PASW Statistics 18 tuoteperhe

Koko: px
Aloita esitys sivulta:

Download "PASW Statistics 18 tuoteperhe"

Transkriptio

1 PASW Statistics 18 tuoteperhe

2 Sisältö Peruspaketti: 3 PASW Statistics Programmability 4 Lisämodulit: PASW Tables 5 PASW Regression 6 PASW Advanced Statistics 7 PASW Forecasting 8 PASW Exact Tests 9 PASW Categories 10 PASW Missing Values 11 PASW Conjoint 12 PASW Complex Samples 13 PASW Decision Trees 14 PASW Data Preparation 15 PASW Neural Networks 16 PASW Direct Marketing 17 PASW Bootstrapping 18 AMOS 19 HUOM: SPSS Statistics on muuttunut nimeksi PASW Statistics 2

3 18 18 sisältää kaikki toiminnot tiedon syöttöön, tietokantojen käsittelyyn ja hallintaan. Muuttujien uudelleenkoodaukset, uusien muuttujien luomiset sekä aikamuuttujien käsittelyt onnistuvat nopeasti helppokäyttöisillä muokkaustoiminnoilla. Mukana ovat myös tilastolliset tunnusluvut, suhdeluvut ja korrelaatiot. Seuraavat analyysit sisältyvät Base-moduliin: Ristiintaulukointi ja khii-toiseen riippumattomuustesti Keskiarvotestit t-testit Yksi- ja useampisuuntainen varianssianalyysi sekä kovarianssianalyysi Lineaarinen regressioanalyysi sekä Curve estimation toiminto (11 eri regressiomallia yhden selittäjän ja yhden selitettävän mallille) Järjestysasteikollisten regressioanalyysi eli Ordinal Regression Ryhmittelyanalyysi Hierarkkinen ryhmittelyanalyysi K-Means Two Step ryhmittelyanalyysi Erotteluanalyysi Faktori- ja pääkomponenttianalyysi Reliabiliteettianalyysi ja moniulotteinen skaalaus (MDS) Ei-parametriset menetelmät Lähimmän naapuruuden menetelmä (Nearest Neighbor) Multiple Response taulukot (monivastausmuuttujien käsittely) Matriisikieli, makrot sekä toimintojen ohjelmoitavuus käyttäen ulkopuolista ohjelmointikieltä, esim. python. Tulokset esitetään pivot-taulukoina, joita voidaan pyöritellä, piilottaa, kopioida ja muokata haluttuun muotoon. Taulukot on helppo tallentaa muihin sovelluksiin Export-toiminnon avulla: HTML, txt-muoto, Word, Excel, PowerPoint ja pdf. Mukana on yli 50 yleisintä kuvatyyppiä. Kuvia voi tehdä joko standardigrafiikalla tai käyttäen Chart Builder interaktiivista kuvan rakennustoimintoa. Lisäksi käytettävissä Graphboard - toiminto, jossa PASW Viz Designer TM :lla tuotettuja kuvatemplateja, joilla saa tehtyä perusgrafiikkaan kuulumattomia erikoiskuvia. 3

4 PASW Statistics Programmability Extension 18 PASW Statistics Programmability Extension 18 Statistics Basen sisältämä SPSS Programmability Extension mahdollistaa ulkoisten ohjelmontikielten käytön osana syntaksia ja Statistics-toimintojen käytön muista ohjelmista. Ohjelmaan on ladattavissa mm. seuraavat ulkoisten ohjelmointikielten käytön mahdollistavat adapterit: SPSS-Python Integration Plug-In Python plug-in sallii Python-kielellä tehtyjen toimintojen ja menetelmien käytön osana komentokieltä sekä ohjelman toimintojen käytön ulkopuolisesta, Pythonilla tehdystä ohjelmasta. SPSS-R Integration Plug-In R-kieli on avoimeen lähdekoodiin perustuva ohjelmointikieli, joka on kehitetty tilastolliseen tutkimukseen. Se sisältää graafiikkatoimintoja ja suuren määrän erilaisia tilastollisia menetelmiä. Kieli on tiedeyhteisössä laajasti käytetty ja suuri osa uusista algoritmeista ja menetelmistä julkaistaan nimenomaan R-kielellä. SPSS-R Integration Plug-In mahdollistaa R-kielen käytön osana SPSS-komentokieltä. Tällä kielellä toteutetut menetelmät voivat näin käyttää SPSS-aineistoja ja tuottaa SPSStulosteita. SPSS-VB.NET Plug-In Nykyinen VB.NET adapteri mahdollistaa SPSS-aineistojen ja toimintojen käytön ulkopuo-lisesta VB.NET ohjelmasta. Siten toimintojen kutsuminen ja tuloksien käisttely tapahtuu VB.NET -kielellä kirjoitetussa ohjelmassa, ei SPSS käyttöliittymän kautta. Lisätietoja: SPSS DEVELOPER CENTRAL 4

5 PASW Tables 18 PASW Tables 18 PASW Tables tuottaa julkaisuvalmiita taulukoita, joiden ulkoasu ja sisältö voidaan määritellä tilanteen mukaan. Tables mahdollistaa moniulotteisen taulukon tuottamisen halutuilla tunnusluvuilla sekä monivastauskysymysten taulukoinnin. Mukana ryhmienväliset keskiarvo- ja jakaumatestit sekä khii-toiseen riippumattomuustesti. Testit myös monivastauskysymyksille. Samaan taulukkoon voidaan taulukoida useiden eri muuttujien jakaumia.taulukoiden määrittely on helppoa siirretään vain halutut muuttujat paikoilleen taulukon esikatseluosaan ja tarkennetaan, mitä tietoja taulukossa halutaan esittää. Jo määrittelyvaiheessa nähdään millainen taulukosta tulee. 5

6 PASW Regression 18 PASW Regression 18 Kun tavallinen lineaarinen regressio ei riitä tai sen vaatimat oletukset eivät ole voimassa, tarjoaa Regression lisämoduli lisää vaihtoehtoja. Voit tehdä erilaisia selitysmalleja käytettävissä olevien muuttujien ja ominaisuuksien puitteissa. Voit selittää binääristä ilmiötä logistisella regressiolla, moniluokkaisissa tapauksissa multinomisella logistisella regressiolla, tai jos selitettävä ilmiö ei ole lineaarinen, voit käyttää epälineaarista regressiota määrittelemällä itse mallin. Regression analyysit: Logistinen regressio (Binary Logistic Regression (BLR)) Multinominen logistinen regressio (Multinomial Logistic Regression (MLR)) Epälineaarinen regressio (Nonlinear Regression (CNLR/NLR)) Pienimmän neliösumman menetelmät Weighted Least Square Regression (WLS) Two-stage least squares (2SLS) Probit analyysi Kuva: Käytä binääristä logistista regressioita ennustamaan kaksiluokkaisen tapahtuman todennäköisyyttä. 6

7 PASW Advanced Statistics 18 PASW Advanced Statistics 18 PASW Advanced Statistics tarjoaa luotettavat analyysit, kun selitettävä ilmiö koostuu useista muuttujista tai kun työskennellään hierarkisesti jakautuneen datan kanssa. Seurantatutkimusten yhteydessä tarvittavat toistomittaukset sekä tilanteet, joissa eri toistoilla on eri määrä mittareita tai eri havainnoilla eri mitta-asteikot, hoituvat myös Advanced Statisticsin menetelmillä. Lisämoduli tarjoaa myös huippuunsa kehitetyt elinaikamenetelmät, jos tarkastellaan tapahtuman historiaa ja kestoa, mm. Kaplan-Meier ja Cox Regression. Advanced Statistics analyysit: GENLIN (Generalized linear models) GEE (Generalized estimating equations ) Sekamallit (Mixed models) Monimuuttujainen varianssianalyysi (MANOVA, MANCOVA) Toistomittaukset (Repeated Measures) Varianssikomponenttianalyysi (VARCOMP) Eloonjäämisanalyysi (Survival) Kaplan-Meier - estimointi Cox Regressio Loglineaariset mallit Kuva: Kolmetasoisen toistomittauksen tuottama profiilikuva 7

8 PASW Forecasting 18 PASW Forecasting 18 Käsiteltäessä aikasarjadataa, esimerkiksi kuukausittaisia myyntilukemia ja halutaan tuottaa ennusteita edellisvuosien myynnin mukaan tai halutaan tarkastella bruttokansantuotteen kehittymistä vuosien varrella, Forecasting aikasarjapaketti tarjoaa tähän välineet. Forecasting-lisämodulin Expert Modeler etsii automaattisesti parhaan mallin, se myös kertoo mitkä tekijät parhaiten kykenevät selittämään aikajänteen kehitystä. Voit myös itse määritellä manuaalisesti omilla parametreilla sopivan mallin. ARIMA-mallien ja eksponentiaalisen tasoituksen lisäksi mukana myös spektraalianalyysi (SPECTRA) ja kausivaihtelutasoitus (SEASON) Kuva 1: Aikasarja-analyysin tuottama kuva (ennuste vs tapahtunut) Kuva 2: ACF-kuva kertoo autokorrelaation suuruuden eri viiveillä 8

9 PASW Exact Tests 18 PASW Exact Test 18 PASW Exact Tests on lisämoduli tilanteisiin, joissa halutaan analysoida vinosti jakautuneita aineistoja (esimerkiksi suuri prosentti vastanneista yhdessä luokassa), tai kun otoskoko on pieni. Exact Tests laskee luotettavat tulokset huolimatta otoksesi rakenteesta ja jakaumasta. Mukana yli 30 tarkkaa testiä tilanteisiin, joissa perinteiset testit epäonnistuvat. Exact testeillä voit käyttää pienempiä otoskokoja ja silti luottaa tuloksiisi. Exact testit varmistavat että sinulla on aina oikea testi käytettävissäsi. Sisältää: Exact p-arvot (1- ja 2-suuntaisen testauksen p-arvot) Fisherin Exact -testin Monte Carlon p-arvot Exact testit löytyvät ristiintaulukoinnin (Crosstabs) alla oleville menetelmille sekä eiparametrisille testeille. Kuva: Lisämoduli ei tuo valikoihin lisäkohtia, mutta sen sisältämät testit näkyvät vaihtoehtoisina analyyseinä Exact -painakkeen alla. 9

10 PASW Categories 18 PASW Categories 18 PASW Categories lisämodulin avulla ei tarvitse tyytyä epätarkkoihin tuloksiin aineiston ollessa perinteisten mallien vaatimusten vastainen. Korkealuokkaisten havaintokarttojen avulla voidaan nähdä helposti muuttujien ja eri luokkien väliset riippuvuudet. Lähellä toisiaan olevat luokat tai muuttujat riippuvat toisistaan ja mitä pidempi välimatka eri muuttujien tai luokkien välillä on, sitä vähemmän niillä on tekemistä toistensa kanssa. Kts kuva alla. Categories -lisämodulin tekniikat varmistavat, että kaikki tarvittavat työkalut ovat käytettävissä monimuuttujaisen luokitellun datan ja sen riippuvuuksien täydelliseen tutkimiseen. Categories sisältää seuraavat analyysit: Luokkamuuttujille regressioanalyysi (CATREG) Korrespondenssianalyysi perusristiintaulukoinnin jatkotarkasteluihin Moniulotteinen korrespondenssianalyysi (Multiple correspondence analysis) Luokkamuuttujille pääkomponenttianalyysi (CATPCA) Epälineaarinen kanoninen korrelaatioanalyysi (OVERALS) Moniulotteisen skaalauksen menetelmä PROXSCAL PREFSCAL (preference scaling) syntaksin kautta. Kuva: Tutki muuttujien eri luokkien välisiä yhteyksiä korrespondenssianalyysillä 10

11 PASW Missing Values 18 PASW Missing Values 18 Kyselytutkimukset tuottavat paljon puuttuvia tietoja, kun vastaajat eivät halua tai eivät osaa vastata joihinkin kysymyksiin. Missing Values on paljon puuttuvaa tietoa sisältävän aineiston analysointimenetelmä. Se tutkii aineiston reikiä eli puuttuvia arvoja. Kun otat puuttuvat havainnot mukaan tarkasteluun, saat tilastollisesti merkitsevämpiä tuloksia. Ohjelma tuottaa nopeasti ja helposti yhteenvedot puuttuvien tietojen yhteisistä tekijöistä. Missing Values -lisämodulin avulla tutkit, löytyykö puuttuvien tietojen taustalta yhtenäisiä ryhmiä. Ketkä ovat ne jotka eivät vastaa kysymyksiin, ja ovatko puuttuvat tiedot satunnaisia vai tietyn ryhmän aikaansaannoksia? Missing Values vertaa tiettyjen luokkamuuttujien välisiä eroja puuttuvien tietojen ja vastattujen välillä. Se sisältää myös puuttuvien tietojen korvaamismenetelmiä (EM ja Regressiomenetelmät) sekä Multiple Imputation - menetelmän. supu Total Mies Nainen avioika Present Missing Count Percent % nap % na ,1 19,1, ,8 22,2 1,1 Indicator variables with less than 5% missing are not displayed ,7 16,8,6 Tabulated Patterns Missing Patterns a c sivsaaty c Number of Cases 1189 rotu supu sivsaaty ika opiskvuo tvkatsel avioika Complete if... b 1189 naimisissa 786 leski 159 eronnut 207 asumuserossa 37 naimaton X Patterns with less than 10% cases (150 or fewer) are not displayed. a. Variables are sorted on missing patterns. b. Number of complete cases if variables missing in that pattern (marked with X) are not used. c. Frequency distribution at each unique pattern Kuva: Missing Values luo ryhmittymiä puuttuvien tietojen perusteella, joista saa halutessa jakaumatiedot ja tunnusluvut taustatiedoille. Näiden avulla voidaan nähdä, jos ryhmittymissä on samanlaisia joukkoja. 11

12 PASW Conjoint 18 PASW Conjoint 18 Conjoint on analyysipaketti, jolla analysoit helposti asiakkaasi mieltymyksiä eri tuotteiden ominaisuuksien suhteen. Esimerkiksi Kuinka tärkeitä tuotteen hinta ja ympäristöystävällisyys itse asiassa ovatkaan? Kun halutaan tietää esim. Mitkä tuotteen ominaisuudet, piirteet tai palvelut tuottavat ostopäätöksen? Mitkä ominaisuudet yhdessä tuovat parhaan tuloksen? Mikä markkinasegmentti on kiinnostunein tuotteesta? Millainen viesti vetoaa parhaiten juuri tähän asiakasryhmään? PASW Conjoint sisältää: Orthogonaalisen design menetelmän (Orthoplan) Plancards korttien tuottaminen suoraan siirrettäväksi esim. Wordiin jatkokäsiteltäväksi Conjoint analyysin (3 simulointimenetelmää) - Max utility - Bradley-Terry-Luce (BTL) - Logit Kuva: Conjointin tuottama Summary Utilities kuva. Voidaan nähdä ModelKR2 saanut parhaat pisteet, A-Design -tuotteella vähiten brändiarvoa 12

13 PASW Complex Samples 18 PASW Complex Samples 18 PASW Complex Samples -lisämodulilla käsitellään luotettavasti moniasteisella otannalla poimittuja otoksia. Otanta voidaan suorittaa käyttäen perinteisiä otantamenetelmiä yksinkertaista satunnaisotantaa, systemaattista otantaa tai ositettua otantaa asteittain. Voidaan käyttää Complex Samplesin analyysejä myös valmiille moniasteisella otannalla poimitulle otokselle vain määrittelemällä, miten otanta on tehty. Sisältää kompleksisten otosten Frekvenssit Tunnusluvut Ristiintaulukoinnin (Crosstabs) Suhdeluvut (Ratio) Yleistetyt lineaariset mallit (CSGLM) Logistisen Regression (CSLOGISTIC) Ordinal Regression (CSORDINAL) Cox Regression (CSCOXREG) Sampling Plan Wizardin avulla suunnittelet ja määrittelet helposti otantaraamit moniasteiselle otannalle ja suoritat otannan halutulla tavalla. Analysis Preparation Wizardin avulla määrittelet otanta-asetelmasi ohjelmalle sekä valitset halutun estimointimetodin. Kun määrittelyt on tehty (käytetään ns. plan-tiedostoja, missä käytetyt menetelmät ja painot on määritelty), voidaan käyttää Complex Samplesin analysointitoimintoja. 13

14 PASW Decision Trees 18 PASW Decision Trees 18 Decision Trees on segmentointipaketti, joka tuottaa päätöspuita. Se etsii automaattisesti toisistaan eroavia tapaussegmenttejä tai ryhmiä sekä esittää tuloksen helposti luettavassa muodossa puudiagrammina. PASW Decision Trees lisämodulin avulla voidaan selittää niin luokitellun kuin jatkuvankin muuttujan jakaumia. Menetelmät sopivat hyvin esimerkiksi markkinatutkimuksiin ja luottotietoanalyyseihin. Valittavana on neljä eri menetelmää: CHAID Exhaustive CHAID CRT QUEST Kuva: Tulokset ovat luettavissa helposti visuaalisen puudiagrammin avulla, jossa jakaumat esitetään joko taulukoina, kuvina tai molempina. 14

15 PASW Data Preparation 18 PASW Data Preparation 18 Data Preparation lisämoduli tutkii aineiston validiuden, puuttuvien havaintojen määrän ja poikkeavat havinnot. Voidaan luoda sääntöjä, joiden avulla löytyvät epä-validit arvot (esim. ei yli 100-vuotiaita) ja loogisia tarkistusehtoja (esim. ei voi olla sekä raskaana että mies ). Ohjelma tuottaa muuttujia, joiden avulla epä-validit tapaukset/havainnot voidaan halutessa poistaa tai niitä voidaan tutkia erikseen. Identify Unusual Cases toiminnolla voidaan löytää datasta poikkeavia havaintoja, joita yksittäisiä muuttujia tarkastelemalla ei pystyisi havaitsemaan. Optimal Binning luokittelee muuttujan automaattisesti toisistaan eroaviin ryhmiin. Prepare Data Modeling - toiminnolla voidaan korjata aineisto automaattisesti tai interaktiivisesti itse määräten, mihin kohtaan korjauksia tarvitaan. Kuva: Interactive Data Preparation - toiminto ehdottaa aineistolle korjauksia, ja käyttäjä voi määrätä tehdäänkö korjaukset vai ei. 15

16 PASW Neural Networks 18 PASW Neural Networks 18 Lisämoduli Neural Networks tuo neuroverkkomenetelmät käyttäjien avuksi. Se rakentaa neuroverkkojen avulla ennakointimalleja niin luokka- kuin jatkuvillekin muuttujille. Menetelmät: MLP Multilayer Perceptron RBF Radial Basis Function 16

17 PASW Direct Marketing 18 PASW Direct Marketing 18 Uusi PASW Direct Marketing auttaa markkinoijia toteuttamaan analyysejä helposti ja luotettavasti ilman käyttäjän syvällistä tilastomenetelmien tuntemusta. He voivat tuottaa sen avulla RFM (recency, frequency ja monetary)- analyyseja, klusteri (ryhmittely) analyyseja ja asiakasprofilointeja. He voivat myös parantaa markkinointiaan postinumeroanalyysien avulla, vertailla eri markkinointimallien toimivuutta ja hyvyyttä. Kuva: Direct Marketing lisämodulin kuusi erilaista analysointitekniikkaa 17

18 PASW Bootstrapping 18 PASW Bootstrapping 18 PASW Bootstrapping auttaa luomaan luotettavampia malleja ja täsmällisempiä tuloksia perinteisen bootstrapping-menetelmän avulla. Bootstrapping auttaa pienentämään otosvirheen vaikutusta ja näin ehkäisee vinoutuneita tuloksia. Sillä voidaan ehkäistä myös yksittäisten suurten poikkeavien havaintojen vaikutusta Bootstrapping-menetelmää voi käyttää seuraavien menetelmien kanssa: Menetelmä Descriptives Frequencies Examine Means Crosstabs T-tests Correlations/Nonparametric Correlations Partial Correlations One-Way ANOVA UniAnova GLM Regression Nominal Regression Discriminant Logistic Regression Binary Multi-nomial Logistic Regression Ordinal Regression GENLIN Linear Mixed Models Cox Regression Base / lisämoduli PASW Advanced Statistics PASW Regression PASW Regression PASW Regression PASW Regression PASW Advanced Statistics PASW Advanced Statistics PASW Advanced Statistics 18

19 AMOS 18 AMOS 18 Amos 18 on PASW Statistics perheen rakenneyhtälömallinnuksen työkalu. Sillä voi toteuttaa konfirmatorisen faktorianalyysin, polkumallit ja muut rakenneyhtälömallit. Amos mahdollistaa muuttujien suorien vaikutusten lisäksi myös epäsuorien ja välillisten vaikutusten selvittämisen. Kuva: Hypoteesien ja mallien testaus käy helposti graafisella käyttöliittymällä 19

20 SPSS Finland Oy Sinikalliontie ESPOO FINLAND Puh Fax SPSS Finland Oy 2009

ATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1

ATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1 ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää

Lisätiedot

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös): Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei

Lisätiedot

Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita

Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä

Lisätiedot

SPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö

SPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin

Lisätiedot

TUTKIMUSOPAS. SPSS-opas

TUTKIMUSOPAS. SPSS-opas TUTKIMUSOPAS SPSS-opas Johdanto Tässä oppaassa esitetään SPSS-tilasto-ohjelman alkeita, kuten Excel-tiedoston avaaminen, tunnuslukujen laskeminen ja uusien muuttujien muodostaminen. Lisäksi esitetään esimerkkien

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön

Lisätiedot

Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa

Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien

Lisätiedot

JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT

JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT SPSS-ohjelmiston Complex Samples- toiminto otoksen poiminnassa ja estimaattien laskennassa Mauno Keto, lehtori Mikkelin AMK / Liiketalouden laitos

Lisätiedot

2. Aineiston kuvailua

2. Aineiston kuvailua 2. Aineiston kuvailua Avaa (File/Open/Data ) aineistoikkunaan tiedosto tilp150.sav. Aineisto on koottu Tilastomenetelmien peruskurssilla olleilta. Tiedot osallistumisesta demoihin, tenttipisteet, tenttien

Lisätiedot

Kvantitatiiviset menetelmät

Kvantitatiiviset menetelmät Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Tutkimuksen suunnittelu / tilastolliset menetelmät. Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk 25.8.2011

Tutkimuksen suunnittelu / tilastolliset menetelmät. Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk 25.8.2011 Tutkimuksen suunnittelu / tilastolliset menetelmät Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk 25.8.2011 Kvantitatiivisen tutkimuksen vaiheet Suunnittelu Datan keruu Aineiston analysointi

Lisätiedot

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot) R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n

Lisätiedot

A250A0050 Ekonometrian perusteet Tentti

A250A0050 Ekonometrian perusteet Tentti A250A0050 Ekonometrian perusteet Tentti 28.9.2016 Tentissä ei saa käyttää laskinta. Tentistä saa max 80 pistettä. Hyväksytysti suoritetusta harjoitustyöstä saa max 20 pistettä. Huom. Merkitse vastauspaperin

Lisätiedot

SPSS ohje. Metropolia Business School/ Pepe Vilpas

SPSS ohje. Metropolia Business School/ Pepe Vilpas 1 SPSS ohje Page 1. Perusteita 2 2. Frekvenssijakaumat 3 3. Muuttujan luokittelu 4 4. Kaaviot 5 5. Tunnusluvut 6 6. Tunnuslukujen vertailu ryhmissä 7 9. Ristiintaulukointi ja Chi-testi 8 10. Hajontakaavio

Lisätiedot

HAVAITUT JA ODOTETUT FREKVENSSIT

HAVAITUT JA ODOTETUT FREKVENSSIT HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies

Lisätiedot

Perusnäkymä yksisuuntaiseen ANOVAaan

Perusnäkymä yksisuuntaiseen ANOVAaan Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)

Lisätiedot

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2 OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 2 Luento 2 Kuvailevat tilastolliset menetelmät Käytetyimmät tilastolliset menetelmät käyttäjäkokemuksen

Lisätiedot

I. Ristiintaulukointi Excelillä / Microsoft Office 2010

I. Ristiintaulukointi Excelillä / Microsoft Office 2010 Savonia-ammattikorkeakoulu Liiketalous Kuopio Tutkimusmenetelmät Likitalo & Mäkelä I. Ristiintaulukointi Excelillä / Microsoft Office 2010 Tässä ohjeessa on mainittu ensi Excelin valinnan/komennon englanninkielinen

Lisätiedot

1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta...

1. Johdanto Todennäköisyysotanta Yksinkertainen satunnaisotanta Ositettu otanta Systemaattinen otanta... JHS 160 Paikkatiedon laadunhallinta Liite III: Otanta-asetelmat Sisällysluettelo 1. Johdanto... 2 2. Todennäköisyysotanta... 2 2.1 Yksinkertainen satunnaisotanta... 3 2.2 Ositettu otanta... 3 2.3 Systemaattinen

Lisätiedot

1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA

1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,

Lisätiedot

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen

Lisätiedot

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin

Lisätiedot

15 askelta kohti. Parempia kyselyitä ja tutkimuksia

15 askelta kohti. Parempia kyselyitä ja tutkimuksia 15 askelta kohti Parempia kyselyitä ja tutkimuksia Onnittelut! Lataamalla Webropol-tutkimusoppaan olet ottanut ensimmäisen askeleen kohti entistä parempien kyselyiden ja tutkimusten tekoa. Tämä opas tarjoaa

Lisätiedot

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia. 806109P TILASTOTIETEEN PERUSMENETELMÄT I 1. välikoe 11.3.2011 (Jari Päkkilä) VALITSE VIIDESTÄ TEHTÄVÄSTÄ NELJÄ JA VASTAA VAIN NIIHIN! 1. Valitse kohdissa A-F oikea (vain yksi) vaihtoehto. Oikeasta vastauksesta

Lisätiedot

SPSS OPAS. Metropolia Liiketalous

SPSS OPAS. Metropolia Liiketalous 1 Metropolia Liiketalous SPSS OPAS Aihe sivu 1. Ohjelman periaate 2 2. Aineistoikkuna 3 3. Frekvenssit 4 4. Muuttujien arvojen luokittelu 5 5. Tunnusluvut 6 6. Ristiintaulukointi 7 7. Hajontakaavio 8 8.Korrelaatio

Lisätiedot

Tilastotieteen johdantokurssin harjoitustyö. 1 Johdanto...2. 2 Aineiston kuvaus...3. 3 Riippuvuustarkastelut...4

Tilastotieteen johdantokurssin harjoitustyö. 1 Johdanto...2. 2 Aineiston kuvaus...3. 3 Riippuvuustarkastelut...4 TILTP1 Tilastotieteen johdantokurssin harjoitustyö Tampereen yliopisto 5.11.2007 Perttu Kaijansinkko (84813) perttu.kaijansinkko@uta.fi Pääaine matematiikka/tilastotiede Tarkastaja Tarja Siren 1 Johdanto...2

Lisätiedot

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

Automaattinen regressiotestaus ilman testitapauksia. Pekka Aho, VTT Matias Suarez, F-Secure

Automaattinen regressiotestaus ilman testitapauksia. Pekka Aho, VTT Matias Suarez, F-Secure Automaattinen regressiotestaus ilman testitapauksia Pekka Aho, VTT Matias Suarez, F-Secure 2 Mitä on regressiotestaus ja miksi sitä tehdään? Kun ohjelmistoon tehdään muutoksia kehityksen tai ylläpidon

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30. FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Epävarmuuden hallinta bootstrap-menetelmillä

Epävarmuuden hallinta bootstrap-menetelmillä 1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn

Lisätiedot

MONIMUUTTUJAMENETELMISTÄ RAKENNEYHTÄLÖMALLINNUKSEEN MUUTTUJIEN NORMAALISUUS. Statistics

MONIMUUTTUJAMENETELMISTÄ RAKENNEYHTÄLÖMALLINNUKSEEN MUUTTUJIEN NORMAALISUUS. Statistics MONIMUUTTUJAMENETELMISTÄ RAKENNEYHTÄLÖMALLINNUKSEEN 28.4.2016 MANNE KALLIO 2016 MUUTTUJIEN NORMAALISUUS : Frequencies Statistics Output: Skewness ja kurtosis -1 1 < 2 X std.error Skewnessin ja kurtosiksen

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen

Lisätiedot

StatCrunch -laskentasovellus

StatCrunch -laskentasovellus StatCrunch -laskentasovellus Yleistä sovelluksesta StatCrunch on Integrated Analytics LLC:n valmistama sovellus tilastotieteellisten analyysien tuottamista varten. Se on verkon yli käytettävä analyysisovellus,

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KAKSIULOTTEISEN EMPIIRISEN JAKAUMAN TARKASTELU Jatkuvat muuttujat: hajontakuvio Koehenkilöiden pituus 75- ja 80-vuotiaana ID Pituus 75 Pituus 80 1 156

Lisätiedot

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely

MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely MS-C2128 Ennustaminen ja Aikasarja-analyysi, 5 op Esittely Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Aikataulu ja suoritustapa (Katso MyCourses) Luennot

Lisätiedot

Palaute. Asetukset: Nimeä palaute ja kirjoita kuvaus tai ohjeet.

Palaute. Asetukset: Nimeä palaute ja kirjoita kuvaus tai ohjeet. Palaute Palaute -työkalulla opettaja voi rakentaa kyselyn, johon opiskelijat vastaavat joko anonyymisti tai nimellään. Opettaja voi tarkastella vastauksia koosteena tai yksitellen. Asetukset: Nimeä palaute

Lisätiedot

Parametrin estimointi ja bootstrap-otanta

Parametrin estimointi ja bootstrap-otanta Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista

Lisätiedot

RISTIINTAULUKOINTI JA Χ 2 -TESTI

RISTIINTAULUKOINTI JA Χ 2 -TESTI RISTIINTAULUKOINTI JA Χ 2 -TESTI Kvantitatiiviset tutkimusmenetelmät maantieteessä Ti 27.10.2015, To 2.11.2015 Miisa Pietilä & Laura Hokkanen miisa.pietila@oulu.fi laura.hokkanen@outlook.com KURSSIKERRAN

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.

Lisätiedot

Aikasarja-analyysiä taloudellisilla aineistoilla

Aikasarja-analyysiä taloudellisilla aineistoilla Aikasarja-analyysiä taloudellisilla aineistoilla Leena Kalliovirta, Luonnonvarakeskus Leena.kalliovirta@luke.fi Kurssi Tilastotiede tutuksi HY matematiikan ja tilastotieteen laitos 1 Leena Kalliovirta

Lisätiedot

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien

Lisätiedot

ATH-koulutus: R ja survey-kirjasto THL 16.2.2011. 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1

ATH-koulutus: R ja survey-kirjasto THL 16.2.2011. 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 ATH-koulutus: R ja survey-kirjasto THL 16.2.2011 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 Sisältö Otanta-asetelman kuvaaminen R:llä ja survey-kirjastolla Perustunnusluvut Regressioanalyysit 16. 2. 2011

Lisätiedot

Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä..

Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä.. Harjoituksessa tarkastellaan miten vapaa-ajan liikunta on yhteydessä.. TEHTÄVÄ 1 Taulukko 1 Kuvailevat tunnusluvut pääkaupunkiseudun terveystutkimuksesta vuonna 2007 (n=941) Keskiarvo (keskihajonta) Ikä

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

ATH-koulutus: Stata 11 THL ATH-koulutus / Tommi Härkänen 1

ATH-koulutus: Stata 11 THL ATH-koulutus / Tommi Härkänen 1 ATH-koulutus: Stata 11 THL 16.2.2011 16. 2. 2011 ATH-koulutus / Tommi Härkänen 1 Sisältö Otanta-asetelman kuvaaminen Stata 11:llä Perustunnusluvut Regressioanalyysit Mallivakiointi 16. 2. 2011 ATH-koulutus

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

Sisällysluettelo 6 REGRESSIOANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...

Sisällysluettelo 6 REGRESSIOANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON... Sisällysluettelo ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...5 SISÄLLYSLUETTELO... 6 LYHYT SANASTO VASTA-ALKAJILLE... 7 1. MONIMUUTTUJAMENETELMÄT IHMISTIETEISSÄ... 9 1.1 MONIMUUTTUJA-AINEISTON ERITYISPIIRTEITÄ...

Lisätiedot

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n = 1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset

Lisätiedot

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11

Lisätiedot

Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes Ohjaaja: TkT Arto Klami Valvoja: Prof.

Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes Ohjaaja: TkT Arto Klami Valvoja: Prof. Ryhmäfaktorianalyysi neurotiedesovelluksissa (Valmiin työn esittely) Sami Remes 11.06.2012 Ohjaaja: TkT Arto Klami Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla

Lisätiedot

Opinnäytetyön kvantitatiivinen osuus

Opinnäytetyön kvantitatiivinen osuus Opinnäytetyön kvantitatiivinen osuus Kajaanin ammattikorkeakoulu, Simo Määttä 2012 Liiketalous ja innovaatiot- sekä Aktiviteettimatkailun osaamisalueet 1. Tilastollisen opinnäytetyön ohjausprosessi Kvantitatiivisen

Lisätiedot

Lineaariset luokittelumallit: regressio ja erotteluanalyysi

Lineaariset luokittelumallit: regressio ja erotteluanalyysi Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla

Lisätiedot

Health 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.

Health 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl. Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:

Lisätiedot

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja

Lisätiedot

Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä

Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme

Lisätiedot

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO 8.9.2016/1 MTTTP1 Tilastotieteen johdantokurssi Luento 8.9.2016 1 JOHDANTO Tilastotiede menetelmätiede, joka käsittelee - tietojen hankinnan suunnittelua otantamenetelmät, koejärjestelyt, kyselylomakkeet

Lisätiedot

Mediaanikorko on kiinteäkorkoiselle lainalle korkeampi. Tämä hypoteesi vastaa taloustieteen käsitystä korkojen määräytymismekanismista.

Mediaanikorko on kiinteäkorkoiselle lainalle korkeampi. Tämä hypoteesi vastaa taloustieteen käsitystä korkojen määräytymismekanismista. Mat-2.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit järjestysasteikollisille muuttujille Testit laatueroasteikollisille muuttujille Hypoteesi, Mannin ja Whitneyn testi (Wilcoxonin

Lisätiedot

HARJOITUSKERTA 1: SPSS-OHJELMAN PERUSKÄYTTÖ JA MUUTTUJAMUUNNOKSET

HARJOITUSKERTA 1: SPSS-OHJELMAN PERUSKÄYTTÖ JA MUUTTUJAMUUNNOKSET HARJOITUSKERTA 1: SPSS-OHJELMAN PERUSKÄYTTÖ JA MUUTTUJAMUUNNOKSET OHJELMAN KÄYNNISTÄMINEN Käynnistääksesi ohjelman valitse All Programs > > IBM SPSS Statistics 2x, tai käynnistä ohjelma työpöydän kuvakkeesta.

Lisätiedot

Heikosta vastauksesta puuttuvat konkreettiset faktat, mikä näkyy esimerkiksi

Heikosta vastauksesta puuttuvat konkreettiset faktat, mikä näkyy esimerkiksi Heikosta vastauksesta puuttuvat konkreettiset faktat, mikä näkyy esimerkiksi asioiden esittämisenä ympäripyöreästi esimerkkien puuttumisena siten, ettei tehtävässä annettuja tai vastauksen kannalta olennaisia

Lisätiedot

Tentti erilaiset kysymystyypit

Tentti erilaiset kysymystyypit Tentti erilaiset kysymystyypit Monivalinta Monivalintatehtävässä opiskelija valitsee vastauksen valmiiden vastausvaihtoehtojen joukosta. Tehtävään voi olla yksi tai useampi oikea vastaus. Varmista, että

Lisätiedot

Testit järjestysasteikollisille muuttujille

Testit järjestysasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten

Lisätiedot

KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!

KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä! VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun

Lisätiedot

KLIINISTEN TUTKIMUSTEN SUUNNITTELU JA KOEASETELMAT. Vesa Kiviniemi (FL) Itä-Suomen yliopisto

KLIINISTEN TUTKIMUSTEN SUUNNITTELU JA KOEASETELMAT. Vesa Kiviniemi (FL) Itä-Suomen yliopisto KLIINISTEN TUTKIMUSTEN SUUNNITTELU JA KOEASETELMAT Vesa Kiviniemi (FL) Itä-Suomen yliopisto 13.4.2010 SISÄLTÖ 1 Kokeellisen tutkimuksen tutkimustyypit 2 Kohdepopulaatio ja potilaiden valinta 3 Vertailuryhmän

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy

Lisätiedot

Diskriminanttianalyysi I

Diskriminanttianalyysi I Diskriminanttianalyysi I 12.4-12.5 Aira Hast 24.11.2010 Sisältö LDA:n kertaus LDA:n yleistäminen FDA FDA:n ja muiden menetelmien vertaaminen Estimaattien laskeminen Johdanto Lineaarinen diskriminanttianalyysi

Lisätiedot

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat: Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,

Lisätiedot

Käytettävyys ja käyttäjätutkimus. Yhteisöt ja kommunikaatiosuunnittelu 2012 / Tero Köpsi

Käytettävyys ja käyttäjätutkimus. Yhteisöt ja kommunikaatiosuunnittelu 2012 / Tero Köpsi Käytettävyys ja käyttäjätutkimus Yhteisöt ja kommunikaatiosuunnittelu 2012 / Tero Köpsi Teron luennot Ke 15.2 miniluento Ti 28.2 viikkotehtävän anto (T,M) To 1.3 Tero paikalla (tehtävien tekoa) Ti 6.3

Lisätiedot

Ohjeita kvantitatiiviseen tutkimukseen

Ohjeita kvantitatiiviseen tutkimukseen 1 Metropolia ammattikorkeakoulu Liiketalouden yksikkö Pertti Vilpas Ohjeita kvantitatiiviseen tutkimukseen Osa 2 KVANTITATIIVISEN TUTKIMUSAINEISTON ANALYYSI Sisältö: 1. Frekvenssi- ja prosenttijakaumat.2

Lisätiedot

Luento-osuusosuus. tilasto-ohjelmistoaohjelmistoa

Luento-osuusosuus. tilasto-ohjelmistoaohjelmistoa Kurssin suorittaminen Kvantitatiiviset menetelmät Sami Fredriksson/Hanna Wass Yleisen valtio-oppi oppi Kevät 2010 Luento-osuusosuus Tentti to 4.3. klo 10-12, 12, U40 P674 Uusintamahdollisuus laitoksen

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas OTOSTAMISEEN LIITTYVIÄ ONGELMIA Otostamisen ongelmat liittyvä satunnaistamisen epäonnistumiseen Ongelmat otantakehyksen määrittämisessä Väärän otantamenetelmän

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas Keskivirheyksiköllä ilmaistuna voidaan erottaa otantajakaumalta kriittisiä kohtia: Keskimmäinen 95 % otoskeskiarvoista välillä [-1.96,+1.96] Keskimmäinen

Lisätiedot

Tentti erilaiset kysymystyypit

Tentti erilaiset kysymystyypit Tentti erilaiset kysymystyypit Kysymystyyppien kanssa kannatta huomioida, että ne ovat yhteydessä tentin asetuksiin ja erityisesti Kysymysten toimintatapa-kohtaan, jossa määritellään arvioidaanko kysymykset

Lisätiedot

Load

Load Tampereen yliopisto Tilastollinen mallintaminen Mikko Alivuotila ja Anne Puustelli Lentokoneiden rakennuksessa käytettävien metallinkiinnittimien puristuskestävyys Matematiikan, tilastotieteen ja filosofian

Lisätiedot

Kvantitatiiviset tutkimusmenetelmät maantieteessä

Kvantitatiiviset tutkimusmenetelmät maantieteessä Kvantitatiiviset tutkimusmenetelmät maantieteessä Harjoitukset: 2 Muuttujan normaaliuden testaaminen, merkitsevyys tasot ja yhden otoksen testit FT Joni Vainikka, Yliopisto-opettaja, GO218, joni.vainikka@oulu.fi

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

Puumenetelmät. Topi Sikanen. S ysteemianalyysin. Laboratorio Aalto-yliopiston teknillinen korkeakoulu

Puumenetelmät. Topi Sikanen. S ysteemianalyysin. Laboratorio Aalto-yliopiston teknillinen korkeakoulu Puumenetelmät Topi Sikanen Puumenetelmät Periaate: Hajota ja hallitse Jaetaan havaintoavaruus alueisiin. Sovitetaan kuhunkin alueeseen yksinkertainen malli (esim. vakio) Tarkastellaan kolmea mallia Luokittelu-

Lisätiedot

SPSS-perusteet. Sisältö

SPSS-perusteet. Sisältö SPSS-perusteet Sisältö Ikkunat 3 Päävalikot 5 Valikot 6 Aineiston käsittely 6 Muuttujamuunnokset 7 Aineistojen kuvailu analyysit 8 Havaintomatriisin luominen ja käsittely 10 Muulla sovelluksella tehdyn

Lisätiedot

Public Account-tili on pysyvä, joten kannattaa käyttää mieluummin sitä kuin kaupallisen tilin kokeiluversiota.

Public Account-tili on pysyvä, joten kannattaa käyttää mieluummin sitä kuin kaupallisen tilin kokeiluversiota. 1.1 Tässä harjoituksessa opit laatimaan luokitellun teemakartan maastossa aiemmin keräämistäsi pisteistä. Käytämme Esrin ArcGis-palvelun ilmaisia ominaisuuksia. Kartan tekoa voi harjoitella kokonaan ilman

Lisätiedot

Introduction to Machine Learning

Introduction to Machine Learning Introduction to Machine Learning Aki Koivu 27.10.2016 HUMAN HEALT H ENVIRONMENTAL HEALT H 2016 PerkinElmer Miten tietokone oppii ennustamaan tai tekemään päätöksiä? Historia tiivistettynä Machine Learning

Lisätiedot

2017/01/22 15:12 1/6 Liittymän luonti

2017/01/22 15:12 1/6 Liittymän luonti 2017/01/22 15:12 1/6 Liittymän luonti Liittymän luonti Tällä toiminnolla luodaan liittymä 3D:ssä. Liittymän luonti luo sekä vaaka- että pystygeometrian T ja X -liittymille. Käyttäjä voi käyttää olemassaolevia

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

Laadullisen tutkimuksen luonne ja tehtävät. Pertti Alasuutari professori, Laitoksen johtaja Yhteiskuntatieteiden tutkimuslaitos

Laadullisen tutkimuksen luonne ja tehtävät. Pertti Alasuutari professori, Laitoksen johtaja Yhteiskuntatieteiden tutkimuslaitos Laadullisen tutkimuksen luonne ja tehtävät Pertti Alasuutari professori, Laitoksen johtaja Yhteiskuntatieteiden tutkimuslaitos Mitä on tieteellinen tutkimus? Rationaalisuuteen pyrkivää havainnointia ja

Lisätiedot

1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO

1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Usean selittäjän lineaarinen regressiomalli Estimaatti, Estimaattori, Estimointi, Jäännösneliösumma, Jäännöstermi, Jäännösvarianssi,

Lisätiedot

Hirsitaloasukkaiden terveys ja

Hirsitaloasukkaiden terveys ja Hirsitaloasukkaiden terveys ja tyytyväisyys y Altti-tutkimukseen perustuva selvitys Fil. yo. Mira Anttila, FM Maria Pekkonen, Dos. Ulla Haverinen-Shaughnessy Asumisterveyden ja rakennusten terveellisyyden

Lisätiedot

Mitä on konvoluutio? Tutustu kuvankäsittelyyn

Mitä on konvoluutio? Tutustu kuvankäsittelyyn Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa

Lisätiedot

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään

Lisätiedot

Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9

Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9 Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9 1.1 PARAMETRITTOMIEN MENETELMIEN LYHYT HISTORIA 11 1.2 PARAMETRITTOMAT MENETELMÄT IHMISTIETEISSÄ

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Rakennusten elinkaarimittareiden verkkotyökalun käyttöohje. www.360optimi.com/kiinteistopassi

Rakennusten elinkaarimittareiden verkkotyökalun käyttöohje. www.360optimi.com/kiinteistopassi Rakennusten elinkaarimittareiden verkkotyökalun käyttöohje www.360optimi.com/kiinteistopassi Bionova Consulting, luottamuksellinen Viimeksi päivitetty 9. syyskuuta 2014 Käyttöohjeen sisällysluettelo Luo

Lisätiedot

SSL syysseminaari 29.10.2013 Juha Hyssälä

SSL syysseminaari 29.10.2013 Juha Hyssälä SSL syysseminaari 29.10.2013 Juha Hyssälä Lääketieteellisessä tutkimuksessa on perinteisesti käytetty elinaika-analyysissä Coxin suhteellisen vaaran mallia ja/tai tämän johdannaisia. Kyseinen malli kuitenkin

Lisätiedot