PASW Statistics 18 tuoteperhe
|
|
- Risto Oksanen
- 8 vuotta sitten
- Katselukertoja:
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 Sisältö Peruspaketti: SPSS Base 3 SPSS Programmability 4 Lisämodulit: SPSS Statistics Tables 5 SPSS Statistics Regression 6 SPSS Statistics Advanced Statistics 7 SPSS Statistics
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotOngelma: 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
LisätiedotATH-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
Lisätiedot54. 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
LisätiedotOtanta-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
LisätiedotTILASTOLLISTEN 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?
LisätiedotTUTKIMUSOPAS. 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
LisätiedotSPSS-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
LisätiedotTilastolliset 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
LisätiedotIBM 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
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
LisätiedotFoA5 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
LisätiedotData-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]
Data-analyysi II [Type the document subtitle] Simo Kolppo 26.3.2014 Sisällysluettelo Johdanto... 1 Tutkimuskysymykset... 1 Aineistojen esikäsittely... 1 Economic Freedom... 1 Nuorisobarometri... 2 Aineistojen
LisätiedotTilastollisten 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
LisätiedotLumipallo regressioanalyysista. Logistinen regressioanalyysi. Soveltuvan menetelmän valinta. Regressioanalyysi. Logistinen regressioanalyysi I
Lumipallo regressioanalyysista jokainen kirjoittaa lapulle yhden lauseen regressioanalyysista ja antaa sen seuraavalle Logistinen regressioanalyysi Y250. Kvantitatiiviset menetelmät (6 op) Hanna Wass tutkijatohtori
LisätiedotHarjoitus 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
LisätiedotJY / 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
LisätiedotKvantitatiiviset 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
Lisätiedot2. Aineiston kuvailua
2. Aineiston kuvailua Avaa (File/Open/Data ) aineistoikkunaan tiedosto tilp150.sav. Aineisto on koottu Tilastomenetelmien peruskurssilla olleilta. Tiedot osallistumisesta demoihin, tenttipisteet, tenttien
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotALKUSANAT... 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
LisätiedotTutkimuksen 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
LisätiedotOHJ-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
LisätiedotAki 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...
LisätiedotMitä 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
LisätiedotHarjoitus 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
LisätiedotSPSS 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
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
LisätiedotVARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
LisätiedotLuentokalvoja 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
LisätiedotTilastollisen 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 ),
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 5 viikko 42 6.10.2017 klo 10:42:20 Ryhmät: ke 08.30 10.00 LS C6 Paajanen ke 10.15 11.45 LS
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTilastomenetelmien lopputyö
Tarja Heikkilä Tilastomenetelmien lopputyö Lopputyössä on esimerkkejä erilaisista tilastomenetelmistä. Datatiedosto Harjoitusdata.sav on muokattu tätä harjoitusta varten, joten se ei vastaa kaikkien muuttujien
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
LisätiedotYleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi Risto Lehtonen risto.lehtonen@helsini.fi Analyysimenetelmiä ja työaluja Lineaariset mallit Regressioanalyysi
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
LisätiedotA250A0050 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[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotPienet ännät tutkimuksessa Tilastollisen analyysin työpaja. Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto
Pienet ännät tutkimuksessa Tilastollisen analyysin työpaja Jari Westerholm Niilo Mäki instituutti Jyväskylän yliopisto Luennon sisältö Pienten otoskokojen haasteista Pieni otoskoko Suositeltuja metodeja
LisätiedotAki Taanila VARIANSSIANALYYSI
Aki Taanila VARIANSSIANALYYSI 18.5.2007 VARIANSSIANALYYSI 1 JOHDANTO...2 VARIANSSIANALYYSI...3 Yksisuuntainen varianssianalyysi...3 Kaksisuuntainen varianssianalyysi ilman toistoja...6 Kaksisuuntainen
LisätiedotPerusnäkymä 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
LisätiedotOHJ-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
LisätiedotMuuttujien määrittely
Tarja Heikkilä Muuttujien määrittely Määrittele muuttujat SPSS-ohjelmaan lomakkeen kysymyksistä. Harjoitusta varten lomakkeeseen on muokattu kysymyksiä kahdesta opiskelijoiden tekemästä Joupiskan rinneravintolaa
LisätiedotHAVAITUT 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
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
Lisätiedot1. 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
LisätiedotUsean selittävän muuttujan regressioanalyysi
Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen
LisätiedotSanajärjestyksen 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
Lisätiedot1. 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,
LisätiedotTässä 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
Lisätiedot1. 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
LisätiedotMONIMUUTTUJAMENETELMISTÄ 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
LisätiedotSPSS 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
LisätiedotSPSS-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
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 4 Asetelmaperusteinen monimuuttujaanalyysi Logistinen ANOVA ja GWLS-estimointi Binäärinen tulosmuuttuja Diskreetit
LisätiedotTilastotieteen 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
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotTUTKIMUSAINEISTON 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)
LisätiedotI. 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
LisätiedotMS-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
LisätiedotSovellettu 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
LisätiedotMS-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
Lisätiedotr = 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
LisätiedotEpävarmuuden 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
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotTavanomaisten 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,
Lisätiedot1. 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,
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen
LisätiedotHarjoittele tulkintoja
Harjoittele tulkintoja Syksy 9: KT (55 op) Kvantitatiivisen aineiston keruu ja analyysi SPSS tulosteiden tulkintaa/til Analyysit perustuvat aineistoon: Haavio-Mannila, Elina & Kontula, Osmo (1993): Suomalainen
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotTarkista 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,
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotTIETOJEN 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
LisätiedotTKMS7a-f/LRS20a-f/MAS2/KVS2/TMS82a-f/JOM/TJM/YRM Monimuuttujamenetelmien soveltaminen taloustieteissä. Tentti
TKMS7a-f/LRS20a-f/MAS2/KVS2/TMS82a-f/JOM/TJM/YRM Monimuuttujamenetelmien soveltaminen taloustieteissä Tentti 13.5.2014 Moduuli a: Faktorianalyysi Jos olet samaa mieltä esitetyn väitteen kanssa vastaa K,
Lisätiedot15 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
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
Lisätiedotb6) 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
LisätiedotJouni 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
LisätiedotTilastollisen 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(78143) Syksy 2009 TEEMAT 3 & 4. Risto Lehtonen Teema 3 ERITYISKYSYMYKSIÄ. Risto Lehtonen 2
Otantamenetelmät (78143) Syksy 2009 TEEMAT 3 & 4 Risto Lehtonen risto.lehtonen@helsinki.fi Teema 3 ERITYISKYSYMYKSIÄ Risto Lehtonen 2 1 Otannan erityiskysymyksiä Ryväsotanta Survey sampling reference guidelines
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotMatematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot
Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire
LisätiedotMS-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 2017 Aikataulu ja suoritustapa (Katso MyCourses) Luennot
LisätiedotTUTKIMUSAINEISTON 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
LisätiedotHarjoitus 7 : Aikasarja-analyysi (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitus 7 : Aikasarja-analyysi (Palautus 28.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotTUTKIMUSAINEISTON 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
LisätiedotAutomaattinen 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
LisätiedotStatCrunch -laskentasovellus
StatCrunch -laskentasovellus Yleistä sovelluksesta StatCrunch on Integrated Analytics LLC:n valmistama sovellus tilastotieteellisten analyysien tuottamista varten. Se on verkon yli käytettävä analyysisovellus,
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotMS-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
LisätiedotFoA5 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.
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa
Lisätiedot