Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
|
|
- Θέμις Ελευθεριάδης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
2 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
3 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
4 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
5 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
6 Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
7 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
8 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
9 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
10 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
11 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
12 Lampiran 2 Hasil Kuesioner No. BL1 BL2 PI1 PI2 PI3 PI4 PI5 PI
13 Lampiran 3 Karakteristik Responden No. Jenis Kelamin Jumlah Persentase (%) 1 Laki-laki % 2 Perempuan % Total No. Usia Jumlah Persentase (%) Tahun % Tahun % Tahun % 4 > 45 Tahun % Total No. Pekerjaan Jumlah Persentase (%) 1 Pelajar/Mahasiswa % 2 Pegawai Swasta % 3 Pegawai Negeri % 4 Wiraswasta % 5 Ibu Rumah Tangga % 6 Lainnya % Total No. Pernah Membeli Produk Samsung Jumlah Persentase (%) Galaxy Dalam 1 Bulan Terakhir 1 Ya % 2 Tidak 0 0% Total
14 Lampiran 4 Statistik Deskriptif Descriptive Statistics N Minimum Maximum Mean Std. Deviation BA BA BA BA BA PQ PQ PQ PQ PQ PQ BL BL BL PI PI PI PI PI PI PI Valid N (listwise) 200
15 Lampiran 5 Validitas Indikator Standardized Loading Cut Off Keterangan Brand Awareness BA > 0,7 Valid BA > 0,7 Valid BA > 0,7 Valid BA > 0,7 Valid Perceived Quality PQ > 0,7 Valid PQ > 0,7 Valid PQ > 0,7 Valid PQ > 0,7 Valid PQ > 0,7 Valid Brand Loyalty LP > 0,7 Valid LP > 0,7 Valid Purchase Intention PI > 0,7 Valid PI > 0,7 Valid PI > 0,7 Valid PI > 0,7 Valid PI > 0,7 Valid PI > 0,7 Valid
16 Lampiran 6 Reliabilitas Indikator λ λ 2 e i Σλ (Σλ) 2 Σ(λ 2 ) Σe i CR VE Brand Awareness BA BA BA BA Perceived Quality PQ PQ PQ PQ PQ Brand Loyalty BL BL Purchase Intention PI PI PI PI PI PI
17 Lampiran 7 Normalitas DATE: 12/28/2014 TIME: 07:54 P R E L I S 2.80 BY Karl G. Jöreskog & Dag Sörbom This program is published exclusively by Scientific Software International, Inc N. Lincoln Avenue, Suite 100 Lincolnwood, IL 60712, U.S.A. Phone: (800) , (847) , Fax: (847) Copyright by Scientific Software International, Inc., Use of this program is subject to the terms specified in the Universal Copyright Convention. Website: The following lines were read from file D:\Skripsi\Fitri\Input.PR2:!PRELIS SYNTAX: Can be edited SY='D:\Skripsi\Fitri\Input.PSF' NS OU MA=CM XT Total Sample Size = 200 Univariate Summary Statistics for Continuous Variables Variable Mean St. Dev. T-Value Skewness Kurtosis Minimum Freq. Maximum Freq BA
18 BA BA BA PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI Test of Univariate Normality for Continuous Variables Skewness Kurtosis Skewness and Kurtosis Variable Z-Score P-Value Z-Score P-Value Chi-Square P-Value BA BA
19 BA BA PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI Relative Multivariate Kurtosis = Test of Multivariate Normality for Continuous Variables Skewness Kurtosis Skewness and Kurtosis Value Z-Score P-Value Value Z-Score P-Value Chi-Square P- Value Histograms for Continuous Variables BA1 Frequency Percentage Lower Class Limit
20 BA2 Frequency Percentage Lower Class Limit BA3 Frequency Percentage Lower Class Limit BA4 Frequency Percentage Lower Class Limit
21 PQ1 Frequency Percentage Lower Class Limit PQ2 Frequency Percentage Lower Class Limit PQ3 Frequency Percentage Lower Class Limit
22 PQ4 Frequency Percentage Lower Class Limit PQ5 Frequency Percentage Lower Class Limit BL1 Frequency Percentage Lower Class Limit
23 BL2 Frequency Percentage Lower Class Limit PI1 Frequency Percentage Lower Class Limit
24 PI2 Frequency Percentage Lower Class Limit PI3 Frequency Percentage Lower Class Limit PI4 Frequency Percentage Lower Class Limit
25 PI5 Frequency Percentage Lower Class Limit PI6 Frequency Percentage Lower Class Limit
26 Covariance Matrix BA1 BA2 BA3 BA4 PQ1 PQ2 BA BA BA BA PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI Covariance Matrix PQ3 PQ4 PQ5 BL1 BL2 PI1 PQ PQ PQ BL BL PI PI PI PI PI PI Covariance Matrix PI2 PI3 PI4 PI5 PI6
27 PI PI PI PI PI Means Means Means BA1 BA2 BA3 BA4 PQ1 PQ PQ3 PQ4 PQ5 BL1 BL2 PI PI2 PI3 PI4 PI5 PI Standard Deviations BA1 BA2 BA3 BA4 PQ1 PQ Standard Deviations PQ3 PQ4 PQ5 BL1 BL2 PI Standard Deviations PI2 PI3 PI4 PI5 PI
28 The Problem used Bytes (= 0.0% of available workspace) Lampiran 8 Structural Equation Model DATE: 12/28/2014 TIME: 7:48 L I S R E L 8.80 BY Karl G. Jöreskog & Dag Sörbom This program is published exclusively by Scientific Software International, Inc N. Lincoln Avenue, Suite 100 Lincolnwood, IL 60712, U.S.A. Phone: (800) , (847) , Fax: (847) Copyright by Scientific Software International, Inc., Use of this program is subject to the terms specified in the Universal Copyright Convention. Website: The following lines were read from file D:\Skripsi\Fitri\Output.SPJ: SYSTEM FILE from file 'D:\Skripsi\Fitri\Output.DSF' Sample Size = 200 Latent Variables PQ BL PI BA Relationships PQ1 = 0.70*PQ PQ2 = PQ PQ3 = PQ PQ4 = PQ PQ5 = PQ BL1 = 0.81*BL
29 BL2 = BL PI1 = 0.76*PI PI2 = PI PI3 = PI PI4 = PI PI5 = PI PI6 = PI BA1 = BA BA2 = BA BA3 = BA BA4 = BA BL = PQ PI = PQ BL PQ = BA BL = BA PI = BA Path Diagram options: all End of Problem Sample Size = 200 Covariance Matrix PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI
30 BA BA BA BA Covariance Matrix BL2 PI1 PI2 PI3 PI4 PI5 BL PI PI PI PI PI PI BA BA BA BA Covariance Matrix PI6 BA1 BA2 BA3 BA PI BA BA BA BA Initial Estimates (TSLS) Measurement Equations PQ1 = 0.70*PQ, Errorvar.= 0.22, R² = 0.71
31 PQ2 = 0.54*PQ, Errorvar.= 0.35, R² = 0.48 PQ3 = 0.63*PQ, Errorvar.= 0.30, R² = 0.59 PQ4 = 0.70*PQ, Errorvar.= 0.40, R² = 0.57 PQ5 = 0.74*PQ, Errorvar.= 0.20, R² = 0.75 BL1 = 0.81*BL, Errorvar.= 0.49, R² = 0.56 BL2 = 0.76*BL, Errorvar.= 0.43, R² = 0.56 PI1 = 0.76*PI, Errorvar.= 0.026, R² = 0.97 PI2 = 0.75*PI, Errorvar.= 0.15, R² = 0.84 PI3 = 0.70*PI, Errorvar.= 0.30, R² = 0.69 PI4 = 0.49*PI, Errorvar.= 0.67, R² = 0.33 PI5 = 0.55*PI, Errorvar.= 0.44, R² = 0.49 PI6 = 0.56*PI, Errorvar.= 0.38, R² = 0.53 BA1 = 0.82*BA, Errorvar.= 0.42, R² = 0.62 BA2 = 0.78*BA, Errorvar.= 0.45, R² = 0.57 BA3 = 0.70*BA, Errorvar.= 0.30, R² = 0.62 BA4 = 0.99*BA, Errorvar.= 0.11, R² = 0.90 Structural Equations PQ = 0.39*BA, Errorvar.= 0.93, R² = 0.14 BL = 0.20*PQ *BA, Errorvar.= 0.67, R² = 0.29
32 PI = 0.37*PQ *BL *BA, Errorvar.= 0.74, R² = 0.46 Reduced Form Equations PQ = 0.39*BA, Errorvar.= 0.93, R² = 0.14 BL = 0.48*BA, Errorvar.= 0.71, R² = 0.24 PI = 0.53*BA, Errorvar.= 1.09, R² = 0.21 Correlation Matrix of Independent Variables BA Covariance Matrix of Latent Variables PQ BL PI BA PQ 1.08 BL PI BA Behavior under Minimization Iterations Iter Try Abscissa Slope Function D D D D D D D D D D D D D D D D D D D D D D D D+01
33 D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D+01
34 D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D+01
35 Number of Iterations = 20 LISREL Estimates (Maximum Likelihood) Measurement Equations PQ1 = 0.70*PQ, Errorvar.= 0.26, R² = 0.66 (0.033) 7.84 PQ2 = 0.57*PQ, Errorvar.= 0.34, R² = 0.49 (0.054) (0.038) PQ3 = 0.66*PQ, Errorvar.= 0.28, R² = 0.61 (0.055) (0.034) PQ4 = 0.74*PQ, Errorvar.= 0.37, R² = 0.60 (0.062) (0.044) PQ5 = 0.77*PQ, Errorvar.= 0.20, R² = 0.75 (0.056) (0.030) BL1 = 0.81*BL, Errorvar.= 0.45, R² = 0.59 (0.094) 4.83 BL2 = 0.71*BL, Errorvar.= 0.47, R² = 0.52 (0.10) (0.079) PI1 = 0.76*PI, Errorvar.= 0.25, R² = 0.70 (0.031) 7.99
36 PI2 = 0.79*PI, Errorvar.= 0.30, R² = 0.68 (0.057) (0.036) PI3 = 0.76*PI, Errorvar.= 0.40, R² = 0.59 (0.060) (0.046) PI4 = 0.79*PI, Errorvar.= 0.38, R² = 0.62 (0.061) (0.044) PI5 = 0.73*PI, Errorvar.= 0.33, R² = 0.62 (0.056) (0.038) PI6 = 0.75*PI, Errorvar.= 0.26, R² = 0.68 (0.053) (0.032) BA1 = 0.81*BA, Errorvar.= 0.44, R² = 0.60 (0.064) (0.051) BA2 = 0.82*BA, Errorvar.= 0.39, R² = 0.63 (0.062) (0.046) BA3 = 0.71*BA, Errorvar.= 0.29, R² = 0.64 (0.054) (0.035) BA4 = 0.97*BA, Errorvar.= 0.15, R² = 0.87 (0.058) (0.034) Structural Equations
37 PQ = 0.39*BA, Errorvar.= 0.85, R² = 0.15 (0.078) (0.13) BL = 0.17*PQ *BA, Errorvar.= 0.68, R² = 0.32 (0.087) (0.093) (0.15) PI = 0.32*PQ *BL *BA, Errorvar.= 0.54, R² = 0.46 (0.074) (0.100) (0.083) (0.084) Reduced Form Equations PQ = 0.39*BA, Errorvar.= 0.85, R² = 0.15 (0.078) 5.05 BL = 0.55*BA, Errorvar.= 0.70, R² = 0.30 (0.089) 6.15 PI = 0.50*BA, Errorvar.= 0.75, R² = 0.25 (0.075) 6.59 Correlation Matrix of Independent Variables BA Covariance Matrix of Latent Variables PQ BL PI BA PQ 1.00 BL PI
38 BA Goodness of Fit Statistics Degrees of Freedom = 113 Minimum Fit Function Chi-Square = (P = 0.0) Normal Theory Weighted Least Squares Chi-Square = (P = 0.0) Estimated Non-centrality Parameter (NCP) = Percent Confidence Interval for NCP = ( ; ) Minimum Fit Function Value = 4.07 Population Discrepancy Function Value (F0) = Percent Confidence Interval for F0 = (1.17 ; 1.78) Root Mean Square Error of Approximation (RMSEA) = Percent Confidence Interval for RMSEA = (0.059 ; 0.081) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.00 Expected Cross-Validation Index (ECVI) = Percent Confidence Interval for ECVI = (2.14 ; 2.75) ECVI for Saturated Model = 6.54 ECVI for Independence Model = Chi-Square for Independence Model with 136 Degrees of Freedom = Independence AIC = Model AIC = Saturated AIC = Independence CAIC = Model CAIC = Saturated CAIC = Normed Fit Index (NFI) = 0.98 Non-Normed Fit Index (NNFI) = 0.97 Parsimony Normed Fit Index (PNFI) = 0.79 Comparative Fit Index (CFI) = 0.95 Incremental Fit Index (IFI) = 0.95 Relative Fit Index (RFI) = 0.95 Critical N (CN) = 38.11
39 Root Mean Square Residual (RMR) = Standardized RMR = Goodness of Fit Index (GFI) = 0.93 Adjusted Goodness of Fit Index (AGFI) = 0.91 Parsimony Goodness of Fit Index (PGFI) = 0.75 Fitted Covariance Matrix PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI BA BA BA BA Fitted Covariance Matrix BL2 PI1 PI2 PI3 PI4 PI5 BL PI PI PI PI PI
40 PI BA BA BA BA Fitted Covariance Matrix PI6 BA1 BA2 BA3 BA PI BA BA BA BA Fitted Residuals PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI BA BA BA BA Fitted Residuals BL2 PI1 PI2 PI3 PI4 PI5
41 BL PI PI PI PI PI PI BA BA BA BA Fitted Residuals PI6 BA1 BA2 BA3 BA PI BA BA BA BA Summary Statistics for Fitted Residuals Smallest Fitted Residual = Median Fitted Residual = 0.00 Largest Fitted Residual = 0.17 Stemleaf Plot
42 Standardized Residuals PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ1 - - PQ PQ PQ PQ BL BL PI PI PI PI PI PI BA BA BA BA Standardized Residuals BL2 PI1 PI2 PI3 PI4 PI5 BL2 - - PI PI PI PI PI PI BA BA
43 BA BA Standardized Residuals PI6 BA1 BA2 BA3 BA PI6 - - BA BA BA BA Summary Statistics for Standardized Residuals Smallest Standardized Residual = Median Standardized Residual = 0.00 Largest Standardized Residual = 7.08 Stemleaf Plot Largest Negative Standardized Residuals Residual for PI1 and BL Residual for PI3 and PI Residual for PI3 and PI Residual for PI4 and PI Residual for PI5 and PI4-5.05
44 Residual for PI6 and PI Residual for PI6 and PI Residual for PI6 and PI Residual for BA4 and PQ Largest Positive Standardized Residuals Residual for PI4 and PI Residual for PI4 and PI Residual for PI5 and PI Residual for PI5 and PI Residual for PI6 and PI Residual for PI6 and PI Residual for BA1 and PQ Residual for BA2 and PI Residual for BA3 and BL Residual for BA3 and PI Residual for BA4 and BA Qplot of Standardized Residuals x..... x.. x.. *.. *.. xx.. xx x x. N.. *xx. o.. * x*x. r.. x x. m.. **x. a.. x**x.
45 l.. *xx...* *. Q. xxxx. u. x. a. xx. n. xx*. t. xx*. i. x*.. l. xxxx. e. *xx*.. s. xx*... *x x... x x... *.. *.. x.. x..... x Standardized Residuals The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate PI3 PI PI3 PI PI4 PI PI4 PI PI4 PI PI5 PI PI5 PI PI5 PI PI6 PI PI6 PI PI6 PI
46 PI6 PI PI6 PI BA2 PI BA2 PI BA3 BL BA3 BL BA4 PQ BA4 BL Covariance Matrix of Parameter Estimates LY 2_1 LY 3_1 LY 4_1 LY 5_1 LY 7_2 LY 9_3 LY 2_ LY 3_ LY 4_ LY 5_ LY 7_ LY 9_ LY 10_ LY 11_ LY 12_ LY 13_ LX 1_ LX 2_ LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_
47 TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Covariance Matrix of Parameter Estimates LY 10_3 LY 11_3 LY 12_3 LY 13_3 LX 1_1 LX 2_1 LY 10_ LY 11_ LY 12_ LY 13_ LX 1_ LX 2_ LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_
48 TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Covariance Matrix of Parameter Estimates LX 3_1 LX 4_1 BE 2_1 BE 3_1 BE 3_2 GA 1_1 LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_
49 TD 3_ TD 4_ Covariance Matrix of Parameter Estimates GA 2_1 GA 3_1 PS 1_1 PS 2_2 PS 3_3 TE 1_1 GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Covariance Matrix of Parameter Estimates TE 2_2 TE 3_3 TE 4_4 TE 5_5 TE 6_6 TE 7_7 TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_
50 TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Covariance Matrix of Parameter Estimates TE 8_8 TE 9_9 TE 10_10 TE 11_11 TE 12_12 TE 13_13 TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Covariance Matrix of Parameter Estimates TD 1_1 TD 2_2 TD 3_3 TD 4_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates LY 2_1 LY 3_1 LY 4_1 LY 5_1 LY 7_2 LY 9_3 LY 2_1 1.00
51 LY 3_ LY 4_ LY 5_ LY 7_ LY 9_ LY 10_ LY 11_ LY 12_ LY 13_ LX 1_ LX 2_ LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates
52 LY 10_3 LY 11_3 LY 12_3 LY 13_3 LX 1_1 LX 2_1 LY 10_ LY 11_ LY 12_ LY 13_ LX 1_ LX 2_ LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates LX 3_1 LX 4_1 BE 2_1 BE 3_1 BE 3_2 GA 1_1
53 LX 3_ LX 4_ BE 2_ BE 3_ BE 3_ GA 1_ GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates GA 2_1 GA 3_1 PS 1_1 PS 2_2 PS 3_3 TE 1_1 GA 2_ GA 3_ PS 1_ PS 2_ PS 3_ TE 1_ TE 2_
54 TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates TE 2_2 TE 3_3 TE 4_4 TE 5_5 TE 6_6 TE 7_7 TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TE 7_ TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates TE 8_8 TE 9_9 TE 10_10 TE 11_11 TE 12_12 TE 13_13
55 TE 8_ TE 9_ TE 10_ TE 11_ TE 12_ TE 13_ TD 1_ TD 2_ TD 3_ TD 4_ Correlation Matrix of Parameter Estimates TD 1_1 TD 2_2 TD 3_3 TD 4_ TD 1_ TD 2_ TD 3_ TD 4_ Covariances Y - ETA PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ BL PI Y - ETA BL2 PI1 PI2 PI3 PI4 PI5 PQ BL PI Y - ETA
56 PI PQ 0.39 BL 0.42 PI 0.74 Y - KSI PQ1 PQ2 PQ3 PQ4 PQ5 BL1 BA Y - KSI BL2 PI1 PI2 PI3 PI4 PI5 BA Y - KSI PI BA 0.37 X - ETA BA1 BA2 BA3 BA PQ BL PI X - KSI BA1 BA2 BA3 BA BA
57 First Order Derivatives LAMBDA-Y PQ BL PI PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI LAMBDA-X BA BA BA BA BA BETA PQ BL PI PQ BL PI GAMMA BA
58 PQ 0.00 BL 0.00 PI 0.00 PHI BA PSI PQ BL PI PQ 0.00 BL PI THETA-EPS PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI THETA-EPS BL2 PI1 PI2 PI3 PI4 PI5 BL2 0.00
59 PI PI PI PI PI PI THETA-EPS PI PI THETA-DELTA-EPS PQ1 PQ2 PQ3 PQ4 PQ5 BL1 BA BA BA BA THETA-DELTA-EPS BL2 PI1 PI2 PI3 PI4 PI5 BA BA BA BA THETA-DELTA-EPS PI BA BA BA BA THETA-DELTA
60 BA1 BA2 BA3 BA BA BA BA BA Factor Scores Regressions ETA PQ1 PQ2 PQ3 PQ4 PQ5 BL1 PQ BL PI ETA BL2 PI1 PI2 PI3 PI4 PI5 PQ BL PI ETA PI6 BA1 BA2 BA3 BA PQ BL PI KSI PQ1 PQ2 PQ3 PQ4 PQ5 BL1 BA
61 KSI BL2 PI1 PI2 PI3 PI4 PI5 BA KSI PI6 BA1 BA2 BA3 BA BA Standardized Solution LAMBDA-Y PQ BL PI PQ PQ PQ PQ PQ BL BL PI PI PI PI PI PI LAMBDA-X BA BA BA2 0.82
62 BA BA BETA PQ BL PI PQ BL PI GAMMA BA PQ 0.39 BL 0.48 PI 0.18 Correlation Matrix of ETA and KSI PQ BL PI BA PQ 1.00 BL PI BA PSI Note: This matrix is diagonal. PQ BL PI Regression Matrix ETA on KSI (Standardized) BA PQ 0.39 BL 0.55
Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL3 1 5 5 4 4 4 3 4 3 4 3 4 5 2 4 4 3 5 4 4 4 4 5 4 3 4 3 2 2 3 2 3 3 3 3 4 2 3 2 4 4 4 5 3 4 4 4 3 4 4 5 4 5 5 5 4 2 3 3 3 4 3
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 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 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 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 περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Διαβάστε 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 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 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 περισσότεραΛογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS
Λογαριθμικά Γραμμικά Μοντέλα Poisson Παλινδρόμηση Παράδειγμα στο SPSS Ο παρακάτω πίνακας παρουσιάζει θανάτους από καρδιακή ανεπάρκεια ανάμεσα σε άνδρες γιατρούς οι οποίοι έχουν κατηγοριοποιηθεί κατά ηλικία
Διαβάστε 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 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 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 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 περισσότεραSummary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
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 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 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 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 περισσότεραΕισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS
Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS Βασίλης Παυλόπουλος Τμήμα Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr users.uoa.gr/~vpavlop ΠΜΣ Κοινωνική Ψυχολογία των Συγκρούσεων,
Διαβάστε 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 περισσότεραTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Exploring Data: Distributions Look for overall pattern (shape, center, spread) and deviations (outliers). Mean (use a calculator): x = x 1 + x
Διαβάστε 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 Συστήματα Δομικών Εξισώσεων Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια
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 περισσότερα5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
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 Εισαγωγή στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια 2 Περιεχόμενα
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 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 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 περισσότερα1 1 1 2 1 2 2 1 43 123 5 122 3 1 312 1 1 122 1 1 1 1 6 1 7 1 6 1 7 1 3 4 2 312 43 4 3 3 1 1 4 1 1 52 122 54 124 8 1 3 1 1 1 1 1 152 1 1 1 1 1 1 152 1 5 1 152 152 1 1 3 9 1 159 9 13 4 5 1 122 1 4 122 5
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 περισσότερα2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
Διαβάστε περισσότεραΑ. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις
Α. Μπατσίδης Πρόχειρες βοηθητικές διδακτικές σημειώσεις Οι παρούσες σημειώσεις επιχειρούν να αποτελέσουν μια βοήθεια τόσο στην παρακολούθηση της διάλεξης όσο και στη μελέτη κάποιων εκ των θεμάτων της Γραμμικής
Διαβάστε περισσότερα5.1 logistic regresssion Chris Parrish July 3, 2016
5.1 logistic regresssion Chris Parrish July 3, 2016 Contents logistic regression model 1 1992 vote 1 data..................................................... 1 model....................................................
Διαβάστε περισσότερα22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation
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 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 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 Παραδείγματα στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
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 περισσότεραAPPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότεραJesse Maassen and Mark Lundstrom Purdue University November 25, 2013
Notes on Average Scattering imes and Hall Factors Jesse Maassen and Mar Lundstrom Purdue University November 5, 13 I. Introduction 1 II. Solution of the BE 1 III. Exercises: Woring out average scattering
Διαβάστε περισσότεραHomework 3 Solutions
Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For
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 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 περισσότεραSupplementary figures
A Supplementary figures a) DMT.BG2 0.87 0.87 0.72 20 40 60 80 100 DMT.EG2 0.93 0.85 20 40 60 80 EMT.MG3 0.85 0 20 40 60 80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 EMT.G6 DMT/EMT b) EG2 0.92 0.85 5
Διαβάστε περισσότεραNI it (dalam jutaan rupiah)
NI it (dalam jutaan rupiah) No Kode Emiten 2009 2010 1 AISA 34.763 75.235 2 ARNA 63.888 79.039 3 ASII 10.040 14.366 4 AUTO 768.265 1.141.179 5 BATA 52.980 60.975 6 BRNA 20.260 34.760 7 BTON 9.388 8.393
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 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 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 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 περισσότεραST5224: Advanced Statistical Theory II
ST5224: Advanced Statistical Theory II 2014/2015: Semester II Tutorial 7 1. Let X be a sample from a population P and consider testing hypotheses H 0 : P = P 0 versus H 1 : P = P 1, where P j is a known
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 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 περισσότεραΙ Ο Λ Ο Γ Ι Μ Ο - Α Π Ο Λ Ο Γ Ι Μ Ο Μ Η Ν Ο Γ Δ Κ Δ Μ Β Ρ Ι Ο Υ 2 0 1 5
Μ Ρ : 0 9 / 0 1 / 2 0 1 6 Ρ. Ρ Ω. : 7 Λ Γ Μ - Λ Γ Μ Μ Η Γ Δ Κ Δ Μ Β Ρ Υ 2 0 1 5 Δ Γ Ρ Ϋ Λ Γ Θ Δ ΚΔ Μ Β Δ Β Ω Θ Δ Δ Ρ Υ Θ Δ 0111 Χ / Γ Δ Θ Μ Θ Δ Ρ Ω Κ - - - 0112 Χ / Γ Λ Ρ Γ Κ Δ 2 3. 2 1 3. 0 0 0, 0 0-2
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 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 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 περισσότεραHomework 8 Model Solution Section
MATH 004 Homework Solution Homework 8 Model Solution Section 14.5 14.6. 14.5. Use the Chain Rule to find dz where z cosx + 4y), x 5t 4, y 1 t. dz dx + dy y sinx + 4y)0t + 4) sinx + 4y) 1t ) 0t + 4t ) sinx
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 περισσότεραWan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1
Linear Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the 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 Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
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 περισσότεραCHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS
CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =
Διαβάστε περισσότερα255 (log-normal distribution) 83, 106, 239 (malus) 26 - (Belgian BMS, Markovian presentation) 32 (median premium calculation principle) 186 À / Á (goo
(absolute loss function)186 - (posterior structure function)163 - (a priori rating variables)25 (Bayes scale) 178 (bancassurance)233 - (beta distribution)203, 204 (high deductible)218 (bonus)26 ( ) (total
Διαβάστε περισσότεραLecture 34 Bootstrap confidence intervals
Lecture 34 Bootstrap confidence intervals Confidence Intervals θ: an unknown parameter of interest We want to find limits θ and θ such that Gt = P nˆθ θ t If G 1 1 α is known, then P θ θ = P θ θ = 1 α
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 περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 4: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (3 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
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 περισσότεραR 28 February 2014
R (minato-nakazawa@umin.net) 28 February 2014 2011 http://minato.sip21c.org/swtips/factor-in-r.pdf 1 Timothy Bates *1 *2 2 *3 3 300 2:1 10:1 1.0 (1) *4 (2) *1 http://www.psy.ed.ac.uk/people/tbates/lectures/methodology/
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 περισσότεραDoes anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis
Does anemia contribute to end-organ dysfunction in ICU patients Statistical Analysis Xue Han, MPH and Matt Shotwell, PhD Department of Biostatistics Vanderbilt University School of Medicine March 14, 2014
Διαβάστε 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 περισσότεραΑΝΑΛΥΣΗ ΚΟΣΤΟΥΣ ΟΦΕΛΟΥΣ ΣΤΟΝ ΚΛΑΔΟ ΤΗΣ ΕΝΕΡΓΕΙΑΣ
Εργασία στα πλαίσια του μαθήματος ΟΙΚΟΝΟΜΙΚΑ ΤΗΣ ΕΝΕΡΓΕΙΑΣ ΑΝΑΛΥΣΗ ΚΟΣΤΟΥΣ ΟΦΕΛΟΥΣ ΣΤΟΝ ΚΛΑΔΟ ΤΗΣ ΕΝΕΡΓΕΙΑΣ Α.Μ. 12012058 Επιβλέπων: Κωνσταντίνος Κουνετάς ΔΕΚΕΜΒΡΙΟΣ 2014 Περίληψη Η ανάλυση κόστους οφέλους
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 περισσότεραγ δ ε ζ τ υ φ χ ψ ω ᾇ ᾇ ᾇ ι κ λ ᾇ ᾇ ᾇ GFS PYRSOS ΕΤΑΙΡΕΙΑ ΕΛΛΗΝΙΚΩΝ ΤΥΠΟΓΡΑΦΙΚΩΝ ΣΤΟΙΧΕΙΩΝ GREEK FONT SOCIETY ὧ ὓ ῤ ἳ ή ἐ
ᾇ ᾇ ᾇ ᾇ ᾇ ᾇ ο ο πζ σ ρ θ μ ξ τ ὧ ὓ ῤ ἳ ή ἐ ν π π η θ ι κ λ ἒ ν ὀ ὦ ψ ΐ ὤ ἒ ὤ ῑ β γ δ ε ζ τ υ φ χ ψ ω ΕΤΑΙΡΕΙΑ ΕΛΛΗΝΙΚΩΝ ΤΥΠΟΓΡΑΦΙΚΩΝ ΣΤΟΙΧΕΙΩΝ GREEK FONT SOCIETY GFS PYRSOS GFS Pyrsos ελληνικά open type
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
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 περισσότεραWan Nor Arifin under the Creative Commons Attribution-ShareAlike 4.0 International License. 1 Introduction 1
Poisson Regression A Short Course on Data Analysis Using R Software (2017) Wan Nor Arifin (wnarifin@usm.my), Universiti Sains Malaysia Website: sites.google.com/site/wnarifin Wan Nor Arifin under the Creative
Διαβάστε περισσότερα«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Διαβάστε περισσότεραο αεροσολσ σλοω χλιµατιχ ωαρµινγ? Ηαλτινγ τηε σπρεαδ οφ ΑΙ Σ. Χαν παρτιχλε πηψσιχσ χοµε βαχκ?
ΦΕΒΡΥΑΡΨ 1994 3.95 ο αεροσολσ σλοω χλιµατιχ ωαρµινγ? Ηαλτινγ τηε σπρεαδ οφ ΑΙ Σ. Χαν παρτιχλε πηψσιχσ χοµε βαχκ? ιγιταλ φοργερψ χαν χρεατε πηοτογραπηιχ εϖιδενχε φορ εϖεντσ τηατ νεϖερ ηαππενεδ. Φεβρυαρψ
Διαβάστε περισσότεραAPPENDIX B NETWORK ADJUSTMENT REPORTS JEFFERSON COUNTY, KENTUCKY JEFFERSON COUNTY, KENTUCKY JUNE 2016
APPENDIX B NETWORK ADJUSTMENT REPORTS JEFFERSON COUNTY, KENTUCKY OF JEFFERSON COUNTY, KENTUCKY JUNE 2016 Jacobi, Toombs, and Lanz, Inc. 14 South 1 st Street Louisville, KY 40208 U.S.A. Phone: 15025835994
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 περισσότεραSurvival Analysis: One-Sample Problem /Two-Sample Problem/Regression. Lu Tian and Richard Olshen Stanford University
Survival Analysis: One-Sample Problem /Two-Sample Problem/Regression Lu Tian and Richard Olshen Stanford University 1 One sample problem T 1,, T n 1 S( ), C 1,, C n G( ) and T i C i Observations: (U i,
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 περισσότεραp n r.01.05.10.15.20.25.30.35.40.45.50.55.60.65.70.75.80.85.90.95
r r Table 4 Biomial Probability Distributio C, r p q This table shows the probability of r successes i idepedet trials, each with probability of success p. p r.01.05.10.15.0.5.30.35.40.45.50.55.60.65.70.75.80.85.90.95
Διαβάστε περισσότεραChapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
Διαβάστε περισσότεραΕΠΙΤΥΧΟΝΤΕΣ ΑΕΙ 2009 Αρχιτεκτόνων Μηχανικών Κρήτης
ΕΠΙΤΥΧΟΝΤΕΣ ΑΕΙ 2009 Χρηστίδης Δ. Ανωγιάτη Χ. Κοκκολάκη Α. Λουράντου Α. Χασάπης Φ. Σταυροπούλου Ε. Αλωνιστιώτη Δ. Καρκασίνας Α. Μαραγκουδάκης Θ. Κεφαλάς Γ. Μπαχά Α. Μπέζα Γ. Μποραζέλης Ν. Χίνης Π. Λύτρα
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 περισσότεραHOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:
HOMEWORK 4 Problem a For the fast loading case, we want to derive the relationship between P zz and λ z. We know that the nominal stress is expressed as: P zz = ψ λ z where λ z = λ λ z. Therefore, applying
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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «ΑΣΚΗΣΗ, ΕΡΓΟΣΠΙΡΟΜΕΤΡΙΑ ΚΑΙ ΑΠΟΚΑΤΑΣΤΑΣΗ» ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ 1. ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: Μεθοδολογία έρευνας και στατιστική 2. ΚΩΔ.
Διαβάστε περισσότεραIV. ANHANG 179. Anhang 178
Anhang 178 IV. ANHANG 179 1. Röntgenstrukturanalysen (Tabellen) 179 1.1. Diastereomer A (Diplomarbeit) 179 1.2. Diastereomer B (Diplomarbeit) 186 1.3. Aldoladdukt 5A 193 1.4. Aldoladdukt 13A 200 1.5. Aldoladdukt
Διαβάστε περισσότεραExercises 10. Find a fundamental matrix of the given system of equations. Also find the fundamental matrix Φ(t) satisfying Φ(0) = I. 1.
Exercises 0 More exercises are available in Elementary Differential Equations. If you have a problem to solve any of them, feel free to come to office hour. Problem Find a fundamental matrix of the given
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. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26
LAMPIRAN Lampiran 1 Uji Chow Test Model Pertama Hipotesis: Ho: Pooled Least Square Ha: Fixed Effect Method Decision Rule: Tolak Ho apabila P-value < α Fixed-effects (within) regression Number of obs =
Διαβάστε περισσότεραΠροβλέψεις ισοτιμιών στο EViews
Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραSolution Series 9. i=1 x i and i=1 x i.
Lecturer: Prof. Dr. Mete SONER Coordinator: Yilin WANG Solution Series 9 Q1. Let α, β >, the p.d.f. of a beta distribution with parameters α and β is { Γ(α+β) Γ(α)Γ(β) f(x α, β) xα 1 (1 x) β 1 for < x
Διαβάστε περισσότερα