Rakenneyhtälömallit (Structural Equation Models, SEM)
|
|
- Mikael Saaristo
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Työpaja: Rakenneyhtälömallit (Structural Equation Models, SEM) Helsingin yliopisto Mikko Ketokivi /5
2 SISÄLLYSLUETTELO I. KURSSIN SISÄLTÖ JA AIKATAULU 3 II. KURSSIN KUVAUS JA TARVITTAVAT ESITIEDOT 4 III. MIKÄ ON AMOS? 5 IV. LYHYT AMOS-KÄYTTÄJÄN OPAS (VERSIO 4.0) 6 V. AINEISTON SYÖTTÄMINEN AMOS-OHJELMAAN 8 VI. OHJEITA GRAAFISEN ULKOASUN MUOKKAAMISEEN 9 VII. AMOS-ESIMERKIT 2/5
3 I. Kurssin sisältö ja aikataulu. päivä 9 2 Tutustuminen AMOS-rakenneyhtälömalliohjelmaan Kovarianssirakenteen selittäminen tutkimusongelmana Regressio- ja faktorianalyysi sekä välittäjähypoteesi rakenneyhtälömallin erikoistapauksina Esimerkkejä ja tietokoneharjoituksia:, 2, 3, Mallin spesifiointi ja estimointi AMOS-ohjelmalla Matemaattinen ja empiirinen identifiointi, estimointi, AMOSoutputin tulkinta Esimerkkejä ja tietokoneharjoituksia: 4, 5 2. päivä 9 2 Rakenneyhtälömallit empiirisessä tutkimustyössä Reliabiliteetin ja validiteetin arviointi AMOS-ohjelmalla Piilomuuttujaregressio Puuttuvan datan ongelma Esimerkkejä ja tietokoneharjoituksia: 6, 7, Rakenneyhtälöt empiirisessä tutkimustyössä, jatkuu SEM heterogeenisissä populaatioissa Esimerkkejä ja tietokoneharjoituksia: 9 Tulosten raportointi Mallien graafinen ulkoasu Esimerkkejä ja tietokoneharjoituksia: 0 3/5
4 II. Kurssin kuvaus ja tarvittavat esitiedot Kurssin tarkoituksena on antaa osallistujille yleiskatsaus rakenneyhtälömallien testaamiseen siihen tarkoitetulla ohjelmistolla. Kurssin jälkeen osallistujilla on hyvät perusvalmiudet analysoida omaa aineistoaan AMOS-rakenneyhtälömalli-ohjelmalla. Tämä ei siis ole rakenneyhtälömallintamisen teoriakurssi, vaan mallien testaamiseen keskittyvä sovellettu kurssi. Mallien rakentamista ja testaamista käydään läpi esimerkkien ja tietokoneharjoitusten avulla. Tietokone-sovelluksena käytetään AMOS 4.0 -ohjelmistoa. Rakenneyhtälömallittamisen teoriaa voidaan myös käsitellä tarpeen vaatiessa, oletusarvoisesti se ei kuitenkaan kuulu kurssin sisältöön. Suositeltavat esitiedot osallistujille:. Hyvät matemaattisen tilastotieteen perustiedot a. Estimointi (pienimmän neliösumman menetelmät, suurimman uskottavuuden menetelmät), estimaattien ominaisuudet (harhattomuus, tarkentuvuus, tehokkuus) b. Hypoteesien testaus (H 0 /H, hylkäämisvirhe/hyväksymisvirhe, tilastollinen voimakkuus) c. Keskeinen raja-arvolause 2. Hyvät perustiedot regressio- ja faktorianalyyseistä a. Vähintään yksi yliopistotason kurssi molempia, mieluiten sekä teoreettinen että sovellettu kurssi 3. SPSS-ohjelmiston käyttökokemus a. Regressioanalyysi b. Varianssianalyysi c. Faktorianalyysi 4. Reliabiliteetin ja validiteetin käsitteiden tunteminen a. Klassinen testiteoria (classical test theory) b. Yleistettävyysteoria (generalizability theory, G-theory) 4/5
5 III. Mikä on AMOS? AMOS tulee sanoista Analysis of MOment Structures, eli vapaasti käännettynä kovarianssirakenteiden analyysi. AMOS on kovarianssirakenteiden analysointiin erikoistunut ohjelmisto, jolla käyttäjä voi hyvin joustavasti testata rakenneyhtälömalleja. AMOS-ohjelmisto on toiminnoiltaan ja käyttötarkoitukseltaan hyvin samanlainen kuin esim. LISREL. AMOS-ohjelmistoa kehittää ja myy amerikkalainen SmallWaters ( Suomessa sen myynnistä vastaa SPSS Finland ( AMOS on sosiaalitieteilijälle hyvä lisä SPSS-ohjelmistoon kahdesta syystä. Ensinnäkin SPSS tukee rakenneyhtälömalliohjelmistoista juuri AMOS:ta, jolloin esim. SPSS-tietokannassa olevan aineiston linkittäminen AMOS-ohjelmaan analyysia varten on hyvin helppoa. Toiseksi, AMOS-ohjelmistolla voi tehdä hyvin paljon sellaisia analyyseja, jotka eivät ole mahdollisia (ainakaan yhtä tehokkaasti) SPSS:llä, esimerkkinä konfirmatiivinen faktorianalyysi sekä reliabiliteetti- ja validiteettitarkastelut. Toisaalta on myös paljon analyyseja, jotka onnistuvat AMOSohjelmistolla, mutta jotka onnistuvat aivan yhtä hyvin ellei paremmin SPSS:llä, mm. eksploratiivinen faktorianalyysi, regressioanalyysi ja varianssianalyysi. Muita rakenneyhtälömallittamisen erikoisohjelmistoja ovat mm. LISREL, M-Plus, SAS Proc Calis ja EQS. Vertailuja eri ohjelmistojen kesken on vaikea tehdä, useat tutkijat käyttävät useita eri ohjelmistoja aina tilanteesta riippuen. AMOS on erityisen hyvä sovellus kun mitattavat muuttujat ovat jatkuvia, kategorisen datan analyysiin soveltuu paremmin esim. M-Plus. AMOS-ohjelmiston kyky käsitellä vaillinaista aineistoa (missing data) on myös todettu hyväksi. AMOS:ta on myös kehuttu käyttäjäystävälliseksi. 5/5
6 IV. Lyhyt AMOS-käyttäjän opas (Versio 4.0) AMOS-ohjelmistoa voi käyttää mm. seuraavaa 5-vaihemallia seuraten:. Linkitä AMOS aineistoon (FILE DATA FILES) a. Tämä kannattaa tehdä ensin, koska silloin muuttujat voi nimetä komennolla drag-and-drop -menetelmällä. b. Optio: Aseta filter-muuttujat, mikäli et halua käyttää koko aineistoa analyysissa (FILE DATA FILES ja siellä Grouping Variable -alavalikko). 2. Piirrä malli a. Piirrä piilomuuttujat komennolla, indikaattorit jäännöstermeineen on helppo piirtää tämän jälkeen kaikille piilomuuttujille DRAW INDICATOR - komennolla. b. Kaikilla endogeenisillä muuttujilla (muuttujat joihin osoittaa ainakin yksi nuoli) pitää olla jäännöstermi, jonka voi piirtää komennolla. DRAW INDICATOR -komento luo jäännöstermin automaattisesti. c. Nimeä kaikki muuttujat: piilomuuttujat, indikaattorit, jäännöstermit, VIEW/SET OBJECT PROPERTIES (OBJECT PROPERTIES -ikkunaan pääset helpommin tuplaklikkaamalla haluaamasi objektia) d. Varmista, että malli on matemaattisesti identifioitu, eli se on mahdollista estimoida. e. Määritä alkuarvot valituille parametreille (OBJECT PROPERTIES -ikkunan Parameters -alavalikko). i. kaikkien piilomuuttujien mittayksikkö pitää määritellä (useimmin yksi faktorilataus tai piilomuuttujan varianssi ) f. Optio: Määrittele mitkä muuttujista ja poluista haluat kuvissa näkyviin ja mitkä piiloon (Visibility -alavalikko). 3. Määritä analyysivaihtoehdot (VIEW/SET ANALYSIS PROPERTIES) a. Määritä estimointitapa (Estimation -alavalikko). i. suurimman uskottavuuden menetelmä (ML), neliösummamenetelmät (GLS, ULS) 6/5
7 b. Optio: uudelleenotantamenetelmä ja ei-parametriset estimaatit (Bootstrap -alavalikko). c. Määritä output-vaihtoehdot (Output -alavalikko). i. Standardized estimates (standardoidut parametrien arvot) ii. Squared multiple correlations (varianssien selitysasteet endogeenisille muuttujille) iii. Residual moments (jäännöskovarianssit) iv. Modification indexes (modifikaatioindeksit) v. Indirect, direct and total effects (muuttujien suorat, välilliset ja kokonaisvaikutukset) vi. Factor score weights (faktoripistemäärät) vii. Tests for normality and outliers (normaalijakauma- ja outlier- testit) d. Puuttuva data i. Mikäli data on vaillinaista, estimointi voidaan silti tehdä tehokkaasti AMOS-ohjelmiston full-information maximum likelihood with missing data -ominaisuutta hyväksikäyttäen. Tällöin täytyy kuitenkin valita Analysis Properties -alavalikosta vaihtoehto Estimate Means and Intercepts. Tämä toiminto olettaa yleensä, että muuttujat ovat normaalijakautuneita (multivariate normality). Puuttuvan datan ei kuitenkaan tarvitse olla satunnaisesti puuttuvaa. ii. Dataa voi myös täyttää tai vaillinaisia havaintoja poistaa SPSS:ssä. 4. Estimoi parametrit (MODEL-FIT ESTIMATE PARAMETERS) a. Iteraatioiden määrä > 00 todennäköisesti estimointiongelma. b. Poikkeuksellisen suuret estimaattien keskivirheet empiirinen identitiointi pielessä. 5. Tulkitse ja raportoi tulokset a. Table output (antaa tulosteen sivu tai taulukko kerrallaan; taulukot voi viedä leikkaa ja liitä -menetelmällä esim. Excel-taulukkoon, VIEW/SET TABLE OUTPUT. b. Text output (tuloste tekstitiedostona), VIEW/SET TEXT OUTPUT. c. Polkudiagrammin saa leikkaa ja liitä -menetelmällä helposti esim. Worddokumenttiin. 7/5
8 V. Aineiston syöttäminen AMOS-ohjelmaan AMOS-ohjelmaa käytettäessä aineisto on yleensä jommassa kummassa seuraavista muodoista: () raakana datana (esim. SPSS-tiedosto) tai (2) kovarianssimatriisina. Mikäli aineisto on raakana datana SPSS-tiedostona, sen linkittäminen AMOSohjelmaan on hyvin yksinkertaista (edellisen 5-vaihemallin ensimmäinen vaihe). Mikäli aineisto on kovarianssimatriisina, sen syöttäminen AMOS-ohjelmaan tapahtuu helpoimmin Excelin avulla. Excel-sivulle luodaan seuraavanlaista formaattia tarkasti noudattava taulukko: rowtype_ varname_ var var2... varm n N N... N corr var corr var Data tähän corr varm stddev mean Esimerkiksi 0 muuttujan korrelaationmatriisi otoskoolla n=80: rowtype_ varname_ X X2 X3 X4 X5 X6 X7 X8 X9 X0 n corr X corr X2 0.5 corr X corr X corr X corr X corr X corr X corr X corr X stddev mean Tämä tiedosto linkitetään AMOS-ohjelmaan 5-vaihemallin. vaiheessa. 8/5
9 VI. Ohjeita graafisen ulkoasun muokkaamiseen Perusidea: Piirrä kuva kerralla siistiksi ja valmiiksi.. Piilomuuttujat ja indikaattorit a. Piirrä piilomuuttuja komennolla. b. Käytä indikaattorien piirtämiseen DRAW INDICATOR VARIABLE - komentoa c. Jos haluat piirtää useamman piilomuuttujan ja indikaattoreita: Kun olet piirtänyt yhden piilomuuttujan indikaattoreineen, valitse PRESERVE SYMMETRIES ja sen jälkeen DUPLICATE OBJECTS. Nyt voit kopioida koko piilomuuttujan indikaattoreineen viemällä kursorin piilomuuttujan päälle, klikkaamalla hiiren vasemman näppäimen pohjaan ja viemällä kursorin kohtaan, johon haluat faktorin kopion. Tuloksena syntyy eksakti kopio sekä piilomuuttujasta että sen indikaattoreista. d. ROTATE INDICATORS -komennolla voit vaihtaa indikaattorien paikkaa piilomuuttujan puolelta toiselle. e. Sekä indikaattorien että piilomuuttujien muotoa ja kokoa voi muokata CHANGE THE SHAPE OF OBJECTS -komennolla 2. DRAG PROPERTIES -komennolla voit tehdä kahdesta tai useammasta objektista samanlaiset valittujen ominaisuuksien suhteen a. Valitse DRAG PROPERTIES. Avautuvasta ikkunasta voit valita ne objektin ominaisuudet, jotka haluat yhtenäistää, esim: i. X coordinate (kun haluat objektit horisontaalisesti samaan kohtaan), vastaavasti Y coordinate ii. Font (kun haluat yhtenäistää tekstifontin) iii. Height, Width (kun haluat yhtenäistää objektin koon) b. Vie kursori sen objektin päälle, jonka ominaisuudet haluat kopioida, pidä pohjassa hiiren vasenta nappia ja vie kursori sen objektin päälle, jolle haluat samat ominaisuudet. 3. VISIBILITY SETTINGS komennolla voit piilottaa haluamasi muuttujat, nimet tai estimaatit a. Valitse objekti muokattavaksi (esim. tuplaklikkaamalla muuttujaa) b. Valitse OBJECT PROPERTIES -ikkunasta Visibility -alavalikko. c. Valitse alavalikosta ne ominaisuudet, jotka haluat esille (picture, parameters, name) d. Samasta valikosta voit asettaa päälle Visibility-ominaisuudet USE VISIBILITY SETTINGS -komennolla 9/5
10 4. TOUCH-UP komennolla AMOS siivoaa valitun muuttujan ulkoasun optimaaliseksi, tämä komento ei kuitenkaan ole kovinkaan hyödyllinen 5. SELECT OBJECTS -komento a. SELECT OBJECTS -komennoilla voit valita yhden tai kaikki muuttujat, joiden ominaisuuksia voit työstää yhtäaikaa. Valinnat voi poistaa komennolla. b. Jos olet valinnut SELECT OBJECTS -komennolla useita objekteja, käyttämäsi muut komennot kuten MOVE OBJECTS valittuihin objekteihin vaikuttaa kaikkiin 6. Muuttujien nimet a. Muuttujien nimet ovat samat kuin niiden SPSS- tai Excel- tietokannassa olevat nimet. Joskus nämä nimet voivat olla epäselviä esim. nimen SPSS:n rajoitetun muuttujanimien merkkimäärän takia. b. Muuttujille voi antaa omia nimiä (ml. isot ja pienet kirjaimet, ei ylärajaa merkkimäärällä) OBJECT PROPERTIES -ikkunan Text -alavalikosta. 7. Parametrien nimet, sijainti ja orientaatio a. Monesti muuttujien lisäksi on hyvä nimetä parametrit, joskin tämä ei aina ole tarpeellista. Moniryhmämalleissa (multi-group models) tämä on kuitenkin välttämätöntä. Parametrejä voi muokata OBJECT PROPERTIES -ikkunan Parameters -alavalikosta. b. Parametrien sijaintia voi muuttaa Move Paratemeters -komennolla. Parametrien orientaatiota voi vaihtaa OBJECT PROPERTIES -ikkunan Parameters -alavalikosta, joskin horisontaalinen orientaatio on yleensä kaikkein toimivin ja selkein. 8. Valittujen tulosten raportointi kuvion yhteydessä Kuvan alle voi lisätä tekstialueen, jossa raportoidaan tärkeimmät testisuureet, esim. χ 2 -suure, mallin vapausasteet ja p-arvo. Tämä tehdään komennolla ADD FIGURE CAPTIONS. Jos tekstialueeseen haluaa erilaisten suureiden arvoja, ne tulee tehdä seuraavasti: i. χ 2 -suure: Chisquare = \cmin ii. vapausasteet: Degrees of freedom = \df iii. p-arvo: P-value = \p Kun malli on estimoitu, tulostuu em. suureiden numeroarvo kyseisessä otoksessa ja mallissa. 0/5
11 VII. AMOS-esimerkit. Regressioanalyysi 2. Faktorianalyysi: yksiulotteinen 3. Faktorianalyysi: moniulotteinen 4. Välittäjähypoteesi 5. Matemaattinen identifiointi: Kaksisuuntainen kausaalihypoteesi 6. Faktorianalyysi: moniulotteinen 7. Faktorianalyysi: mittarin stabiilisuus 8. Piilomuuttujaregressioanalyysi 9. Moniryhmämalli 0. Mallin graafinen ulkoasu /5
12 Example : Multiple regression analysis X r_y X2 Y X3 2/5
13 Example : Multiple regression analysis Unstandardized estimates X X2 X Y r_y.02 3/5
14 Example : Multiple regression analysis (Fully) standardized estimates X X Y r_y X3 4/5
15 Example 2: -factor-4-indicator CFA r_x r_x2 r_x3 r_x4 X X2 X3 X4 ksi_ Chi-square = \cmin DF = \df P-value = \p 5/5
16 Example 2: -factor-4-indicator CFA Unstandardized estimates r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.48 Chi-square =.89 DF = 2 P-value =.64 6/5
17 Example 2: -factor-4-indicator CFA Standardized estimates r_x r_x2 r_x3 r_x4 X.54 X2.90 X3.72 X ksi_ Chi-square =.89 DF = 2 P-value =.64 7/5
18 Example 3a: -factor-4-indicator CFA r_y r_y2 r_y3 r_y4 Y Y2 Y3 Y4 eta_ Chi-square = \cmin DF = \df P-value = \p 8/5
19 Example 3a: -factor-4-indicator CFA Standardized estimates r_y r_y2 r_y3 r_y4 Y.47 Y2.70 Y3.6 Y eta_ Chi-square = DF = 2 P-value =.000 9/5
20 Example 3b: -factor-4-indicator CFA, modified r_y r_y2 r_y3 r_y4 Y Y2 Y3 Y4 eta_ Chi-square = \cmin DF = \df P-value = \p 20/5
21 Example 3b: -factor-4-indicator CFA, modified Standardized estimates.58 r_y r_y2 r_y3 r_y4 Y.57 Y2.9 Y3.39 Y eta_ Chi-square =.632 DF = P-value =.426 2/5
22 Example 4a: Test of the full mediation hypothesis r_y2 b2 Y2 b32 r_y3 Y Y3 Chi-square = \cmin DF = \df P-value = \p 22/5
23 Example 4a: Test of the full mediation hypothesis Standardized estimates r_y2.36 Y.60 Y2.70 r_y3 Y3.49 Chi-square = DF = P-value = /5
24 AMOS Output, Example 4a 24/5
25 Title Example_04a:. kesäkuuta :08 Your model contains the following variables Y2 observed endogenous Y3 observed endogenous Y observed exogenous r_y2 r_y3 unobserved exogenous unobserved exogenous Number of variables in your model: 5 Number of observed variables: 3 Number of unobserved variables: 2 Number of exogenous variables: 3 Number of endogenous variables: 2 Summary of Parameters Weights Covariances Variances Means Intercepts Total Fixed: Labeled: Unlabeled: Total: NOTE: The model is recursive. Assessment of normality min max skew c.r. kurtosis c.r Y Y Y Multivariate Observations farthest from the centroid (Mahalanobis distance) Observation Mahalanobis number d-squared p p /5
26 Sample size: 00 Sample Covariances Y Y2 Y Y.24 Y Y Eigenvalues of Sample Covariances 4.3e e e+000 Condition number of Sample Covariances =.74037e+00 Sample Correlations Y Y2 Y Y.000 Y Y Eigenvalues of Sample Correlations 2.264e e e+000 Condition number of Sample Correlations =.04623e+00 Determinant of sample covariance matrix = e-00 Model: Default model Computation of degrees of freedom Number of distinct sample moments: 6 Number of distinct parameters to be estimated: Degrees of freedom: 0e 0 2.4e e e e e+004 e 0 2.3e e e e e+000 2e 0 6.6e e e e e+000 3e 0 4.9e e e e e-00 4e 0.6e e e e+00.09e+000 5e 0.9e e e e+00.02e+000 6e 0.6e e e e+00.00e+000 Minimum was achieved 26/5
27 Chi-square = Degrees of freedom = Probability level = Maximum Likelihood Estimates Regression Weights: Estimate S.E. C.R. Label Y2 < Y b2 Y3 < Y b32 Standardized Regression Weights: Estimate Y2 < Y Y3 < Y Variances: Estimate S.E. C.R. Label Y r_y r_y Squared Multiple Correlations: Estimate Y Y Implied Covariances Y Y2 Y Y.24 Y Y Implied Correlations Y Y2 Y Y.000 Y Y /5
28 Residual Covariances Y Y2 Y Y Y Y Standardized Residual Covariances Y Y2 Y Y Y Y Total Effects Y Y Y Y Standardized Total Effects Y Y Y Y Direct Effects Y Y Y Y Standardized Direct Effects Y Y Y Y Indirect Effects Y Y Y Y /5
29 Standardized Indirect Effects Y Y Y Y Modification Indices Covariances: M.I. Par Change r_y3 <-----> Y r_y3 <---> r_y Variances: M.I. Par Change Regression Weights: M.I. Par Change Y3 < Y Summary of models Model NPAR CMIN DF P CMIN/DF Default model Saturated model Independence model Model RMR GFI AGFI PGFI Default model Saturated model Independence model DELTA RHO DELTA2 RHO2 Model NFI RFI IFI TLI CFI Default model Saturated model Independence model Model PRATIO PNFI PCFI Default model Saturated model Independence model /5
30 Model NCP LO 90 HI Default model Saturated model Independence model Model FMIN F0 LO 90 HI Default model Saturated model Independence model Model RMSEA LO 90 HI 90 PCLOSE Default model Independence model Model AIC BCC BIC CAIC Default model Saturated model Independence model Model ECVI LO 90 HI 90 MECVI Default model Saturated model Independence model HOELTER HOELTER Model Default model 0 7 Independence model 6 8 Execution time summary: Minimization: 0.00 Miscellaneous: 0.22 Bootstrap: Total: /5
31 Example 4b: Test of the partial mediation hypothesis r_y2 b2 Y2 b32 r_y3 Y b3 Y3 Chi-square = \cmin DF = \df P-value = \p 3/5
32 Example 4b: Test of the partial mediation hypothesis Standardized estimates r_y2.60 Y2.39 r_y3 Y.5 Y3 Chi-square =.000 DF = 0 P-value = \p 32/5
33 Example 5a: Identification: The case of reciprocal causation X b3 r_x3 X3 b34 b43 X2 b42 X4 r_x4 Chi-square = \cmin DF = \df P-value = \p 33/5
34 Example 5a: Identification: The case of reciprocal causation Standardized estimates r_x3 X.54 X X2.64 X4.43 r_x4 Chi-square =.058 DF = P-value =.80 34/5
35 Example 5b: Identification: The case of reciprocal causation X b3 r_x3 X3 b32 b34 b43 X2 b42 X4 r_x4 Chi-square = \cmin DF = \df P-value = \p 35/5
36 AMOS Output: Title Example_05b: 24. kesäkuuta :36 NOTE: The model is nonrecursive. Sample size: 00 Model: Default model Computation of degrees of freedom Number of distinct sample moments: 0 Number of distinct parameters to be estimated: Degrees of freedom: 0 The specified model is probably unidentified In order to achieve identifiability, it will probably be necessary to impose additional constraint(s). 36/5
37 Example 6: 2-factor-7-indicator CFA r_x r_x2 r_x3 r_x4 X X2 X3 X4 ksi_ eta_ Y r_y Y2 r_y2 Y3 r_y3 Chi-square = \cmin DF = \df P-value = \p 37/5
38 Example 6: 2-factor-7-indicator CFA Standardized estimates r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.38 eta_.40 Y Y Y3 r_y r_y2 r_y3 Chi-square = DF = 3 P-value =.58 38/5
39 Example 7: Measurement stability X_ r_x_ ksi_ time t= X2_ X3_ r_x2_ r_x3_ X4_ r_x4_ X_2 r_x_2 ksi_ time t=2 X2_2 X3_2 r_x2_2 r_x3_2 r_ksi t2 X4_2 r_x4_2 Chi-square = \cmin DF = \df P-value = \p 39/5
40 Example 7: Measurement stability Standardized estimates ksi_ time t= X_ X2_ X3_ r_x_ r_x2_ r_x3_.3.64 X4_ r_x4_.04.4 ksi_ time t= X_2 X2_2 X3_2 r_x_2 r_x2_2 r_x3_ r_ksi t2 X4_2 r_x4_2 Chi-square = 7.0 DF = 5 P-value = /5
41 Example 8: Latent-variable regression analysis r_x r_x2 r_x3 r_x4 X X2 X3 X4 ksi_ r_z Z eta_ Y r_y Y2 r_y2 Y3 r_y3 Chi-square = \cmin DF = \df P-value = \p 4/5
42 Example 8: Latent-variable regression analysis Standardized estimates r_x r_x2 r_x3 r_x4 X.62 X2.72 X3.74 X ksi_.3 r_z Z eta_ Y Y2 Y r_y r_y2 r_y3 Chi-square = DF = 8 P-value = /5
43 Example 9: Multi-group CFA (00 men, 00 women) Men s model v_m v_m2 v_m3 v_m4 r_x r_x2 r_x3 r_x4 X X2 X3 X4 m m2 m3 m4 ksi_ Chi-square = \cmin DF = \df P-value = \p 43/5
44 Example 9: Multi-group CFA (00 men, 00 women) Women s model v_n v_n2 v_n3 v_n4 r_x r_x2 r_x3 r_x4 X X2 X3 X4 n n2 n3 n4 ksi_ Chi-square = \cmin DF = \df P-value = \p 44/5
45 Example 9: Multi-group CFA (00 men, 00 women) Separate models: Men (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = 7.64 DF = 4 P-value =.06 45/5
46 Example 9: Multi-group CFA (00 men, 00 women) Separate models: Women (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = 7.64 DF = 4 P-value =.06 46/5
47 Example 9: Multi-group CFA (00 men, 00 women) Equal loadings: Men (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = DF = 8 P-value = /5
48 Example 9: Multi-group CFA (00 men, 00 women) Equal loadings: Women (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = DF = 8 P-value = /5
49 Example 9: Multi-group CFA (00 men, 00 women) Equal loadings and error terms: Men (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = DF = 2 P-value = /5
50 Example 9: Multi-group CFA (00 men, 00 women) Equal loadings and error terms: Women (unstandardized estimates) r_x r_x2 r_x3 r_x4 X X2 X3 X ksi_.00 Chi-square = DF = 2 P-value = /5
51 Example 0: Using the graphical tools e e2 e3 X X2 X3 ksi_ e7 eta_ e5 e6 Y e4 Y2 Y3 5/5
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):
LisätiedotAMOS (SPSS) ohjelman käyttöohje (versio SPSS AMOS 22.0)
UNIVERSITY OF JYVÄSKYLÄ SCHOOL OF BUSINESS AND ECONOMICS Heikki Karjaluoto & Juha Munnukka AMOS (SPSS) ohjelman käyttöohje (versio SPSS AMOS 22.0) N:o 382 / 2016 University of Jyväskylä School of Business
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
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
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
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.
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
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]
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yksisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Kokonaiskeskiarvo,
LisätiedotLauri Tarkkonen: Erottelu analyysi
Lauri Tarkkonen: Erottelu analyysi Erotteluanalyysin ongelma on kaksijakoinen:. Mikä havaittujen muuttujien (x i ) lineaarinen yhdistely erottaa mahdollisimman hyvin toisistaan tunnetut ryhmät? Siis selitettävä
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
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotMitä IHMEttä on MIXTURE -mallintaminen?
JYVÄSKYLÄN YLIOPISTO Matematiikan ja tilastotieteen laitos Esko Leskinen 28.5.2009 Mitä IHMEttä on MIXTURE -mallintaminen? A-L Lyyra 2009 2 1. Taustaa mixture sekoitus (mikstuura) sekoitetut jakaumat sekoitetut
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotI. Principles of Pointer Year Analysis
I. Principles of Pointer Year Analysis Fig 1. Maximum (red) and minimum (blue) pointer years. 1 Fig 2. Principle of pointer year calculation. Fig 3. Skeleton plot graph created by Kinsys/Kigraph programme.
LisätiedotEsim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501
Esim. 2.1.1. Brand lkm keskiarvo keskihajonta A 10 251,28 5,977 B 10 261,06 3,866 C 10 269,95 4,501 y = 260, 76, n = 30 SS 1 = (n 1 1)s 2 1 = (10 1)5, 977 2 321, 52 SS 2 = (n 2 1)s 2 2 = (10 1)3, 8662
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
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
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
LisätiedotLaskuharjoitus 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
Lisätiedot7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)
7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät
LisätiedotLisrel opas v1.0 Johdatus rakenneyhtälömallien tekemiseen
UNIVERSITY OF JYVÄSKYLÄ SCHOOL OF BUSINESS AND ECONOMICS Heikki Karjaluoto* & Jouni Juntunen** Lisrel opas v1.0 Johdatus rakenneyhtälömallien tekemiseen Working paper N:o 343 / 2007 *Jyväskylän yliopisto,
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,
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,
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
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
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
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotHARJOITUSKERTA 1: SPSS-OHJELMAN PERUSKÄYTTÖ JA MUUTTUJAMUUNNOKSET
HARJOITUSKERTA 1: SPSS-OHJELMAN PERUSKÄYTTÖ JA MUUTTUJAMUUNNOKSET OHJELMAN KÄYNNISTÄMINEN Käynnistääksesi ohjelman valitse All Programs > > IBM SPSS Statistics 2x, tai käynnistä ohjelma työpöydän kuvakkeesta.
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotMuuttujien määrittely
Tarja Heikkilä Muuttujien määrittely Määrittele muuttujat SPSS-ohjelmaan lomakkeen kysymyksistä. Harjoitusta varten lomakkeeseen on muokattu kysymyksiä kahdesta opiskelijoiden tekemästä Joupiskan rinneravintolaa
LisätiedotMTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)
MTTTP5, luento 7.12.2017 7.12.2017/1 6.1.3 Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta) y = lepopulssi x = sukupuoli y = musikaalisuus x = sukupuoli
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
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
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
Lisätiedotproc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;
Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
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
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
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 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 ),
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
LisätiedotKvantitatiiviset 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
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
LisätiedotPosterin teko MS Publisherilla
Posterin teko MS Publisherilla Ensimmäisenä avaa MS Publisher 2010. Löydät sen Windows valikosta - All programs - Microsoft Office. Publisheriin avautuu allaolevan kuvan mukainen näkymä. Mikäli et näe
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotMediaanikorko on kiinteäkorkoiselle lainalle korkeampi. Tämä hypoteesi vastaa taloustieteen käsitystä korkojen määräytymismekanismista.
Mat-2.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit järjestysasteikollisille muuttujille Testit laatueroasteikollisille muuttujille Hypoteesi, Mannin ja Whitneyn testi (Wilcoxonin
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
LisätiedotHealth 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:
LisätiedotOtoskoon arviointi. Tero Vahlberg
Otoskoon arviointi Tero Vahlberg Otoskoon arviointi Otoskoon arviointi (sample size calculation) ja tutkimuksen voima-analyysi (power analysis) ovat tilastollisen tutkimuksen suunnittelussa keskeisiä kysymyksiä
LisätiedotTilastollinen 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
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,
Lisätiedot6.1 Tekstialueiden valinta eli maalaaminen (tulee tehdä ennen jokaista muokkausta ym.)
6. Tekstin muokkaaminen 6.1 Tekstialueiden valinta eli maalaaminen (tulee tehdä ennen jokaista muokkausta ym.) Tekstin maalaaminen onnistuu vetämällä hiirellä haluamansa tekstialueen yli (eli osoita hiiren
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
Lisätiedot031021P 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
LisätiedotJakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista?
1 Hydrobiologian tutkijaseminaari 20.3.2000 Jakaumien merkitys biologisissa havaintoaineistoissa: Löytyykö ratkaisu Yleistetyistä Lineaarisista (Seka)Malleista? Jari Hänninen Turun yliopisto Saaristomeren
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
LisätiedotVertailutestien tulosten tulkinta Mikä on hyvä tulos?
Vertailutestien tulosten tulkinta Mikä on hyvä tulos? Pertti Virtala PANK-menetelmäpäivä 28.1.2016 Sisältö Mittaustarkkuuden käsitteitä Mittaustarkkuuden analysointi Stabiilius Kohdistuvuus Toistettavuus
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
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
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
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)
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
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
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
Lisätiedot2. Keskiarvojen vartailua
2. Keskiarvojen vartailua Esimerkki 2.1: Oheiset mittaukset liittyvät Portland Sementin sidoslujuuteen (kgf/cm 2 ). Mittaukset y 1 ovat nykyisestä seoksesta ja mittaukset y 2 uudesta seoksesta, jossa lisäaineena
Lisätiedot1 (14) Ohje. Ohje. GTK-wiki. Geologian tutkimuskeskus, Verkkosivustopalvelut
1 (14) GTK-wiki 2 (14) Sisällysluettelo 1. Wikin ylläpito... 3 1.1. Wiki-artikkelin muokkaus... 3 1.2. Wiki-artikkelin lisääminen... 3 2. Wiki-toiminnot... 4 2.1. Ristiinlinkitys... 4 2.2. Tekstin muotoilu...
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Faktorianalyysi (Factor analysis) Faktorianalyysi jaetaan perinteisesti kahteen osaan Eksploratiiviseen (explorative factor analysis)
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
LisätiedotSPSS* - tilastoanalyyttinen ohjelma, vrs 9.0
SPSS* - tilastoanalyyttinen ohjelma, vrs 9.0 = monipuolinen ohjelma, jolla voi tilastollisesti analysoida tieteellistä aineistoa ja se tuottaa myös graafisia tulosteita. SPSS:n oma avustus (help) SPSS:ssä
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotKuvan pienentäminen Paint.NET-kuvankäsittelyohjelmalla
Kuvan pienentäminen Paint.NET-kuvankäsittelyohjelmalla Avaa Paint.NET tuplaklikkaamalla sen pikakuvaketta. Paint.NET avautuu tämän näköisenä. Edessä on tyhjä paperi. Saadaksesi auki kuvan, jota aiot pienentää
LisätiedotMonivalintamuuttujien käsittely
Tarja Heikkilä Monivalintamuuttujien käsittely Datatiedosto: Yhdistä.sav Yhdistetään SPSS-ohjelmalla samaan kysymykseen kuuluvat muuttujat. Esimerkkiin liittyvä kysymys ja muita vastaavia kysymyksiä on
LisätiedotHarjoitus 5: Simulink
Harjoitus 5: Simulink Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Simulinkiin Differentiaaliyhtälöiden
LisätiedotSen jälkeen Microsoft Office ja sen alta löytyy ohjelmat. Ensin käynnistä-valikosta kaikki ohjelmat
Microsoft Office 2010 löytyy tietokoneen käynnistävalikosta aivan kuin kaikki muutkin tietokoneelle asennetut ohjelmat. Microsoft kansion sisältä löytyy toimisto-ohjelmistopakettiin kuuluvat eri ohjelmat,
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotResiduaalit. Residuaalit. UK Ger Fra US Austria. Maat
TAMPEREEN YLIOPISTO Tilastollisen mallintamisen harjoitustyö Teemu Kivioja ja Mika Helminen Epätasapainoisen koeasetelman analyysi Worksheet 5 Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede
LisätiedotTilastokeskuksen rajapintapalveluiden käyttöönotto ArcGISohjelmistossa
1(6) Tilastokeskuksen rajapintapalveluiden käyttöönotto ArcGISohjelmistossa Ohjeita laatiessa on käytetty ArcGIS:n versiota 10.1. Koordinaattijärjestelmä ArcGIS käyttää oletuskoordinaattijärjestelmänä
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotOP-eTraderin käyttöopas
OP-eTraderin käyttöopas Tämä käyttöopas on lyhennetty versio virallisesta englanninkielisestä käyttöoppaasta, joka löytyy etrader - sovelluksen Help-valikosta tai painamalla sovelluksessa F1 -näppäintä.
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
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
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotSPSS-perusteet. Sisältö
SPSS-perusteet Sisältö Ikkunat 3 Päävalikot 5 Valikot 6 Aineiston käsittely 6 Muuttujamuunnokset 7 Aineistojen kuvailu analyysit 8 Havaintomatriisin luominen ja käsittely 10 Muulla sovelluksella tehdyn
LisätiedotGraph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.
COMPUTE x=rv.ormal(0,0.04). COMPUTE y=rv.ormal(0,0.04). execute. compute hplib_man_r = hplib_man + x. compute arvokons_man_r = arvokons_man + y. GRAPH /SCATTERPLOT(BIVAR)=hplib_man_r WITH arvokons_man_r
LisätiedotTeema 9: Tilastollinen merkitsevyystestaus
Teema 9: Tilastollinen merkitsevyystestaus Tärkeä päättelyn osa-alue on tilastollinen merkitsevyystestaus, johon päästään luontevasti edellisen teeman aiheista: voidaan kysyä, menevätkö kahden vertailtavan
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
LisätiedotACD/ChemSketch (Windows versio 8.0)
ACD/ChemSketch (Windows versio 8.0) 1 ChemSketch on monipuolinen kemian piirto-ohjelma, jolla voidaan piirtää kemiallisia rakenteita ja reaktioyhtälöitä. Lisäksi ohjelmassa on lukuisia muita käyttökelpoisia
LisätiedotKUVAN TUOMINEN, MUOKKAAMINEN, KOON MUUTTAMINEN JA TALLENTAMINEN PAINTISSA
KUVAN TUOMINEN, MUOKKAAMINEN, KOON MUUTTAMINEN JA TALLENTAMINEN PAINTISSA SISÄLLYS 1. KUVAN TUOMINEN PAINTIIN...1 1.1. TALLENNETUN KUVAN HAKEMINEN...1 1.2. KUVAN KOPIOIMINEN JA LIITTÄMINEN...1 1.1. PRINT
LisätiedotEllei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä
Lauri Tarkkonen: Validiteetti ja reliabiliteetti 1 Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä ole pohjaa. Rakennevaliditeetin estimoiminen 1. Mitattavan
LisätiedotA130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala
Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1 a) Konepajan on hyväksyttävä alihankkijalta saatu tavaraerä, mikäli viallisten komponenttien
LisätiedotSupplementary Table S1. Material list (a) Parameters Sal to Str
Tooth wear as a means to quantify intra-specific variations in diet and chewing movements - Scientific Reports 2016, 6:3037 Ivan Calandra, Gaëlle Labonne, Ellen Schulz-Kornas, Thomas M. Kaiser & Sophie
LisätiedotKaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotAUTOCAD-TULOSTUSOHJE. Tällä ohjeella selitetään Autocadin mittakaavatulostuksen perusasiat (mallin mittayksikkönä millimetrit)
AUTOCAD-TULOSTUSOHJE Tällä ohjeella selitetään Autocadin mittakaavatulostuksen perusasiat (mallin mittayksikkönä millimetrit) 1. MODEL VS. LAYOUT Autocadista löytyy vasemmasta alakulmasta automaattisesti
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas Itse arvioidun terveydentilan ja sukupuolen välinen riippuvuustarkastelu. Jyväskyläläiset 75-vuotiaat miehet ja naiset vuonna 1989.
Lisätiedot