Εισαγωγή στη Βιοστατιστική
|
|
- Ιώ Σαμαράς
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Επαναληπτικό μάθημα: Νοέμβριος 2017 Αλέξανδρος Γρυπάρης, PhD Αλέξανδρος Γρυπάρης, PhD 1
2 Βασικές έννοιες Πληθυσμός - δείγμα Κεντρική ιδέα στην όλη στατιστική διαδικασία αποτελεί η μελέτη ενός δείγματος αποτελούμενου από (n) παρατηρήσεις και προερχόμενου από ένα πληθυσμό αναφοράς αποτελούμενο από (Ν) παρατηρήσεις. Το δείγμα πρέπει να είναι τυχαίο και αντιπροσωπευτικό υποσύνολο του πληθυσμού. Κάθε έρευνα έχει σκοπό να καταλήξει σε συμπεράσματα για τον πληθυσμό, και όχι για το δείγμα! Αλέξανδρος Γρυπάρης, PhD 2
3 Είδη μεταβλητών Μη διατάξιμες (δεν επιδέχονται αριθμητικές μετρήσεις και δεν υπάρχει ιεραρχία). Φύλο (διχοτομική μεταβλητή) 0 άνδρας 1 γυναίκα Ομάδα αίματος 0 ομάδα αίματος O 1 ομάδα αίματος A 2 ομάδα αίματος B 3 ομάδα αίματος AB Αλέξανδρος Γρυπάρης, PhD 3
4 Είδη μεταβλητών Διατάξιμες (δεν επιδέχονται αριθμητικές μετρήσεις αλλά υπάρχει ιεραρχία) 1 χωρίς συμπτώματα 2 ελαφρά συμπτώματα 3 μέτρια συμπτώματα 4 έντονα συμπτώματα Αλέξανδρος Γρυπάρης, PhD 4
5 Είδη μεταβλητών Διακριτές (επιδέχονται αριθμητικές μετρήσεις, αλλά είναι δυνατόν να λάβουν μόνο ορισμένες τιμές) Αριθμός τροχαίων ατυχημάτων Αθήνα σε μια ημέρα Αριθμός μαθητών σε μια τάξη στην Αλέξανδρος Γρυπάρης, PhD 5
6 Είδη μεταβλητών Συνεχείς (επιδέχονται αριθμητικές μετρήσεις και μπορούν να πάρουν θεωρητικά όλες τις τιμές των πραγματικών αριθμών σε ένα διάστημα) Βάρος Συστολική πίεση Χρόνος επιβίωσης Θερμοκρασία Αλέξανδρος Γρυπάρης, PhD 6
7 Είδη μεταβλητών Ποιοτικές, κατηγορικές (Qualitative, Categorical) Μεταβλητές που δεν μπορούν να μετρηθούν (κατηγοριοποίηση) Διατάξιμες (ιεράρχηση) Μη διατάξιμες Ποσοτικές (Quantitative) Μεταβλητές που μπορούν να μετρηθούν Συνεχείς Διακριτές Αλέξανδρος Γρυπάρης, PhD 7
8 Περιγραφική Στατιστική Για να περιγράψουμε τα δεδομένα μας, χρησιμοποιούμε διαφορετικούς τρόπους για τις ποιοτικές και τις ποσοτικές μεταβλητές Στη συνέχεια θα δούμε τους κυριότερους τρόπους, για κάθε μια από τις δυο κατηγορίες μεταβλητών Αλέξανδρος Γρυπάρης, PhD 8
9 Ποιοτικές μεταβλητές Στις ποιοτικές μεταβλητές χρησιμοποιούμε την κατανομή συχνοτήτων Κατανομή συχνοτήτων (frequency distribution). Με την κατανομή συχνοτήτων καταγράφεται για κάθε τιμή του ποιοτικού μεγέθους ο αντίστοιχος αριθμός παρατηρήσεων ή/και το αντίστοιχο ποσοστό. Αλέξανδρος Γρυπάρης, PhD 9
10 Παράδειγμα Κατανομή συχνοτήτων: Αλέξανδρος Γρυπάρης, PhD 10
11 Ραβδόγραμμα Αλέξανδρος Γρυπάρης, PhD 11
12 Πίτα Αλέξανδρος Γρυπάρης, PhD 12
13 Ιστόγραμμα Ιστόγραμμα Συχνοτήτων του ΔΜΣ (ΒΜΙ) σε δείγμα 2994 ατόμων. Αλέξανδρος Γρυπάρης, PhD 13
14 Περιγραφική Στατιστική για Ποσοτικές μεταβλητές Υπολογίζονται με βάση τα στοιχεία της κατανομής και μπορούν να υποδείξουν τα κύρια χαρακτηριστικά της Τιμές θέσης Επικρατούσα τιμή, μέση τιμή, διάμεσος Τιμές βαθμού διασποράς Σταθερή απόκλιση, ακραίες τιμές, εκατοστημόρια Αλέξανδρος Γρυπάρης, PhD 14
15 Τιμές θέσης Επικρατούσα τιμή είναι η τιμή στην οποία σημειώθηκαν οι περισσότερες παρατηρήσεις Μέση τιμή είναι το αλγεβρικό άθροισμα όλων των μετρήσεων διαιρεμένο με το πλήθος αυτών Διάμεσος είναι η τιμή που είναι συγχρόνως μεγαλύτερη από τις μισές μετρήσεις και μικρότερη από τις άλλες μισές n+1 Η τιμή της διατεταγμένης παρατήρησης 2 Αλέξανδρος Γρυπάρης, PhD 15
16 Παράδειγμα: Οι 17 μαθητές μιας τάξης σημείωσαν τον παρακάτω αριθμό απουσιών (σε αυξανόμενη σειρά) 0, 1, 1, 2, 2, 2, 3, 3, 4, 5, 5, 6, 6, 7, 7, 34, 82 Αλέξανδρος Γρυπάρης, PhD 16
17 Παράδειγμα: Οι 17 μαθητές μιας τάξης σημείωσαν τον παρακάτω αριθμό απουσιών (σε αυξανόμενη σειρά) 0, 1, 1, 2, 2, 2, 3, 3, 4, 5, 5, 6, 6, 7, 7, 34, 82 Επικρατούσα τιμή: 2 απουσίες Μέση τιμή: 10 απουσίες Διάμεσος: 4 απουσίες Αλέξανδρος Γρυπάρης, PhD 17
18 Μέση τιμή και διάμεσος Αν η κατανομή είναι συμμετρική, η μέση τιμή και η διάμεσος βρίσκονται πολύ κοντά Η μέση τιμή προτιμάται όταν δουλεύουμε με συμμετρική κατανομή Σε μη συμμετρικές κατανομές προτιμάται η διάμεσος. Η μέση τιμή επηρεάζεται περισσότερο από τις ακραίες τιμές, και από τη μη συμμετρικότητα Η επικρατούσα τιμή είναι χρήσιμη σε περιπτώσεις πολυκόρυφων κατανομών Αλέξανδρος Γρυπάρης, PhD 18
19 Παράδειγμα: Το παρακάτω ιστόγραμμα αντιστοιχεί στα δεδομένα του προηγούμενου παραδείγματος (με τον αριθμό απουσιών). Με βάση αυτό το ιστόγραμμα, ποιο μέτρο θέσης θα επιλέγατε για τα δεδομένα αυτά; Αλέξανδρος Γρυπάρης, PhD 19
20 Παράδειγμα: Αλέξανδρος Γρυπάρης, PhD 20
21 Τιμές βαθμού διασποράς Σταθερή απόκλιση (standard deviation): SD = ( x i x ) 2 = Σx 2 i ( Σx i )2 n n 1 n 1 Οι ακραίες τιμές προσδιορίζουν το εύρος της κατανομής Εκατοστημόρια: (n+1) K 100 Αλέξανδρος Γρυπάρης, PhD 21
22 Τιμές βαθμού διασποράς Διακύμανση (variance) Var = = SD 2 Τυπικό σφάλμα (standard error) SE = SD n ( x x ) 2 n 1 Αλέξανδρος Γρυπάρης, PhD 22
23 Πραγματική μέση τιμή Η μέση τιμή ενός δείγματος αποτελεί μια κατά προσέγγιση εκτίμηση της πραγματικής μέσης τιμής του πληθυσμού Το τυπικό σφάλμα αποτελεί μέτρο της ενδεχόμενης απόστασης της μέσης τιμής του δείγματος από την αντίστοιχη πραγματική Αλέξανδρος Γρυπάρης, PhD 23
24 Διάστημα αξιοπιστίας Στην κανονική κατανομή, το διάστημα: (μέση τιμή ± 1,96*SE) περιλαμβάνει την πραγματική μέση τιμή με πιθανότητα 95% Αλέξανδρος Γρυπάρης, PhD 24
25 Παράδειγμα Έστω ότι η μέση τιμή μιας σειράς πολυάριθμων μετρήσεων αναστημάτων ήταν 164 εκ. και το SE ήταν 0,5 εκ. Τότε, το 95% διάστημα αξιοπιστίας για την πραγματική μέση τιμή είναι το διάστημα ( *0.5, *0.5) Έτσι, στο δείγμα μας η μέση τιμή του ύψους ήταν 164 εκ. Ποια είναι η μέση τιμή του πληθυσμού αναφοράς; Αλέξανδρος Γρυπάρης, PhD 25
26 (συνέχεια) Για τον πληθυσμό αναφοράς δεν είμαστε σίγουροι ποιά είναι η μέση τιμή του ύψους του. Αλλά, πιστεύουμε ότι με 95% πιθανότητα βρίσκεται στο διάστημα (163.02, ). Έτσι, με πιθανότητα 95% λέμε ότι η πραγματική μέση τιμή βρίσκεται στο διάστημα (163.02, ). Η πιθανότητα να κάνουμε λάθος είναι 5%=0,05 Αλέξανδρος Γρυπάρης, PhD 26
27 Σύγκριση 2 μέσων τιμών(ttest) Έστω ότι θέλουμε να συγκρίνουμε δύο διαφορετικές μέσες τιμές, που προέρχονται από δυο ανεξάρτητους πληθυσμούς. Χρησιμοποιείται για μια ποσοτική μεταβλητή και μια ποιοτική με 2 κατηγορίες (π.χ. φύλο) Προϋποθέσεις: Η μεταβλητή που μας ενδιαφέρει ακολουθεί την κανονική κατανομή και στους 2 πληθυσμούς. Οι τυπικές αποκλίσεις δεν διαφέρουν. Ελέγχουμε αν η μια δεν είναι διπλάσια της άλλης, ή μεγαλύτερη Αλέξανδρος Γρυπάρης, PhD 27
28 Παράδειγμα Έστω ότι θέλουμε να συγκρίνουμε τον αριθμό τσιγάρων που καπνίζουν την ημέρα οι άνδρες και οι γυναίκες, στο γενικό πληθυσμό. Μηδενική υπόθεση: Η 0 : μ 1 =μ 2, δηλαδή ο μέσος αριθμός τσιγάρων που καπνίζουν οι άνδρες είναι ίσος με το μέσο αριθμό τσιγάρων που καπνίζουν οι γυναίκες, στον πληθυσμό. Εναλλακτική υπόθεση: Η Α : μ 1 μ 2, δηλαδή ο μέσος αριθμός τσιγάρων που καπνίζουν οι άνδρες ΔΕΝ είναι ίσος με το μέσο αριθμό τσιγάρων που καπνίζουν οι γυναίκες, στον πληθυσμό. Αλέξανδρος Γρυπάρης, PhD 28
29 Έλεγχος υπόθεσης Ο έλεγχος υπόθεσης είναι μια διαδικασία βάση της οποίας συνάγουμε συμπεράσματα για μια παράμετρο του πληθυσμού (π.χ. τη μέση τιμή), χρησιμοποιώντας πληροφορίες που προέρχονται από το δείγμα μας Πάντα ξεκινάμε από τη μηδενική υπόθεση(h 0 ): στο t-test υποθέτουμε ότι οι πραγματικές μέσες τιμές των πληθυσμών είναι ίσες H 0 : μ 1 =μ 2 Η εναλλακτική υπόθεση είναι H Α : μ 1 μ 2 Στη συνέχεια ελέγχουμε αν το δείγμα μας είναι περισσότερο συνεπής με τη μηδενική υπόθεση ή με την εναλλακτική υπόθεση Αλέξανδρος Γρυπάρης, PhD 29
30 p-value Για το λόγο αυτό υπολογίζουμε το στατιστικό κριτήριο (test statistic), και από εκεί βρίσκουμε το p-value Βάση του p-value θα αποφασίσουμε αν θα επιλέξουμε την μηδενική ή την εναλλακτική υπόθεση Αλέξανδρος Γρυπάρης, PhD 30
31 p-value Στη συνέχεια συγκρίνουμε την υπολογιζόμενη p-value με το στατιστικό επίπεδο αναφοράς, που συνήθως είναι το 0,05 Αν p-value < 0,05, τότε απορρίπτουμε την H 0 και αποδεχόμαστε την H Α Αν p-value > 0,05, τότε αποτυγχάνουμε να απορρίψουμε την H 0 (ΠΡΟΣΟΧΗ: ποτέ δεν αποδεχόμαστε την H 0!!!) Αλέξανδρος Γρυπάρης, PhD 31
32 Η 0 Αν p-value > 0,05, τότε αποτυγχάνουμε να απορρίψουμε την H 0 Δεν γνωρίζουμε όμως αν όντως ισχύει η H 0 Π.χ. μπορεί να είχαμε μικρό δείγμα, και ενώ ισχύει η Η Α δεν βρήκαμε p-value < 0,05 Αν είχαμε πάρει μεγαλύτερο δείγμα, μπορεί και να είχαμε βρει p-value < 0,05 και να είχαμε απορρίψει την Η 0 Αλέξανδρος Γρυπάρης, PhD 32
33 Παράδειγμα, t-test με 2 ανεξάρτητα δείγματα 28 # of cigaretes / day Sex of Subjects Male Female Group Statistics Std. Error 22 N Mean Std. Deviation Mean ,05 16,690, ,54 12,510, % C I # o f c ig a r e te s / d a y N = 655 Female 941 Male Independent Samples Test Sex of Subjects # of cigaretes / day Equal variances assumed Equal variances not assumed Levene's Test for Equality of Variances F Sig. t df Sig. (2-tailed) t-test for Equality of Means Mean Difference 95% Confidence Interval of the Std. Error Difference Difference Lower Upper 49,312,000 9, ,000 7,50,769 5,996 9,013 10, ,345,000 7,50,731 6,070 8,939 Αλέξανδρος Γρυπάρης, PhD 33 P-value < 0,001
34 (συνέχεια) Έτσι, έχουμε δύο υποθέσεις: H 0 : μ 1 =μ 2 (Μηδενική υπόθεση) H A : μ 1 μ 2 (Εναλλακτική υπόθεση) Είναι πιθανό η παρατηρούμενη διαφορά στις δύο μέσες τιμές (26,05 και 18,54) να οφείλεται σε τυχαίες διακυμάνσεις (αλλά κατά βάση οι 2 μέσες τιμές να είναι ίσες στον πληθυσμό); Ή πρέπει να συμπεράνουμε ότι η παρατηρούμενη διαφορά οφείλεται σε διαφορετικές πραγματικές μέσες τιμές των δύο πληθυσμών υπό έλεγχο; Αλέξανδρος Γρυπάρης, PhD 34
35 (συνέχεια) Η αντίστοιχη p-value < 0,001 Επειδή p-value<0,05, απορρίπτουμε την H 0 στο επίπεδο σημαντικότητας 0,05. Άρα, η διαφορά στον μέσο αριθμό τσιγάρων ανάμεσα στις 2 ομάδες είναι στατιστικά σημαντική. Συμπέρασμα: Προκύπτει ότι οι άνδρες καπνίζουν διαφορετικό μέσο αριθμό τσιγάρων, από τις γυναίκες Αλέξανδρος Γρυπάρης, PhD 35
36 95% διάστημα εμπιστοσύνης Τα στατιστικά πακέτα (όπως το SPSS) εκτιμάνε το 95% ΔΕ για τη διαφορά των δύο μέσων τιμών Στο προηγούμενο παράδειγμα το 95% ΔΕ για τη διαφορά των μέσων τιμών είναι: (5,996, 9,013) Οπότε, είμαστε 95% σίγουροι ότι το διάστημα (5,996, 9,013) καλύπτει την πραγματική διαφορά στις μέσες τιμές τσιγάρων, στους δύο διαφορετικούς πληθυσμούς (άνδρεςγυναίκες) Προσέξτε ότι το παραπάνω διάστημα δεν περιλαμβάνει το 0, οπότε συμβαδίζει με τον έλεγχο υπόθεσης στο επίπεδο του 0,05 Αλέξανδρος Γρυπάρης, PhD 36
37 t-test για παρατηρήσεις κατά ζεύγη (paired t-test) Μερικές φορές οι παρατηρήσεις των 2 συγκρινόμενων ομάδων εμφανίζουν ατομική αντιστοιχία (δεν είναι ανεξάρτητες). Για κάθε παρατήρηση στην 1 η ομάδα υπάρχει μια αντίστοιχη παρατήρηση στη 2 η ομάδα Π.χ. Μέτρηση της συστολικής αρτηριακής πίεσης στα ίδια άτομα, πρίν και μετά από σωματική άσκηση. Σύγκριση της αποτελεσματικότητας 2 φαρμάκων στους ίδιους ασθενείς. Τότε οι συγκρίσεις πρέπει να γίνονται κατά ζεύγη. Αλέξανδρος Γρυπάρης, PhD 37
38 (συνέχεια) Αυτή η αντιστοιχία χρησιμοποιείται για να ελαττώσει την επιρροή από εξωτερικούς παράγοντες που αυξάνουν τη μεταβλητότητα των μετρήσεων Αν οι μετρήσεις γίνονται στα ίδια άτομα, τότε ένα σημαντικό μέρος της βιολογικής μεταβλητότητας που υπάρχει μεταξύ ανθρώπων εξαφανίζεται Αυτό έχει σαν αποτέλεσμα πιο ακριβείς συγκρίσεις Αλέξανδρος Γρυπάρης, PhD 38
39 (συνέχεια) Μερικές φορές οι μετρήσεις δε γίνονται στα ίδια άτομα, αλλά σε εξομοιωμένα (matched) άτομα. Έτσι, είναι δυνατόν να χορηγηθούν τα συγκρινόμενα άτομα σε δίδυμα αδέρφια, ή σε άτομα του ίδιου φύλου, ηλικίας, βάρους, κτλ. Τότε, πάλι οι συγκρίσεις πρέπει να γίνονται κατά ζεύγη. Αλέξανδρος Γρυπάρης, PhD 39
40 Παράδειγμα Θέλουμε να ελέγξουμε αν ο δείκτης μάζας σώματος (ΒΜΙ) παραμένει σταθερός μεταξύ του 2000 και του 2006, σε κάποιον πληθυσμό. Για το λόγο αυτό μετρήσαμε τον δείκτη μάζας σώματος (ΒΜΙ) στα ίδια άτομα το 2000 και το 2006 Μέσα από την έρευνά μας θέλουμε να βγάλουμε συμπεράσματα για τον γενικό πληθυσμό, και όχι μόνο για τα άτομα στο δείγμα μας Αλέξανδρος Γρυπάρης, PhD 40
41 (συνέχεια) Μηδενική υπόθεση: Η 0 : μ 1 =μ 2, η μέση τιμή του δείκτη μάζας σώματος το 2000 είναι ίση με τη μέση τιμή του δείκτη μάζας σώματος το 2006, στον πληθυσμό. Εναλλακτική υπόθεση: Η Α : μ 1 μ 2, η μέση τιμή του δείκτη μάζας σώματος το 2000 ΔΕΝ είναι ίση με τη μέση τιμή του δείκτη μάζας σώματος το 2006, στον πληθυσμό. Αλέξανδρος Γρυπάρης, PhD 41
42 Παράδειγμα Διαφορά μέσων τιμών δύο εξαρτημένων δειγμάτων. Paired Samples Statistics Pair 1 Body Mass Index (kg/m2) bmi06 Mean N Std. Deviation Std. Error Mean 25, ,69540, , ,59815,08954 Paired Samples Test Pair 1 Body Mass Index (kg/m2) - bmi06 Mean Std. Deviation Paired Differences 95% Confidence Interval of the Difference Std. Error Mean Lower Upper t df Sig. (2-tailed) -, ,21030, , , , ,000 Αλέξανδρος Γρυπάρης, PhD 42
43 t-test κατά ζεύγη ή απλό t-test; Αν αντί γιά t-test κατά ζεύγη στο προηγούμενο παράδειγμα χρησιμοποιούσαμε το απλό t-test θα ήταν λάθος; Δεν θα ήταν λάθος, αλλά σε περιπτώσεις παρατηρήσεων κατά ζεύγη ενδείκνυται το t-test κατά ζεύγη Στις περιπτώσεις αυτές, η δοκιμασία αυτή είναι πιό ισχυρή από το απλό t-test, Δηλαδή, τεκμηριώνει με μικρότερο αριθμό παρατηρήσεων την ενδεχόμενη στατιστική σημαντικότητα μιας πραγματικής διαφοράς. Αλέξανδρος Γρυπάρης, PhD 43
44 Μη-παραμετρικές δοκιμασίες Παραμετρικές δοκιμασίες είναι αυτές στις οποίες προσδιορίζουμε την κατανομή της τυχαίας μεταβλητής (π.χ. κανονική κατανομή). Π.χ. το t-test είναι μια παραμετρική δοκιμασία Προϋποθέτει την κανονική κατανομή! Οι δοκιμασίες στις οποίες δεν προσδιορίζουμε την κατανομή ονομάζονται μη-παραμετρικές. Το Χ 2 είναι μια μη-παραμετρική δοκιμασία Δεν προσδιορίζουμε κάποια συγκεκριμένη κατανομή Αλέξανδρος Γρυπάρης, PhD 44
45 Πλεονεκτήματα των μη-παραμετρικών δοκιμασιών Εφαρμόζονται σε πολύ περισσότερες περιπτώσεις από ότι οι παραμετρικές δοκιμασίες. Όταν έχουμε μη κανονικές κατανομές, περιορισμένο αριθμό παρατηρήσεων, διατάξιμα χαρακτηριστικά,... Είναι εξαιρετικά εύχρηστες και απλούστερες από τις παραμετρικές, όσο αφορά τους απαιτούμενους αριθμητικούς υπολογισμούς. Αλέξανδρος Γρυπάρης, PhD 45
46 Μειονεκτήματα των μη-παραμετρικών δοκιμασιών Όταν οι παραμετρικές δοκιμασίες μπορούν να εφαρμοσθούν, τότε αυτές διαθέτουν μεγαλύτερη ισχύ από τις αντίστοιχες μη-παραμετρικές. Δηλαδή, τεκμηριώνουν με μικρότερο αριθμό παρατηρήσεων την ενδεχόμενη στατιστική σημαντικότητα. Οι μη-παραμετρικές δοκιμασίες δεν είναι δυνατόν να εφαρμοσθούν σε σύνθετες στατιστικές αναλύσεις (π.χ. έλεγχο αλληλεπιδράσεων,...) Είναι δύσκολος ο υπολογισμός ορίων αξιοπιστίας. Αλέξανδρος Γρυπάρης, PhD 46
47 Η δοκιμασία του Wilcoxon (Mann-Whitney test) Αξιολογεί τη διαφορά μεταξύ των δύο ομάδων παρατηρήσεων που δεν εμφανίζουν αντιστοιχία κατά ζεύγη (ανεξάρτητες ομάδες). Πολύ χρήσιμη όταν έχουμε μη-κανονικές κατανομές ή μικρό αριθμό παρατηρήσεων Αντίστοιχη του απλού t-test Αλλά ελέγχει ισότητα διάμεσων τιμών και όχι μέσων τιμών! Όταν το απλό t-test μπορεί να εφαρμοσθεί, έχει μεγαλύτερη ισχύ από τη δοκιμασία του Wilcoxon. Αλέξανδρος Γρυπάρης, PhD 47
48 Προϋποθέσεις Η δοκιμασία Wilcoxon μπορεί να εφαρμοσθεί όταν το χαρακτηριστικό που μελετάται είναι διατάξιμο ή ποσοτικό, ανεξάρτητα από τη μορφή της κατανομής συχνοτήτων Η κατανομή αυτή θα πρέπει να είναι περίπου η ίδια και στις 2 ομάδες Αλέξανδρος Γρυπάρης, PhD 48
49 Παράδειγμα Στον επόμενο πίνακα βλέπουμε τα αποτελέσματα από μια στατιστική ανάλυση. Θέλαμε να ελέγξουμε αν η διάμεσος τιμή της πίεσης στις γυναίκες ηλικίας χρόνων είναι ίση με τη διάμεσος τιμή της πίεσης στις γυναίκες ηλικίας άνω των 45 χρόνων Αλέξανδρος Γρυπάρης, PhD 49
50 Example p-value Αλέξανδρος Γρυπάρης, PhD 50
51 Έλεγχος ανεξαρτησίας 2 ποιοτικών χαρακτηριστικών Παράδειγμα Εξαρτάται η παρουσία καρκίνου από το φύλο; Εξαρτάται η παρουσία καπνίσματος από το μορφωτικό επίπεδο: καθόλου δημοτικό γυμνάσιο - λύκειο ΑΕΙ/ΤΕΙ; Μπορούμε να χρησιμοποιήσουμε το t-test; Αλέξανδρος Γρυπάρης, PhD 51
52 Διαξονική ταξινόμηση Όταν θέλουμε να μελετήσουμε την ύπαρξη συσχέτισης μεταξύ 2 ποιοτικών χαρακτηριστικών Κατανομή 300 ατόμων σύμφωνα με το κάπνισμα και την ύπαρξη ή όχι καρκίνου του εντέρου Κάπνισμα Σύνολο Καρκίνος εντ. Ναί Όχι Ναί Όχι Σύνολο Αλέξανδρος Γρυπάρης, PhD 52
53 Έλεγχος ανεξαρτησίας 2 ποιοτικών χαρακτηριστικών Δειγματοληπτικά στοιχεία (πραγματικά δεδομένα) Το κριτήριο χ 2 «μετρά» την απόσταση των δύο πινάκων Θεωρητικά στοιχεία που θα είχαμε «αν δεν υπάρχει εξάρτηση (Ηο)» Χ / Υ Β1 (παράγοντας παρών) Β2 (παράγοντας απών) Χ / Υ Β1 (παράγοντας παρών) Β2 (παράγοντας απών) Α1 (π.χ. ασθενείς) Α2 (π.χ. υγιείς) παρών) α β γ Α1 (π.χ. ασθενείς) δ Α2 (π.χ. υγιείς) παρών) Α Β Γ Δ Αλέξανδρος Γρυπάρης, PhD 53
54 (συν.) Υπολογισμός αναμενόμενων συχνοτήτων Καρκινοπαθεί ς μαστού Οικογενειακή κατάσταση Ανύπαντρες Παντρεμένες Αλλα Σύνολο Ναί ; ; ; 80 Όχι ; ; ; 160 Σύνολο Αλέξανδρος Γρυπάρης, PhD 54
55 (συν.) 1ο βήμα: Υπολογισμός των αναμενόμενων συχνοτήτων (δηλαδή των συχνοτήτων που περιμένουμε κάτω από τη μηδενική υπόθεση). Στο σύνολο έχουμε 25% (60/240*100) ανύπαντρες γυναίκες. Θα περιμέναμε να εμφανίζεται η ίδια αναλογία στις καρκινοπαθείς καθώς και στις μηκαρκινοπαθείς. Αρα: Σε σύνολο 240 γυναικών υπάρχουν 60 ανύπαντρες Στις 80 καρκινοπαθείς Χ? Και βρίσκουμε 20 γυναίκες Αλέξανδρος Γρυπάρης, PhD 55
56 (συν.) Αντίστοιχα: Σε σύνολο 240 γυναικών υπάρχουν 60 ανύπαντρες Στις 160 μη-καρκινοπαθείς Χ? Και βρίσκουμε 40 γυναίκες Όμοια συμπληρώνουμε όλο τον πίνακα Αλέξανδρος Γρυπάρης, PhD 56
57 (συν.) Οι τιμές σε παρένθεση είναι οι αναμενόμενες συχνότητες, αν ισχύει η Η 0 Καρκινοπαθεί ς μαστού Οικογενειακή κατάσταση Ανύπαντρες Παντρεμένες Αλλα Σύνολο Ναί 30 (20) 44 (50) 6 (10) 80 Όχι 30 (40) 106 (100) 24 (20) 160 Σύνολο Αλέξανδρος Γρυπάρης, PhD 57
58 Ποια είναι η μηδενική υπόθεση; Η ο : Δεν υπάρχει σχέση μεταξύ του καρκίνου του μαστού και της οικογενειακής κατάστασης Η Α : Υπάρχει σχέση μεταξύ του καρκίνου του μαστού και της οικογενειακής κατάστασης. Οι 2 μεταβλητές σχετίζονται Το υπολογιζόμενο p-value είναι μικρότερο του 0,001. Άρα; Αλέξανδρος Γρυπάρης, PhD 58
59 ΠΡΟΫΠΟΘΕΣΕΙΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ Χ 2 Οι προϋποθέσεις εξασφαλίζουν ότι έχουμε αρκετές παρατηρήσεις και εφαρμόζονται στις αναμενόμενες συχνότητες: Όλες οι αναμενόμενες συχνότητες πρέπει να είναι >1 και Οι περισσότερες (τα 4/5) να είναι >5. Αλέξανδρος Γρυπάρης, PhD 59
60 ΠΡΟΫΠΟΘΕΣΕΙΣ ΕΦΑΡΜΟΓΗΣ ΤΟΥ Χ 2 Οικογενειακή κατάσταση Καρκινοπαθείς μαστού Ανύπαντρες Παντρεμένες Αλλα Σύνολο Ναί 30 (20) 44 (50) 6 (10) 80 Όχι 30 (40) 106 (100) 24 (20) 160 Σύνολο Άρα, τηρούνται οι προϋποθέσεις εφαρμογής της δοκιμασίας. Αλέξανδρος Γρυπάρης, PhD 60
61 Παράδειγμα Κατανομή 3042 ανδρών και γυναικών βάση των διατροφικών τους συνηθειών (πόσο κοντά είναι στη μεσογειακή δίαιτα) Διατροφικές συνήθειες Φύλο Μακριά Κοντά Πολύ κοντά Σύνολο Γυναίκες 246 (508,8) Άνδρες 767 (504,2) 428 (509,8) 587 (505,2) 854 (509,4) 160 (504,7) Σύνολο Αλέξανδρος Γρυπάρης, PhD 61
62 Ο έλεγχος χ 2 έδειξε Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases a. Chi-Square Tests Asymp. Sig. Value df (2-sided) 767,803 a 2, ,697 2, ,051 1, cells (,0%) have expected count less than 5. The minimum expected count is 504,17. Αλέξανδρος Γρυπάρης, PhD 62
63 Με βάση τα στοιχεία του πίνακα Ποιο το συμπέρασμά σας; «Οι διατροφικές συνήθειες εξαρτώνται από το φύλο» Αλέξανδρος Γρυπάρης, PhD 63
64 Χ 2 κατά ζεύγη (McNemar s test) Μερικές φορές οι παρατηρήσεις εμφανίζουν κατά ζεύγη αντιστοιχία Κάθε παρατήρηση στην 1 η ομάδα αντιστοιχεί σε μια παρατήρηση στη 2 η ομάδα Στις περιπτώσεις αυτές ενδείκνυται να λαμβάνουμε υπόψη αυτή την αντιστοιχία και να χρησιμοποιούμε το Χ 2 κατά ζεύγη (McNemar s test) Αλέξανδρος Γρυπάρης, PhD 64
65 Example Μελετάμε το έμφραγμα μυοκαρδίου στους Ινδιάνους Ναβάχο Στη μελέτη αυτή 144 εμφραγματίες εξομοιώθηκαν βάση την ηλικία τους και το φύλο τους με 144 άτομα που δεν παρουσίαζαν καρδιακά προβλήματα Όλα τα άτομα ρωτήθηκαν αν είχαν ποτέ διαγνωστεί ότι πάσχουν από διαβήτη Αλέξανδρος Γρυπάρης, PhD 65
66 Διαξονικός πίνακας Έμφραγμα του μυοκαρδίου Διαβήτης Ναι Όχι Σύνολο Ναι Όχι Σύνολο Αλέξανδρος Γρυπάρης, PhD 66
67 Μηδενική υπόθεση Δεν υπάρχει σχέση μεταξύ εμφράγματος του μυοκαρδίου και διαβήτη, στους Ινδιάνους Ναβάχο Αλέξανδρος Γρυπάρης, PhD 67
68 συνέχεια Στα δεδομένα αυτά μπορούμε να εφαρμόσουμε τη δοκιμασία Χ 2 Η δοκιμασία αυτή δεν λαμβάνει υπόψη την αντιστοιχία κατά ζεύγη Από κάθε εξομοιωμένο ζευγάρι έχουμε 2 απαντήσεις Πρέπει να λάβουμε υπόψη την αντιστοιχία κατά ζεύγη!! Αλέξανδρος Γρυπάρης, PhD 68
69 Πίνακας (κατά ζεύγη αντιστοιχία) Έμφραγμα του μυοκαρδίου Μάρτυρες Διαβήτης Διαβήτης 9 Όχι διαβήτης Όχι διαβήτης 82 Διαβήτης Όχι διαβήτης 37= r Όχι διαβήτης Διαβήτης 16= s n Αλέξανδρος Γρυπάρης, PhD 69
70 Χ 2 κατά ζεύγη Τα ζεύγη που συμφωνούν (concordant pairs) δεν προσφέρουν καμία πληροφορία υπέρ ή κατά της H 0 Τα ζεύγη αυτά δεν λαμβάνονται υπόψη! Τα ζεύγη που διαφωνούν (discordant pairs) (αυτά στα οποία το ένα άτομο έχει διαβήτη και το άλλο όχι) προσφέρουν όλη την πληροφορία Αλέξανδρος Γρυπάρης, PhD 70
71 Χ 2 κατά ζεύγη p-value = < 0.05 Αλέξανδρος Γρυπάρης, PhD 71
72 Συμπέρασμα Επειδή p-value<0,05 απορρίπτουμε τη μηδενική υπόθεση Για το συγκεκριμένο πληθυσμό των Ινδιάνων Ναβάχο, συμπεραίνουμε ότι υπάρχει σχέση μεταξύ του εμφράγματος του μυοκαρδίου και του διαβήτη, όταν λάβουμε υπόψη την ηλικία και το φύλο Αλέξανδρος Γρυπάρης, PhD 72
73 Υπενθύμιση Η δοκιμασία Χ 2 είναι μια μη-παραμετρική δοκιμασία. Γιατί; Αλέξανδρος Γρυπάρης, PhD 73
74 Ποσοτικά μεγέθη Στη συνέχεια θα ασχοληθούμε με μεθόδους που διερευνούν τη σχέση μεταξύ δύο ποσοτικών μεγεθών. Τέτοιες είναι: Ο συντελεστής συσχέτισης Η ανάλυση παλινδρόμησης (εξάρτησης) Αλέξανδρος Γρυπάρης, PhD
75 Συντελεστής γραμμικής συσχέτισης Ο συντελεστής γραμμικής συσχέτισης δύο τυχαίων μεταβλητών Χ και Υ εξετάζει το κατά πόσο η μια μεταβλητή επηρεάζεται γραμμικά από μια άλλη. Χρησιμοποιείται όταν έχουμε 2 ποσοτικές μεταβλητές Αλέξανδρος Γρυπάρης, PhD
76 Ελλειψη γραμμικής σχέσης; Έλλειψη γραμμικής σχέσης δεν συνεπάγεται και απουσία σχέσης. Στο επόμενο σχήμα παρουσιάζεται το στικτόγραμμα της μέσης ημερήσιας θερμοκρασίας με τον μέσο ημερήσιο αριθμό θανάτων από όλες τις αιτίες. Αλέξανδρος Γρυπάρης, PhD
77 Σχέση μεταξύ μέσης ημερήσιας θνησιμότητας και μέσης ημερήσιας θερμοκρασίας Αλέξανδρος Γρυπάρης, PhD
78 (συν.) Μη γραμμική σχέση μεταξύ θνησιμότητας και θερμοκρασίας: Μεγαλύτερη θνησιμότητα παρατηρείται κατά τις πολύ κρύες ή πολύ ζεστές ημέρες. Αλέξανδρος Γρυπάρης, PhD
79 Συντελεστές γραμμικής συσχέτισης Παραμετρικός: r του Pearson (για συνεχείς και κανονικά κατανεμημένες μεταβλητές) Μη-παραμετρικός: ρ (rho) του Spearman (για διακριτές ή μη κανονικά κατανεμημένες μεταβλητές) Αλέξανδρος Γρυπάρης, PhD
80 Ιδιότητες των συντελεστών συσχέτισης 1. Είναι καθαρός αριθμός 2. Τιμές από -1 ως +1 (αρνητική ή θετική συσχέτιση). Θετική συσχέτιση: σε υψηλές τιμές του ενός μεγέθους αντιστοιχούν υψηλές τιμές του άλλου. Αρνητική:... Όσο ο r (ή ο ρ) πλησιάζει την τιμή +1 (ή 1) τόσο ισχυρότερη είναι η συσχέτιση, 3. Μετρά μόνο την γραμμική συσχέτιση Αλέξανδρος Γρυπάρης, PhD
81 Συντελεστής συσxέτισης του Pearson Προϋποθέσεις: Και οι δύο μεταβλητές (Χ και Υ) λαμβάνονται τυχαία. H κατανομή συχνοτήτων των τιμών καθεμίας από τις 2 μεταβλητές είναι (κατά προσέγγιση) κανονική Παραδείγματα: Η σχέση ύψους ανδρών-γυναικών στα ζευγάρια Η σχέση των μετρήσεων μια βιοχημικής παραμέτρου με δύο διαφορετικές μεθόδους Αλέξανδρος Γρυπάρης, PhD
82 Ο συντελεστής συσχέτισης ρ του Spearman Πολλές φορές η χρήση του συντελεστή συσχέτισης r δεν επιτρέπεται εξαιτίας της μη κανονικής κατανομής των μεταβλητών Χ και Υ. Στις περιπτώσεις αυτές μελετάμε τη συσχέτιση των δύο μεταβλητών με βάση το συντελεστή συσχέτισης ρ του Spearman (μη-παραμετρικός). Ενδείκνυται τόσο για ποσοτικές μεταβλητές που δεν ακολουθούν τη κανονική κατανομή, όσο και για διατάξιμες μεταβλητές. Αλέξανδρος Γρυπάρης, PhD
83 Προϋποθέσεις Και οι δύο μεταβλητές να αφορούν συνεχή ή τουλάχιστον διατάξιμα μεγέθη. Ο μη παραμετρικός συντελεστής συσχέτισης ρ είναι εννοιολογικός αντίστοιχος του παραμετρικού συντελεστού συσχέτισης. Οι τιμές του επίσης κυμαίνονται μεταξύ -1 και 1 Αλέξανδρος Γρυπάρης, PhD
84 Παράδειγμα Στο επόμενο παράδειγμα έχουμε ένα δείγμα περίπου 3000 ατόμων και θέλουμε να ελέγξουμε αν συσχετίζεται η ηλικία με τον μεταβολικό ρυθμό. Αλέξανδρος Γρυπάρης, PhD 84
85 Παράδειγμα Basic Metabolic Rythm (Harris & Benedict) Age of Subjects Τα δεδομένα παριστάνονται στο διπλανό σχήμα. Στο γράφημα αυτό ΔΕΝ φαίνεται αν οι μεταβλητές ακολουθούν την κανονικά κατανομή! Φαίνεται αν υπάρχει γραμμική σχέση μεταξύ τους Αλέξανδρος Γρυπάρης, PhD
86 Συνέχεια Στην πράξη, τώρα θα ελέγχαμε αν και η ηλικία και ο μεταβολικός ρυθμός ακολουθούν την κανονική κατανομή Και θα επιλέγαμε ανάλογα τον ένα από τους 2 συντελεστές συσχέτισης Στο παράδειγμα αυτό όμως θα δούμε τα αποτελέσματα και από τους 2 συντελεστές συσχέτισης Αλέξανδρος Γρυπάρης, PhD 86
87 Pearson Age of Subjects Basic Metabolic Rythm (Harris & Benedict) Correlations Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N **. Correlation is significant at the 0.01 level (2-tailed). Basic Metabolic Age of Rythm (Harris Subjects & Benedict) 1 -,194**,, ,194** 1,000, Ο συντελεστής συσχέτισης του Pearson είναι r=-0,194 (πολύ ελαφρά αρνητική συσχέτιση), η οποία είναι όμως στατιστικά σημαντική (p-value<0,001). Αλέξανδρος Γρυπάρης, PhD
88 Spearman Correlations Spearman's rho Age of Subjects Basic Metabolic Rythm (Harris & Benedict) Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) **. Correlation is significant at the.01 level (2-tailed). N Basic Metabolic Age of Rythm (Harris Subjects & Benedict) 1,000 -,127**,, ,127** 1,000,000, Ο συντελεστής συσχέτισης του Spearman είναι r=-0,127 (πολύ ελαφρά αρνητική συσχέτιση), η οποία είναι όμως στατιστικά σημαντική (p-value<0,001). Αλέξανδρος Γρυπάρης, PhD
89 Σύνοψη για το συντελεστή συσχέτισης Ο συντελεστής συσχέτισης εκφράζει μόνο την «ένταση» της γραμμικής σχέσης. Αν η τιμή του είναι 0 αυτό σημαίνει ότι δεν υπάρχει γραμμική συσχέτιση μεταξύ των μεταβλητών Αυτό όμως δεν αποκλείει τη δυνατότητα να υπάρχει μη γραμμική συσχέτιση. Αλέξανδρος Γρυπάρης, PhD
90 Συντέλεστές συσχέτισης και ακραίες τιμές Να σημειωθεί ότι ο συντελεστής συσχέτισης του Pearson είναι πολύ ευαίσθητος σε ακραίες τιμές (outliers) Αν έχουμε μία ή περισσότερες ακραίες τιμές, τα αποτελέσματα μπορεί να είναι παραπλανητικά Ο συντελεστής συσχέτισης του Spearman δεν παρουσιάζει τέτοια προβλήματα Αλέξανδρος Γρυπάρης, PhD
91 Συσχέτιση και Εξάρτηση Συσχέτιση: Μέτρο του βαθμού (της έντασης) της γραμμικής σχέσης μεταξύ 2 μεταβλητών Εξάρτηση ή Παλινδρόμηση: Μέθοδος για την διερεύνηση των μεταβολών των τιμών της μιας μεταβλητής (εξαρτημένης) συναρτήσει των μεταβολών των τιμών της άλλης (ανεξάρτητης) Αλέξανδρος Γρυπάρης, PhD 91
92 Πολλαπλή γραμμική εξάρτηση (Multiple linear regression) Στην πολλαπλή γραμμική εξάρτηση διερευνάται η γραμμική σχέση μιας εξαρτημένης μεταβλητής με περισσότερες από μία ανεξάρτητες μεταβλητές. Συγκεκριμένα, μελετάται η γραμμική σχέση μιας εξαρτημένης μεταβλητής με καθεμία ανεξάρτητη μεταβλητή, χωρίς να επηρεάζεται από τις σχέσεις αυτών με τις υπόλοιπες ανεξάρτητες μεταβλητές. Για αυτό λέμε ότι «ελέγχονται» οι επιδράσεις των υπόλοιπων μεταβλητών Αλέξανδρος Γρυπάρης, PhD 92
93 Παράδειγμα Σε μελέτη για τη διερεύνηση της επίδρασης του μολύβδου στην σωματομετρική ανάπτυξη των παιδιών, μελετήθηκαν παιδιά σχολικής ηλικίας (μεταξύ 6 και 10 ετών), από τρείς περιοχές: Λαύριο, Ελευσίνα και Λουτράκι. Το συνολικό δείγμα αποτελείται από 522 παιδιά, 274 αγόρια και 248 κορίτσια ηλικίας 6-9 χρονών. Μέρος των δεδομένων παρουσιάζεται στον πίνακα που ακολουθεί (Kafourou et al, Archives of Environmental health, 1997; 52: ). Αλέξανδρος Γρυπάρης, PhD 93
94 Πίνακας Κωδικός Πόλη Ηλικία Ανάστημα Μόλυβδος Ανάστημα (έτη) πατέρα (cm) (g/ml) παιδιού (cm) Για την πόλη 1 σημαίνει Λουτράκι, 2 Λαύριο και 3 Ελευσίνα. = Eλλείπουσες τιμές (missing values) Αλέξανδρος Γρυπάρης, PhD 94
95 Πολλαπλή γραμμική εξάρτηση (Multiple linear regression) Έστω Υ η εξαρτημένη μεταβλητή που μας ενδιαφέρει. Έστω Χ 1, Χ 2,, Χ p αντιπροσωπεύουν p ανεξάρτητες μεταβλητές. Για παράδειγμα στα δεδομένα του μολύβδου: Εξαρτημένη μεταβλητή το ύψος του παιδιού (Υ) Ανεξάρτητες μεταβλητές: 1. οι τιμές του μολύβδου (Χ 1 ), 2. το ύψος του πατέρα (Χ 2 ), 3. το επίπεδο μόρφωσης του πατέρα (Χ 3 ) και 4. η ηλικία του παιδιού (Χ 4 ). Αλέξανδρος Γρυπάρης, PhD 95
96 Ανεξάρτητες μεταβλητές Στην πολλαπλή γραμμική εξάρτηση οι ανεξάρτητες μεταβλητές δεν είναι απαραίτητο να είναι ποσοτικές μεταβλητές. Ποιοτικές μεταβλητές, όπως το φύλο ή το επάγγελμα, μπορούν να χρησιμοποιηθούν σαν ανεξάρτητες μεταβλητές. Όταν μια ποιοτική μεταβλητή έχει μόνο δύο επίπεδα εισάγεται στο μοντέλο ως έχει. Π.χ. το φύλο: άνδρας (κωδικοποιημένο ως 1) και γυναίκα (κωδικοποιημένο ως 2) Αλέξανδρος Γρυπάρης, PhD 96
97 Ψευδομεταβλητές Όταν μια ποιοτική μεταβλητή έχει περισσότερα των δύο επιπέδων απαιτείται η δημιουργία ψευδομεταβλητών (dummy variables or indicator variables). Π.χ. επάγγελμα πατέρα, στα δεδομένα του μολύβδου, κωδικοποιημένο ως: ανειδίκευτος:1, ειδικευμένος:2, πανεπιστημιακής εκπαίδευσης:3 Αλέξανδρος Γρυπάρης, PhD 97
98 (συν.) Στο παράδειγμα του επαγγέλματος θα μπορούσαν να δημιουργηθούν 3 ψευδομεταβλητές: μία για τους ανειδίκευτους (job1), μία για τους ειδικευμένους (job2) και μια για τους έχοντες πανεπιστημιακή μόρφωση (job3). Η καθεμία από αυτές παίρνει την τιμή 1 όταν το άτομο ανήκει στη συγκεκριμένη κατηγορία (επάγγελμα) και 0 στις υπόλοιπες περιπτώσεις. Αλέξανδρος Γρυπάρης, PhD 98
99 (συν.) Η ψευδομεταβλητή job1, για παράδειγμα, που αναφέρεται στους ανειδίκευτους, θα έχει: την τιμή 1 για όλους τους ανειδίκευτους και την τιμή 0 για όλους τους υπόλοιπους. Στο μοντέλο της γραμμικής εξάρτησης εισάγονται τόσες ψευδομεταβλητές όσος και ο αριθμός των επιπέδων της αρχικής ποιοτικής μεταβλητής μείον 1. Άρα, στο παράδειγμα του επαγγέλματος του πατέρα θα εισαχθούν στο μοντέλο 2 ψευδομεταβλητές (όποιες κρίνεται σκόπιμο). Η ψευδομεταβλητή πού δεν εισάγεται στο μοντέλο αποτελεί το επίπεδο αναφοράς (reference level/category). Αλέξανδρος Γρυπάρης, PhD 99
100 Επάγ/μα πατ. job1 job2 job Αλέξανδρος Γρυπάρης, PhD 100
101 Επάγ/μα πατ. job1 job2 Job Αλέξανδρος Γρυπάρης, PhD 101
102 Εφαρμογή Στον πίνακα δίνονται τα αποτελέσματα πολλαπλής γραμμικής εξάρτησης με εξαρτημένη μεταβλητή το ανάστημα του παιδιού και ανεξάρτητες την ηλικία του, το επάγγελμα του πατέρα, εισάγοντας στο μοντέλο τις ψευδομεταβλητές job2 (ειδικευμένοι) και job3 (πανεπιστημιακής μόρφωσης), τα επίπεδα μολύβδου (μετά από λογαριθμικό μετασχηματισμό) και το φύλο (άνδρες:1, γυναίκες:2). Αλέξανδρος Γρυπάρης, PhD 102
103 (συν.) Model Coeffs. SE t Sig. Constant 88,383 2,264 39,034 0,000 AGE 4,645 0,284 16,351 0,000 JOB2 2,469 0,493 5,004 0,000 JOB3 2,437 0,980 2,488 0,013 LLEAD -0,737 0,314-2,348 0,019 SEX -0,669 0,442-1,513 0,131 Αλέξανδρος Γρυπάρης, PhD 103
104 (συν.) Οπότε, με βάση τα αποτελέσματα που παρουσιάζονται στον προηγούμενο πίνακα, το γραμμικό μοντέλο εξάρτησης μπορεί να γραφεί ως: ^Y i = 88, ,645*AGE + 2,469*JOB ,437*JOB3-0,737*LLEAD 0,669*SEX Αλέξανδρος Γρυπάρης, PhD 104
105 (συν.) Ο μερικός συντελεστής εξάρτησης για την ηλικία είναι 4,645. Αυτό μπορεί να ερμηνευτεί ως: αύξηση της ηλικίας κατά ένα έτος σχετίζεται με μέση αύξηση του ύψους των παιδιών κατά 4,645 cm, διατηρώντας τις υπόλοιπες μεταβλητές του μοντέλου σταθερές. Οπότε, αύξηση της ηλικίας κατά τρία έτη τι αποτέλεσμα θα έχει; μέση αύξηση του ύψους των παιδιών κατά 3 * 4,645 13,9 cm, διατηρώντας τις υπόλοιπες μεταβλητές του μοντέλου σταθερές. Αλέξανδρος Γρυπάρης, PhD 105
106 (συν.) Ο μερικός συντελεστής εξάρτησης για το φύλο είναι και ερμηνεύεται ως εξής: Τα κορίτσια (κωδικός: 2) έχουν κατά μέσο cm χαμηλότερο ανάστημα από τα αγόρια (κωδικός: 1), διατηρώντας τις υπόλοιπες μεταβλητές του μοντέλου σταθερές. Αλέξανδρος Γρυπάρης, PhD 106
107 (συν.) Ο μερικός συντελεστής εξάρτησης για τη ψευδομεταβλητή job2 είναι 2,469. Αυτό θα μπορούσε να ερμηνευτεί ως: τα παιδιά των ειδικευμένων έχουν κατά μέσο όρο υψηλότερο ανάστημα από τα παιδιά των ανειδίκευτων (κατηγορία αναφοράς) κατά 2,469 cm, διατηρώντας τις υπόλοιπες μεταβλητές του μοντέλου σταθερές. Αλέξανδρος Γρυπάρης, PhD 107
108 (συν.) Αντίστοιχα, τα παιδιά των γονιών με πανεπιστημιακή μόρφωση έχουν κατά μέσο όρο υψηλότερο ανάστημα από τα παιδιά των ανειδίκευτων (κατηγορία αναφοράς) κατά 2,437 cm, διατηρώντας τις υπόλοιπες μεταβλητές του μοντέλου σταθερές. Αλέξανδρος Γρυπάρης, PhD 108
109 (συν.) Στο παραπάνω παράδειγμα, οι συντελεστές μερικής εξάρτησης τόσο της ψευδομεταβλητής job2 όσο και της job3 είναι στατιστικά σημαντικοί. Αν όμως παρατηρήσουμε προσεκτικότερα, θα δούμε ότι οι δύο συντελεστές δεν φαίνεται να διαφέρουν μεταξύ τους, υποδεικνύοντας ότι το ύψος των παιδιών των ειδικευμένων δεν φαίνεται να διαφέρει από το ύψος των παιδιών των γονέων με πανεπιστημιακή μόρφωση. Αλέξανδρος Γρυπάρης, PhD 109
110 Προβλέψεις Στο προηγούμενο παράδειγμα να υπολογιστεί το ανάστημα ενός 7-χρονου αγοριού, με πατέρα απόφοιτο Γυμνασίου, εκτεθειμένο σε επίπεδα μολύβδου 2,3 μg/m 3. Ύψος= 88,383+4,645*AGE+2,469*JOB2+ 2,437*JOB3-0,737*LLEAD-0,669*SEX Αλέξανδρος Γρυπάρης, PhD 110
111 (συν.) Άρα: Ύψος = 88,383+4,645*7+2,469*0+ 2,437*0-0,737*0,833-0,669*1= = 119,6 cm Έτσι, ένα μέσο αγόρι με τα χαρακτηριστικά που μας ζητήθηκε θα έχει προβλεπόμενο μέσο ύψος 119,6 cm. Αλέξανδρος Γρυπάρης, PhD 111
112 (συν.) Πόσο θα διαφέρει το ύψος του αγοριού που μόλις υπολογίσαμε από αυτό ενός κοριτσιού 6 ετών, με πατέρα απόφοιτο ΑΕΙ, εκτεθειμένο σε επίπεδα μολύβδου 1,4 μg/m 3 ; Ύψος = 88,383+4,645*6+2,469*0+ 2,437*1-0,737*0,336-0,669*2= = 117,1 cm Έτσι το αγόρι θα είναι ψηλότερο κατά μέσο όρο κατά 119,6-117,1=2,5 cm Αλέξανδρος Γρυπάρης, PhD 112
113 (συν.) Πώς επιλέγονται οι ανεξάρτητες μεταβλητές, έτσι ώστε να εφαρμοσθεί το καλύτερο μοντέλο; Η επιλογή των μεταβλητών που θα εισαχθούν στο τελικό μοντέλο στηρίζεται: σε στατιστικά κριτήρια και σε άλλα κριτήρια (επιδημιολογικά, βιολογικά,...). Αλέξανδρος Γρυπάρης, PhD 113
114 (συν.) Έτσι μπορούμε να κρατήσουμε στο τελικό μας μοντέλο μια μεταβλητή που δεν είναι στατιστικά σημαντική, βάση επιδημιολογικών κριτηρίων Αλέξανδρος Γρυπάρης, PhD 114
115 Παράδειγμα Να εκτιμηθεί το γραμμικό μοντέλο του ΔΜΣ συναρτήσει των υπόλοιπων χαρακτηριστικών των ατόμων. Descriptive Statistics Body Mass Index (kg/m2) Age of Subjects Sex of Subjects Years of school Physical activity Current Smoking Zung Depression scale Energy intake (kcal/day) Mean Std. Deviation N 25,5490 4, ,40 10, ,51, ,21 3, ,43, ,4555, ,5899 7, , , Αλέξανδρος Γρυπάρης, PhD 115
116 Παράδειγμα Οι μερικοί συντελεστές γραμμικής παλινδρόμησης, η στατιστική τους σημαντικότητα, καθώς και άλλα αποτελέσματα παρουσιάζονται στον ακόλουθο πίνακα. Model 1 (Constant) Age of Subjects Sex of Subjects Years of school Physical activity Current Smoking Zung Depression scale Energy intake (kcal/day) Unstandardized Coefficients a. Dependent Variable: Body Mass Index (kg/m2) Standardized Coefficients Coefficients a Correlations Collinearity Statistics B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF 22,516 1,516 14,851,000,108,016,259 6,681,000,298,266,248,915 1,093 1,873,356,208 5,258,000,265,212,195,874 1,144 -,139,053 -,100-2,637,009 -,153 -,108 -,098,949 1,053-1,819,341 -,200-5,338,000 -,215 -,215 -,198,974 1,026,049,336,005,147,883,030,006,005,987 1,013 -,004,023 -,007 -,174,862 -,067 -,007 -,006,891 1,122,000,000,059 1,516,130,045,062,056,918 1,090 ΔΜΣ = 22, ,108 Ηλικία + 1,873 Φύλο 0,139 Έτη σχολείου 1,819 Σωματική άσκηση + 0,049 Κάπνισμα 0,004 Zung scale + 0,000 Ενέργεια Αλέξανδρος Γρυπάρης, PhD 116
117 Προσαρμοσμένος συντελεστής R 2 Στα μοντέλα πολλαπλής γραμμικής εξάρτησης για να συγκρίνουμε διαφορετικά μοντέλα μεταξύ τους, χρησιμοποιούμε το «προσαρμοσμένο συντελεστή R 2» (adjusted R 2 ) Αλέξανδρος Γρυπάρης, PhD 117
118 (συν.) Έτσι, το προσαρμοσμένο R 2 μπορεί να χρησιμοποιηθεί σαν κριτήριο επιλογής καλύτερου μοντέλου, μεταξύ στατιστικών μοντέλων που περιέχουν άνισο αριθμό ανεξάρτητων μεταβλητών Το μοντέλο με μεγαλύτερο adjusted R 2 είναι το καλύτερο, από στατιστικής πλευράς Αλέξανδρος Γρυπάρης, PhD 118
119 Λογαριθμιστική εξάρτηση (logistic regression) Πολλές έρευνες μελετούν την εμφάνιση ή όχι μιας νόσου η εξαρτημένη μεταβλητή είναι διχοτομική Δεν είναι δυνατή η απλή (ή η πολλαπλή) γραμμική παλινδρόμηση, γιατί η εξαρτημένη μεταβλητή δεν είναι συνεχής όπως θέλει η γραμμική παλινδρόμηση Στις περιπτώσεις αυτές εφαρμόζεται η λογαριθμιστική εξάρτηση Αλέξανδρος Γρυπάρης, PhD 119
120 Ερμηνεία των παραμέτρων Οι μερικοί συντελεστές λογαριθμιστικής εξάρτησης ΔΕΝ έχουν την ίδια ερμηνεία με αυτούς της γραμμικής εξάρτησης Οι μερικοί συντελεστές λογαριθμιστικής εξάρτησης εκφράζουν τη μεταβολή του λογαρίθμου του σχετικού λόγου (odds ratio), που συνδέει την εξαρτημένη μεταβλητή με κάθε μία από τις ανεξάρτητες, ελέγχοντας για τις υπόλοιπες ανεξάρτητες μεταβλητές Αλέξανδρος Γρυπάρης, PhD 120
121 (συν.) Ο σχετικός λόγος μπορεί να πάρει οποιαδήποτε θετική τιμή. Η τιμή 1 δηλώνει απουσία συσχέτισης. Τιμή μεγαλύτερη του 1 δηλώνει ότι η παρουσία του παράγοντα είναι επιβαρυντική (δηλαδή τα «εκτεθειμένα» άτομα έχουν μεγαλύτερη πιθανότητα να πάθουν τη νόσο σε σχέση με τα «μη εκτεθειμένα»). Αντίθετα, τιμή <1 δηλώνει ότι η παρουσία του παράγοντα είναι προστατευτική (δηλαδή τα «εκτεθειμένα» άτομα έχουν μικρότερη πιθανότητα να πάθουν τη νόσο σε σχέση με τα «μη εκτεθειμένα»). Αλέξανδρος Γρυπάρης, PhD 121
122 Παράδειγμα Στο επόμενο παράδειγμα θα πραγματοποιήσουμε μια λογαριθμιστική εξάρτηση χρησιμοποιώντας δεδομένα από το αρχείo bwt.sav, όπου: Υ: γέννηση ελλειποβαρούς μωρού (1: ναι, 0: όχι) Χ1: ψευδομεταβλητή για τη λευκή φυλή Χ2: ψευδομεταβλητή για τη μαύρη φυλή Χ3: κάπνισμα μητέρας (1: ναι, 0: όχι) Χ4: ηλικία μητέρας Δίνεται ότι το επίπεδο αναφοράς για τη φυλή είναι οι γυναίκες άλλης φυλής (όχι λευκής ή μαύρης) Αλέξανδρος Γρυπάρης, PhD 122
123 Unweighted Cases a Selected Cases Unselected Cases Total Case Processing Summary Included in Analysis Missing Cases Total N Percent a. If weight is in effect, see classification table for the total number of cases Categorical Variables Codings race Parameter coding Frequency (1) (2) Variables in the Equation Step 1 a race race(1) race(2) smoke age Constant B S.E. Wald df Sig. Exp(B) Lower Upper % C.I.for EXP(B) a. Variable(s) entered on step 1: race, smoke, age. Αλέξανδρος Γρυπάρης, PhD 123
124 (συν.) Έτσι, οι καπνίστριες έχουν 3,006 μεγαλύτερο κίνδυνο να γεννήσουν ελλειποβαρές μωρό σε σχέση με τις μη-καπνίστριες, ελέγχοντας ταυτόχρονα τις επιδράσεις της φυλής και της ηλικίας Αντίστοιχα, οι λευκές γυναίκες έχουν 0,348 του κινδύνου να γεννήσουν ελλειποβαρές μωρό σε σχέση με τις γυναίκες άλλης φυλής (επίπεδο αναφοράς), ελέγχοντας ταυτόχρονα τις επιδράσεις του καπνίσματος και της ηλικίας Αλέξανδρος Γρυπάρης, PhD 124
125 (συν.) Επίσης, για κάθε έτος αύξησης της ηλικίας, η πιθανότητα για γέννηση ελλειποβαρούς μωρού μειώνεται κατά 0,966 φορές, ελέγχοντας ταυτόχρονα τις επιδράσεις του καπνίσματος και της φυλής Αλέξανδρος Γρυπάρης, PhD 125
Εισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέμβριος 2017 Αλέξανδρος Γρυπάρης, PhD Αλέξανδρος Γρυπάρης, PhD 3 Περιεχόμενα Ορισμός της Στατιστικής Περιγραφική στατιστική
Διαβάστε περισσότεραΕισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέμβριος 2017 2 Έλεγχος ανεξαρτησίας 2 ποιοτικών χαρακτηριστικών Παράδειγμα η παρουσία καρκίνου δεν εξαρτάται από το φύλο
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 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 περισσότεραΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Είδη μεταβλητών Ποσοτικά δεδομένα (π.χ. ηλικία, ύψος, αιμοσφαιρίνη) Ποιοτικά δεδομένα (π.χ. άνδρας/γυναίκα, ναι/όχι) Διατεταγμένα (π.χ. καλό/μέτριο/κακό) 2 Περιγραφή ποσοτικών
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 περισσότεραΕισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέμβριος 2017 1 Περιεχόμενα Ορισμός της Στατιστικής Περιγραφική στατιστική t-test Δοκιμασία X 2 Μη-παραμετρικές δοκιμασίες
Διαβάστε περισσότεραΑναλυτική Στατιστική
Αναλυτική Στατιστική Συμπερασματολογία Στόχος: εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού, αντλώντας πληροφορίες από ένα μικρό υποσύνολο αυτού Ορισμοί Πληθυσμός: σύνολο όλων των υπό εξέταση μονάδων
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 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 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 περισσότεραΜεθοδολογία της Έρευνας και Εφαρμοσμένη Στατιστική
Μεθοδολογία της Έρευνας και Εφαρμοσμένη Στατιστική Μη παραμετρικοί στατιστικοί έλεγχοι Καθηγητής ΔΠΘ Κων/νος Τσαγκαράκης Δευτέρα 6 Μαρτίου 13:00-16:00 Ώρα για εξ αποστάσεως συνεργασία Τρίτη 7 Μαρτίου 12:00-14:00
Διαβάστε περισσότεραΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ
Α εξάμηνο 2010-2011 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ Ποιοτικές και Ποσοτικές μέθοδοι και προσεγγίσεις για την επιστημονική έρευνα users.sch.gr/abouras
Διαβάστε 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 περισσότεραΕισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέµβριος 2013 Αλέξανδρος Γρυπάρης, PhD Αλέξανδρος Γρυπάρης, PhD 3 Περιεχόµενα o Ορισµός της Στατιστικής o Περιγραφική στατιστική
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων Ι
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Στατιστική Επιχειρήσεων Ι Ενότητα 6: Συσχέτιση και παλινδρόμηση εμπειρική προσέγγιση Μιλτιάδης Χαλικιάς, Επίκουρος Καθηγητής Τμήμα Διοίκησης
Διαβάστε περισσότεραΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών
Διαβάστε περισσότεραΗ ΣΤΑΤΙΣΤΙΚΗ ΣΤΟ ΕΡΓΑΣΤΗΡΙΟ ΣΠΕΡΜΑΤΟΣ
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΙΑTΡΙΚΗ ΣΧΟΛΗ Η ΣΤΑΤΙΣΤΙΚΗ ΣΤΟ ΕΡΓΑΣΤΗΡΙΟ ΣΠΕΡΜΑΤΟΣ Έλενα Κριτσέλη, MPH PhD Επιστημονικός Συνεργάτης Επιδημιολόγος Χρόνιων Παθήσεων, Α Πανεπιστημιακή Παιδιατρική
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 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 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 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 περισσότεραΕνότητα 5 η : Επαγωγική Στατιστική ΙΙ Ανάλυση ποσοτικών δεδομένων. Δημήτριος Σταμοβλάσης Φιλοσοφίας Παιδαγωγικής
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εισαγωγή στην Ανάλυση Ερευνητικών Δεδομένων στις Κοινωνικές Επιστήμες Με χρήση των λογισμικών IBM/SPSS και LISREL Ενότητα 5 η : Επαγωγική
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 περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 5. Στατιστική συµπερασµατολογία για ποσοτικές µεταβλητές: Έλεγχοι υποθέσεων και διαστήµατα εµπιστοσύνης
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 5. Στατιστική συµπερασµατολογία για ποσοτικές µεταβλητές: Έλεγχοι υποθέσεων και διαστήµατα εµπιστοσύνης ιαστήµατα εµπιστοσύνης και έλεγχοι υποθέσεων για τη µέση τιµή Για µια ποσοτική µεταβλητή
Διαβάστε περισσότεραΜονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων 1 Μονοπαραγοντική Ανάλυση Διακύμανσης Παραμετρικό στατιστικό κριτήριο για τη μελέτη της επίδρασης μιας ανεξάρτητης μεταβλητής στην εξαρτημένη Λογική
Διαβάστε 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 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 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 περισσότεραΕισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέμβριος 2017 Αλέξανδρος Γρυπάρης, PhD Αλέξανδρος Γρυπάρης, PhD 4 Περιεχόμενα Ορισμός της Στατιστικής Περιγραφική στατιστική
Διαβάστε περισσότεραΥ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..
Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας
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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση
Διαβάστε περισσότεραΈλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για εξαρτημένα δείγματα)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για εξαρτημένα δείγματα) Όπως αναφέρθηκε στο προηγούμενο κεφάλαιο σε ορισμένες
Διαβάστε 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 περισσότεραΛΟΓΙΣΤΙΚΗ ΕΞΑΡΤΗΣΗ. Πρώτα θα δούμε την επίδραση των παραπάνω παραγόντων με διμεταβλητή ανάλυση: Variables in the Equation
ΛΟΓΙΣΤΙΚΗ ΕΞΑΡΤΗΣΗ Θα δούμε ένα παράδειγμα όπου μελετήθηκαν διάφοροι προσδιοριστικοί παράγοντες που μπορεί να επηρεάσουν την γέννηση ελλειποβαρών νεογνών (βάρος < 2.500 γραμμάρια). Συλλέχθηκαν δεδομένα
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 περισσότεραΣτατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο
Εαρινό εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr
Διαβάστε περισσότεραΣυνάφεια μεταξύ ποιοτικών μεταβλητών. Εκδ. #3,
Συνάφεια μεταξύ ποιοτικών μεταβλητών Εκδ. #3, 19.03.2016 Ο έλεγχος ανεξαρτησίας χ 2 Ο έλεγχος ανεξαρτησίας χ 2 εφαρμόζεται για να εξετάσουμε τη συνάφεια μεταξύ δύο ποιοτικών μεταβλητών με την έννοια της
Διαβάστε 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 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 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 περισσότεραΣτατιστικές Υποθέσεις
Τμήμα Λογιστικής και Χρηματοοικονομικής 1 Στατιστικές Υποθέσεις Δρ. Αγγελίδης Π. Βασίλειος 2 Εισαγωγή Ίσως το σπουδαιότερο μέρος της Στατιστικής επιστήμης. Εξαγωγή συμπερασμάτων για τις τιμές των παραμέτρων
Διαβάστε περισσότεραΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική
ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική Ενότητα 3: Έλεγχοι υποθέσεων - Διαστήματα εμπιστοσύνης Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Οι ερευνητικές υποθέσεις Στην έρευνα ελέγχουμε
Διαβάστε περισσότεραΠοιοτική και ποσοτική ανάλυση ιατρικών δεδομένων
Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Κωνσταντίνος Τζιόμαλος Επίκουρος Καθηγητής Παθολογίας ΑΠΘ Α Προπαιδευτική Παθολογική Κλινική, Νοσοκομείο ΑΧΕΠΑ 1 ο βήμα : καταγραφή δεδομένων Το πιο πρακτικό
Διαβάστε 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 περισσότεραΥ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..
Μέτρα Κινδύνου για Δίτιμα Κατηγορικά Δεδομένα Σε αυτή την ενότητα θα ορίσουμε δείκτες μέτρησης του κινδύνου εμφάνισης μίας νόσου όταν έχουμε δίτιμες κατηγορικές μεταβλητές. Στην πιο απλή περίπτωση μας
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 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 περισσότεραΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΤΗΝ ΣΥΓΚΡΙΣΗ ΜΕΣΩΝ ΤΙΜΩΝ ΚΑΙ ΑΝΑΛΟΓΙΩΝ ΔΥΟ
ΚΕΦΑΛΑΙΟ 19 ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΤΗΝ ΣΥΓΚΡΙΣΗ ΜΕΣΩΝ ΤΙΜΩΝ ΚΑΙ ΑΝΑΛΟΓΙΩΝ ΔΥΟ ΚΑΝΟΝΙΚΩΝ ΠΛΗΘΥΣΜΩΝ Όταν ενδιαφερόμαστε να συγκρίνουμε δύο πληθυσμούς, η φυσιολογική προσέγγιση είναι να προσπαθήσουμε να συγκρίνουμε
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 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 περισσότεραΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΜΗ ΠΑΡΑΜΕΤΡΙΚΩΝ ΕΛΕΓΧΩΝ
ΣΤΟΧΟΙ ΤΗΣ ΕΝΟΤΗΤΑΣ Να δοθούν οι βασικές αρχές των µη παραµετρικών ελέγχων (non-parametric tests). Να παρουσιασθούν και να αναλυθούν οι γνωστότεροι µη παραµετρικοί έλεγχοι Να αναπτυχθεί η µεθοδολογία των
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 περισσότεραΛογαριθµιστική εξάρτηση
Είδη δεδοµένων Σε µία επιδηµιολογική έρευνα, καταγράφονται τα παρακάτω δεδοµένα για κάθε άτοµο: Λογαριθµιστική εξάρτηση Βάνα Σύψα Επίκουρη Καθηγήτρια Επιδηµιολογίας και Προληπτικής Ιατρικής Εργαστήριο
Διαβάστε περισσότεραΑ Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο
Α Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο «Περιγραφική & Επαγωγική Στατιστική» 1. Πάνω από το 3 ο τεταρτημόριο ενός δείγματος βρίσκεται το: α) 15%
Διαβάστε περισσότεραΕισαγωγή στην Ανάλυση Δεδομένων
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΔΙΑΛΕΞΗ 09-10-2015 Εισαγωγή στην Ανάλυση Δεδομένων Βασικές έννοιες Αν. Καθ. Μαρί-Νοέλ Ντυκέν ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΔΙΑΛΕΞΗ 30-10-2015 1. Στατιστικοί παράμετροι - Διάστημα εμπιστοσύνης Υπολογισμός
Διαβάστε περισσότεραΕνότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 2: Έλεγχοι Υποθέσεων
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
Διαβάστε περισσότεραΕκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση
Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση Οι επιδόσεις δέκα μαθητών σε τέσσερα μαθήματα Μαθητής Άλγεβρα Φυσική Νέα Ελληνικά Μουσική Α 65 63 35 61 Β 60 58 38 35 Γ 60 60 40 46
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 A εξάμηνο 2009-2010 Περιγραφική Στατιστική Ι users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr Μέτρα θέσης Η θέση αντιπροσωπεύει τη θέση της κατανομής κατά
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 περισσότεραΕΠΙΣΤΗΜΟΝΙΚΟ ΕΠΙΜΟΡΦΩΤΙΚΟ ΣΕΜΙΝΑΡΙΟ «ΚΑΤΑΡΤΙΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ» Τριανταφυλλίδου Ιωάννα Μαθηματικός
ΕΠΙΣΤΗΜΟΝΙΚΟ ΕΠΙΜΟΡΦΩΤΙΚΟ ΣΕΜΙΝΑΡΙΟ «ΚΑΤΑΡΤΙΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΜΕ ΤΟ SPSS To SPSS θα: - Κάνει πολύπλοκη στατιστική ανάλυση σε δευτερόλεπτα -
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 περισσότερα3 ο Φυλλάδιο Ασκήσεων. Εφαρμογές
ο Φυλλάδιο Ασκήσεων Εφαρμογές 2 ο Φυλλάδιο Ασκήσεων Εφαρμογή 1 ΣΥΓΚΡΙΣΗ ΤΗΣ ΗΛΙΚΙΑΣ ΤΩΝ ΕΡΓΑΖΟΜΕΝΩΝ ΣΕ ΔΥΟ ΕΠΙΧΕΙΡΗΣΕΙΣ Παρακάτω βλέπουμε τα ιστογράμματα και τα πολύγωνα των σχετικών (%) και σχετικών αθροιστικών
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΕισαγωγή στη Στατιστική
Εισαγωγή στη Στατιστική Μετεκπαιδευτικό Σεμινάριο στην ΨΥΧΟΚΟΙΝΩΝΙΚΗ ΑΠΟΚΑΤΑΣΤΑΣΗ ΨΥΧΟΚΟΙΝΩΝΙΚΕΣ ΘΕΡΑΠΕΥΤΙΚΕΣ ΠΡΟΣΕΓΓΙΣΕΙΣ Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων
Διαβάστε περισσότεραΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ
Α εξάμηνο 2011-2012 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΚΠΑΙΔΕΥΤΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΑΝΑΠΤΥΞΗ ΑΝΘΡΩΠΙΝΩΝ ΠΟΡΩΝ Ποιοτικές και Ποσοτικές Μέθοδοι και Προσεγγίσεις για την Επιστημονική Έρευνα ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ
Διαβάστε περισσότεραΠεριγραφική Ανάλυση ποσοτικών μεταβλητών
Περιγραφική Ανάλυση ποσοτικών μεταβλητών Στο data file Worldsales.sav (αρχείο υποθετικών πωλήσεων ανά ήπειρο και προϊόν) Analyze Descriptive Statistics Frequencies Επιλογή μεταβλητής Revenue Πατάμε στο
Διαβάστε περισσότεραΜεθοδολογία των επιστημών του Ανθρώπου : Στατιστική Εργαστήριο 6 :
Μεθοδολογία των επιστημών του Ανθρώπου : Στατιστική Εργαστήριο 6 : 1. Να χρησιμοποιηθεί το αρχείο gssft.sav για να γίνει έλεγχος της υπόθεσης ότι στους εργαζόμενους με πλήρη απασχόληση η τιμή του μέσου
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 περισσότεραΕισαγωγή στη Βιοστατιστική
Εισαγωγή στη Βιοστατιστική Π.Μ.Σ.: Έρευνα στη Γυναικεία Αναπαραγωγή Οκτώβριος Νοέµβριος 2013 Αλέξανδρος Γρυπάρης, PhD Αλέξανδρος Γρυπάρης, PhD 4 Περιεχόµενα o Ορισµός της Στατιστικής o Περιγραφική στατιστική
Διαβάστε περισσότεραΚεφάλαιο 16. Σύγκριση συχνοτήτων κατηγοριών: το στατιστικό κριτήριο χ 2. Προϋποθέσεις για τη χρήση του τεστ. ιαφορές ή συσχέτιση.
Κεφάλαιο 16 Σύγκριση συχνοτήτων κατηγοριών: το στατιστικό κριτήριο χ 1 Προϋποθέσεις για τη χρήση του τεστ ιαφορές ή συσχέτιση Κλίµακα µέτρησης Σχεδιασµός Σηµείωση ιαφορές Κατηγορική Ανεξάρτητα δείγµατα
Διαβάστε περισσότεραΣπουδαστές Γιαννουλάκης Αντρέας Α.Μ. 11796 Τσουρουνάκης 'Αγγελος Α.Μ. 12133 Μουτουσίδου Πόπη Α.Μ. 12279 Εισηγητής: Ταφιάδης Χρ.
ΤΕΙ ΗΠΕΙΡΟΥ ΣΧΟΛΗ ΕΠΑΓΓΕΛΜΑΤΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΤΜΗΜΑ ΛΟΓΟΘΕΡΑΠΕΙΑΣ Σπουδαστές Γιαννουλάκης Αντρέας Α.Μ. 11796 Τσουρουνάκης 'Αγγελος Α.Μ. 12133 Μουτουσίδου Πόπη Α.Μ. 12279 Εισηγητής: Ταφιάδης Χρ. Διονύσης
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 περισσότεραΗ βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων. Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή Δεκέμβριος 2011 Στόχος Έρευνας H βιτρίνα των καταστημάτων αποτελεί
Διαβάστε περισσότεραΤο στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται
Κεφάλαιο 10 Η Ανάλυση Παλινδρόμησης Η Ανάλυση Παλινδρόμησης Το στατιστικό κριτήριο που μας επιτρέπει να προβλέψουμε τις τιμές μιας μεταβλητής από τις τιμές μιας ή πολλών άλλων γνωστών μεταβλητών Η σχέση
Διαβάστε περισσότεραΚεφάλαιο 14. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης
Κεφάλαιο 14 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης 1 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη της επίδρασης µιας ανεξάρτητης µεταβλητής στην εξαρτηµένη Λογική παρόµοια
Διαβάστε περισσότεραΟι στατιστικοί έλεγχοι x τετράγωνο, t- test, ANOVA & Correlation. Σταμάτης Πουλακιδάκος
Οι στατιστικοί έλεγχοι x τετράγωνο, t- test, ANOVA & Correlation Σταμάτης Πουλακιδάκος Μερικά εισαγωγικά λόγια Οι έλεγχοι των ερευνητικών υποθέσεων πραγματοποιούνται με διάφορους στατιστικούς ελέγχους,
Διαβάστε περισσότεραΚλωνάρης Στάθης. ΠΜΣ: Οργάνωση & Διοίκηση Επιχειρήσεων Τροφίμων και Γεωργίας
Κλωνάρης Στάθης ΠΜΣ: Οργάνωση & Διοίκηση Επιχειρήσεων Τροφίμων και Γεωργίας Μέχρι τώρα ασχοληθήκαμε με τις τεχνικές εκτίμησης παραμέτρων για ένα πληθυσμό όπως: τον Μέσο µ και το ποσοστό p Θα συνεχίσουμε
Διαβάστε περισσότεραΣτατιστική. Ανάλυση ιασποράς με ένα Παράγοντα. One-Way Anova. 8.2 Προϋποθέσεις για την εφαρμογή της Ανάλυσης ιασποράς
Στατιστική Ανάλυση ιασποράς με ένα Παράγοντα One-Way Anova Χατζόπουλος Σταύρος Κεφάλαιο 8ο. Ανάλυση ιασποράς 8.1 Εισαγωγή 8.2 Προϋποθέσεις για την εφαρμογή της Ανάλυσης ιασποράς 8.3 Ανάλυση ιασποράς με
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 περισσότεραΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Εισήγηση 5Α: ΠΑΡΑΜΕΤΡΙΚΟ Χ 2 Διδάσκων: Δαφέρμος Βασίλειος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΣΧΟΛΗΣ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης
Διαβάστε περισσότεραΕνότητα 4 η : Ανάλυση ερευνητικών δεδομένων. Δημήτριος Σταμοβλάσης Φιλοσοφίας Παιδαγωγικής ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εισαγωγή στην Ανάλυση Ερευνητικών Δεδομένων στις Κοινωνικές Επιστήμες Με χρήση των λογισμικών IBM/SPSS και LISREL Ενότητα 4 η : Ανάλυση
Διαβάστε 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 περισσότερατατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Επαναληπτικζς ασκήσεις Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Διαβάστε 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 περισσότερασ = και σ = 4 αντιστοίχως. Τότε θα ισχύει
Θέματα ομάδας A 1. Σε κάποιο πείραμα τύχης μία τυχαία μεταβλητή λαμβάνει τις τιμές = 10 και = 10. Τότε η μέση τιμή x της θα είναι α. 10 β. 10 γ.,5 10 δ. 19,5 10 1= 10, = 10,. Δυο τυχαίες μεταβλητές, ακολουθούν
Διαβάστε περισσότεραΔιερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis
Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis Περιλαμβάνει ένα σύνολο αριθμητικών και γραφικών μεθόδων, που μας επιτρέπουν να αποκτήσουμε μια πρώτη εικόνα για την κατανομή των τιμών της μεταβλητής
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 περισσότεραΣΧΕΣΗ ΜΕΤΑΞΥ ΠΟΙΟΤΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ
ΣΧΕΣΗ ΜΕΤΑΞΥ ΠΟΙΟΤΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ Θα δούμε ένα παράδειγμα από 141 νεογνά που εγχειρίστηκαν σε ένα νοσοκομείο (surgery.sav). Οι παράμετροι που καταγράφηκαν είναι οι εξής: Κωδικός νεογνού (ID), Φύλο Νεογνού
Διαβάστε περισσότεραΕνότητα 1: Πληθυσμός και δείγμα Είδη Μεταβλητών - Περιγραφική στατιστική
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 1: Πληθυσμός
Διαβάστε περισσότεραΠοσοτική & Ποιοτική Ανάλυση εδομένων Συσχέτιση. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη,
Ποσοτική & Ποιοτική Ανάλυση εδομένων Συσχέτιση Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη, 2013-2014 Οι επιδόσεις δέκα μαθητών σε τέσσερα μαθήματα Μαθητής Άλγεβρα
Διαβάστε περισσότεραΒΙΟΣΤΑΤΙΣΤΙΚΗ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ
1 ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ 2 Γενικά το μάθημα της Βιοστατιστικής είναι ένα εύκολο προς μέτριο μάθημα που υπάρχει στο Α έτος. Μπορεί εκ πρώτης όψεως να φαντάζει δύσκολο και ακατανόητο.
Διαβάστε περισσότεραΕισαγωγή στη Βιοστατιστική Βασικές έννοιες Στατιστικής. Μαρία Γκριζιώτη Μsc Ιατρικής Ερευνητικής Μεθοδολογίας
Εισαγωγή στη Βιοστατιστική Βασικές έννοιες Στατιστικής Μαρία Γκριζιώτη Μsc Ιατρικής Ερευνητικής Μεθοδολογίας Σκοπός του μαθήματος Κατανόηση βασικών εννοιών της στατιστικής Δυνατότητα δημιουργίας βάσης
Διαβάστε περισσότερα10. ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
0. ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 0. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ Συχνά στην πράξη το μοντέλο της απλής γραμμικής παλινδρόμησης είναι ανεπαρκές για την περιγραφή της μεταβλητότητας που υπάρχει στην εξαρτημένη
Διαβάστε περισσότεραΤίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων
Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων Ενότητα: Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με εξαρτημένα δείγματα Διδάσκων: Επίκ. Καθ. Απόστολος Μπατσίδης Τμήμα: Μαθηματικών ΚΕΦΑΛΑΙΟ ΕΚΤΟ
Διαβάστε περισσότεραΛίγα λόγια για τους συγγραφείς 16 Πρόλογος 17
Περιεχόμενα Λίγα λόγια για τους συγγραφείς 16 Πρόλογος 17 1 Εισαγωγή 21 1.1 Γιατί χρησιμοποιούμε τη στατιστική; 21 1.2 Τι είναι η στατιστική; 22 1.3 Περισσότερα για την επαγωγική στατιστική 23 1.4 Τρεις
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 περισσότερα