ α υ α υ α υ α 3 α υ υ α α 4. Ό α α 3 = 0 α α α α υ π, α α 3 < 0 α α α α π α α, α π α α υφ, α α 3 > 0 α α α α π α ( α 2.1). α 3 >0 α 3 =0 α 3 <0 α 2.1. Κα α ο αφο α υ α Ό α α 4 = 0 υφ α α αυ υπ α α α ( φ α 3). Ό α α 4 < 0 α α π α, α α 4 > 0 α α α υφ ( α 2.2).
33 33 α 4 <0 α 4 =0 α 4 >0 α 2.2. Κα α ο αφο υ α α α π αφ α υπ α α α α SPSS, π α πα α. 2.3 x 1, x 2, Ζ, x m α α x Σ α α. υ υ α x i φυ α i π υ π φ πα α α α x i α. v = v 1 + v 2 + Ζ + v m, fi α υ α x i. Γ α πα α, α ={2, 5, 3, 5, 8, 9, 6, 2, 5, 8, 7}. υ α 5 α : f 5 = 11 3 π φα α φ α 11. i Ό α π υ α α α υ α α x α υ, α π α π α π α π π ( α πα α, α α υ α, α α α α α υ α ), υ α α π π υ α. υ α α x min α x max α α α x α, α α x max - x min k υπ α α α π υ α α υπ υ υ α π υ α υ Σ αυ. π α αυ α υ α. Γ α πα α, υ α υπα α α α : ={28, 36, 22, 41, 27, 50, 32, 29, 42, 29, 25, 38, 36, 45, 27, 29, 32, 39, 47, 33, 53, 33, 31, 40, 20, 34, 37, 29, 33, 27, 39, 37, 44, 26, 43, 26, 36, 34, 49, 36, 26, 31, 28, 59, 30, 28, 30, 34, 28, 24}
34 34 α υ α α π υ 8. α αυ πα α α 20 α α 59. π φα α πα απ π υ : 5., π α 5, π 8 α α α : 20-25, 25-30, 30-35, 35-40, 40-45, 45-50, 50-55, π α υ απ 20 24, απ υ π, α α υ α α 2.2. α α 2.2. α α υ υ πα α α υ α Γ Γ α α υπ υ SPSS α α α α scale α (π, υ α ) α υ α α α: Analyze Descriptive Statistics Descriptives α πα υ α υ Descriptives π υ α π υ υ α α α υ α α αυ α. Options α πα υ Descriptives: Options π υ π α π υ α α π υ υ α υπ ( α 2.3-α ). α α αυ α α. α α α π α υπ υ α α α Analyze Descriptive Statistics Frequencies. α α α αυ υ Statistics α π υ α α π υ υ απ πα υ Frequencies: Statistics ( α 2.3- ).
35 35 α 2.3. α πα υ α α υ Desciptives: Options α Frequencies:Statistics α α α υπ, υπ απ, υπ απ υ υ (S.. mean), α α Quartiles,, υφ, α α υ α α height υ α υ osteological data.sav. υ α osteological data.sav α α υ α α α Analyze Descriptive Statistics Frequencies, π π π υ υ α υπ υ α πα υ α υ Frequencies: Statistics. πα υ Frequencies π υ α υ α salary α. π, απ π π Display frequency tables α Statistics π υ π π υ υ α υπ. υ α υ Continue α ΟΚ. α απ α α π υ πα υ α α 2.4. α αυ α α quartiles α α percentiles 25 α 75.
36 36 α 2.4. α υ απ 2.5 Γ Ό α α α α nominal ordinal π α υπ α πα απ α α. Σ αυ π π υπ α υ, α α π φ αφ α. π α π υ α υ α : Analyze Descriptive Statistics Frequencies. π υ α π υ, π π Display frequency tables α Statistics απ π π. α α α υπ υ α arthritis α osteological data.sav.
37 37 α α osteological data.sav α υ α α α Analyze Descriptive Statistics Frequencies α πα υ α υ Frequencies υ α hand arthritis α. π π Display frequency tables α Statistics απ π π. α απ π υ πα υ α α 2.5. π π α α απ πα α α πα α 70% α α α α α π α π π α, ankylosis 4%. α 2.5. α υ απ 2.6 Θ Γ Φ π υ α π αφ πα α α πα υ α α. π α α α α) α α α (bar charts), ) υ α α α (pie charts), ) α α (histograms) α ) α α (boxplots). π π αφ πα α
38 38 π α α α α π (scale), υ α π α υ π α (nominal α ordinal α ). π αφ α α α α (histograms), α α α (bars) α υ α α α (pie). αφ αυ πα α φα α α απ α πα υ α υ Frequencies υ Charts α π υ α φ α ( α 2.6). α α, αφ πα α π α υ α α α Graphs Bar (Pie or Histogram), π α πα α πα α. α 2.6. πα υ α υ Frequencies:Charts α) α α α (bar chart) α α α α α π α α υ α π α x. α π α απ α α α υ α α α α α υ α υ υ. α α α α α α α hand arthritis υ α υ osteological data.sav.
39 39 α) Γ α α α α υ υ α α α α arthritis α υ α α α Graphs Legacy Dialogs Bar α πα υ α υ π υ Simple α υ Define ( α 2.7). πα υ α υ π υ α π υ α arthritis π α υ π α Category Axis. π απ Bars Represent π υ α y. υ π υ N of cases % of cases. π π π υ α α α υ α π π π υ α απα, π π α υ α α υ π π π π υ α απα. ΟΚ πα υ α 2.8. α 2.7. πα υ α υ Bar Charts
40 40 α 2.8. α α α α hand arthritis ) υ α α (piechart) α α αυ α α υ. α φ α υ α α α α π υ α υ υ. Γ α υ φ α α α α α. π Graphs Legacy Dialogs Pie πα υ α υ π υ Summaries of groups of cases α υ Define. πα υ α υ υ π α π α π π π, α αφ υ α π υ υ α υ π α Define Slices by α π υ υ N of cases. α 2.9 α υ α α π υ α α lumbar vertebrae osteophytosis.
41 41 α 2.9. υ α α α lumbar vertebrae osteophytosis ) α α (histogram) α α υ α α, π υ α π α α υ α α π υ υ α. π α α α υ α α α 5 α 25 α α υ α. α π α α α α α α α υ α. SPSS α υπ α απ π α α αυ α υ α υ α. α α data.sav. α α α α body mass υ α υ osteological α α π α α α αφ scale α, α α α α α α υ αφ α α nominal α ordinal α. Γ α α α α υ υ α α α body mass α υ α α α Graphs Legacy Dialogs Histogram. πα υ α υ π υ α body mass α π π Display normal curve ( α 2.10). H α α α α α α π,
42 42 α α π α α α, α α π φ α. ΟΚ πα υ α α υ α α πα υ α υ Histogram α α α α body mass
43 43 α α α α υ π π π α α α α απ υφ. Ό α α α, α π α α π α α. α 2.11 πα α α α φα α α α υ α α. υ π α φ α α π υ υ ( υ) α α υ α. π α υ α 2.11 α α α πα απ α π α α. Γ α α υ π π π α α υ α α, αυ φ π α Histogram υ α sex π Panel by Rows ( α 2.12). αυ π α υ α α, α α υ α α α υ α ( α 2.13). α πα υ α υ Histogram
44 44 α α α α body mass α α φ α α π α υπ υ αφ α α, α π υ υ υ α α α α α. ) Θ α α (boxplot) α α απα α απ α α, α υ υ α α π υ ( α 2.14). υ υ α Q 1 (π α ) α π Q 3 ( α ). α απα α α α υ α α υ υ. α α α π υ π α α : α) α υ α, ) α υ α π υ α απ Q (Q 3 - Q 1 ) α υ α π υ α α απ Q 1 Ν 1.5(Q 3 - Q 1 ), ) α υ α π υ α απ Q 3 + 3(Q 3 - Q 1 ) α υ α π υ α α απ Q 1-3(Q 3 - Q 1 ).
45 45 α Θ ογ α α α α π α α α αφ scale α. α α αυ, α υ υ α, α α υ α α α α body mass φ. Γ α α α α α υ υ α υ α α α Graphs Legacy Dialogs oxplot. πα υ α υ oxplot π υ Simple, Summaries for groups of cases α υ Define ( α 2.15). υ π υ πα υ α υ Define Simple Boxplot: Summaries for Groups of Cases π α 2.16 α πα. Θα π υ α α α υ α α πα υ α υ Boxplot
46 46 α πα υ α υ Define Simple Boxplot: Summaries for Groups of Cases α Θ o α α α body mass α φ
47 47 α α αφ π α φ. Όπ α α α, υ α υ α α. α α α α α α α, α αυ α υ α α α. α αυ α α α α π α φ α α.
48 Γ Γ Όπ α αφ, α α α υ π π π α α α α. υ α α π α π, π απ π π, α α α α υ π π π π α α α α α υ α α. α α α 3.1 α 3.2. α α α α α α α α αφ. π α α α α υ π, α α. αυ π π α α α π α απ αφ α α. α 3.1. α α α 3000 π υ α υ α α α =5 α =1
49 49 α 3.2. α α α 3000 π υ απ υ απ α α α υ α α α α π υ π α απ π υ α α υ α απ α υ υ α α υ, π υ α 3.1. α π υ αυ α α α α α π υ α υ α α α. υ α α αφ υ απ πα απ, α α α απ απ α α απ α α υ α α α α α π φ α απ υ α α α, π α α υ α 3.2. π π α υπ α υ π α α π φ α α. υ αυ α υ πυ α π α α α α. 3.2 π α π π α α α π υ υ φ α α α. π αυ π α : υ α α
50 50 α α Poisson α α α υπ α α α α α Student t α α - α α Fisher F π α α α, α υ α α υ π α α α π υ α υ υ α υ π υ π α α υ πυ α π α α α π π, π α πα α: Ό α α π α α π υ υ α απ α α π α p α q=1-p, α α, α π υ π π α υ υ α α. α π α α α υ α α Poisson. α π α α α, υ π υ α απ α α υ, α υ α α α. 3.3 Γ α α α απα α α π υ α α α., α α π π α α π α α α α α α υ π α. α α α α Kolmogorov- Smirnov α Shapiro-Wilk. SPSS υπ α α αυ α υπ α π α α α υ α α α υ α α υ α α α. π α α αυ SPSS υ α Sig. υ α Sig. α απ 0.05 α α α α α υ α. α α υ Sig. α υ α π π φ α. Γ α α α SPSS α υ π α: Analyze Descriptive Statistics Explore α πα υ α υ υ α π υ π α Dependent List. π α α Explore
51 51 απ φα Kolmogorov-Smirnov α Shapiro-Wilk π φ α π α υ α: π Statistics υ υ α : Descriptives: π α υ α α α. Outliers: π 5 α α 5. π ο Plots π α α α υ υ α α α α: Boxplots, istograms α Normality plots with tests. π Options π α απ π : Exclude cases listwise: υ υπ π α π π π υ α αυ α υ α π υ υπ υ Dependent δist α Factor δist. Exclude cases pairwise: υ υπ π α π π π υ α υ α α π υ υπ Dependent List. α α α α α α height υ α υ osteological data.sav. υ α osteological data.sav α α υ α α α Analyze Descriptive Statistics Explore. πα υ α υ υ α height π α Dependent List α υ υ π Plots. π α α υ π υ φα α υ π None π Boxplots, απ π π Stem-and-leaf π Descriptive α π υ Normality plots with tests ( α 3.3).
52 52 α 3.3. α υ α υ Explore: Plots π α απ α α π υ πα υ αφ π α α Tests of Normality ( α α 3.1) α α α Q-Q π υ α o α 3.4. π α α 3.1 π α Sig. (significance) α π α α α υ α απ α α υ α α υ α α α. Γ, π α αφ, α Sig. α α απ 0.05 α α α α α. Ά α α π υ υ α υ α α α υ Sig.(Kolmogorov- Smirnov) =0.2 α Sig.(Shapiro-Wilk) = α α 3.1. π α α υ α α Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk Statistic df Sig. Statistic df Sig. height,102 50,200 *,961 50,095 a. Lilliefors Significance Correction *. This is a lower bound of the true significance. υ π α α π π α απ α α Normal Q-Q (quartilequartile) plot υ α 3.4. Γ α α α α α α π π
53 53 α α αυ α α α α π υ α. α α αυ υ α α α π υ υ. α α α α υ α α α υ α Q-Q α α α απ π α α α. Γ αυ α υ α α απ α α υ π α α Tests of Normality. α 3.4. α α Q-Q α α α α α height απ α απ υ α α υ α υ α. υ α υ α α φ υ α α. υ α α α Analyze Descriptive Statistics Explore α υ π υ πα υ α υ π υ α π α 3.5. α υ α απ α α υ α α 3.2, απ π π π α υ υ φ υ α υ α α α.
54 54 α 3.5. α υ α υ Explore α α 3.2. π α α υ α α Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk sex Statistic df Sig. Statistic df Sig. height f,110 21,200 *,941 21,231 m,121 29,200 *,945 29,139 a. Lilliefors Significance Correction *. This is a lower bound of the true significance. 3.4 Ό α υ α α α αφ α x υπ απ s α α. π υ α αφ α α π υ α υ π α α α x π υ α υπ απ, α α υπ απ υ π υ απ π π α α. Σ αυ π π π α α α α π. υ α α P% α π (confidence interval) α πα α υ υ π υ, α ( 1, 2 ) α π α α α α υπ π α α P%. υ π α α %
55 55 φ α : = 100(1-α). Σ αυ π π α φ υ φ α, α π α α πα υ π υ α α απ α π. π α α α α π π υ π α υ α α α 95% α π. α α ( 1, 2 ) α π α α α α υπ υ π υ, α π α α, π α α 95%. α αυ υπ α α α π υ α υ α α α, π π φ α πα α πα α. α α α υπ 95% α π α α height υ α υ osteological data.sav. υ α osteological data.sav α α υ α α α Analyze Descriptive Statistics Explore. υ π υ πα υ α υ π α 3.5 α πα Statistics. πα υ α υ π υ α π υ Descriptives, α α π, α υ α α υ α α π, 95% ( α 3.6). α Continue α ΟΚ. α α α α π πα υ α π α α Descriptives ( α α 3.3). α 3.6. π ογ α α ο π ο
56 56 α α 3.3. π α α π αφ α α π Descriptives sex Statistic Std. Error height f Mean 161,52 2,246 95% Confidence Lower Bound 156,84 Interval for Mean Upper Bound 166,21 5% Trimmed Mean 160,98 Median 162,00 Variance 105,962 Std. Deviation 10,294 Minimum 148 Maximum 185 Range 37 Interquartile Range 15 Skewness,707,501 Kurtosis,208,972 m Mean 175,90 1,698 95% Confidence Lower Bound 172,42 Interval for Mean Upper Bound 179,37 5% Trimmed Mean 176,03 Median 178,00 Variance 83,596 Std. Deviation 9,143 Minimum 159 Maximum 190 Range 31 Interquartile Range 15 Skewness -,274,434 Kurtosis -,989,845 α α π α α 95% π α α α υ α α α α 156,84 α 166,21 cm, α α α 172,42 α 179,37 cm.
57 Γ α α α α α π υ π π α α α α π. Γ α α α υ α α α π α υ Graphs Legacy Dialogs Error Bar. υ α υ υ α α α π υ π υ πα α α. πα υ α υ π υ α υ Simple, π υ Summaries for groups of cases ( α 3.7) α πα Define. υ π υ πα υ α υ Define simple Error Bar: Summaries of Groups of Cases, π α 3.8. α α π υ πα υ α α 3.9 α α π π α π φ α α α α α π π υ υπ α π α. α 3.7. πα υ α υ Error Bar
58 58 α 3.8. α α υ Define simple Error Bar: Summaries of Groups of Cases α 3.9. α α 95% α α α π α height
59 59 4. Γ Θ 4.1 Γ π α α υ α π υ απ φ π α α α υ α υ α. απ φ αυ α α απ φ. Γ α α υ α απ φ α απα α α υ υπ. α π α υπ, π υ α υπ (null hypothesis) α υ α 0, α αφ π α α α φ α υ α α φ α α, α υπ υ α α αφ α. α α α υπ 0 υ α 1. α α α απ υ α υπ π υ α α, υ α φ α π υ. α α α α α υπ, υ α φ α π υ. υ υ α π πα α π υ α φ α π υ αυ υ π α α α υ α φ α π υ. π π α α υ π α α α υ φ α π υ α α α αυ υ π υ. υ π π α α (significant level) π α α π α α α υ φ α π υ α υ α α υπ. π α α αυ υ α α α π υ υ π α α = 0.05 α = υ α π α α α απ υ α υπ α απ 5% α α = 0.05 α απ 1% α α = Θα π π α α α π π υ α πα υ απ φ π α, απ υ απ υ α υπ. π α απα π απ υπ. α απ π υ 0 υπ α π α α απ α% α α. α α υ
60 60 α α α, α 0 π π α α α, π α υ υ α υ. π, α απ π υ 0 π π α α α%, α φ α α υ π υ 0 α π α α 1-α/100. SPSS α α υπ p-value, α π α α α υ απ π α υπ. υ π α υ π π π α α α ( ), : p < α 0 απ π α p > α 0 απ π α SPSS p α απ Sig. (Significance). Ό α υπ π π υ α α υ α α υ α α α. υ π π π υ π π α α α α α, π π φ πα απ. α πα α α α αυ υ φα α υ α υπ υ αυ α α α α α α υ α α α πα υ υ α απ απ αυ. 4.2 Φ Γ (Independent samples t-tests) π π π, υ α υ υ α α α α α α υπ α α αφ α υ. Γ α πα α, π α υ α υ υ α α α α. Γ α π αυ υ υ. α α π υ π υ 10 α α 8 υ α α α απ α α 1 α 2, α α, α 4.1 ( cm). α α α πα υ υ α α απ π π α α 0.05.
61 61 Γ α α π υ α α α υ α αυ α α SPSS α αφ υ α, π υ υ samples. π α, π υ υ groups, π υ α 1 α 2 α α α υ α α α, π φα α α 4.1. α 4.1. α πα α α Γ α α π υ SPSS πα απ, α υ α α α Analyze Compare Means Independent-Samples T Test, πα υ π υ α αφ υ α Samples π α Test Variable(s), α Groups Grouping Variable α υ Define Groups. πα υ υ 1 Group 1 α
62 62 2 Group 2. Continue α ΟΚ πα υ υ α 4.1 α 4.2. α α 4.1. Γ π αφ α α α α α α Group Statistics groups N Mean Std. Deviation Std. Error Mean samples ,350 3,0252, ,400 2,6753,9459 α α 4.2. α απ α υ Equal variances assumed Equal variances not assumed Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means F Sig. t df Sig. (2-tailed) Mean Difference Std. Error Difference,567,462-1,502 16,153-2,0500 1,3648-1,524 15,793,147-2,0500 1,3453 α α α α π Levene p = > 0.05 π υ 0 απ π α. υ π υπ α α αφ α π. αυ απ α πα απ π α α π α (Equal variances assumed). υπ α α αφ α π, α α α απ α α α (Equal variances not assumed) πα απ π α α. π α απ α α π α πα υ α υπ p = > 0.05 π υ 0 απ π α.
63 63 π π π α α 0,05 υπ : υπ υ α α αφ α. 4.3 Γ Γ Γ (Paired samples t-tests) α α α υ α α υπ α π α α α α. Γ α πα α, π α α υ α 4.2 α 8 αφ α α αφ υ. αυ α υ α. Σ αυ π π α π υ α α α υπ α α αφ α. υπ α α αφ, α π π αφ α α α α. α α Σ α φ 8 αφ α α. α απ α α π υ π α α α α 4.2. α α υ α α α απ α α. αφ υ α α φ α α υ SPSS, π φα α α 4.2 π υ α υ α α α Method1 α Method2. υ α α α Analyze Compare Means Paired-Samples T Test. πα υ π υ α υ α α αφ υ π α Paired Variables ( α 4.3). ΟΚ πα υ υ π α απ. π α α π υ υ α αφ α Paired Samples Tests ( α α 4.3). α α p = > 0.05 π υ α 0 απ π α. υ π υπ υ α α αφ α α α υ α α απ α α.
64 64 α 4.2. α υ α 4.3. α α υ Paired-samples T test
65 65 α α 4.3. π α α α υ Paired Samples Test Method1 - Method2 Paired Differences 95% Confidence Std. Std. Error Interval of the Difference Sig. Mean Deviation Mean Lower Upper t df (2-tailed) -,1250,2188,0773 -,3079,0579-1,616 7, Γ (ANOVA) Γ (One-way ANOVA) υ α α αφ α α α. π π π υ α υ α υπ υ α α αφ α π. υ π υ α π υ α α υ α π (Analysis of Variance - ANOVA). α υπ υ π πα α α υ, π α α υ π π : -πα α α υ α π (One-way ANOVA) α -πα α α υ α π (Two-way ANOVA). π υπ π π : α υ α π α π. αυ υπ π π α α α υ πα α πα α. Γ -πα α α υ α π υ n α α (cases) m α (variables) α α. α α 4.4 α α υ α -πα α α υ α π. α α 4.4. υ α -πα α α υ α π α 1 x 11 x x 1m α 2 x 21 x x 2m α n x n1 x n2... x nm
66 66 Γ α α α π π φα υ π π α π α π π :. π π α υπ υ α α αφ α π. α α π π α υπ α α π (Homogeneity of variance). α π α α π α α, π α SPSS π Levene. υπ α α π, π α π υ πα α ANOVA, π α π φ α.. α α α π π α α υ α α α. απ απ α α α π υ α απ α α υ. υπ υ α απ φα υ πα α ANOVA. Γ α α φα υ απ One-way ANOVA SPSS α α α α π α α, α,, π υ α 1, 2, 3, Ζ α α α υ α α α. απ Analyze Compare Means One-Way ANOVA α υ πα υ One-Way ANOVA α αφ υ α π α Dependent List, α υ α 1, 2, 3, Ζ Factor α απ Options π υ Homogeneity of variance test α α υ α α π. υ Continue α ΟΚ. α α αφ π π π α. α απ α α α α α 4.5. α α α υπ υ α α αφ α υ π π α α α = 0,05. αφ υ α πα απ α φ α α υ SPSS, π φα α α 4.4, Height α Groups. Γ α α φα υ α υ α π α υ π α π υ π α αφ α. α, απ Analyze Compare Means One-Way ANOVA α υ πα υ One-Way ANOVA α αφ υ α Height π α Dependent List, α Groups Factor α απ Options π υ
67 67 Homogeneity of variance test. Continue α ΟΚ πα υ α απ α α 4.6 α 4.7. α α 4.5. Ύ cm α π π απ αφ α αφ π π α Ύ cm Γ α 4.4. α πα α α
68 68 α α 4.6. π α α υ α α π Test of Homogeneity of Variances height Levene Statistic df1 df2 Sig α α 4.7. π α α α height ANOVA Sum of Squares df Mean Square F Sig. Between Groups Within Groups Total π π α α Test of Homogeneity of Variances πα α α α π Levene p = > 0.05 π υ 0 απ π α. υ π υπ α α αφ α π α α ANOVA π α φα. α α π α p-value ANOVA p = > υ π π π α α α = 0.05 υπ υ α α αφ α υ α π. α α υπ υ π α α α 195, 180, 170, 185 α 190. υ π α α π π υ Σ αυ π π ; α α υ α απ α α π πα απ, πα υ α α 4.8 απ π φα α π π α α α = 0.05 (α α π π α α α = 0.01) υπ υ α α αφ α υ π (p = < 0.01).
69 69 α α 4.8. π α α α ANOVA height2 Sum of Squares df Mean Square F Sig. Between Groups Within Groups Total Γ α α α π π α αφ, α α : πα υ One-Way ANOVA υ Post Hoc α π υ Tukey, φ υ α α π. α α απ α α α π υ α α α 4.9. π π α α αυ α π π υ α α αφ α groups 1 α 2 (p = < 0.05) α 1 α 3 (p = 0.01 < 0.05). α, υπ υ α α αφ α groups 2 α 3. α 1 =, 2 = α 3 = Γ. α α 4.9. π α α π υ υ Multiple Comparisons height2 Tukey HSD Mean 95% Confidence Interval (I) groups (J) groups Difference (I-J) Std. Error Sig. Lower Bound Upper Bound * * * * *. The mean difference is significant at the 0.05 level Γ (Two-way ANOVA) Όπ υ α αφ, -πα α α υ α π (Two-way ANOVA) α α υπ π π : α υ α π α α υ α π.
70 πα α α υ α π υ α π α απ πα, α -πα α α υ α π π υ υ α πα α. α α π α αφ α (,, α IV) π υ α αφ π : ( ), ( ) π, α (C). π α α π π π υ α α α απ α α π υ φ α α α α α α α π α α α π α π υ α π α π υ α υ. α α α πα α α C IV αφ υ α α υ α α 4.10 α φ α α υ SPSS, π φα α α 4.5. α αυ α Dimensions φ π υ α, Date π υ α Location π α. φα 1, 2, 3, 4 Date α π υ I, II, III, IV α 1, 2, 3 Location π, α C. Γ α α φα υ α -πα α υ α π α υ π α Analyze General Linear Model Univariate. πα υ π υ α αφ υ α Dimensions, Date, Location α π α α Dependent Variable α Fixed Factor(s) π φα α α 4.6. υ Model α πα υ α υ π υ α υ α υ : π υ Custom, αφ υ
71 71 α Date α Location π α Model α π υ All 2-way, π φα α α 4.7. υ υ Continue α πα υ Univariate υ Options, π υ π υ Homogeneity tests. Continue α ΟΚ πα υ α απ α α υ α α α 4.5. α πα α α SPSS
72 72 α 4.6. πα υ Univariate α 4.7. πα υ Univariate: Model
73 73 α α π α α υ Dependent Variable:Dimensions Tests of Between-Subjects Effects Source Type III Sum of Squares df Mean Square F Sig. Corrected Model 23,750 a 5 4,750 11,400,005 Intercept 35316, , ,200,000 Date 20, ,750 16,200,003 Location 3, ,750 4,200,072 Error 2,500 6,417 Total 35343, Corrected Total 26, a. R Squared =,905 (Adjusted R Squared =,825) p = < 0.05 π π α α α = 0.05 π α υ πα α χ ο π ο ο α α α. α, π α π α α α α α α α (p = > 0.05). π πα α α π α υ πα α χ ο π ο ο α α α, π SPSS α υ α π π υπ υ α αφ. Όπ α απ One-Way ANOVA, αυ α Post Hoc πα υ Univariate. πα υ π υ α αφ υ α Date π α Post Hoc Tests for α π υ Tukey, φ υ α α π. α α απ α α α π υ α α α 4.12, απ π π π α α αφ υπ υ α π Ν, Ν V, II Ν III α II - IV. α α αφ Ν V α II - IV.
74 74 α α π α α π υ υ Multiple Comparisons Dimensions Tukey HSD Mean 95% Confidence Interval (I) Date (J) Date Difference (I-J) Std. Error Sig. Lower Bound Upper Bound I II,00,527 1,000-1,82 1,82 III -2,00 *,527,034-3,82 -,18 IV -3,00 *,527,005-4,82-1,18 II I,00,527 1,000-1,82 1,82 III -2,00 *,527,034-3,82 -,18 IV -3,00 *,527,005-4,82-1,18 III I 2,00 *,527,034,18 3,82 II 2,00 *,527,034,18 3,82 IV -1,00,527,321-2,82,82 IV I 3,00 *,527,005 1,18 4,82 II 3,00 *,527,005 1,18 4,82 III 1,00,527,321 -,82 2,82 Based on observed means. The error term is Mean Square(Error) =.417. *. The mean difference is significant at the.05 level π π π π α υπ α α π α α πα α απ α υ π α α α α α π α π απ αυ π υ α α α α. Σ αυ π π π π α π υ υ α π α π. Γ α α φα αυ α υ απα α α υπ υ π απ α υ π υ υ υ πα α. α α Σ α π α α π α α α α υ ph α π υ α υ 24 φ φ α α απ α α π υ α
75 75 α α α α π α α α α υ ph α π υ υ α υ. α α α πα α α / 0 C ph = 5 ph = 6 ph = αφ υ α α α φ α α υ SPSS, π φα α α 4.8, π υ α φ πυ α, α α α ph α υ α α. α 4.8. α υ πα α α SPSS
76 76 Γ α α α α υ α α α υ π α Analyze General Linear Model Univariate. πα υ π υ α αφ υ α π α Dependent Variable α α ph Fixed Factor(s). Options π υ Homogeneity tests, α Model π υ Full Factorial. α απ α α π υ πα υ α α α α υ π α α π υ π π υ απ π α α αυ α α α υ α: (i) υπ α α π α α α α π υ υ α υ (p = > 0.05). ( ) π α υ ph α α α (p = < 0.05). (iii) π α α π α α α α α ph (p = < 0.05). υ α α απ υ α υ ph α α απ α α α α φα. α α π α α ANOVA Dependent Variable:B Tests of Between-Subjects Effects Source Type III Sum of Squares df Mean Square F Sig. Corrected Model a Intercept T ph T * ph Error Total Corrected Total a. R Squared =.918 (Adjusted R Squared =.842)
77 ΓEσIKA Όπ α αφ, α α φα υ π υ φα α υ α απα α α α α α υ α α α. π υ π π υ α α α α πα α. Ό α α α α υ α α α α υπ α φα υ πα α. -πα α α α π υπ υ πα α π φ π υ α α α π. α αυ α π φ π υ πα υ α απ α πα α. π, α πα α, π Post Hoc α -πα α α υ α π πα α π α υ πα α. 5.2 Γ Γ αυ π α α υ π α α α α υ α απ υ α π α απ π υ. α α υ πα α Independent samples t-test. α α α α α α υ α υ independent samples t-tests.sav πα α. υ α independent samples t-tests.sav α α υ α α α Analyze Nonparametric Tests Legacy Dialogs 2 Independent Samples. αφ υ α Samples π α Test Variable List, α Groups Grouping Variable α υ Define Groups. πα υ υ 1 Group 1 α 2 Group 2. Continue α ΟΚ πα υ α α 5.1. α α p = ( 0.068) > 0.05 π υ 0 απ π α. υπ 0 α α α α π α
78 78 απ π υ. υ π, απ α αυ π π π π α α 0.05 υπ υ α α αφ α. α α 5.1. π α α Test Statistics b samples Mann-Whitney U Wilcoxon W Z Asymp. Sig. (2-tailed).062 Exact Sig. [2*(1-tailed Sig.)].068 a a. Not corrected for ties. b. Grouping Variable: groups 5.3 Γ Γ Γ α α α α α α πα α Paired samples t-test. α α α α α α υ α υ paired samples t-tests.sav πα α. υ α paired samples t-tests.sav α α υ α α α Analyze Nonparametric Tests Legacy Dialogs 2 Related Samples. πα υ π υ α υ α Method1 α Method2 α αφ υ π α Test Pair(s) ( α 5.1). π υ Wilcoxon (α α π ) Test Type α ΟΚ πα υ α α 5.2. α α p = > 0.05 π υ α 0 απ π α. υ π υπ υ α α αφ α α υ π υ α α απ α α.
79 Test Statistics b Method2-79 α 5.1. α α υ Two-Related-Samples Tests α α 5.2. π α α Method1 Z -1,436 a Asymp. Sig. (2-,151 tailed) a. Based on negative ranks. b. Wilcoxon Signed Ranks Test Γ ( KRUSKAδ-WALLIS) α α α α α α π πα α One-way ANOVA. α α α α α α υ α υ one-way ANOVA.sav πα α.
80 80 υ α one-way ANOVA.sav α α υ π α Analyze Nonparametric Tests Legacy Dialogs Κ Independent Samples, α υ πα υ Tests for Several Independent Samples α αφ υ α Height π α Test Variable List α α Groups Grouping Variable. υ Define Groups α πα υ υ 1 Minimum α 3 Maximum. Continue α ΟΚ πα υ α α 5.3. α α p = > υ π π π α α α = 0.05 υπ υ α α αφ α υ α απ π. α α 5.3. π α α υ Test Statistics a,b height Chi-Square 2,800 df 2 Asymp. Sig.,247 a. Kruskal Wallis Test b. Grouping Variable: groups υ α height2 πα α πα υ πα α π α α απ απ π φα α π π α α α = 0.05 (α α π π α α α = 0.01) υπ υ α α αφ α υ α. α α 5.4. π α α υ Test Statistics a,b height2 Chi-Square 8,089 df 2 Asymp. Sig.,018 a. Kruskal Wallis Test b. Grouping Variable: groups
81 81 α α 1. Σ αυ π π π α π υ π π φ α π α αφ. Γ α α π υ αυ π α υ α α α ( α 5.2). α α αφ π α α υ π υ α α υπ π. α α 2. πα απ α α α α α Kruskal - Wallis. α 5.2. Θ α α α α π α α αφ π α Γ α α α α υ πα α Two-way ANOVA. α α α α α α υ α υ two-way ANOVA.sav πα α.
82 82 α 5.3. α πα α α α α υ α φ α α α αφ υ α α υ α υ two-way ANOVA.sav π φα α α 5.3. υ α α α Analyze Nonparametric Tests Legacy Dialogs Κ Related Samples α πα υ π υ α αφ υ α A, B, C π α Test Variables. π υ Friedman (α α π ) Test Type α ΟΚ πα υ α α 5.5. α α p = > 0.05 π υ α 0 απ π α. υ π υπ υ α α αφ α α αυ α α. φ α α π α, π α υ πα α π α α α α. α α 5.5. π α α Test Statistics a N 4 Chi-Square 4,667 df 2 Asymp. Sig.,097 a. Friedman Test
83 83 Γ α α π α π υ υ α α α : π Data Transpose πα υ π υ α αφ υ α,, C π α Variable(s) α υ ΟΚ. α α α α φ α Σ α φ α α π υ α αυ α α ( α 5.4). αυ φ πα α α υ α α α Analyze Nonparametric Tests Κ Related Samples α α α π α Test Variables. α απ α α π υ πα υ α α α 5.6. α 5.4. α α υ α υ α α 5.6. π α α Test Statistics a N 3 Chi-Square 8,143 df 3 Asymp. Sig.,043 a. Friedman Test α α α π α χ ο π ου α α α π π α α α = 0.05 (p = < 0.05). α α π α απ πα α
84 84 α υ α α υ π υ π φ α υπ υ αφ, π υ π π α α α α αφ α. Γ α α α π π (,, α IV) υπ υ α α αφ, α α υ υ α α α αυ., α υ α α α Graphs Legacy Dialogs oxplot. πα υ α υ oxplot π υ Simple α Summaries of separate variables π α α α α αφ ( α ) ( α 5.5). πα υ α υ Define Simple Boxplot: Summaries of Separate Variables αφ υ α,,, IV π α Boxes Represent α πα ΟΚ. Θα π υ α α α υ α 5.6. α 5.5. π α α α υ α α α α α αφ φα α α π ( α ) α ( α IV).
85 85 α 5.6. Θ α α φ π υ I, II, III, IV
86 86 6. Γ Γ α π υ α α π α φ α α αφ π α. φ α απα α α α α υ α α. α α α π π υ α π π α π α α α α. 6.1 (CROSS TABULATION) Ό α υ α π α α, π αυ υ α α α, α α α α π υπ α φ υ α α α. αυ, π υ α α nominal ordinal α π α α α α crosstabs (cross tabulation). α α α π φ υ α α α υ φυ π υ α osteological data.sav. υ α osteological data.sav α α υ α α α Analyze Descriptive Statistics Crosstabs. υ π α Row(s) α sex α Column(s) α osteophytosis. υ Cells α π υ α Observed, Expected, Row, Column α Total. υ Continue α ΟΚ. π α α απ α α α 6.1. π α α αυ Count α π π π υ υπ υ α π α α α Expected Count π π π υ α α α α α α α υ α α. Γ α πα α, α α υπ υ 4 υ α eburnation, α α α φ πα α α α 4.6. Γ πα α α α υ πα α α π υ υ φ α α π π π.
87 87 υ α α α α α α π α α υ π α υ φ υ α α α α. α α 6.1. π α α φ υ α α α υ φυ π υ sex * lumbar vertebrae osteophytosis Crosstabulation lumbar vertebrae osteophytosis lipping pitting eburnation Total sex f Count Expected Count 10,9 5,5 4,6 21,0 % within sex 52,4% 28,6% 19,0% 100,0% % within lumbar vertebrae osteophytosis 42,3% 46,2% 36,4% 42,0% % of Total 22,0% 12,0% 8,0% 42,0% m Count Expected Count 15,1 7,5 6,4 29,0 % within sex 51,7% 24,1% 24,1% 100,0% % within lumbar vertebrae osteophytosis 57,7% 53,8% 63,6% 58,0% % of Total 30,0% 14,0% 14,0% 58,0% Total Count Expected Count 26,0 13,0 11,0 50,0 % within sex 52,0% 26,0% 22,0% 100,0% % within lumbar vertebrae osteophytosis 100,0% 100,0% 100,0% 100,0% % of Total 52,0% 26,0% 22,0% 100,0% α π αυ α α α α Nominal Ordinal π α α 2 (chi square test). Γ α α υ αυ, πα υ α υ Crosstabs π υ α απ Analyze Descriptive Statistics Crosstabs, υ Statistics α π υ Chi-square. αυ υπ ( 0 ) α α α α α υ α p-value α Assymp. Sig.
88 88 Γ α α φ υ α π π υ α α υ φυ π υ πα υ α α 6.2. α α p = > 0.05 α υ π π α απ υ υπ. υ α φα α α υπ α α π α α φ υ α π π υ α α υ φυ π υ. α α 6.2. π α α υ 2 test α φ υ α π π υ α α υ φυ π υ Chi-Square Tests Value df Asymp. Sig. (2-sided) Pearson Chi-Square,237 a 2,888 Likelihood Ratio,238 2,888 N of Valid Cases 50 a. 1 cells (16,7%) have expected count less than 5. The minimum expected count is 4,62. υ π α α α α υ α υ π α φ υ α α α α α ( α α 6.3). α α 6.3. π α α υ 2 test α π α φ υ α π π υ α α α α Chi-Square Tests Value df Asymp. Sig. (2-sided) Pearson Chi-Square 2,381 a 5,794 Likelihood Ratio 2,418 5,789 N of Valid Cases 50 a. 8 cells (66,7%) have expected count less than 5. The minimum expected count is,84.
89 Γ Φ α αφ πα υ υ αφ πα α π υ α π α α α. πα α α α φ υ α π π υ α α υ φυ π υ αφ πα α α α υ α α π υ Display clustered bar chart πα υ α υ Crosstabs π υ α α α α Analyze Descriptive Statistics Crosstabs. υ α α 6.1 α α π π υ φ α α π π α π. α 6.1. α α α φ υ α π π υ α α υ φυ π υ α α φ α αυ α α απ Graphs Legacy Dialogs Bar. πα υ α υ π υ Clustered α Summaries for groups of cases α υ Define. πα υ α υ π υ α αφ υ α sex π α Category Axis α α osteophytosis π α Define clusters by. ΟΚ πα υ π α 6.1. α α α φ αυ υ α π π α π υ Stacked α α Clustered ( α 6.2) π υ υ α π φ αυ υ α 6.1.
90 90 α 6.2. υ α α α φ υ α π π υ α α υ φυ π υ 6.4 LOGLINEAR υ Loglinear π α α α υ υ α π α α. π α αυ α υ α απ πα α πα α. α α υ α υ υ α α ( α- α) α πα υ α π φα α (πα απ ) α α α απ α α (0 Ν 1). υ α αφ α α υ α υπ αφ π α α α αυ. α α α α α α 6.3 α 6.4. α υ Loglinear π πα α π υ α π υ π π υ υ α π α α. απ
91 91 α α α (independence model). πα α π υ υ υ α α α απ α α m, b α s. αυ π π α α απ : α 6.3. α α loglinear analysis α 6.4. α α 6.3
92 92 ln(fr ijk ) = c 0 + c 1 m i + c 2 b j + c 3 s k π υ c 0, c 1, c 2, c 3 α π α πα π υ υπ α SPSS α m i, b j, s k α α π υ α πα α π υ υ α πα υ 0 α 1. α π α π φ α π α α. Γ α αυ, υ απ (saturated model) ln(fr ijk ) = c 0 + c 1 m i + c 2 b j + c 3 s k + c 4 mb ij + c 5 ms ik + c 6 bs jk + c 7 mbs ijk α απα φ υ α α - α υ α α υ α α α υ π υ π π υ υ α π α α, α 6.3. α mb ij, ms ik, bs jk, mbs ijk α α π (interactions) α φ υ α π α α m i - b j, m i - s k, b j - s k α m i - b j - s k, α α. Γ α α φα υ α υ Loglinear SPSS, απ α α υ π Data Weight cases. π π Weight cases by α αφ υ α frequency π α α υ Frequency Variable ( α 6.5). π αυ π α α α α α α α frequency α υ. α 6.5. α υ α υ Weight Cases
93 93 υ α α υ π α: Analyze Loglinear Model Selection. π υ α π α π α υ α υ α αφ υ π α Factors, π φα α α 6.6. υ υ π Define Range α α α υ α π υ α ( α 6.7). πα α π υ α α υ π 0 α 1. α 6.6. α α υ Model Selection Loglinear Analysis α 6.7 α π α
94 94 υ α υ υ π Options α π π Association table α απ α α α υ α π α α υ ( 2 ) α α. Continue α OK πα υ π π α, απ υ π υ αφ πα υ υ πα α : α α 6.4. π α α Goodness-of-Fit Tests Goodness-of-Fit Tests Chi-Square df Sig. Likelihood Ratio Pearson π υ π α Goodness-of-Fit tests. π αυ π α α α 6.4 α α αφ α. π α α αυ Chi-Square α 0 α αυ α π π φ απ υ α α α α υ. υ φα α α απ π π α α, Cell counts and Residuals, π υ πα α α (Observed) υ α π π (Expected) αυ α. α α K-Way and Higher-Order Effects α α π υ π α απ α υ απ α π υ α α απ α α. αυ π α α υ π α K-way Effects. α α π α α ( =1) α α α (Sig.=0.002). π, α π α α (motifs-burnish, motifs-site, burnishsite) π α (Sig.=0). α, α π α α (motifs-site-burnish) α α α π α (Sig.=0.225) α υ π υ α α αυ α π α απα φ.
95 95 α α 6.5. α α K-Way and Higher-Order Effects K-Way and Higher-Order Effects Likelihood Ratio Pearson Chi- Chi- Number of K df Square Sig. Square Sig. Iterations K-way and ,655,000 51,000,000 0 Higher Order ,868,000 36,450,000 2 Effects a 3 1 1,476,224 1,473,225 4 K-way Effects b ,787,008 14,550, ,393,000 34,977, ,476,224 1,473,225 0 a. Tests that k-way and higher order effects are zero. b. Tests that k-way effects are zero. α α 6.6. α α Partial associations Partial Associations Effect df Partial Chi- Square Sig. Number of Iterations m*b 1 33,275,000 2 m*s 1,671,413 2 b*s 1 3,681,055 2 m 1 4,307,038 2 b 1 7,468,006 2 s 1,012,913 2 π π α α (Partial associations) α α π π α α υ φ α αφ αφα π α motifssite-burnish. α α α α site (s) α α π, motifs-site (m*s), burnish-site (b*s), α α α. υ π π α α α υ υ π α α υπ αφ π α α α α α π υ α.
96 Σ α α π υ π α α α φ (x, y), α απα α α π υ π υ α π φ. H α α α αυ α πα (regression) α α α α π π π α α α α α α π α α απ α απ., π α π π αφ π α α α ω αχί ω ραγώ ω α α α π π υ π α απ α α (x i, y i ) α α π α α α υπ π α. υπ π (residual) α αφ α π α α α y α x. α α α α 7.1 α α υ υ υ α α π mm. α αφ πα α weeks - mm α α α π α α 50 α 55 mm, α α. α α 7.1. α υ υ υ α α π mm mm weeks mm weeks αφ υ α α Σ α φ α α υ SPSS α απ φα υ π α α α α α α π α α.
97 97 α α π υ α α α π α αυ π υ α υ α α α αυ π υ π υ π α α υ π α α α. π π α, φ αφ α α π υ α π υ υ υ υ α α, α α α υ α α α α α. π α, απ Analyze Regression Curve Estimation υ α weeks π α Variable(s) α α mm Independent Variable, π φα α α 7.1. π, π υ Display ANOVA table, Linear, Plot models α Include constant in equation. υ α α π α π α α υ α α x = 0 α y = 0. ΟΚ πα υ α π α α αφ πα α υ α 7.2. π υ π α αφ α α 7.2, π υ α πα α. α 7.1. α α υ Curve estimation
98 98 α α 7.2. υ π α Coefficients Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. mm,511,035,973 14,541,000 (Constant) 4,420 2,215 1,996,069 α 7.2. αφ πα α weeks Ν mm υ α α α. π π α α π π υ α (y = a + bx) α : y = x H υπ απ α a α α b α 0.035, α υ α = α b = υ α α α α α α α α, a b, α α α. π Sig. α α απ α α α α π α α α. α α π α πα υ υ α 7.1 α π α Include constant
99 99 in equation. Γ α α α α α α π α απα φ απ, α υπ υ υ α πα α. Γ α α π υ α α π α α 50 α 55 mm, α α, απ υ π : 4,42 + 0,511*50 = 29, ,42 + 0,511*55 = 32,525 32,5 α α α α 7.3 α α α π α α. α αφ πα α υ π α α α α α 1150 α 1250 mm 2. α α 7.3. α π α α Thousands Tooth-size Thousands Tooth-size years ago (mm 2 ) years ago (mm 2 ) Θα π π α α α π υ α α. π α α α υ α 1150 α 1250 mm 2 α π υ α α tooth-size α α, years. υ α, α υ α α π α αυ π πα α, αφ π υ Quadratic α απ π Linear πα υ Curve Estimation. ΟΚ πα υ α 7.3 α α α 7.4.
100 100 α 7.3. αφ πα α years Ν tooth size α π α α α α 7.4. υ α π Coefficients Unstandardized Coefficients Standardized Coefficients B Std. Error Beta t Sig. tooth size -,859,184-5,520-4,677,001 tooth size ** 2,000,000 6,479 5,490,000 (Constant) 435, ,157 4,023,002 υ α π y = a + bx + cx 2 π α α Coefficients α : α = (Constant) = , b = toothsize = α c = toothsize**2 = ( SPSS ** α α ).
101 101 π π α π υ. toothsize**2 = α α α α α (Sig.=0,000) α α 0 α υπ υ φ α π υ φα α. Γ α π αυ π υ π α α α αφ υ α φ υ Excel. α υ π 0,000 α toothsize**2 απ υ αυ α 0, π α π π α αυ υ α α α α toothsize = -0,858616, φ α π υ υπ πα α. Γ α α π υ α 1150 α 1250 mm 2, π αυ υ π υ π α πα υ π α : 435,137 Ν 0,858616* , * = 9,26 435,137 Ν 0,858616* , * = 25,3 π α α α α α πα απ π φα α απ α π υ -0,859 α α 0,858616, πα υ 435,137 Ν 0,859* , * = 24,83 α υ 0 α α 0, α π υ 435,137 Ν 0,859*1250 = -638,6 α α πα απ α. α α π α y υ π υ α α απ αφ α α απ ( 1 ) α ( 2 ) α α υ φ υ α ( 3 ) α ( 4 ) α α υ α α φ α α α υ α α 26. α π α, α υ y = a 0 + a a a a 4 4
102 102 α α 7.5. α π α x υ π υ α α απ αφ απ α 1, 2, 3, 4. y αφ υ α α SPSS α υ α α 7.5. υ π α: Analyze Regression Linear α υ α y π α Dependent α α T 1, T 2, T 3 α T 4 Independent(s). π Options π υ Include constant in equation α Method π υ π υ α π α υπ α υ. Ό α π υ Enter π α α υπ α, π π π υ υ α a 0, a 1, a 2, a 3, a 4. π υ Backward π α α α υπ α α α α αφα α- α α α. π Forward π α α π α α α α π υ α α π υ α υ α
103 103 α. α α α α α α π α α π α α υ α α..., π Stepwise α υ υα Backward α Forward. Γ Stepwise, Forward α Backward π α α α π υ υ α α υ, Enter α. υ υ α υ π α απ α, π α α α π υ α α. α απ αυ α φυ α α υ υ υ. πα α π υ υ π υ Enter, πα υ α α 7.6, Backward α α 7.7. α α α π α α υ Backward π α α α α απ α. α α φυ π α φ α : y = Model 1 α α 7.6. π α α Enter (Constant) T1 T2 T3 T4 a. Dependent Variable: x Unstandardized Coeff icients Coefficients a Standardized Coeff icients B Std. Error Beta t Sig
104 104 Model α α 7.7. π α α Backward (Constant) T1 T2 T3 T4 (Constant) T1 T3 T4 (Constant) T1 T3 a. Dependent Variable: x Unstandardized Coeff icients Coefficients a Standardized Coeff icients B Std. Error Beta t Sig α α π υ α α πα α α α α α π α υ (correlation) α. α α π π α υ α υ α α α. α α α α α PEARSON SPEARMAN Γ α α υ α α, x α y, α, υπ υ υ υ Pearson, r. υ r πα α απ Ν1 1. υ r α υ α α x αυ, y α α α α φ. r = 0 α πα υ α r α α α α αυ, αυ α. Θα π π π α υ Pearson π α α α α α υ α α α. α υ α α α, υπ υ υ Spearman,, π υ π πα α απ Ν1 1, α α πα α υ.
105 105 α α α α α υπ υ α α height α body mass υ α υ osteological data.sav. υ α osteological data.sav α υ α α. Θα π π α υ υ α height α απ α α υ α α α. α α α body mass. π αυ α α α απ π α πα α υ α. α υ Analyze Descriptive Statistics Explore, πα υ α υ υ α α, height α body mass, π α Dependent List α υ υ π Plots. π α α υ π υ φα α υ π None π Boxplots, απ π π Stem-andleaf π Descriptive α π υ Normality plots with tests. π π α α απ, α α 7.8, πα α π α α α υ α α α. α α 7.8. π α α υ α α Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk Statistic df Sig. Statistic df Sig. height,098 48,200 *,963 48,134 body mass,116 48,111,965 48,167 a. Lilliefors Significance Correction *. This is a lower bound of the true significance. π π α π υ υ Pearson α π φα υ Spearman π υ υπ α π. υ α α υ α α α Analyze Correlate Bivariate. πα υ π υ α αφ υ α height α body mass π α Variables α π υ Correlation Coefficients α α Pearson α Spearman. π π υ (α α default) α Flag significant correlations. π αυ π α α α α α α
106 106 π π α α απ. ΟΚ πα υ α α 7.9. π υ υπ υ α α α υ υ (r = 0,863 α = 0,878). α α 7.9. π α α υ υ Pearson ( π ) α Spearman ( ) Correlations height body mass height Pearson Correlation 1,863 ** Sig. (2-tailed),000 N body mass Pearson Correlation,863 ** 1 Sig. (2-tailed),000 N **. Correlation is significant at the 0.01 level (2-tailed). Correlations height body mass Spearman's height Correlation Coefficient 1,000,878 ** rho Sig. (2-tailed).,000 N body mass Correlation Coefficient,878 ** 1,000 Sig. (2-tailed),000. N **. Correlation is significant at the 0.01 level (2-tailed) (Partial correlation) υ (Partial correlation) π α π υ α υ α π α α, υ υ π α α α. υ α, υ α α υ α α π α α α α α. α π α α υ, α (dichotomous), π α πα α φ ( α - υ α α), υ υα υ α α.
107 107 α α υ α α α π α α φ α α α α ( m 2 ) α α αφ π π υ π α α π α α α α. α α α α αφ α α 7.4, π υ α area πα α α υ, α fill φ π αφ π α α α α floor π α π α. α α υ α α fill α floor. α 7.4. α πα α α α υ υ αφ πα α fill Ν floor, πα α υπ α υ α α αυ α ( α 7.5). Ό υ π φ α α υ α α α α πα υ αυ, υ α π φ α α υ α π αφ π. Γ α α π α π φ α α (area) υ α fill α floor α α.
108 y = 0.679x R² = floor fill α 7.5. α α α α floor α fill φ α υ α α φ υ SPSS π φα α α 7.4, α υ π α: Analyze Correlate Partial. πα υ α υ π υ φα α αφ υ α fill α floor π α Variables α α area π α Controlling for, π φα α α 7.6. υ α υ υ π Options α π π Zero-order correlations, π φα α α 7.7. π αυ α α α απ α α υ υ α π α α. α, π α α απ α πα υ α, απ π α α area υ υ α fill α area, α υ Pearson α απ υ α fill Ν floor, fill - area α floor - area. ΟΚ πα υ α απ α α υ α α 7.10, π α α α. π α υ α απ α α απ υ α α α π α α area υ α fill α floor.
109 109 α 7.6. α υ α υ α Partial correlations α 7.7. α υ α υ Options α απ α α υ α υ α α α fill α floor (r=0.758 α p=0.011) α π α α α fill - area (r=0.809 α p=0.005) α floor - area (r=0.929 α p=0). υ α α α fill α floor α π α π φ α α α α π π α 7.5., α π α π φ α α, α α υ υ α fill α floor α α α
110 110 α area, υ υ υ α α (r=0.032) α π π αυ πα α α α α (p=0.934). α α α υ υπ α α, πα α α fill α floor πα υ α υ α. α α π α α zero-order α partial correlations Correlations Control Variables fill floor area -none- a fill Correlation 1,000,758,809 Significance (2-tailed),011,005 df floor Correlation,758 1,000,929 Significance (2-tailed),011,000 df area Correlation,809,929 1,000 Significance (2-tailed),005,000 df area fill Correlation 1,000,032 Significance (2-tailed),934 df 0 7 floor Correlation,032 1,000 Significance (2-tailed),934 df 7 0 a. Cells contain zero-order (Pearson) correlations.
111 Γ υ υ υ π α α υ α υ υ α υπ υ πα, α π α αυ. Γ α πα α, υ α α π υπ α α αφ α α α α α α απ α π α α α α π α α υ α, π, υ υ, α α. α αυ απ π πα α υ α (Multivariate Analysis). π α α π α α υ υ : α) υ υ υ (Principal Component Analysis - PCA), ) υ (Cluster Analysis Ν CA), ) α υ (Discriminant Analysis - DA) α ) υ α π α (Multivariate Analysis of Variance Ν MANOVA). Γ α φα PCA α CA απα α α α πα α φ π υ α α α. α, φα DA α MANOVA π π υ α α PRINCIPAL COMPONENT ANALYSIS (PCA) Γ α α π υ α υ α Σ α π α α υπ υ (clusters) α π π α α υ α υ π α α. α α π υ αυ φ υ α α ( α α ) α απ α α αφ πα α α α α α π α
112 112 π υ α α αυ π α. α α PC1 π α υ α. φ υ α α, PC2, π υ α PC1 α π φ υ, π α α PC1, α αυ α α α α α π π υ υ. αυ υ α π π. π π αυ π υ α α α. υ υ π α α α υ α PCs α α π υ α. α α 6 π υ π α α υ α 8.1 α α απ α α α υ α α π υ α αφ π,, C. α α υ π α α π υ. α 8.1. π α α α Al, Fe, εg, Si, Ca απ π,, C φ α α υ SPSS υ π α Analyze Dimension Reduction Factor α πα υ π υ α υ α Al, Fe, εg, Si, Ca π α
113 113 Variables. Rotation π υ π φ Varimax α Extraction π υ Principal Components, Correlation Matrix α Eigenvalues over 1 α α π υ υ π υ υ α απ 1 α π υ υ π α π α., απ Scores π υ Save as variables. αυ π PC1, PC2 απ α φ α α υ FAC1_1, FAC2_1. ΟΚ υ α αυ α α SPSS Data Editor FAC1_1, FAC2_1 π π α υ α PC1 α PC2. Γ α α αφ α απ α α α υ α α α Graphs Legacy Dialogs Scatter/Dot α π πα υ π υ α π υ Simple Scatter α υ υ Define. πα υ αφ υ α REGR factor score 1 π α X Axis, α REGR factor score 2 Y Axis α α Area Set Markers by. αυ π π,,, C, α αφ. ΟΚ πα υ ( απ α φ π ) α 8.2. α 8.2. α α απ (PC1 vs. PC2) α α α α π α υ α α (cluster), α α π α C α α α. α α π α υ π υ π α π α αφ απ αυ π α C α π π α α α α υ α υ π α C,
114 114 υ π α α. Σ αφ υ α υ π α C α π α υ α α α α υ. α α 1. α π α α υ α α υ π απ φ α α, FAC1_1, FAC2_1, FAC3_1, Ζ α α 2. α α απ υ (clusters) υ αφ υ π φ. α α α- φα υ α απ Rotation π υ π υ α α π φ (None) υ υ, Quartimax, Equamax, Promax CLUSTER ANALYSIS (CA) α υ π α υ π υ α υ α α α (clusters) πα. H υ α π α α π α α α α α φ α π α π α α αυ α. π υ α υ π α α α α, αυ α α α α. α α α 8.3 α 7 π υ α α υ α α π π π υ. αυ π α α α π α υ α π υ.
115 115 α 8.3 α α υ π α Analyze Classify Hierarchical Cluster α πα υ π υ α αφ υ α D1 Ν D7 π α Variable(s). Plots π υ Dendogram α υ Continue α ΟΚ. α α π υ πα υ α α 8.4. α 8.4. α α π υ
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 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 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 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 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 περισσότεραΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)
ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., -) (Επιµέλεια: Ελευθεράκη Αναστασία) Άσκηση (Εργαστήριο #) Στις εξετάσεις Φεβρουαρίου του µαθήµατος
Διαβάστε περισσότεραΜαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )
Διαβάστε 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 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 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 περισσότεραΠΕΡΙΕΧΟΜΕΝΑ 1. ΤΟ ΠΕΡΙΒΑΛΛΟΝ ΕΡΓΑΣΙΑΣ ΤΟΥ SPSS 19.0
2 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΤΟ ΠΕΡΙΒΑΛΛΟΝ ΕΡΓΑΣΙΑΣ ΤΟΥ SPSS 19.0 1.1 ΦΥΛΛΑ ΕΡΓΑΣΙΑΣ ΤΟΥ SPSS 4 1.2 ΚΑΤΑΧΩΡΙΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ ΦΥΛΛΟ ΕΡΓΑΣΙΑΣ 7 1.3 ΣΤΑΤΙΣΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ 9 1.4 ΜΟΡΦΟΠΟΙΗΣΗ ΔΕΔΟΜΕΝΩΝ 10 1.5 ΠPOΣΘHKH
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 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 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 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 Άσκηση 1 η Ένας παραγωγός σταφυλιών ισχυρίζεται ότι τα κιβώτια σταφυλιών που συσκευάζει
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 περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Όταν ανοίγουµε µία βάση στο SPSS η πρώτη εικόνα που
Διαβάστε 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 περισσότεραΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS
ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ Κωνσταντίνος Ζαφειρόπουλος Τμήμα Διεθνών και Ευρωπαϊκών Σπουδών Ανοικτά Ακαδημαϊκά Μαθήματα στο Πανεπιστήμιο Μακεδονίας Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x
η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η
Διαβάστε 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 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 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 περισσότεραΛογισμικά για Στατιστική Ανάλυση. Minitab, R (ελεύθερο λογισμικό), Sas, S-Plus, Stata, StatGraphics, Mathematica (εξειδικευμένο λογισμικό για
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 1ο Τι είναι το SPSS; Statistical Package for the Social Sciences Λογισμικό για διαχείριση και στατιστική ανάλυση δεδομένων σε γραφικό περιβάλλον http://en.wikipedia.org/wiki/spss
Διαβάστε περισσότεραΕισαγωγή 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 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 στο SPSS Ο Data editor Ο Viewer Άνοιγμα Αρχείου στο SPSS Εισαγωγή Δεδομένων
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 περισσότεραΛογισμικά για Στατιστική Ανάλυση. Minitab, R (ελεύθερο λογισμικό), Sas, S-Plus, Stata, StatGraphics, Mathematica (εξειδικευμένο λογισμικό για
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 1ο Τι είναι το SPSS; Statistical Package for the Social Sciences Λογισμικό για διαχείριση και στατιστική ανάλυση δεδομένων σε γραφικό περιβάλλον http://en.wikipedia.org/wiki/spss
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 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 περισσότεραΔείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Διαβάστε 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 περισσότεραΒοήθημα Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων
Βοήθημα Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων 2 1. Περιγραφική Στατιστική Θα δίνονται το ιστόγραμμα των σχετικών συχνοτήτων και τα στατιστικά. 1. Να μπορείτε να εξάγετε
Διαβάστε 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 περισσότεραΕξερευνώντας τα δεδομένα μας-περιγραφική Στατιστική
ΚΕΦΑΛΑΙΟ ΔΕΥΤΕΡΟ Εξερευνώντας τα δεδομένα μας-περιγραφική Στατιστική Το πρώτο βήμα στην ανάλυση ενός συνόλου δεδομένων, που αποτελούν μετρήσεις ενός δείγματος είναι η παρουσίαση και σύνοψη των πληροφοριών
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 περισσότεραStatistical product and service solution
SPSS Statistical product and service SPSS SPSS solution SPSS Statistics 17.5
Διαβάστε περισσότεραΜεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι Εργαστήριο 9 1. Να χρησιμοποιηθεί το αρχείο data_kids. Τα δεδομένα του προέρχονται από την έρευνα των Chase και Dummer (1992), μελέτησαν τον ρόλο των
Διαβάστε 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 περισσότερα6 / 4 / Βιοστατιστικός, MSc, PhD
Ανάλυση εδοµένων µε το SPSS Μάθηµα 2 6 / 4 / 2012 ΚριτσωτάκηςΙ. Ευάγγελος Βιοστατιστικός, MSc, PhD ekritsot@yahoo.gr Μάθηµα 2 -Θεµατολογία Παραγωγήπινάκων συχνοτήτων και πινάκων συνάφειας. Παραγωγή και
Διαβάστε περισσότεραΒΙΟΣΤΑΤΙΣΤΙΚΗ Πρακτική με SPSS (1)
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Πρακτική με SPSS (1) Εισαγωγή στο SPSS Παρουσίαση ποσοτικών και ποιοτικών δεδομένων Φίλιππος Ορφανός Εργαστήριο Υγιεινής, Επιδημιολογίας και Ιατρικής Στατιστικής, Πανεπιστήμιο Αθηνών orfanos@nut.uoa.gr
Διαβάστε περισσότεραΈλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με ανεξάρτητα δείγματα
ΚΕΦΑΛΑΙΟ ΠΕΜΠΤΟ Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με ανεξάρτητα δείγματα Θέλοντας να εξετάσουμε τις μέσες τιμές δύο πληθυσμών πρέπει να διακρίνουμε κατά τα γνωστά από τη θεωρία δύο περιπτώσεις
Διαβάστε περισσότεραΕρμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα Αρχείο δεδομένων school.sav Στον πίνακα Descriptives, μας δίνονται για την Επίδοση ως προς τις πέντε διαφορετικές μεθόδους διδασκαλίας, το
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΧΡΗΣΗ SPSS
ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΧΡΗΣΗ SPSS Πανεπιστήμιο Θεσσαλίας-Τμήμα Πολιτικών Μηχανικών Εργαστήριο Κυκλοφορίας, Μεταφορών και Διαχείρισης Εφοδιαστικής Αλυσίδας Αντικείμενα διάλεξης Σύντομη εισαγωγή
Διαβάστε περισσότεραΕισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Φιλοσοφίας, Παιδαγωγικής και Ψυχολογίας Τομέας Ψυχολογίας Εισαγωγή στη Στατιστική Επεξεργασία Δεδομένων με το SPSS for Windows Επιμέλεια: Λέκτορας Βασίλης
Διαβάστε περισσότεραΕισαγωγή στο SPSS, Ενότητα 1
Εισαγωγή στο SPSS, Ενότητα Βήματα για την Στατιστική ανάλυση δεδομένων.. Εισαγωγή δεδομένων στον data editor (Εισαγωγή από μία βάση δεδομένων ή από ένα spreadsheet ή από ένα αρχείο txt, ή απευθείας εισαγωγή
Διαβάστε περισσότερα1991 US Social Survey.sav
Παραδείγµατα στατιστικής συµπερασµατολογίας µε ένα δείγµα Στα παραδείγµατα χρησιµοποιείται απλό τυχαίο δείγµα µεγέθους 1 από το αρχείο δεδοµένων 1991 US Social Survey.sav Το δείγµα λαµβάνεται µε την διαδικασία
Διαβάστε 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 περισσότεραΤίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων Ενότητα: Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με ανεξάρτητα δείγματα Διδάσκων: Επίκ. Καθ. Απόστολος Μπατσίδης Τμήμα: Μαθηματικών ΚΕΦΑΛΑΙΟ ΠΕΜΠΤΟ
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ 1 Παλινδρόµηση Έλεγχοι Υποθέσεων ΙI ΕΠΙΜΕΛΕΙΑ ΣΗΜEΙΩΣΕΩΝ: ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ ΗΜΗΤΡΙΟΥ ΒΑΣΙΛΕΙΟΣ
Διαβάστε περισσότεραΤίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων Ενότητα: Εξερευνώντας τα δεδομένα μας-περιγραφική Στατιστική Διδάσκων: Επίκ. Καθ. Απόστολος Μπατσίδης Τμήμα: Μαθηματικών ΚΕΦΑΛΑΙΟ ΔΕΥΤΕΡΟ Εξερευνώντας τα
Διαβάστε περισσότεραΜη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2
Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2. Μη Παραμετρικοί Έλεγχοι Παραμετρικοί είναι οι κλασικοί έλεγχοι υποθέσεων της Στατιστικής οι οποίοι διεξάγονται κάτω από κάποιες προϋποθέσεις για τις παραμέτρους
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Αναλυτική στατιστική Σύγκριση ποιοτικών
Διαβάστε περισσότεραΑΣΚΗΣΗ 7 (ΛΥΣΗ) Στο αρχείο του SPSS θα υπάρχουν οι µεταβλητές,
ΑΣΚΗΣΗ 7 (ΛΥΣΗ) Στο αρχείο του SPSS θα υπάρχουν οι µεταβλητές, Time: η ώρα γέννησης (4 ψηφία, τα δύο πρώτα είναι ώρες και τα άλλα δυο λεπτά), Sex: το φύλο (:κορίτσι, :αγόρι), Weight: το βάρος του νεογέννητου
Διαβάστε περισσότεραΚεφάλαιο 3: Ανάλυση μιας μεταβλητής
Κεφάλαιο 3: Ανάλυση μιας μεταβλητής Γενικά Στο Κεφάλαιο αυτό θα παρουσιάσουμε κάποιες μεθόδους της Περιγραφικής Στατιστικής και της Στατιστικής Συμπερασματολογίας που αφορούν στην ανάλυση μιας μεταβλητής.
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 περισσότεραΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΔΡ. ΙΩΑΝΝΗΣ Σ. ΤΡΙΑΝΤΑΦΥΛΛΟΥ
ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΣΤΗΡΙΑΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΔΡ. ΙΩΑΝΝΗΣ Σ. ΤΡΙΑΝΤΑΦΥΛΛΟΥ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ -3 Ακαδημαϊκό Έτος -3 . ΕΙΣΑΓΩ ΓΗ ΣΤΟ SPSS ΒΑΣΙΚΕΣ ΛΕΙΤΟΥΡΓΙΕΣ..... Καταγραφή δεδομένων και
Διαβάστε περισσότεραMedia Monitoring. Ενότητα 7: Εισαγωγή & Ανάλυση δεδομένων με το SPSS. Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ
Media Monitoring Ενότητα 7: Εισαγωγή & Ανάλυση δεδομένων με το SPSS Σταμάτης Πουλακιδάκος Σχολή ΟΠΕ Τμήμα ΕΜΜΕ Output Είναι ο όρος που χρησιμοποιείται για να περιγράψει τα αποτελέσματα από αναλύσεις που
Διαβάστε περισσότεραΕΝΕΡΓΟΠΟΙΗΣΗ Η ενεργοποίηση του SPSS γίνεται με 2 τρόπους : Με διπλό πάτημα του εικονιδίου SPSS στην επιφάνεια εργασίας, ή
ΤΟ ΣΤΑΤΙΣΤΙΚΟ ΠΡΟΓΡΑΜΜΑ SPSS Το SPSS (Statistical Package for Social Sciences) είναι ένα στατιστικό πρόγραμμα με ευρύτατη χρήση σε όλους τους ερευνητικούς χώρους και ιδιαίτερα στο χώρο των κοινωνικών επιστημών.
Διαβάστε περισσότεραΒΙΟΣΤΑΤΙΣΤΙΚΗ. ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας
ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας Επικοινωνία: Πτέρυγα 4, Τοµέας Κοινωνικής Ιατρικής Εργαστήριο Βιοστατιστικής Τηλ. 4613 e-mail: biostats@med.uoc.gr thalegak@med.uoc.gr
Διαβάστε περισσότεραΑ.Σ.ΠΑΙ.Τ.Ε. Π.Ε.ΣΥ.Π. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΓΙΑ ΤΟΥΣ ΣΚΟΠΟΥΣ ΣΥΕΠ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΤΟ SPSS
Eigenvalue Α.Σ.ΠΑΙ.Τ.Ε. Π.Ε.ΣΥ.Π. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΓΙΑ ΤΟΥΣ ΣΚΟΠΟΥΣ ΣΥΕΠ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΤΟ SPSS ΔΡ ΚΟΡΡΕΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΑΘΗΝΑ 2017 6 5 4 3 2 1 0 Scree Plot 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Διαβάστε περισσότεραΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ Στόχοι: (a) να δοθεί µια εισαγωγή στη θεωρία της στατιστικής συµπερασµατολογίας ελέγχων υποθέσεων, (b) να παρουσιάσει τις βασικές εφαρµογές αυτών των ελέγχων: µέσης τιµής, ποσοστού
Διαβάστε περισσότερακωδικοποίηση κτλ) Εισαγωγή δεδομένων με μορφή SPSS Εισαγωγή δεδομένων σε μορφή EXCEL Εισαγωγή δεδομένων σε άλλες μορφές
Στάθης Κλωνάρης 1. Εισαγωγή 2. Εισαγωγή Δεδομένων Εισαγωγή δεδομένων με μορφή SPSS Εισαγωγή δεδομένων σε μορφή EXCEL Εισαγωγή δεδομένων σε άλλες μορφές 2. Διαχείριση μεταβλητών (Τύπος Ετικέτα, κωδικοποίηση
Διαβάστε περισσότεραΈλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα) Όταν απαιτείται ο έλεγχος της ύπαρξης στατιστικά σημαντικών
Διαβάστε περισσότεραΈλεγχος ανεξαρτησίας μεταξύ δύο ποιοτικών μεταβλητών (Crosstabs - Chi-Square Tests)
Έλεγχος ανεξαρτησίας μεταξύ δύο ποιοτικών μεταβλητών (Crosstabs - Chi-Square Tests) Σε αρκετές περιπτώσεις απαιτείται να ελεγχθεί αν η συχνότητα εμφάνισης κάποιων συγκεκριμένων τιμών (κατηγοριών) μιας
Διαβάστε 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 περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ PSPP
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Μηχανικών Πληροφορικής (ΤΕ) Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ PSPP
Διαβάστε περισσότεραΕπαγωγική Στατιστική
Στατιστικό πακέτο SPSS Επαγωγική Στατιστική users.auth.gr/agpapana/spss_stat_inference.pdf Παπάνα Αγγελική, ρ. papanagel@yahoo.gr, agpapana@gen.auth.gr Η επαγωγική στατιστική αποτελείται μία σειρά μεθόδων
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 περισσότεραΕισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (nalysis of Covariance, NCOV) Βασίλης Παυλόπουλος Λέκτορας Διαπολιτισμικής Ψυχολογίας Τομέας Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr http://www.psych.uoa.gr/~vpavlop
Διαβάστε 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 περισσότεραΕΙΣΑΓΩΓΗ ΣΤΟ ΠΡΟΓΡΑΜΜΑ SPSS FOR WINDOWS
ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΤΟΜΕΑΣ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟ ΠΡΟΓΡΑΜΜΑ SPSS FOR WINDOWS ΦΑΧΙΡΙΔΗΣ ΓΕΩΡΓΙΟΣ ΤΟ ΠΡΟΓΡΑΜΜΑ
Διαβάστε περισσότεραΣύγκριση Συνδυασµένων Παραγόντων
Σύγκριση Συνδυασµένων Παραγόντων Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Παραγοντικά Πειράµατα (Factorial Experiments)
Διαβάστε περισσότεραΆσκηση 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 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 περισσότεραΠανεπιστήμιο Πάτρας Τμήμα Βιολογίας. Ανάλυση Περιβαλλοντικών Δεδομένων: συνοπτικός οδηγός για βιολόγους. Σίνος Γκιώκας
Πανεπιστήμιο Πάτρας Τμήμα Βιολογίας Ανάλυση Περιβαλλοντικών Δεδομένων: συνοπτικός οδηγός για βιολόγους Σίνος Γκιώκας Πάτρα 2007 ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή 2 Βήματα για μια πετυχημένη ανάλυση των δεδομένων 3
Διαβάστε περισσότεραΣύντομο Εγχειρίδιο SPSS 16.0. Πέτρος Ρούσσος & Γιώργος Ευσταθίου Πρόγραμμα Ψυχολογίας, Τμήμα ΦΠΨ, ΕΚΠΑ
Πέτρος Ρούσσος & Γιώργος Ευσταθίου Πρόγραμμα Ψυχολογίας, Τμήμα ΦΠΨ, ΕΚΠΑ ΑΘΗΝΑ 2008 [2] Περιεχόμενα Δυο λόγια εισαγωγικά... 3 1.0 Το περιβάλλον του SPSS... 3 2.0 Εισαγωγή και διαχείριση δεδομένων... 6
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 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 περισσότεραΚΕΦΑΛΑΙΟ 5 ο. 5.1 Εντολή EXPLORE 5.2 Εντολή CROSSTABS 5.3 Εντολή RAΤΙΟ STΑTISTIC 5.4 Εντολή OLAP CUBES. Daily calorie intake
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 5 ο 5.1 Εντολή EXPLORE 5.2 Εντολή CROSSTABS 5.3 Εντολή RAΤΙΟ STΑTISTIC 5.4 Εντολή OLAP CUBES 5000 Daily calorie
Διαβάστε περισσότεραΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ. ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ.
ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ. Κανονική Κατανομή Τυπική Απόκλιση Διακύμανση z τιμές Περιεχόμενα 6 ου μαθήματος Έλεγχος κανονικής
Διαβάστε περισσότεραΠΡΑΚΤΙΚΗ ΚΑΘΟΔΗΓΗ ΣΤΟ SPSS
ΠΡΑΚΤΙΚΗ ΚΑΘΟΔΗΓΗ ΣΤΟ SPSS Σημειώσεις: Μπεττίνα Χάιδιτς, Επίκουρη Καθηγήτρια Υγιεινής-Ιατρικής Στατιστικής, Τμήμα Ιατρικής ΑΠΘ 1 Προσδιορισμός μεταβλητών και εισαγωγή δεδομένων Ανοίξτε το SPSS και επιλέξτε
Διαβάστε περισσότεραΈλεγχος για τις παραμέτρους θέσης περισσοτέρων των δύο πληθυσμών με ανεξάρτητα δείγματα
ΚΕΦΑΛΑΙΟ ΕΒΔΟΜΟ Έλεγχος για τις παραμέτρους θέσης περισσοτέρων των δύο πληθυσμών με ανεξάρτητα δείγματα Έστω Y,, j1 Yjn, j το πλήθος j = 1,..., k, k 2 τυχαία ανεξάρτητα δείγματα j μεγέθους n j από έναν
Διαβάστε περισσότερα----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 6 ο 6.1 Ερωτήσεις Πολλαπλών Απαντήσεων 6.2 Εντολή Case Summaries 6.3 Ο έλεγχος t : (correlate t-test) 6.3.1Σύγκριση
Διαβάστε περισσότεραRepeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
Διαβάστε περισσότεραViola adorata X ± 2s 1 344 320 2 348 316 3 224 232 4 372 364 5 336 308 6 372 328 7 292 296 8 316 264 AT1 AT2 1 344 320 342.25 272.25 2 348 316 506.25 156.25 3 224 232 10302.25 5112.25 4 372 364
Διαβάστε περισσότεραΕΙΔΙΚΑ 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 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 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 περισσότεραΈλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με εξαρτημένα δείγματα
ΚΕΦΑΛΑΙΟ ΕΚΤΟ Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με εξαρτημένα δείγματα Στο κεφάλαιο αυτό θα ασχοληθούμε με τον έλεγχο της υπόθεσης της ισότητα δύο μέσων τιμών με εξαρτημένα δείγματα. Εξαρτημένα
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 περισσότεραΤίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων Ενότητα: Έλεγχος για τις παραμέτρους θέσης περισσοτέρων των δύο πληθυσμών με ανεξάρτητα δείγματα Διδάσκων: Επίκ. Καθ. Απόστολος Μπατσίδης Τμήμα: Μαθηματικών
Διαβάστε περισσότερα30 / 3 /
Ανάλυση εδοµένων µε το SPSS Μάθηµα 1 30 / 3 / 2012 ΚριτσωτάκηςΙ. Ευάγγελος Βιοστατιστικός, MSc, PhD ekritsot@yahoo.gr Μάθηµα 1 -Θεµατολογία Επισκόπηση βασικών χαρακτηριστικών του SPSS και βασική ορολογία.
Διαβάστε περισσότεραΤΜΗΜΑ 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 περισσότεραSupplementary Appendix
Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table
Διαβάστε περισσότεραΤμήμα Λογιστικής και Χρηματοοικονομικής. Δρ. Αγγελίδης Π. Βασίλειος
Τμήμα Λογιστικής και Χρηματοοικονομικής 1 Δρ. Αγγελίδης Π. Βασίλειος Τμήμα Λογιστικής και Χρηματοοικονομικής Εφαρμοσμένη Στατιστική 2 Περιεχόμενα Εισαγωγή Επαγωγική Στατιστική Έλεγχος κανονικότητας Έλεγχος
Διαβάστε περισσότερα