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

SPSS Statistics 17 tuoteperhe

SPSS Statistics 17 tuoteperhe SPSS Statistics 17 tuoteperhe Sisältö Peruspaketti: SPSS Base 3 SPSS Programmability 4 Lisämodulit: SPSS Statistics Tables 5 SPSS Statistics Regression 6 SPSS Statistics Advanced Statistics 7 SPSS Statistics

Lisätiedot

Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?

Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus

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

IBM SPSS Statistics 21 (= SPSS 21)

IBM SPSS Statistics 21 (= SPSS 21) Tarja Heikkilä IBM SPSS Statistics 21 (= SPSS 21) SPSS = Statistical Package for Social Sciences Ohjelman käynnistys Aloitusikkuna Päävalikot Työkalut Muuttujat (Variables) Tapaukset (Cases) Tyhjä datataulukko

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

TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014

TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA. Pentti Nieminen 03.11.2014 TILASTOLLISTEN MENETELMIEN KIRJO JA KÄYTTÖ LÄÄKETIETEEN TUTKIMUSJULKAISUISSA LUKIJAN NÄKÖKULMA 2 TAUSTAKYSYMYKSIÄ 3 Mitä tutkimusmenetelmiä ja taitoja opiskelijoille tulisi opettaa koulutuksen eri vaiheissa?

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

Tilastolliset ohjelmistot 805340A. Pinja Pikkuhookana

Tilastolliset ohjelmistot 805340A. Pinja Pikkuhookana Tilastolliset ohjelmistot 805340A Pinja Pikkuhookana Sisältö 1 SPSS 1.1 Yleistä 1.2 Aineiston syöttäminen 1.3 Aineistoon tutustuminen 1.4 Kuvien piirtäminen 1.5 Kuvien muokkaaminen 1.6 Aineistojen muokkaaminen

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

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3 OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset

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

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

Tilastomenetelmien lopputyö

Tilastomenetelmien lopputyö Tarja Heikkilä Tilastomenetelmien lopputyö Lopputyössä on esimerkkejä erilaisista tilastomenetelmistä. Datatiedosto Harjoitusdata.sav on muokattu tätä harjoitusta varten, joten se ei vastaa kaikkien muuttujien

Lisätiedot

ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6

ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 Sisällysluettelo ALKUSANAT 4 ALKUSANAT E-KIRJA VERSIOON 5 SISÄLLYSLUETTELO 6 1 PERUSASIOITA JA AINEISTON SYÖTTÖ 8 11 PERUSNÄKYMÄ 8 12 AINEISTON SYÖTTÖ VERSIOSSA 9 8 Muuttujan määrittely versiossa 9 11

Lisätiedot

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO

Aki Taanila YHDEN SELITTÄJÄN REGRESSIO Aki Taanila YHDEN SELITTÄJÄN REGRESSIO 26.4.2011 SISÄLLYS JOHDANTO... 1 LINEAARINEN MALLI... 1 Selityskerroin... 3 Excelin funktioita... 4 EKSPONENTIAALINEN MALLI... 4 MALLIN KÄYTTÄMINEN ENNUSTAMISEEN...

Lisätiedot

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Tutkimusaineistomme otantoja Hyödyt Ei tarvitse tutkia kaikkia Oikein tehty otanta mahdollistaa yleistämisen

Lisätiedot

Aki Taanila VARIANSSIANALYYSI

Aki Taanila VARIANSSIANALYYSI Aki Taanila VARIANSSIANALYYSI 18.5.2007 VARIANSSIANALYYSI 1 JOHDANTO...2 VARIANSSIANALYYSI...3 Yksisuuntainen varianssianalyysi...3 Kaksisuuntainen varianssianalyysi ilman toistoja...6 Kaksisuuntainen

Lisätiedot

Muuttujien määrittely

Muuttujien määrittely Tarja Heikkilä Muuttujien määrittely Määrittele muuttujat SPSS-ohjelmaan lomakkeen kysymyksistä. Harjoitusta varten lomakkeeseen on muokattu kysymyksiä kahdesta opiskelijoiden tekemästä Joupiskan rinneravintolaa

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

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty 30.11.2012

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty 30.11.2012 Luentokalvoja tilastollisesta päättelystä Kalvot laatinut Aki Taanila Päivitetty 30.11.2012 Otanta Otantamenetelmiä Näyte Tilastollinen päättely Otantavirhe Otanta Tavoitteena edustava otos = perusjoukko

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

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

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

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

Lisätiedot

SPSS-ohjeita. Metropolia Pertti Vilpas

SPSS-ohjeita. Metropolia Pertti Vilpas 1 Metropolia Pertti Vilpas SPSS-ohjeita 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

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

Usean selittävän muuttujan regressioanalyysi

Usean selittävän muuttujan regressioanalyysi Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen

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

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

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset.

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset. Mat-.04 Tilastollisen analyysin perusteet Mat-.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahden riippumattoman otoksen t-testit,

Lisätiedot

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,

Lisätiedot

VIIKON VINKKI: Kannattaa tutustua ensin koko tehtävänantoon ja tehdä tehtävä vasta sitten.

VIIKON VINKKI: Kannattaa tutustua ensin koko tehtävänantoon ja tehdä tehtävä vasta sitten. Tilastollinen tietojenkäsittely / SPSS Harjoitus 1 VIIKON VINKKI: Kannattaa tutustua ensin koko tehtävänantoon ja tehdä tehtävä vasta sitten. 1. Avaa SPSS-ohjelma. Tarkoitus olisi muodostaa tämän sivun

Lisätiedot

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat:

Tarkista vielä ennen analysoinnin aloittamista seuraavat seikat: Yleistä Tilastoapu on Excelin sisällä toimiva apuohjelma, jonka avulla voit analysoida tilastoaineistoja. Tilastoapu toimii Excelin Windows-versioissa Excel 2007, Excel 2010 ja Excel 2013. Kun avaat Tilastoavun,

Lisätiedot

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Martti Vainio, Juhani Järvikivi & Stefan Werner Helsinki/Turku/Joensuu Fonetiikan päivät 2004, Oulu 27.-28.8.2004

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit. A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät

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

1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

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

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

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

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

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

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

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

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

YLEISKUVA - Kysymykset

YLEISKUVA - Kysymykset INSIGHT Käyttöopas YLEISKUVA - Kysymykset 1. Insight - analysointityökalun käytön mahdollistamiseksi täytyy kyselyn raportti avata Beta - raportointityökalulla 1. Klikkaa Insight välilehteä raportilla

Lisätiedot

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa

Lisätiedot

Sisällysluettelo LUKU I METODOLOGIAN PERUSTEET IHMISTIETEISSÄ ESIPUHE...III ESIPUHE KIRJAN TOISEEN PAINOKSEEN... VIII SISÄLLYSLUETTELO...

Sisällysluettelo LUKU I METODOLOGIAN PERUSTEET IHMISTIETEISSÄ ESIPUHE...III ESIPUHE KIRJAN TOISEEN PAINOKSEEN... VIII SISÄLLYSLUETTELO... Sisällysluettelo ESIPUHE...III ESIPUHE KIRJAN TOISEEN PAINOKSEEN... VIII SISÄLLYSLUETTELO... IX LUKU I METODOLOGIAN PERUSTEET IHMISTIETEISSÄ 1. JOHDANTO JA PÄÄMÄÄRÄT.. 2 1.1 TIETEELLISEN TIEDON OMINAISPIIRTEITÄ...3

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

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

KAHDEN RYHMÄN VERTAILU

KAHDEN RYHMÄN VERTAILU 10.3.2015 KAHDEN RYHMÄN VERTAILU Jouko Miettunen Center for Life-Course and Systems Epidemiology jouko.miettunen@oulu.fi Luennon sisältö Luokitellut muuttujat Ristiintaulukko, prosentit Khiin neliötesti

Lisätiedot

TIETOJEN TUONTI TIETOKANNASTA + PIVOT-TAULUKON JA OLAP-KUUTION TEKO

TIETOJEN TUONTI TIETOKANNASTA + PIVOT-TAULUKON JA OLAP-KUUTION TEKO TIETOJEN TUONTI TIETOKANNASTA + PIVOT-TAULUKON JA OLAP-KUUTION TEKO JOUNI HUOTARI 2005-2010 OLAP-OHJETEKSTIT KOPIOITU MICROSOFTIN OHJATUN OLAP-KUUTION TEKO-OHJEESTA ESIMERKIN KUVAUS JA OLAP-MÄÄRITELMÄ

Lisätiedot

Webropol-kyselyt. Tarja Heikkilä

Webropol-kyselyt. Tarja Heikkilä Webropol-kyselyt Tarja Heikkilä Internet-kyselyt Soveltuvat kyselyihin, joissa kaikilla perusjoukon jäsenillä on mahdollisuus internetin käyttöön, toisin sanoen on mahdollisuus edustavan aineiston saamiseen.

Lisätiedot

Professional Statistics Pikaopas

Professional Statistics Pikaopas 2013-11-29 Webropol Oy Professional Statistics Pikaopas SISÄLTÖ 1. Miten pääset alkuun... 2 1.1. Systeemivaatimukset... 2 1.2. Professional Statistics avaaminen... 2 2. Perustoiminnot... 4 3. Mitä pitäisi

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

TESTINVALINTATEHTÄVIEN VASTAUKSET

TESTINVALINTATEHTÄVIEN VASTAUKSET TESTINVALINTATEHTÄVIEN VASTAUKSET Vastaukset on merkitty keltaisella, muuttujien mittaustasot muuttujan kuvauksen perässä ja muu osa vastauksesta kysymyksen perässä. Tehtävä 1. Talousmatematiikan kurssin

Lisätiedot

Jouni Huotari OLAP-ohjetekstit kopioitu Microsoftin ohjatun OLAP-kuution teko-ohjeesta. Esimerkin kuvaus ja OLAP-määritelmä

Jouni Huotari OLAP-ohjetekstit kopioitu Microsoftin ohjatun OLAP-kuution teko-ohjeesta. Esimerkin kuvaus ja OLAP-määritelmä OLAP-kuution teko Jouni Huotari OLAP-ohjetekstit kopioitu Microsoftin ohjatun OLAP-kuution teko-ohjeesta Esimerkin kuvaus ja OLAP-määritelmä Tavoitteena on luoda OLAP-kuutio Northwind-tietokannan tilaustiedoista

Lisätiedot

Muuttujien väliset riippuvuudet esimerkkejä

Muuttujien väliset riippuvuudet esimerkkejä Tarja Heikkilä Muuttujien väliset riippuvuudet esimerkkejä Sisältö MUUTTUJIEN VÄLISTEN YHTEYKSIEN TUTKIMINEN TILASTOLLINEN TESTAUS MERKITSEVYYSTASO MUUTTUJIEN VÄLISTEN YHTEYKSIEN TUTKIMINEN SPSS-OHJELMALLA

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

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON? SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?...7 TILASTO...7 TILASTOTIEDE...8 HISTORIAA...9 TILASTOTIETEEN NYKYINEN ASEMA...9 TILASTOLLISTEN MENETELMIEN ROOLIT ERI TYYPPISET AINEISTOT JA ONGELMAT...10

Lisätiedot

Monivalintamuuttujien käsittely

Monivalintamuuttujien käsittely Tarja Heikkilä Monivalintamuuttujien käsittely Datatiedosto: Yhdistä.sav Yhdistetään SPSS-ohjelmalla samaan kysymykseen kuuluvat muuttujat. Esimerkkiin liittyvä kysymys ja muita vastaavia kysymyksiä on

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

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

Puuttuvan tiedon ongelmat pitkittäistutkimuksissa

Puuttuvan tiedon ongelmat pitkittäistutkimuksissa 1/27 Puuttuvan tiedon ongelmat pitkittäistutkimuksissa Jaakko Nevalainen Tampereen yliopisto Sosiaalilääketieteen päivät 3.-4.11.2014 2/27 Sisältö 1 Johdanto ja peruskäsitteet 2 Mallintamiseen pohjautuvat

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

Vankien poistumislupakäytännöt ja niiden yhteneväisyys

Vankien poistumislupakäytännöt ja niiden yhteneväisyys Miten tutkimuskysymyksiin on etsitty vastausta? Kolme esimerkkiä kriminologisista tutkimuksista Vankien poistumislupakäytännöt ja niiden yhteneväisyys Tutkimuksen tavoite 1: Selvittää empiirisesti vankien

Lisätiedot

Laskuharjoitus 9, tehtävä 6

Laskuharjoitus 9, tehtävä 6 Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen

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

Logistinen regressio, separoivat hypertasot

Logistinen regressio, separoivat hypertasot Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen

Lisätiedot

1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta?

1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta? 1. a) Luettele hyvän kvantitatiivisen tutkimuksen perusvaatimukset. b) Miten tutkimusraportissa arvioit tutkimuksen luotettavuutta? 2. Tehtävät 2-4 sekä 6 10 liittyvät keväällä 2002 suoritettuun ammattikorkeakoulusta

Lisätiedot

Kaisa Kirves. kaisa.kirves@uta.fi. Tampereen yliopisto, YKY, psykologia

Kaisa Kirves. kaisa.kirves@uta.fi. Tampereen yliopisto, YKY, psykologia Ma a ra lliseen aineistoon perustuvien tutkielmien menetelma opas Kaisa Kirves kaisa.kirves@uta.fi Tampereen yliopisto, YKY, psykologia Esipuhe Ohjasin kevään 2013 aikana Tampereen yliopiston psykologian

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

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

USEAN RYHMÄN VERTAILU

USEAN RYHMÄN VERTAILU 11.3.2015 USEAN RYHMÄN VERTAILU Jouko Miettunen Center for Life-Course and Systems Epidemiology jouko.miettunen@oulu.fi Usean ryhmän vertailu Potilasryhmä Ikäryhmä Koulutusaste Sairaala Siviilisääty Hoitomenetelmä

Lisätiedot

Research plan for masters thesis in forest sciences. The PELLETime 2009 Symposium Mervi Juntunen

Research plan for masters thesis in forest sciences. The PELLETime 2009 Symposium Mervi Juntunen Modelling tree and stand characteristics and estimating biomass removals and harvesting costs of lodgepole pine (Pinus contorta) plantations in Iceland Research plan for masters thesis in forest sciences

Lisätiedot

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa.

Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille tarvittaessa. NIMI: OPPILASNUMERO: ALLEKIRJOITUS: tehtävä 1 2 3 4 yht pisteet max 25 25 25 25 100 arvosana Kaikkiin kysymyksiin vastataan kysymys paperille pyri pitämään vastaukset lyhyinä, voit jatkaa paperien kääntöpuolille

Lisätiedot

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET 21.5.2014 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 1.1 Tiekartta... 4 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 5 2.1 Keskiarvon luottamusväli... 5 2.2

Lisätiedot

Empiirinen projekti. Olli-Matti Laine Kauppatieteet

Empiirinen projekti. Olli-Matti Laine Kauppatieteet Empiirinen projekti Olli-Matti Laine Kauppatieteet 1 Contents 1. Johdanto... 3 2. Kuvaileva osa... 4 3. Analyysiosa... 17 4. Yhteenveto... 35 2 1. Johdanto Tutkin projektissa tilastollisin menetelmin kansantaloudellisia

Lisätiedot

SEM1, työpaja 2 (12.10.2011)

SEM1, työpaja 2 (12.10.2011) SEM1, työpaja 2 (12.10.2011) Rakenneyhtälömallitus Mplus-ohjelmalla POLKUMALLIT Tarvittavat tiedostot voit ladata osoitteesta: http://users.utu.fi/eerlaa/mplus Esimerkki: Planned behavior Ajzen, I. (1985):

Lisätiedot

MICROSOFT EXCEL 2010

MICROSOFT EXCEL 2010 1 MICROSOFT EXCEL 2010 Taulukkolaskentaohjelman jatkokurssin tärkeitä asioita 2 Taulukkolaskentaohjelmalla voit Käyttää tietokonetta ruutupaperin ja taskulaskimen korvaajana Laatia helposti ylläpidettäviä

Lisätiedot

Tech Conference 28.-29.5.2015. On-Premises Data Mining. Peruskäsitteet. Pekka.Korhonen@sovelto.fi. Sovelto Oyj 28.5.2015.

Tech Conference 28.-29.5.2015. On-Premises Data Mining. Peruskäsitteet. Pekka.Korhonen@sovelto.fi. Sovelto Oyj 28.5.2015. 1 Tech Conference 28.-29.5.2015 On-Premises Data Mining Pekka.Korhonen@sovelto.fi #TechConfFI Peruskäsitteet 2 2 Microsoft BI komponentit Azure Machine Learning Stream Analytics HDInsight DocumentDB Blob/table

Lisätiedot

Nimi: Opnro: Harjoitustyön suoritus: ( ) syksy 2006 ( ) syksy 2005 ( ) muu, mikä. 1. Selitä seuraavat termit muutamalla virkkeellä ja/tai kaaviolla:

Nimi: Opnro: Harjoitustyön suoritus: ( ) syksy 2006 ( ) syksy 2005 ( ) muu, mikä. 1. Selitä seuraavat termit muutamalla virkkeellä ja/tai kaaviolla: Harjoitustyön suoritus: ( ) syksy 2006 ( ) syksy 2005 ( ) muu, mikä 1. Selitä seuraavat termit muutamalla virkkeellä ja/tai kaaviolla: a) käytettävyys b) käyttäjäkeskeinen suunnittelu c) luonnollinen kieli

Lisätiedot

Yhdessä vai erillään?

Yhdessä vai erillään? Yhdessä vai erillään? Parisuhteet elämänkulun ja Ikihyvä-hankkeen kymmenvuotisseurannan näkökulmasta Tiina Koskimäki Lahden Tutkijapraktikum, Palmenia, Helsingin yliopisto Lahden Tiedepäivä 27.11.2012

Lisätiedot

Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2005) 1 ja mittaaminen Tilastollisten aineistojen kerääminen Mittaaminen ja mitta-asteikot TKK (c)

Lisätiedot

LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ

LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ LATVUSMASSAN KOSTEUDEN MÄÄRITYS METSÄKULJETUKSEN YHTEYDESSÄ Metsä- ja puuteknologia Pro gradu -tutkielman tulokset Kevät 2010 Petri Ronkainen petri.ronkainen@joensuu.fi 0505623455 Metsäntutkimuslaitos

Lisätiedot

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin

Lisätiedot

Sonera Viestintäpalvelu VIP VIP Laajennettu raportointi Ohje

Sonera Viestintäpalvelu VIP VIP Laajennettu raportointi Ohje Sonera Viestintäpalvelu VIP VIP Laajennettu raportointi Ohje Sisällysluettelo VIP Laajennettu raportointi... 3 Luo raportti Laajennetun raportoinnin työkaluilla... 4 Avaa Laajennettu raportointi... 4 Valitse

Lisätiedot

Aki Taanila LINEAARISET REGRESSIOMALLIT

Aki Taanila LINEAARISET REGRESSIOMALLIT Aki Taanila LINEAARISET REGRESSIOMALLIT 17.6.2010 SISÄLLYSLUETTELO 0 Johdanto... 1 1 Keskiarvo ennustemallina... 2 2 Yhden selittävän muuttujan malli... 3 3 Useamman selittävän muuttujan malli... 6 4 Excel

Lisätiedot

Matemaatikot ja tilastotieteilijät

Matemaatikot ja tilastotieteilijät Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat

Lisätiedot

ReplicaX työkalu avointen datakopioiden luomiseen

ReplicaX työkalu avointen datakopioiden luomiseen ReplicaX työkalu avointen datakopioiden luomiseen Juha Karvanen ReplicaX on R-koodina toteutettu menetelmä avoimien datakopioiden tuottamiseen terveystiedosta ja muusta datasta, jota ei sellaisenaan voi

Lisätiedot

Teema 3: Tilastollisia kuvia ja tunnuslukuja

Teema 3: Tilastollisia kuvia ja tunnuslukuja Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin

Lisätiedot

Tekstinkäsittelyn jatko KSAO Liiketalous 1

Tekstinkäsittelyn jatko KSAO Liiketalous 1 KSAO Liiketalous 1 Makrojen perusteita Toistuvia tehtäviä ja tehtäväsarjoja voidaan automatisoidan makrojen avulla. Makrot ovat sarja nauhoitettuja käskyjä, jotka määräävät mitä toimintoja makro toteuttaa.

Lisätiedot

Sisällysluettelo LUKU I METODOLOGIAN PERUSTEET IHMISTIETEISSÄ

Sisällysluettelo LUKU I METODOLOGIAN PERUSTEET IHMISTIETEISSÄ Metsämuuronen 2009. TTP4 Tutkimuksen tekemisen perusteet ihmistieteissä Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Sisällysluettelo ESIPUHE KIRJAN 1. LAITOKSEEN... 3 ESIPUHE

Lisätiedot

3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ

3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ Puhe ja kieli, 27:4, 141 147 (2007) 3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ Soile Loukusa, Oulun yliopisto, suomen kielen, informaatiotutkimuksen ja logopedian laitos & University

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

I Keskiarvot ja hajonnat muuttujista 3-26 niin, että luokittelevana muuttujana on muuttuja 2 eli sukupuoli

I Keskiarvot ja hajonnat muuttujista 3-26 niin, että luokittelevana muuttujana on muuttuja 2 eli sukupuoli I Keskiarvot ja hajonnat muuttujista 3-26 niin, että luokittelevana muuttujana on muuttuja 2 eli sukupuoli Group Statistics Luk1 Kirj1 Kielt1 Khuol1 Kirjall1 Ilmharj1 äyt1 Viest1 Sanaluokat1 Luk2 Kirj2

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen

Tilastollisten aineistojen kerääminen ja mittaaminen Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2007) 1 ja mittaaminen >> Tilastollisten aineistojen kerääminen Mittaaminen

Lisätiedot

Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto

Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto Mitä on laadullinen tutkimus? Pertti Alasuutari Tampereen yliopisto Määritelmiä Laadullinen tutkimus voidaan määritellä eri tavoin eri lähtökohdista Voidaan esimerkiksi korostaa sen juuria antropologiasta

Lisätiedot