$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.

Σχετικά έγγραφα
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

1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm

Εισαγωγή στην Ανάλυση Διακύμανσης

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.

Δείγμα (μεγάλο) από οποιαδήποτε κατανομή

ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» 2 ο Μάθηµα

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata

Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα

Lampiran 1 Output SPSS MODEL I

τατιςτική ςτην Εκπαίδευςη II

τατιστική στην Εκπαίδευση II

Ασκήσεις Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη. Διοίκηση των Επιχειρήσεων

Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων

Λυμένες Ασκήσεις για το μάθημα:

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 8. Ανάλυση διασποράς (ANOVA)

1991 US Social Survey.sav

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.

6.4. LOGLINEAR (MANOVA) 121

Εξερευνώντας τα δεδομένα μας-περιγραφική Στατιστική

Κεφάλαιο 14. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης

EDUCAT &ι'ι% Measurement Level: Ordinal Value Label 1,00 7ι η 2,00 -ι 3,00 3 ιι 4,00 * ι. Measurement Level: Scale

ι η ιι η η ι η η η ι ιη () ι η η η ιη Pearson r ι η!η ιι η η η ι ιηη. $ιη ηι ι η " ι η ι (ι) ι. 6 ι- ι ι ι η ι ι ι η η,!ι!ι ι η η, ι ι!

!# # v "6c. ,ι ιι ι "ι ηι ιι ιι. # ι α αα+ 0+!α/,. * η ι ι ιη ηι ι η ι η ι ιι ι ι ι ι η ιη ι ι ιι ηι.

Έλεγχος για τις παραμέτρους θέσης περισσοτέρων των δύο πληθυσμών με ανεξάρτητα δείγματα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

Βοήθημα Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο

Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2

Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με εξαρτημένα δείγματα

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

Κεφάλαιο 3: Ανάλυση μιας μεταβλητής

Έλεγχος για τις παραμέτρους θέσης δύο πληθυσμών με ανεξάρτητα δείγματα

Μαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

Έλεγχος ότι η παράμετρος θέσης ενός πληθυσμού είναι ίση με δοθείσα γνωστή τιμή. μεγέθους n από έναν πληθυσμό με μέση τιμή μ

ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

Τίτλος Μαθήματος: Στατιστική Ανάλυση Δεδομένων

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008

1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά

Ενότητα 3: Ανάλυση Διακύμανσης κατά ένα παράγοντα One-Way ANOVA

Εργαστήριο στατιστικής Στατιστικό πακέτο S.P.S.S.

ΗΥ-SPSS Statistical Package for Social Sciences 6 ο ΜΑΘΗΜΑ. ΧΑΡΑΛΑΜΠΟΣ ΑΘ. ΚΡΟΜΜΥΔΑΣ Διδάσκων Τ.Ε.Φ.Α.Α., Π.Θ.

3 ο Φυλλάδιο Ασκήσεων. Εφαρμογές

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

ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ

ΚΕΦΑΛΑΙΟ 5 ο. 5.1 Εντολή EXPLORE 5.2 Εντολή CROSSTABS 5.3 Εντολή RAΤΙΟ STΑTISTIC 5.4 Εντολή OLAP CUBES. Daily calorie intake

Μη Παραµετρικοί Έλεγχοι

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI

Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Φιλοσοφίας, Παιδαγωγικής, Ψυχολογίας Τομέας Ψυχολογίας. Επιμέλεια: Λέκτορας Βασίλης Γ.

ΒΙΟΣΤΑΤΙΣΤΙΚΗ. ΑΛΕΓΚΑΚΗΣ ΑΘΑΝΑΣΙΟΣ Φυσικός, PH.D. Σχολής Επιστηµών Υγείας

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

α + α+ α! (=+9 [1] ι «Analyze-Regression-Linear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. 1 SPSS ι η η ι ιηη ι η

Statistics. hrs1 Number of hours worked last week. educ Highest year of school completed. sibs NUMBER OF BROTHERS AND SISTERS. N Valid

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού

Σύγκριση Συνδυασµένων Παραγόντων

3. Ανάλυση Ποσοτικών Δεδομένων: συγκρίσεις μεταξύ ομάδων

Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis

ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,

ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ SPSS

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

Biostatistics for Health Sciences Review Sheet

Περιγραφή των εργαλείων ρουτινών του στατιστικού

Ενότητα 3 η : Περιγραφική Στατιστική Ι. Πίνακες και Γραφικές παραστάσεις. Δημήτριος Σταμοβλάσης Φιλοσοφίας Παιδαγωγικής

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:

Διερευνητική Ανάλυση Δεδομένων Exploratory Data Analysis

ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης

ΕΝ ΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ ΑΣΚΗΣΗΣ 2 (Εργαστήρια µαθήµατος «Στατιστικά Προγράµµατα», τµ. Στατ. & Ασφ. Επιστ., 04-05) (Επιµέλεια: Ελευθεράκη Αναστασία)

Πανεπιστήμιο Πάτρας Τμήμα Βιολογίας. Ανάλυση Περιβαλλοντικών Δεδομένων: συνοπτικός οδηγός για βιολόγους. Σίνος Γκιώκας

Απλή Ευθύγραµµη Συµµεταβολή

ΠΕΡΙΓΡΑΦΙΚΗ και ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση

Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που ακολουθούν την κανονική κατανομή (t-test για ανεξάρτητα δείγματα)

+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:

ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ

Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.


Επαγωγική Στατιστική

Εισαγωγή στην Ανάλυση Συνδιακύμανσης (Analysis of Covariance, ANCOVA)

Άσκηση 10, σελ 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

ΔPersediaan = Persediaan t+1 - Persediaan t

Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test)

Στατιστική. 9 ο Μάθημα: Εφαρμογές Στατιστικής ΙΙ: Στατιστικοί Έλεγχοι. Γεώργιος Μενεξές Τμήμα Γεωπονίας ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ

Τμήμα Λογιστικής και Χρηματοοικονομικής. Δρ. Αγγελίδης Π. Βασίλειος

Στατιστική Ανάλυση Δεδομένων με το S.P.S.S.

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ

3 ι ηι ιι η ι -ηι. ι ι ι ι. «η» η ι ι ι ι η ι.,ι ι ι ι ι "ι η ι % ι ι "η ι ι ι η ι ιι. ι ηι ι η ι «ιι ι»

Α.Σ.ΠΑΙ.Τ.Ε. Π.Ε.ΣΥ.Π. ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΓΙΑ ΤΟΥΣ ΣΚΟΠΟΥΣ ΣΥΕΠ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΤΟ SPSS

LAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk.

τατιστική στην Εκπαίδευση II

Χαρακτηριστικά της ανάλυσης διασποράς. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (One-way analysis of variance)

Transcript:

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 SSbetween ni ( X i X ) between ι df between k 1 within SS df within ( X 1i X 1) ( X i X )... ( X vi X v ) n k within ( k ι ι - ι ηι η ηι η ι n ι ) $ι ηι ι ANOVA ι ι ι % ι, ι ι t-test. 5% 1: 3 ι ι!η, η, ηι ι ι ι ι. 5% : ηη η!ηη η ι ι. 5% 3: ι η!ηη ι η η!ηη (η. ι ) ι ι ι. #! ι. 6 ι ι ι 15 ι ηι ιη ι ι (* ι, η, ι), η ι ι ι ι ι ι, ι ι ι η «ιι». ι ι 1 5, 1 ι ιι. 5! η ηι η ι η ι ι ι ι ιι ι η ι ι (: ι = η= ι ). $ι ιι η η ηι ι ιι ιι F. /η ιι X1 i X 1 X i ) ( 1 X1 ) -,,4 3,8,64 1-1, 1,44 3,8,64 -,,4 X 1=, /η ιι X i X ( X 1 X i 1) =,8 X i ) ( X 3 -,,4 $ι ι ιη F, SSwithin MS within df within ( X1i X1) ( X i X )... ( X vi X v ) n k ( k ι ι - ι ηι η ηι η ι n ι ) ι " (. ι ι): ) ι η ιι ι. 6ι, ι =,, 15

η 9 ι -,,4 3,8,64 3,8,64 1-1, 1,44 X =, /η ιι X 3 i X 3 ( X X i ) =,8 X i ) ( 3 X 3 4 1, 1,44 3,,4 3,,4 -,8,64 -,8,64 X 3 =,8 ( X 3 X i 3 ) =,8 $ι ι ιη ι (. ): η &, 7 MS between η=, ι ι =,8. 3η ι ι ι ι ι ι"ι ι η ιι ιι ι η ι η ι. ) $ι ι η ι η η ι η ( X ki X k ). ) η η η ' η ι η η ι ( X ki X k ) ) $ι " ι η η ι ( ( X ki X k ) ).,8,8,8 8,4, MS within, 7 15 3 1 SS df between between n ( X i i k 1 X ) ) #ι ι ( X i X ). ) (' η η η ι (( X i X ) ) ) η η ι" η η η ι ι ι η. ) ( " ι η η, ni ( X i X ) =1,. X i X i X ( X i X ) n ( X X ) i i X 1=, -,,4, X =, -,,4, X 3 =,8,4,16,8 X =,4 ni ( X i X ) =1,, MS between SS df between between n ( X i i k 1 X ) 1,,6 31 MSbetween,6 η ιη: F, 85, ι F (,1), 85 MS,7 within $ι η ηη η ιι ηιη η F ι ι ιη df = ι df =1 ι ι F: ι F ι!ι η ι η ι F, 85 (,1) ι ι ιη ( ι) η ιη F ι ι ιι ηιη 95% (p=3,89) ι ' η ηι η ι η ι 3 ι ι ι ιι ι η ι ι. )ι F ι ( ιι ηιη 1% ι 5%) df ιη df 1 3 4 9 1 11 1 5.1 4.6 3.86 3.63 1.56 8. 6.99 6.4 4.96 4.1 3.71 3.48 1.4 7.56 6.55 5.99 4.84 3.98 3.59 3.36 9.65 7.1 6. 5.67 4.75 3.89 3.49 3.6 9.33 6.93 5.95 5.41 13 4.67 3.81 3.41 3.18 9.7 6.7 5.74 5.1 16

η &, 7 8.86 6.51 5.56 5.4 15 4.54 3.68 3.9 3.6 8.68 6.36 5.4 4.89 /+N+ο/,ο(,),ANOAA),ο$P$$ η ι! η ηι η ι ι ι ι ι ι ι η ι ι " ιιι ι!. ιι ι! ι ι ιι ηι 'η ι ι ι. # ι ι!η ι ι ιι η ιη ιι ι ι η ι " ιιι ι ι. * ι"ι ι! η " ι ι ηι "ι ' ι ι ι "; η ι, η η ι, ",!ι ι ι ι ιι. ι ι ιι ηι ι 4 η η η educat!: 1= 7ι η, = -ι, 3= 3 ιι ι 4= * ι. ι, 4 (η ι "ι ι «7ι η» ι «* ι») ι!η! ι η ηη η!ηη η ι ι ι ι ι (ι). & ι ιι ι % ι. $ι η % η 3, ι ι η ιι η ι η «Explore», ι t-test. PQA8?GS9:T:9E;BF<BM:$<?<B9<BE9EcFGD;:Zι$*%>>> Q)7%*,%*+,%*8+*$*)$ιC?E<D;IB9<#4ι*ι%=/*+*%,%*8+*.(ι*+,%*8+*$*)$ιT:F:8>:8<IB9<#%=*+,.%,%*8+*.(> VQ *+%)ι4pgd<9ze%)ι.4υ,%*)/*ωa 17

η &, 7 XQ9KD8<B8H:: [Q *+%)ι4$<?<b9<be9#8>)/7υezwk@hn(e%)ι.4υ,%t:9e;bf<bm:9> `Q9KD8<B8H:: Q9:#$*)/7υ9EcFGD;::(> ANOVA ι ι ι ι ι ι (η ι ι ). To ANOVA ι ι ι η ι η ι ι ηι!. & ηι ι ι η η,, η, ι ι ι, ι ι η η... # «Explore» ι ι Tests of Normality, ι η ι, ι : υ υη!υ" a. Lilliefors Significance Correction Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk Statistic df Sig. Statistic df Sig.,167 53,1,96 53,1,11 19,,85 19,,186 1,,886 1,,118 19,1,88 19, η η ι, Kolmogorov-Smirnov ()S) ι ιι ηι ( η Sig.), η ι ι,5, ηι ι η! ι ι. η ιη η, Kolmogorov-Smirnov ()S) ι ι ι ι!η ι ι. ;,! ι ι!η η ι η ι ι ηι!. $ι «Descriptives» ( ι"ι ι!ι η ι «Descriptives» «Statistics» «Explore»). 18

η &, 7 Descriptives. Statistic Std. Error Mean 55,66 13,31 /η 95% Confidence Lower Bound 496,15 Interval for Mean Upper Bound 5491,17 5% Trimmed Mean 56,54 Median 5, Variance 97867,34 Std. Deviation 963,59 Minimum 39 Maximum 75 Range 36 Interquartile Range 195 Skewness,148,37 Kurtosis -1,19,644 Mean 596,75 77,14 95% Confidence Interval for Mean Lower Bound 5144,83 Upper Bound 5448,66 5% Trimmed Mean 57,31 Median 5, Variance 11696,6 3 Std. Deviation 161,559 Minimum 36 Maximum 135 Range 99 Interquartile Range 15 Skewness,655,176 Kurtosis 17,714,351 / Statistic Std. Error / Mean 644,5 1,74 95% Confidence Lower Bound 645,9 Interval for Mean Upper Bound 6443,96 5% Trimmed Mean 6177,98 Median 63, Variance 13841,3 7 Std. Deviation 111,673 Minimum 36 Maximum 18 Range 7 Interquartile Range 9 Skewness 1,318,19 Kurtosis 4,39,435!. Mean 1835,56 4,13 95% Confidence Lower Bound 138,47 Interval for Mean Upper Bound 1163,65 5% Trimmed Mean 1494,7 Median 15, Variance 176699, 6 Std. Deviation 4198,345 Minimum 48 Maximum 3199 Range 719 Interquartile Range 5196 Skewness 1,696,31 Kurtosis 5,456,459 ι"ι ιι ιι ι!η ( ιη η η) ι ι. 3η ι ι ι ι /α+ α! η (skewness) ι,148, η "ι, ηι ι ι ι. # η "ι η ι. $ι η ι ηι ι ι (Skewness=,655), η ι ι ι!ι (η ι η ι). $ι α + η ι ι ι (Skewness=1,318), η ι ι!ι (η ι η ι). $ι *α α η ι ι ι (Skewness=1,696), η ι ι!ι (η ι η ι). # η ι η, - ι"ι η η. ι!η ιι ι ι ι ( ι!ι η ι «Histograms» «Options» «Explore»): 19

η &, 7 Histogram For EDUCAT= υη Histogram For EDUCAT= 14 1 1 8 1 8 6 Frequency 6 4 4 5 6 7 Std. Dev = 963,6 Mean = 56 N = 53, Frequency 4 14 13 1 11 1 9 8 7 6 5 4 Std. Dev = 161,56 Mean = 597 N = 19, 45 55 65 75 Histogram Histogram For EDUCAT= For EDUCAT=!υ" 6 4 5 3 4 3 Frequency 1 4 6 8 1 Std. Dev = 111,67 Mean = 645 N = 1, Frequency 1 3 3 8 6 4 18 16 14 1 1 8 6 4 Std. Dev = 4198,34 Mean = 1836 N = 19, 5 7 9 11 & ι η ι ι ι ι ι ι η ι η "ι η ι, ι ι η ιη η, ι ι ιι η % η ι η ιη η. 6 ι ι η ιη ι ι Q-Q plots: 3 Normal Q-Q Plot of For EDUCAT= υη 3 Normal Q-Q Plot of For EDUCAT= 1 1 Expected Normal -1 - Expected Normal -1 - -3 3 4 5 6 7 8 4 6 8 1 1 14 Observed Value Observed Value 13

η &, 7 3 Normal Q-Q Plot of For EDUCAT= 3 Normal Q-Q Plot of For EDUCAT=!υ" 1 1 Expected Normal -1 - -3 4 6 8 1 1 Expected Normal -1 - -3 1 3 4 Observed Value Observed Value Q-Q (Quantile-Quantile plots) ηι ιι ι ιη ι () ι η ι ι. η 45 "ι ι ι ι (ι ι ι ) η ι ι. ;, ι η ι ι ι η. 6ι ι ι ι ι ι ιη η ι ι. ιη η ιη ι Levene : Test of Homogeneity of Variance Based on Mean Based on Median Based on Median and with adjusted df Based on trimmed mean Levene Statistic df1 df Sig. 74,13 3 47, 7,143 3 47, 7,143 3 16,543, 7,93 3 47, Levene ι ιι ηι ( η Sig.), η ι ι,5, ηι ι ι ιη η ιη. ι Levene ι η ιη η ιη ι, ι η, ι η ιι ηιη ι ιη,5. 131

η &, 7 6 η ι"ι ι η η ιι ι ι ι ιι ι boxplot ( ι"ι ι!ι η ι «Factor Levels Together» «Dependents Together» «Plots» «Explore») (.!ι). S@ZWK@BC$υ%)ι*.)υ$υ4%ι/7%%4,,%8/$+).*%$*ι&% ( * % /,%$ $* [q ι q *%**+,'ι> υ*' *ι$*ι&%$*qey*ω,%$ω*ι,-*+,/*ι,-#%3 *%**+,ι'%(#)%ιd%*ι,%*'ι74-ι )+'4,,$*S@ZWK@B(E 8(*+ι/,%$#MNhIJA(*$+,%)υ&ωD%ι*+,/*ι,- $% $,.+ #+ ιd'*ι 4,, $* 74-ι υη )+'4,,*υS@ZWK@B(E 4(*ι%/&ι$*%ιυ\+'*%%)*+,%%*ι,.ι)% %%ι),υ$,.%#@vbkinhc(%#nzbhnmnc(#ι ιd'*ι% 4,,. )/ω ι /*ω )' * 74-ι )+'4,,*υ S@ZWK@B(> ),υ$,.%,/d*ι 75 ι *ι,. )υ ).&υ )' * %44*% *%**+,'ι η )%ι$$'*%)'!eq5.*υ%*%**+,ι%υe (*ι),υ$,.%ι%*ι,.> *)/%ι4,/,e 5 η #( )ι$*/ )%ι)*-$%ι #ljcnc( *ι,- )υ %ι ),υ$,.% ι $*%$#( )ι$*/*ι,.)υ %ι%>ι7,')υ$+,%ι-%*ι))'/7% $*%$ +-%ι *+ $%ι/ $*+ ) 8$%*ι * υ)%,% +)*+$+ υ* $* &% %,.ω*υ ;<;;#%$*)/%ι4,/,)ι)/ω(> η boxplot, η ιη ι ι ι ι ι ιι ηι (ιι ηι ' «ι»). & η ι ι ι, ιι ι ι ιη ι ι ι. $ι ι, η η ι ι ι ( 'η) ιι ι ι ι ( η ι 39 «Data View»), ι ι ι ( η ι 367 ι 415). η η ι ιηι ι ( ι boxplot "ι output- ι ι ι ι ι, ι ι ι ι ι ι ι ι ι). ι -ι ι ι ( η ι 5). # ι ι ηι ι % ι ι η ιη η ι ι!η, ι ι η ιη η ιη ηι ι 13

η &, 7 ANOVA. η η, ) ιι η η ιι ι ιη η η ι ) ηι ι η ι ι ι % ι. η ι! η ιι ι. ι" η η η ι, Kruskal-Wallis H ηι ιι η η ηι ιι ιη. +%ι,ι*!! SPSS ), ι ι η ι" ι ι 'η η ( ι) η ( ιι ), ι ι η ιι η ιη ι ι ι ιη. ι ι ιη Pearson r ι ηι ι η. η ιη η!", ι η η!!ηη η. η ι, ι 'η η ι ι ι ι η η ιι ι " η ι ι ιι ι!" ι ι!ι. & η ι ι ι Kolmogorov- Smirnov ι Levene! ι ιη η η ι ι η ιι η η ANOVA. η η ιι η ι ι η ι η. ) η η «Explore» η ι «Plots» ι! η ι «Power estimation»: * η ι (. Output) "ι ι η: 133

η &, 7 To Spread vs Level Plot ι"ι ι, ι ιι ι η ηη η ιη η ιη ι! ι. & ι ι ι ι (ι ι η ) ι η ι Slope (η) ι η ι ιι ι ι ιη η ιη. η η ( ιιι ι ), Spread vs Level Plot ι ι η ι η η ιι. η ι ι η ηι -.687. $ι ι ι η ι ι! ι ι ι ηι ι ηι ι SPSS: +4υ,%)/ι$*+%* EcFGD;:ƒι%)ι.4υ,%)/ι9PGD<9Z: )ι.4υ,%υ**+5/*4ι9<@pnhncbimjbi@a:e*+%)ι49t;?89wd;_:>:> *+$*%=ι/, %*ι+υ*'*+*,%*$&+,*$υ,%*%,.,,%8/$+υ/,%ι)υ)%ι4/5*ι)/*ω Power Transformations 3 Cube () Square () 1 No Change ( ηι) 1/ Square Root (ι ") Logarithm (ι) -1/ Reciprocal of the square root (ι η ι ") -1 Reciprocal (ι) * ) ) )*+,% '*ι +,+,%*$&+,*ι$,3>r} )υ,)*/7+%)'*+ /υ$+%ι)ι */ $*+,+ QNlIWH@lJK@? BpN C VJHN H@@B#%)ι4 $:; "" $*+ $*(> )'*% %)ι.4υ,% υ*,+ ι )&ω/,% )*-*9KD8<B8H::> Levene ι ι ι ι ιι η ιη, ι η ιη η. $ι ηι ι η ι ι ιι ιι η ι ι ι ι ι" ηι ι η ιη. η ηι ι ι ι ηι ι η ι. η ιι η 134

η &, 7 ι ι... ο,),o8:p?sanoaa, ι ιι ι % ι η ιι η ιη ι ιι η ιη η ι η!ηη ι η!ηη, ι ιι ηι ι ANOVA ι! η ηι η ι ι ι ι ι η. PQA8?GSl:KD_F?;:M:?89O8:p?SA8DM?QX%,5ι$*%+'υ7+/* Q )ι.4υ,% *+,%*8+* #%=*+,.+,%*8+*(ι,%*8%/ι *+*)7%*,% $*)% 9T:F:8>:8< IB9<:> $*%E%)ι.4υ,%*+,%*8+* ι *+ *)7%*,% $* )% 9C?E<D;:> VQ *+%)ι49pd9<hdez:,),% %)ι.=υ,%. *%$* )υ 7, %)ι*.\%ι ι)ι$*-$υ,% *υ&' $**ι$*ι/ $+,*ι. ι5. $*υ,.$υ 'υ *ω &ι-,ι$7- /,%$$*D%4+*ω%ι4,/*ω>,5D%*ι+'υ7+/* -υ)/&υ,ι$%ι/)'w@cbp@l BNCBC> )/ω,/ )' *%$* %ι */++ '* υ)/&%ι,ι4.%ι $*+ ι,$+ #EUH?G A?;B?8E:9 A99H_:>( ι + /*ω,/ %ι */++'* ι)ι$*-$υ,%'*ι % υ)/&%ι,ι4.%ι $*+ ι,$+ #EUH?G A?;B?8E:9 ND< A99H_:>(> *+ )%)*ω$+ *ω %,.ω, ι)ι$*-$,%'*ι % υ)/&%ι ι$'*+* $*+ ι,$+ ι.*$ι &+$ι,)ι,%. )'**%$* $*+ $%ι/ /*ω )' *+ )'*$+ E VJK RJHIJAlNCN@BACCVMNh> XQ)ι.=*%B@BNCBT?_Y?8:{9T4ι*%ι*/+'*υ)/&%ι/ι$+ι,$+ι*,.4%7*ω %ι4,/*ωι5.%ι> [Q9KD8<B8H::> `Q-$*+&ι/*#%8,[()*/,%*+%)ι49OF<BD89Z:,5D%*ι,ι./* 135

η &, 7 -,),%ι.=υ,%%,5ι$*$*ι&%)%ι45ι $**ι$*ι*ω%,.ω,#%)ι49t:9e;bf<bm::(e/ι %*%.$υ,%**%$* NcNAN#%)ι4 9HD_D^:8:B<S DW M?;B?8E: <:9<:(E*)*.&υ,%+%.4=%ι,%*+%*9cFGD;:Z: T@ 9M:?89 FGD<:%ι.*') )*ι)ι$υ,% ι5. /,%$$%%4,*> Q*/,%9KD8<B8H::> iq *+&ι/*)*/,%9:> Output : Descriptives υη!υ" Total 95% Confidence Interval for Mean N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum 53 55,66 963,59 13,314 496,15 5491,17 39 75 19 596,75 161,559 77,14 5144,83 5448,66 36 135 1 644,5 111,673 1,737 645,9 6443,96 36 18 19 1835,56 4198,345 4,19 138,47 1163,65 48 3199 474 686,43 3148,55 144,64 65,9 79,58 36 3199 ) η ι η ι ι ι η, ιι ι ι ι ι., «Descriptives» η η η ι ιηι η ι ( η «Mean»). One-Way #.,VA ι ιι ηι (p<,1), ι ι ι ι ι ι ι 4 ι ιι ηι : ANOVA Between Groups Within Groups Total Sum of Squares df Mean Square F Sig. 373488569,4 3 79116856,5 16,649, 3146565, 47 4948,479 4688144794,5 473 136

η &, 7 Multiple Comparisons Dependent Variable: Tamhane (I) υ υη!υ" (J) υ!υ" υη!υ" υη!υ" υη *. The mean difference is significant at the.5 level. Mean Difference 95% Confidence Interval (I-J) Std. Error Sig. Lower Bound Upper Bound -71,9 153,95,998-48,9 34,73-118,86* 166,97, -1464,17-573,56-569,9* 43,337, -6741, -4478,8 71,9 153,95,998-34,73 48,9-947,78* 16,83, -184,7-611,48-5538,81* 49,437, -6634,75-444,87 118,86* 166,97, 573,56 1464,17 947,78* 16,83, 611,48 184,7-4591,4* 414,554, -5699,79-348,8 569,9* 43,337, 4478,8 6741, 5538,81* 49,437, 444,87 6634,75 4591,4* 414,554, 348,8 5699,79 «Multiple Comparisons» Post Hoc test Tamhane s T. & ι ι ι ι ιι!. η η Sig. η ιι ηιη η ι ι ι ιι η. 3η ι η 7ι & η, ι - ιι ιι ι ι. ι ι ηι 'η ι ι ι η 7ι & η -ι, ι 3 ιι. 6 One-Way ANOVA ι ηι ι : $ι! η ηι η ι ι ι ι ι ι " ι ιι ηι ι ιι ιι One-Way ANOVA. H!ηη η 4 η: 7ι η, -ι, 3 ιι ι * ι. ιι ηι, F(3)=16,6, p<,1, ι η ηι η ι ηι η ι η ι η ι ιι ηι ι ι ι η. $ι! ιι ι "η ι ιη (Post Hoc test) Tamhane s T. 9ηι ι ι ι ι ι ιη η ιη ι 4, ι ι ι ι ι. ι ι ι ι! ι ι ι ι ηι 'η ι ι η 7ι & η, -ι, ι 3 ιι.,ι ι ιηι 'η ι ι η 7ι & η ι -ι., ι ι ι ι ι 7ι η ι -ι ι!. η, ι η ι ηι ι ι ιι ηιη ( η Sig. (-tailed)) ι η ι F ι (η df degrees of freedom): F(df)=, p<. ( ANOVA ι ). ο+η3+,-,),k;h9n?gp?ggb9h ι η η ι ι ι ι η!ηη ι 137

η &, 7 η ι!η ; ι ιι ι % ι η ιη η ηι ι η ι Kruskal-Wallis H: PQA8?GSl:ND8F?;?_:<;BE<:9<9KI8>:F:8>:8<9?_FG:9Z Q)7%*,%*+,%*8+*$*)$ι9m;DHFB8^A?;B?JG::#4ι*+%=/*+*+,%*8+*(ι *+,%*8+*$*)$ι9T:9<A?;B?JG:IB9<:#%=*+,.%,%*8+*.(> VQ9:Q ι : Ranks υ υη!υ" Total N Mean Rank 53 153,31 19 154,86 1 56,98 19 4,69 474 Test Statistics a,b # $ Chi-Square 47,9 df 3 Asymp. Sig., a. Kruskal Wallis Test b. Grouping Variable: υ Kruskal-Wallis H ι ι ιι ηι ι ι ι ι ι 4 ι: x (3,.=474)=47,, p=,1. & ι ι ι ιι ηιη, ι "η η" 4 ι! ι ι!. Kruskal-Wallis H ι ηι!: $ι! η ηι η ι ι ιι ι ι " ι η " ηι ι ιι ιι Kruskal-Wallis H. ιι ηι, x (3,.=474)=47,, p=<,1, ηι η ι η.,ι ι ι 'η! (Mean Rank= 4,7) ι ιη, ι ι η. 138