Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
|
|
|
- Ἕκτωρ Μαγγίνας
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Lampiran 1 Hasil Kuesioner NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
2 Lampiran 1 (lanjutan) NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
3 Lampiran 1 (lanjutan) NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
4 Lampiran 1 (lanjutan) NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
5 Lampiran 1 (lanjutan) NO CI1 CI2 CI3 CT1 CT2 CT3 CS1 CS2 CS3 CL1 CL2 CL
6 Lampiran 2 Karakteristik Responden No. Usia Jumlah Persentase (%) Tahun % Tahun % Tahun % 4 Lebih dari 45 Tahun % Total No. Jenis Kelamin Jumlah Persentase (%) 1 Laki-laki % 2 Perempuan % Total No. Tingkat Pendidikan Jumlah Persentase (%) 1 SMA % 2 Diploma % 3 S % 4 Pascasarjana % 5 Lainnya % Total No. Pendapatan perbulan Jumlah Persentase (%) 1 Kurang dari Rp % 2 Rp sampai dengan Rp % 3 Lebih dari Rp % Total
7 Lampiran 3 Statistik Deskriptrif Descriptive Statistics N Minimum Maximum Mean Std. Deviation CI CI CI CI CT CT CT CT CS CS CS CS CL CL CL CL Valid N (listwise) 150
8 Lampiran 4 Uji Normalitas DATE: 12/12/2017 TIME: 04:22 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:\Tea\WM\Irene\Input.PR2:!PRELIS SYNTAX: Can be edited SY='D:\Tea\WM\Irene\Input.PSF' NS OU MA=CM XT Total Sample Size = 150 Univariate Summary Statistics for Continuous Variables Variable Mean St. Dev. T-Value Skewness Kurtosis Minimum Freq. Maximum Freq CI
9 CI CI CT CT CT CS CS CS CL CL CL 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 CI CI CI CT CT CT CS CS CS CL CL CL
10 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 CI1 Frequency Percentage Lower Class Limit CI2 Frequency Percentage Lower Class Limit
11 CI3 Frequency Percentage Lower Class Limit CT1 Frequency Percentage Lower Class Limit CT2 Frequency Percentage Lower Class Limit
12 CT3 Frequency Percentage Lower Class Limit CS1 Frequency Percentage Lower Class Limit CS2
13 Frequency Percentage Lower Class Limit CS3 Frequency Percentage Lower Class Limit CL1 Frequency Percentage Lower Class Limit
14 CL2 Frequency Percentage Lower Class Limit CL3 Frequency Percentage Lower Class Limit Covariance Matrix
15 CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT CS CS CS CL CL CL Covariance Matrix CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL Means Means CI1 CI2 CI3 CT1 CT2 CT CS1 CS2 CS3 CL1 CL2 CL Standard Deviations CI1 CI2 CI3 CT1 CT2 CT3
16 Standard Deviations CS1 CS2 CS3 CL1 CL2 CL The Problem used Bytes (= 0.0% of available workspace)
17 Lampiran 5 CFA DATE: 12/12/2017 TIME: 4:33 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:\Tea\WM\Irene\Output.SPJ: Raw Data from file 'D:\Tea\WM\Irene\Input.psf' Latent Variables CI CT CS CL Relationships CI1 = CI CI2 = CI CI3 = CI CT1 = CT CT2 = CT CT3 = CT CS1 = CS CS2 = CS CS3 = CS CL1 = CL CL2 = CL CL3 = CL
18 Path Diagram End of Problem Sample Size = 150 Covariance Matrix CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT CS CS CS CL CL CL Covariance Matrix CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL Number of Iterations = 6
19 LISREL Estimates (Maximum Likelihood) Measurement Equations CI1 = 0.61*CI, Errorvar.= 0.33, R² = 0.53 (0.067) (0.055) CI2 = 0.69*CI, Errorvar.= 0.35, R² = 0.58 (0.073) (0.065) CI3 = 0.69*CI, Errorvar.= 0.35, R² = 0.58 (0.072) (0.064) CT1 = 0.69*CT, Errorvar.= 0.36, R² = 0.57 (0.071) (0.061) CT2 = 0.64*CT, Errorvar.= 0.35, R² = 0.54 (0.068) (0.056) CT3 = 0.65*CT, Errorvar.= 0.26, R² = 0.62 (0.063) (0.049) CS1 = 0.72*CS, Errorvar.= 0.46, R² = 0.53 (0.078) (0.073) CS2 = 0.67*CS, Errorvar.= 0.38, R² = 0.54 (0.072) (0.062) CS3 = 0.76*CS, Errorvar.= 0.36, R² = 0.61 (0.075) (0.069)
20 CL1 = 0.67*CL, Errorvar.= 0.40, R² = 0.53 (0.071) (0.061) CL2 = 0.63*CL, Errorvar.= 0.33, R² = 0.55 (0.066) (0.052) CL3 = 0.76*CL, Errorvar.= 0.25, R² = 0.70 (0.068) (0.057) Correlation Matrix of Independent Variables CI CT CS CL CI 1.00 CT (0.10) 2.75 CS (0.09) (0.08) CL (0.09) (0.08) (0.08) Goodness of Fit Statistics Degrees of Freedom = 48 Minimum Fit Function Chi-Square = (P = 0.048) Normal Theory Weighted Least Squares Chi-Square = (P = 0.061) Estimated Non-centrality Parameter (NCP) = Percent Confidence Interval for NCP = (0.0 ; 40.89) Minimum Fit Function Value = 0.44 Population Discrepancy Function Value (F0) = 0.11
21 90 Percent Confidence Interval for F0 = (0.0 ; 0.27) Root Mean Square Error of Approximation (RMSEA) = Percent Confidence Interval for RMSEA = (0.0 ; 0.076) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.53 Expected Cross-Validation Index (ECVI) = Percent Confidence Interval for ECVI = (0.72 ; 1.00) ECVI for Saturated Model = 1.05 ECVI for Independence Model = 7.41 Chi-Square for Independence Model with 66 Degrees of Freedom = Independence AIC = Model AIC = Saturated AIC = Independence CAIC = Model CAIC = Saturated CAIC = Normed Fit Index (NFI) = 0.94 Non-Normed Fit Index (NNFI) = 0.98 Parsimony Normed Fit Index (PNFI) = 0.68 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.92 Critical N (CN) = Root Mean Square Residual (RMR) = Standardized RMR = Goodness of Fit Index (GFI) = 0.93 Adjusted Goodness of Fit Index (AGFI) = 0.89 Parsimony Goodness of Fit Index (PGFI) = 0.57 The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate CL2 CT Time used: Seconds
22 Lampiran 6 Estimates CFA
23 Lampiran 7 Standardized CFA
24 Lampiran 8 T-value CFA
25 Lampiran 9 Uji Validitas Indikator Standardized Loading Cut Off Keterangan Citra Perusahaan CI > 0,7 Valid CI > 0,7 Valid CI > 0,7 Valid Kepercayaan Konsumen CT > 0,7 Valid CT > 0,7 Valid CT > 0,7 Valid Kepuasan Konsumen CS > 0,7 Valid CS > 0,7 Valid CS > 0,7 Valid Loyalitas Konsumen CL > 0,7 Valid CL > 0,7 Valid CL > 0,7 Valid
26 Lampiran 10 Uji Reliabilitas Indikator λ λ 2 e i Σλ (Σλ) 2 Σ(λ 2 ) Σe i CR VE Citra Perusahaan CI CI CI Kepercayaan Konsumen CT CT CT Kepuasan Konsumen CS CS CS Loyalitas Konsumen CL CL CL
27 Lampiran 11 SEM DATE: 12/12/2017 TIME: 4:20 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:\Tea\WM\Irene\Output.SPJ: Raw Data from file 'D:\Tea\WM\Irene\Input.psf' Latent Variables CI CT CS CL Relationships CI1 = CI CI2 = CI CI3 = CI CT1 = CT CT2 = CT CT3 = CT CS1 = CS CS2 = CS CS3 = CS CL1 = CL CL2 = CL CL3 = CL
28 CS = CI CT CL = CI CT CS Path Diagram Options: All End of Problem Sample Size = 150 Covariance Matrix CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL CI CI CI CT CT CT Covariance Matrix CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT
29 Initial Estimates (TSLS) Measurement Equations CS1 = 1.00*CS, Errorvar.= 0.42, R² = 0.57 CS2 = 0.89*CS, Errorvar.= 0.40, R² = 0.52 CS3 = 0.99*CS, Errorvar.= 0.39, R² = 0.58 CL1 = 1.00*CL, Errorvar.= 0.41, R² = 0.52 CL2 = 0.96*CL, Errorvar.= 0.33, R² = 0.55 CL3 = 1.15*CL, Errorvar.= 0.25, R² = 0.70 CI1 = 0.61*CI, Errorvar.= 0.33, R² = 0.53 CI2 = 0.71*CI, Errorvar.= 0.33, R² = 0.61 CI3 = 0.67*CI, Errorvar.= 0.37, R² = 0.55 CT1 = 0.69*CT, Errorvar.= 0.36, R² = 0.57 CT2 = 0.64*CT, Errorvar.= 0.35, R² = 0.54 CT3 = 0.65*CT, Errorvar.= 0.25, R² = 0.63 Structural Equations CS = 0.13*CI *CT, Errorvar.= 0.43, R² = 0.22 CL = 0.33*CS *CI *CT, Errorvar.= 0.30, R² = 0.31 Reduced Form Equations
30 CS = 0.13*CI *CT, Errorvar.= 0.43, R² = 0.22 CL = 0.14*CI *CT, Errorvar.= 0.35, R² = 0.20 Correlation Matrix of Independent Variables CI CT CI 1.00 CT Covariance Matrix of Latent Variables CS CL CI CT CS 0.56 CL CI CT 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 D D D D D D D D D D D D+00
31 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+00 Number of Iterations = 7 LISREL Estimates (Maximum Likelihood) Measurement Equations CS1 = 0.72*CS, Errorvar.= 0.46, R² = 0.53 (0.073) 6.23 CS2 = 0.67*CS, Errorvar.= 0.38, R² = 0.54 (0.088) (0.062) CS3 = 0.76*CS, Errorvar.= 0.36, R² = 0.61 (0.097) (0.069) CL1 = 0.67*CL, Errorvar.= 0.40, R² = 0.53 (0.061) 6.56 CL2 = 0.63*CL, Errorvar.= 0.33, R² = 0.55 (0.079) (0.052)
32 CL3 = 0.76*CL, Errorvar.= 0.25, R² = 0.70 (0.091) (0.057) CI1 = 0.61*CI, Errorvar.= 0.33, R² = 0.53 (0.067) (0.055) CI2 = 0.69*CI, Errorvar.= 0.35, R² = 0.58 (0.073) (0.065) CI3 = 0.69*CI, Errorvar.= 0.35, R² = 0.58 (0.072) (0.064) CT1 = 0.69*CT, Errorvar.= 0.36, R² = 0.57 (0.071) (0.061) CT2 = 0.64*CT, Errorvar.= 0.35, R² = 0.54 (0.068) (0.056) CT3 = 0.65*CT, Errorvar.= 0.26, R² = 0.62 (0.063) (0.049) Structural Equations CS = 0.21*CI *CT, Errorvar.= 0.68, R² = 0.32 (0.099) (0.11) (0.16) CL = 0.29*CS *CI *CT, Errorvar.= 0.66, R² = 0.34 (0.12) (0.099) (0.11) (0.15)
33 Reduced Form Equations CS = 0.21*CI *CT, Errorvar.= 0.68, R² = 0.32 (0.099) (0.11) CL = 0.28*CI *CT, Errorvar.= 0.72, R² = 0.28 (0.100) (0.10) Correlation Matrix of Independent Variables CI CT CI 1.00 CT (0.10) 2.75 Covariance Matrix of Latent Variables CS CL CI CT CS 1.00 CL CI CT Goodness of Fit Statistics Degrees of Freedom = 48 Minimum Fit Function Chi-Square = (P = 0.048) Normal Theory Weighted Least Squares Chi-Square = (P = 0.061) Estimated Non-centrality Parameter (NCP) = Percent Confidence Interval for NCP = (0.0 ; 40.89)
34 Minimum Fit Function Value = 0.44 Population Discrepancy Function Value (F0) = Percent Confidence Interval for F0 = (0.0 ; 0.27) Root Mean Square Error of Approximation (RMSEA) = Percent Confidence Interval for RMSEA = (0.0 ; 0.076) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.53 Expected Cross-Validation Index (ECVI) = Percent Confidence Interval for ECVI = (0.72 ; 1.00) ECVI for Saturated Model = 1.05 ECVI for Independence Model = 7.41 Chi-Square for Independence Model with 66 Degrees of Freedom = Independence AIC = Model AIC = Saturated AIC = Independence CAIC = Model CAIC = Saturated CAIC = Normed Fit Index (NFI) = 0.94 Non-Normed Fit Index (NNFI) = 0.98 Parsimony Normed Fit Index (PNFI) = 0.68 Comparative Fit Index (CFI) = 0.98 Incremental Fit Index (IFI) = 0.98 Relative Fit Index (RFI) = 0.92 Critical N (CN) = Root Mean Square Residual (RMR) = Standardized RMR = Goodness of Fit Index (GFI) = 0.93 Adjusted Goodness of Fit Index (AGFI) = 0.89 Parsimony Goodness of Fit Index (PGFI) = 0.67 Fitted Covariance Matrix
35 CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL CI CI CI CT CT CT Fitted Covariance Matrix CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT Fitted Residuals CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL CI CI CI CT
36 CT CT Fitted Residuals CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT Summary Statistics for Fitted Residuals Smallest Fitted Residual = Median Fitted Residual = 0.00 Largest Fitted Residual = 0.09 Stemleaf Plot Standardized Residuals CS1 CS2 CS3 CL1 CL2 CL3 CS1 - - CS CS CL
37 CL CL CI CI CI CT CT CT Standardized Residuals CI1 CI2 CI3 CT1 CT2 CT3 CI1 - - CI CI CT CT CT Summary Statistics for Standardized Residuals Smallest Standardized Residual = Median Standardized Residual = 0.00 Largest Standardized Residual = 1.96 Stemleaf Plot
38 Qplot of Standardized Residuals x x...x... x... xx. N..xx. o.. x. r. xx x. m. xx. a..x. l. x* x.. x*x. Q. xx. u. *. a..**. n.. *. t..*x. i. xx*. l. x xx. e. *x.. s. xx... *... x... x... x......x
39 Standardized Residuals The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate CT2 CL Covariance Matrix of Parameter Estimates LY 2_1 LY 3_1 LY 5_2 LY 6_2 LX 1_1 LX 2_1 LY 2_ LY 3_ LY 5_ LY 6_ LX 1_ LX 2_ LX 3_ LX 4_ LX 5_ LX 6_ BE 2_ GA 1_ GA 1_ GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_
40 TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Covariance Matrix of Parameter Estimates LX 3_1 LX 4_2 LX 5_2 LX 6_2 BE 2_1 GA 1_1 LX 3_ LX 4_ LX 5_ LX 6_ BE 2_ GA 1_ GA 1_ GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Covariance Matrix of Parameter Estimates GA 1_2 GA 2_1 GA 2_2 PH 2_1 PS 1_1 PS 2_2 GA 1_2 0.01
41 GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Covariance Matrix of Parameter Estimates TE 1_1 TE 2_2 TE 3_3 TE 4_4 TE 5_5 TE 6_6 TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Covariance Matrix of Parameter Estimates TD 1_1 TD 2_2 TD 3_3 TD 4_4 TD 5_5 TD 6_6 TD 1_ TD 2_
42 TD 3_ TD 4_ TD 5_ TD 6_ Correlation Matrix of Parameter Estimates LY 2_1 LY 3_1 LY 5_2 LY 6_2 LX 1_1 LX 2_1 LY 2_ LY 3_ LY 5_ LY 6_ LX 1_ LX 2_ LX 3_ LX 4_ LX 5_ LX 6_ BE 2_ GA 1_ GA 1_ GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_
43 Correlation Matrix of Parameter Estimates LX 3_1 LX 4_2 LX 5_2 LX 6_2 BE 2_1 GA 1_1 LX 3_ LX 4_ LX 5_ LX 6_ BE 2_ GA 1_ GA 1_ GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Correlation Matrix of Parameter Estimates GA 1_2 GA 2_1 GA 2_2 PH 2_1 PS 1_1 PS 2_2 GA 1_ GA 2_ GA 2_ PH 2_ PS 1_ PS 2_ TE 1_
44 TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Correlation Matrix of Parameter Estimates TE 1_1 TE 2_2 TE 3_3 TE 4_4 TE 5_5 TE 6_6 TE 1_ TE 2_ TE 3_ TE 4_ TE 5_ TE 6_ TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_ Correlation Matrix of Parameter Estimates TD 1_1 TD 2_2 TD 3_3 TD 4_4 TD 5_5 TD 6_6 TD 1_ TD 2_ TD 3_ TD 4_ TD 5_ TD 6_
45 Covariances Y - ETA CS1 CS2 CS3 CL1 CL2 CL3 CS CL Y - KSI CS1 CS2 CS3 CL1 CL2 CL3 CI CT X - ETA CI1 CI2 CI3 CT1 CT2 CT3 CS CL X - KSI CI1 CI2 CI3 CT1 CT2 CT3 CI CT First Order Derivatives LAMBDA-Y CS CL CS CS
46 CS CL CL CL LAMBDA-X CI CT CI CI CI CT CT CT BETA CS CL CS CL GAMMA CI CT CS CL PHI CI CT CI 0.00 CT PSI CS CL
47 CS 0.00 CL THETA-EPS CS1 CS2 CS3 CL1 CL2 CL3 CS CS CS CL CL CL THETA-DELTA-EPS CS1 CS2 CS3 CL1 CL2 CL3 CI CI CI CT CT CT THETA-DELTA CI1 CI2 CI3 CT1 CT2 CT3 CI CI CI CT CT CT Factor Scores Regressions ETA
48 CS1 CS2 CS3 CL1 CL2 CL3 CS CL ETA CI1 CI2 CI3 CT1 CT2 CT3 CS CL KSI CS1 CS2 CS3 CL1 CL2 CL3 CI CT KSI CI1 CI2 CI3 CT1 CT2 CT3 CI CT Standardized Solution LAMBDA-Y CS CL CS CS CS CL CL CL
49 LAMBDA-X CI CT CI CI CI CT CT CT BETA CS CL CS CL GAMMA CI CT CS CL Correlation Matrix of ETA and KSI CS CL CI CT CS 1.00 CL CI CT PSI Note: This matrix is diagonal. CS CL
50 Regression Matrix ETA on KSI (Standardized) CI CT CS CL Total and Indirect Effects Total Effects of KSI on ETA CI CT CS (0.10) (0.11) CL (0.10) (0.10) Indirect Effects of KSI on ETA CI CT CS CL (0.04) (0.06) Total Effects of ETA on ETA CS CL CS CL (0.12) 2.44
51 Largest Eigenvalue of B*B' (Stability Index) is Total Effects of ETA on Y CS CL CS CS (0.09) 7.61 CS (0.10) 7.85 CL (0.08) 2.44 CL (0.08) (0.08) CL (0.09) (0.09) Indirect Effects of ETA on Y CS CL CS CS CS CL (0.08) 2.44 CL (0.08) 2.44 CL (0.09) 2.47 Total Effects of KSI on Y
52 CI CT CS (0.07) (0.08) CS (0.07) (0.07) CS (0.07) (0.08) CL (0.07) (0.07) CL (0.06) (0.06) CL (0.07) (0.08) Standardized Total and Indirect Effects Standardized Total Effects of KSI on ETA CI CT CS CL Standardized Indirect Effects of KSI on ETA CI CT CS CL Standardized Total Effects of ETA on ETA
53 CS CL CS CL Standardized Total Effects of ETA on Y CS CL CS CS CS CL CL CL Standardized Indirect Effects of ETA on Y CS CL CS CS CS CL CL CL Standardized Total Effects of KSI on Y CI CT CS CS CS CL CL CL Time used: Seconds
54 Lampiran 12 Estimates SEM
55 Lampiran 13 Standardized SEM
56 Lampiran 14 T-value SEM
Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ
Lampiran 2 Hasil Kuesioner No. BA1 BA2 BA3 BA4 PQ1 PQ2 PQ3 PQ4 PQ5 1 4 3 3 4 4 5 4 5 4 2 5 5 4 5 4 4 3 5 4 3 2 1 3 2 3 3 4 3 3 4 2 3 3 2 4 4 4 3 4 5 2 3 2 2 3 3 3 3 3 6 3 3 3 3 4 4 4 5 4 7 4 3 3 4 3 3
Lampiran 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
PENGARUHKEPEMIMPINANINSTRUKSIONAL 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
Statistics 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
LAMPIRAN. 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
Biostatistics 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........................................
519.22(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.,,,.
Άσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F
Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό
Λογαριθμικά 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
Queensland 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
Summary 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
FORMULAS 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)
ΔPersediaan = 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
Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS
Εισαγωγή στα Μοντέλα Δομικών Εξισώσεων με τη χρήση του AMOS Βασίλης Παυλόπουλος Τμήμα Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr users.uoa.gr/~vpavlop ΠΜΣ Κοινωνική Ψυχολογία των Συγκρούσεων,
Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.
Σημειώσεις για το μάθημα Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S. Παπάνα Αγγελική E mail: papanagel@yahoo.gr, agpapana@gen.auth.gr Α.Τ.Ε.Ι. Θεσσαλονίκης ΠΑΡΑΡΤΗΜΑ ΚΑΤΕΡΙΝΗΣ Τμήμα Τυποποίησης και
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Συστήματα Δομικών Εξισώσεων Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια
Επιστηµονική 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
Μαντζούνη, 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)
Μενύχτα, 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 )
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Εισαγωγή στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Θεωρία) Διαφάνεια 2 Περιεχόμενα
ΑΝΑΛΥΣΗ 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
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Παραδείγματα στο Amos Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
Δείγμα (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)
ΕΝ 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
Λυμένες 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
TABLES 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
Αν 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
1. 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
Απλή Ευθύγραµµη Συµµεταβολή
Απλή Ευθύγραµµη Συµµεταβολή Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Εισαγωγή Ανάλυση Παλινδρόµησης και Συσχέτιση Απλή
1 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
Α. 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
5.4 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
Supplementary 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
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου και ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως προς δύο παράγοντες,
22 .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
$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
5.1 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....................................................
Supplementary 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
τατιστική 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
Για 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:
ΣΗΜΕΙΩΣΕΙΣ 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
1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
Δείγμα πριν τις διορθώσεις
Εισαγωγή Α ΜΕΡΟΣ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ 1 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Εισαγωγή 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or Αnalytical Statistics)
ΠΕΡΙΓΡΑΦΙΚΗ 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
χ 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
APPENDICES 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
Jesse 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
R 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/
NI 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
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)
Εισαγωγή στην Ανάλυση Συνδιακύμανσης (nalysis of Covariance, NCOV) Βασίλης Παυλόπουλος Λέκτορας Διαπολιτισμικής Ψυχολογίας Τομέας Ψυχολογίας, Πανεπιστήμιο Αθηνών vpavlop@psych.uoa.gr http://www.psych.uoa.gr/~vpavlop
ΠΕΡΙΓΡΑΦΙΚΗ 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...
LAMPIRAN. 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 =
Bayesian SEM: A more flexible representation of substantive theory Web tables
Bayesian SEM: A more flexible representation of substantive theory Web tables Bengt Muthén & Tihomir Asparouhov April 14, 2011 1 [Table 1 about here.] [Table 2 about here.] [Table 3 about here.] [Table
Wan 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
+ 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
Chapter 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...
Wan 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
ST5224: 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
ΕΡΓΑΙΑ 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
Does 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
Aquinas 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
Bayesian 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
Εισαγωγή 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
Lecture 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
«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
Περιγραφική 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
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «ΑΣΚΗΣΗ, ΕΡΓΟΣΠΙΡΟΜΕΤΡΙΑ ΚΑΙ ΑΠΟΚΑΤΑΣΤΑΣΗ» ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ 1. ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: Μεθοδολογία έρευνας και στατιστική 2. ΚΩΔ.
Homework 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
ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές
Παράδειγμα: 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
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
ΑΝΑΛΥΣΗ 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),
Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
ΗΥ-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
ΑΝΑΛΥΣΗ 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
1991 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
ΤΜΗΜΑ 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
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο εξαρτημένων δειγμάτων, που διαχωρίζονται βάσει ενός επαναλαμβανόμενου παράγοντα (Ανάλυση διακύμανσης για εξαρτημένα δείγματα ως
ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Μηχανική 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
Ασκήσεις 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
Σύγκριση Συνδυασµένων Παραγόντων
Σύγκριση Συνδυασµένων Παραγόντων Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Παραγοντικά Πειράµατα (Factorial Experiments)
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Περιεχόμενα Εισαγωγή Το πρόβλημα - Συντελεστής συσχέτισης Μοντέλο απλής γραμμικής παλινδρόμησης
255 (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
Περιεχόμενα. Πρόλογος 17 ΚΕΦΑΛΑΙΟ 1 23
Περιεχόμενα Πρόλογος 17 Μέρος A ΚΕΦΑΛΑΙΟ 1 23 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 23 1.1 Εισαγωγή 23 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 24 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or
Numerical Analysis FMN011
Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =
Homework 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
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009. HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Στατιστικά Κειμένου Text Statistics Γιάννης Τζίτζικας άλ ιάλεξη :
APPENDIX 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
IV. 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
p 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
Παράδειγμα: 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
Chapter 6: Systems of Linear Differential. be continuous functions on the interval
Chapter 6: Systems of Linear Differential Equations Let a (t), a 2 (t),..., a nn (t), b (t), b 2 (t),..., b n (t) be continuous functions on the interval I. The system of n first-order differential equations
ΟΙΚΟΝΟΜΕΤΡΙΑ. 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
Solution 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
2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα
ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
ο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x
η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η