1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
|
|
- Anton Halonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yksisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Kokonaiskeskiarvo, Kokonaisneliösumma, Kokonaisvaihtelu, Luottamusväli, Neliösumma, Odotusarvo, Odotusarvojen vertailu, Ryhmien sisäinen vaihtelu, Ryhmien välinen vaihtelu, Ryhmä, Ryhmäkeskiarvo, Ryhmäneliösumma, Taso, Testi, Vapauaste, Varianssi, Varianssianalyysihajotelma, Yksisuuntainen varianssianalyysi, Yleinen lineaarinen malli 1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT Alihankkijat A, B ja C toimittavat tehtaalle osia 500 kappaleen erissä. Kaikkien kolmen alihankkijan toimittamien erien joukosta poimittiin satunnaisesti 6 erää tarkastettavaksi. Alla olevassa taulukossa on annettu tarkastetuista eristä löytyneiden viallisten osien lukumäärät. Poikkeavatko viallisten osien keskimääräiset lukumäärät eri ali-hankkijoiden toimittamissa erissä tilastollisesti merkitsevästi toisistaan? Alihankkija A Alihankkija B Alihankkija C Tehtävä ratkaistaan käyttämällä yksisuuntaista varianssianalyysia. (a) (b) (c) RATKAISU: Talleta aineisto STATISTIX-tiedostoksi DEFECT1 taulukkomuodossa, jolloin eri alihankkijoita koskevat tiedot talletetaan erillisinä muuttujina. Talleta aineisto STATISTIX-tiedostoksi DEFECT2 kategorisessa muodossa, jolloin eri alihankkijoita koskevat tiedot talletetaan yhdeksi muuttujaksi, mutta tiedostoon lisättään indikaattorimuuttuja, joka kertoo mihin alihankkijaan mikin havainto liittyy. Anna indikaattorimuuttujalle arvoiksi luvut 1, 2, 3. Tee yksisuuntaiset varianssianalyysit sekä (a)- että (b)-kohdan tiedostoille ja tarkista, että saat samat tulokset. Yksisuuntaisessa varianssianalyysissa perusjoukko jaetaan ryhmiin yhden tekijän suhteen ja päämääränä on testata ryhmäkohtaisten odotusarvojen yhtäsuuruutta. TKK/SAL Ilkka Mellin (2005) 1/1
2 Tehtävän tavoitteena on näyttää, kuinka yksisuuntaisen varianssianalyysin aineistot voidaan tallettaa STATISTIX-tiedostoiksi kahdessa eri muodossa: (i) (ii) Taulukkomuodossa eri ryhmiin kuuluvat havainnot talletetaan tiedostoon erillisiksi muuttujiksi. Kategorisessa muodossa kaikki havainnot talletetaan yhdeksi muuttujaksi ja ryhmä ilmaistaan indikaattorimuuttujan avulla. (a) AINEISTON TAULUKKOMUOTO Talletetaan aineisto STATISTIX-tiedostoksi DEFECT1 taulukkomuodossa. Muuttujat: SUPA = Alihankkija A SUPB = Alihankkija B SUPC = Alihankkija C Tulostetaan tiedosto DEFECT1. File > Print Print Variables = SUPA, SUPB, SUPC DEFECT1 SUPA SUPB SUPC (b) AINEISTON KATEGORINEN MUOTO Talletetaan aineisto STATISTIX-tiedostoksi DEFECT2 kategorisessa muodossa. Muuttujat: DEFECT = Alihankkija A, Alihankkija B, Alihankkija C I = Indikaattorimuuttuja I = 1 Alihankkija A I = 2 Alihankkija B I = 3 Alihankkija C TKK/SAL Ilkka Mellin (2005) 2/2
3 Tulostetaan tiedosto DEFECT2. File > Print Print Variables = DEFECT, I DEFECT2 DEFECT I TKK/SAL Ilkka Mellin (2005) 3/3
4 (c) YKSISUUNTAINEN VARIANSSIANALYYSI Varianssianalyysi aineiston taulukkomuodosta Tehdään yksisuuntainen varianssianalyysi tiedoston DEFECT1 aineistolle. Statistics > Linear Models > One-Way AOV Model Specification = Table Table Variables = SUPA, SUPB, SUPC DEFECT1 ONE-WAY AOV FOR: SUPA SUPB SUPC SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 6.0 SAMPLE GROUP VARIABLE MEAN SIZE STD DEV SUPA SUPB SUPC TOTAL CASES INCLUDED 18 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 4/4
5 Varianssianalyysi aineiston kategorisesta muodosta Tehdään yksisuuntainen varianssianalyysi tiedoston DEFECT2 aineistolle. Statistics > Linear Models > One-Way AOV Model Specification = Categorical Dependent Variable = DEFECT Categorical Variable = I DEFECT2 ONE-WAY AOV FOR DEFECT BY I SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 6.0 SAMPLE GROUP I MEAN SIZE STD DEV TOTAL CASES INCLUDED 18 MISSING CASES 0 Yksisuuntaisen varianssianalyysin tulostukset tiedostoista DEFECT1 ja DEFECT2 vastaavat täydellisesti toisiaan. TKK/SAL Ilkka Mellin (2005) 5/5
6 2. YKSISUUNTAISEN VARIANSSIANALYYSIN TULOSTEN TULKINTA Tutustu tarkemmin STATISTIX-ohjelman antamiin tuloksiin tehtävän 1 aineistolle. (a) (b) (c) (d) (e) (f) (g) RATKAISU: Mitkä ovat ryhmäkohtaiset keskiarvot ja kokonaiskeskiarvo? Mitkä ovat ryhmien välinen neliösumma, ryhmien sisäinen neliösumma ja kokonaisneliösumma? Yksisuuntaisessa varianssianalyysissa testataan oletusta, jonka mukaan ryhmäkohtaiset odotusarvot ovat yhtä suuria. Mikä on oletusta testaavan testisuureen arvo ja vastaava p- arvo? Onko oletus perusteltu? Laske varianssianalyysin testisuureen arvo varianssianalyysihajotelman neliösummien avulla ja tarkista, että tulos on sama kuin (c)-kohdassa. Kun yksisuuntaisessa varianssianalyysissa testataan oletusta, jonka mukaan ryhmäkohtaiset odotusarvot ovat yhtä suuria, oletetaan, että ryhmien sisäiset varianssit ovat yhtä suuria. Onko oletus perusteltu? Laske ryhmien sisäistä vaihtelua kuvaava neliösumma ryhmäkohtaisten varianssien avulla. Vertaile odotusarvoja käyttämällä Bonferronin menetelmää. Montako ryhmää aineistosta löytyy? Yksisuuntaisessa varianssianalyysissa perusjoukko jaetaan ryhmiin yhden tekijän suhteen ja päämääränä on testata ryhmäkohtaisten odotusarvojen yhtäsuuruutta. Tehtävän tavoitteena on tutustuttaa STATISTIX-ohjelman yksisuuntaista varianssianalyysia koskeviin tulostuksiin. TKK/SAL Ilkka Mellin (2005) 6/6
7 Tehdään yksisuuntainen varianssianalyysi tehtävän 1 tiedoston DEFECT1 aineistolle. Statistics > Linear Models > One-Way AOV Model Specification = Table Table Variables = SUPA, SUPB, SUPC DEFECT1 ONE-WAY AOV FOR: SUPA SUPB SUPC SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 6.0 SAMPLE GROUP VARIABLE MEAN SIZE STD DEV SUPA SUPB SUPC TOTAL CASES INCLUDED 18 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 7/7
8 (a) RYHMÄKESKIARVOT JA KOKONAISKESKIARVO Ryhmien SUPA, SUPB, SUOC ryhmäkohtaiset aritmeettiset keskiarvot, ryhmäkoot ja ryhmäkohtaiset otoskeskihajonnat sekä kaikkien havaintojen kokonais- eli yleiskeskiarvo ja otoskeskihajonta on annettu alla olevassa taulukossa. SAMPLE GROUP VARIABLE MEAN SIZE STD DEV SUPA SUPB SUPC TOTAL Esimerkiksi ryhmästä SUPB on annettu seuraavat tiedot rivillä SUPB: Havaintojen aritmeettinen keskiarvo (MEAN) = Ryhmän koko (SAMPLE SIZE) = 6 Havaintojen otoskeskihajonta (GROUP STD DEV) = Yhdistetystä aineistosta taulukossa on annettu tiedot rivillä TOTAL: Havaintojen aritmeettinen keskiarvo (MEAN) = Ryhmän koko (SAMPLE SIZE) = 18 Havaintojen otoskeskihajonta (GROUP STD DEV) = Yksisuuntaisen varianssianalyysin ryhmäkohtaisten odotusarvojen yhtäsuuruutta koskeva testi perustuu ryhmäkohtaisten aritmeettisten keskiarvojen ja yleiskeskiarvon vertailuun. Taulukossa ryhmäkeskiarvot (ryhmä SUPA), (ryhmä SUPB), (ryhmä SUPC) on annettu sarakkeessa MEAN. Ryhmien sisäistä vaihtelua kuvaavat ryhmäkohtaiset otoskeskihajonnat (ryhmä SUPA), (ryhmä SUPB), (ryhmä SUPC) on annettu sarakkeessa GROUP STD DEV. (b) VARIANSSIANALYYSIHAJOTELMAN NELIÖSUMMAT Varianssianalyysin testi ryhmäkohtaisten odotusarvojen yhtäsuuruudelle perustuu varianssianalyysihajotelmalle jossa SST = SSG + SSE SST = kokonaisneliösumma (TOTAL SS) SSG = ryhmien välistä vaihtelua kuvaava ryhmäneliösumma (BETWEEN SS) SSE = ryhmien sisäistä vaihtelua kuvaava jäännösneliösumma (WITHIN SS) TKK/SAL Ilkka Mellin (2005) 8/8
9 Varianssianalyysihajotelman neliösummat on annettu alla olevassa taulukossa sarakkeessa SS: SOURCE DF SS MS F P BETWEEN WITHIN TOTAL Taulukosta nähdään, että SST = SSG + SSE eli = (c) VARIANSSIANALYYSIN TESTI ODOTUSARVOJEN YHTÄSUURUUDELLE Testisuure ryhmäkohtaisten odotusarvojen yhtäsuuruudelle on muotoa jossa n k SSG F = k 1 SSE n = havaintojen kokonaislukumäärä k = ryhmien lukumäärä SSG = ryhmien välistä vaihtelua kuvaava ryhmäneliösumma (BETWEEN SS) SSE = ryhmien sisäistä vaihtelua kuvaava jäännösneliösumma (WITHIN SS) Testisuureen arvo ryhmäkohtaisten odotusarvojen yhtäsuuruudelle on annettu alla olevassa taulukossa sarakkeessa F. SOURCE DF SS MS F P BETWEEN WITHIN TOTAL Taulukosta nähdään, että testisuureen arvo on F = Testisuureen arvoa vastaava p-arvo saadaan sarakkeesta P: p = TKK/SAL Ilkka Mellin (2005) 9/9
10 Johtopäätös: Nollahypoteesi ryhmäodotusarvojen yhtäsuuruudesta voidaan hylätä: Viallisten keskimääräiset lukumäärät alihankkijoilla A, B ja C poikkevat tilastollisesti merkitsevästi toisistaan. (d) VARIANSSIANALYYSIN TESTI ODOTUSARVOJEN YHTÄSUURUUDELLE JA VARIANSSIANALYYSHAJOTELMA F-testisuureen arvo määrätään varianssianalyysihajotelman neliösummista: n k SSG F = = = k 1 SSE Tulos on sama kuin (c)-kohdassa annettu F-testisuureen arvo. (e) VARIANSSIANALYYSIN TESTI VARIANSSIEN YHTÄSUURUUDELLE Varianssianalyysissa oletetaan, että ryhmäkohtaiset varianssit ovat yhtä suuria. Tätä oletusta voidaan testata Bartlettin testillä. CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = 0.80 ja vapausasteiden lukumäärä (DF) on k 1 = 3 1 = 2. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta jää voimaan. (f) RYHMIEN SISÄINEN VAIHTELU JA RYHMÄKOHTAISET VARIANSSIT Ryhmien sisäistä vaihtelua kuvaava neliösumma voidaan laskea ryhmäkohtaisten varianssien avulla; ks. kohta (a): k ( i 1) i i= 1 SSE = n s = + + = TKK/SAL Ilkka Mellin (2005) 10/10
11 (g) ODOTUSARVOJEN VERTAILU Kohdassa (c) todettiin, että nollahypoteesi ryhmäkohtaisten odotusarvojen yhtäsuuruudesta voidaan hylätä. Tällöin on luontevaa vertailla ryhmäkohtaisia odotusarvoja pareittain toisiinsa. Tehdään odotusarvojen vertailu Bonferronin menetelmällä. One-Way AOV AOV Table > Results Comparison of Means Comparison Method = Bonferroni Alpha = 0.05 DEFECT1 BONFERRONI COMPARISON OF MEANS HOMOGENEOUS VARIABLE MEAN GROUPS SUPC I SUPA I SUPB I THERE ARE 2 GROUPS IN WHICH THE MEANS ARE NOT SIGNIFICANTLY DIFFERENT FROM ONE ANOTHER. CRITICAL T VALUE REJECTION LEVEL CRITICAL VALUE FOR COMPARISON STANDARD ERROR FOR COMPARISON Analyysin mukaan aineisto koostuu kolmen sijasta kahdesta ryhmästä. Toiseen ryhmään kuuluvat ryhmien SUPC ja SUPA alkiot ja toiseen ryhmään ryhmän SUPB alkiot. Ryhmien SUPC ja SUPA havaintojen odotusarvot eivät eroa tilastollisesti merkitsevästi toisistaan. Sen sijaan ryhmien SUPC SUPA ja SUPB odotusarvot eroavat tilastollisesti merkitsevästi toisistaan. Yleinen johtopäätös: Viallisten keskimääräiset lukumäärät alihankkijoilla C ja A eivät poikkea tilastollisesti merkitsevästi toisistaan, mutta viallisten keskimääräiset lukumäärät niillä ja alihankkijalla B poikkeavat tilastollisesti merkitsevästi toisistaan. TKK/SAL Ilkka Mellin (2005) 11/11
12 3. YKSISUUNTAINEN VARIANSSIANALYYSI JA YLEINEN LINEAARINEN MALLI Tehtävässä käytetään tehtävän 1 (b)-kohdan tiedostoa DEFECT2. (a) (b) (c) RATKAISU: Lisää tiedostoon DEFECT2 kolme indikaattorimuuttujaa IA, IB, IC. Indikaattorimuuttujat määritellään seuraavalla tavalla: I i = 1, jos havainto kuuluu ryhmään i 0, jos havainto ei kuulu ryhmään i Estimoi lineaarinen malli, jossa selittäjinä käytetään muuttujia IA, IB, IC. Vertaa regressiokertoimia tehtävän 1 tulostuksista löytyviin ryhmäkohtaisiin aritmeettisiin keskiarvoihin. Huomautus: Mallissa ei saa olla vakiotermiä! Miksi? Testaa regressiokertoimien yhtäsuuruutta ja vertaa testin tulosta tehtävässä 1 saatuun yksisuuntaisen varianssianalyysin testitulokseen. Testin suoritus on esitetty tehtäväpaperin lopussa. Yksisuuntaisessa varianssianalyysissa perusjoukko jaetaan ryhmiin yhden tekijän suhteen ja päämääränä on testata ryhmäkohtaisten odotusarvojen yhtäsuuruutta. Tehtävän tavoitteena on näyttää, että yksisuuntaisen varianssianalyysin malli on erikoistapaus yleisestä lineaarisesta mallista. TKK/SAL Ilkka Mellin (2005) 12/12
13 Mat Tilastollisen analyysin perusteet (a) INDIKAATTORIMUUTTUJAT Lisätään tehtävän 1 kategorisessa muodossa olevaan STATISTIX-tiedostoon DEFECT2 indikaattorimuuttujat IA, IB, IC. Indikaattorimuuttujat määritellään seuraavalla tavalla: I ji = Tulostetaan tiedosto DEFECT2. 1, jos havainto j kuuluu ryhmään i 0, jos havainto j ei kuulu ryhmään i File > Print Print Variables = DEFECT, IA, IB, IC DEFECT2 DEFECT IA IB IC TKK/SAL Ilkka Mellin (2005) 13/13
14 (b) REGRESSIOANALYYSI Estimoidaan lineaarinen regressiomalli (1) DEFECT = µ 1 IA + µ 2 IB + µ 3 IC + ε Huomaa, että mallissa ei ole mukana vakioselittäjää! Statistics > Linear Models > Linear Regression Dependent Variable = DEFECT Independent Variables = IA, IB, IC DEFECT2 UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF DEFECT NOTE: MODEL FORCED THROUGH ORIGIN PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P VIF IA IB IC R-SQUARED RESID. MEAN SQUARE (MSE) ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL CASES INCLUDED 18 MISSING CASES 0 Mallin (1) regressiokertoimien estimaateiksi saadaan: Kertoimen µ 1 estimaatti = Kertoimen µ 2 estimaatti = Kertoimen µ 3 estimaatti = Estimaatit ovat samat kuin havaintoarvojen ryhmäkohtaiset aritmeettiset keskiarvot; ks. tehtävä 2, kohta (a). Estimoitu malli on siten muotoa DEFECT = IA IB IC Mallin (1) jäännösneliösumma (RESIDUAL SS) on sama kuin varianssi-analyysissa laskettava ryhmien sisäistä vaihtelua kuvaava neliösumma SSE; kts. tehtävä 2, kohta (b). TKK/SAL Ilkka Mellin (2005) 14/14
15 Huomautus: Malliin (1) ei voi liittää vakioselittäjää, koska mallin DEFECT = β + µ 1 IA + µ 2 IB + µ 3 IC + ε selittäjien välillä olisi tarkka lineaarinen riippuvuus: CONSTANT = IA + IB + IC jossa CONSTANT on vakioselittäjä: CONSTANT = 1 kaikille havainnoille Selittäjien lineaarinen riippuvuus tekee regressiokertoimien estimoimisen tavanomaisella PNS-keinolla mahdottomaksi. (c) REGRESSIOKERTOIMIEN YHTÄSUURUUDEN TESTAAMINEN Asetetaan lineaarisen mallin (1) DEFECT = µ 1 IA + µ 2 IB + µ 3 IC + ε kertoimille nollahypoteesi H 0 : µ 1 = µ 2 = µ 3 = µ Jos nollahypoteesi H 0 pätee, malli (1) voidaan kirjoittaa muotoon (2) DEFECT = µ CONSTANT + ε Testi nollahypoteesille H 0 perustuu testisuureeseen jossa n k SSER SSE F = k 1 SSE n = havaintojen kokonaislukumäärä k = ryhmien lukumäärä SSE R = jäännösneliösumma mallista (2) SSE = jäännösneliösumma mallista (1) Lisätään tiedostoon DEFECT2 muuttuja CONSTANT. Muuttuja CONSTANT määritellään seuraavalla tavalla: CONSTANT = 1 kaikille havainnoille TKK/SAL Ilkka Mellin (2005) 15/15
16 Tulostetaan tiedosto DEFECT2. File > Print Print Variables = DEFECT, CONSTANT DEFECT2 DEFECT CONSTANT TKK/SAL Ilkka Mellin (2005) 16/16
17 Estimoidaan lineaarinen regressiomalli (2) DEFECT = µ CONSTANT + ε Statistics > Linear Models > Linear Regression Dependent Variable = DEFECT Independent Variables = CONSTANT DEFECT2 UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF DEFECT NOTE: MODEL FORCED THROUGH ORIGIN PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT R-SQUARED RESID. MEAN SQUARE (MSE) ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL CASES INCLUDED 18 MISSING CASES 0 Mallin (2) regressiokertoimen estimaatiksi saadaan: Kertoimen µ estimaatti = Estimaatti on sama kuin havaintoarvojen yleiskeskiarvo; ks. tehtävä 2, kohta (a). Estimoitu malli on siten muotoa DEFECT = IA Mallin (2) jäännösneliösumma (RESIDUAL SS) on sama kuin varianssianalyysissa laskettava havaintojen kokonaisvaihtelua kuvaava neliösumma SST; ks. tehtävä 2, kohta (b). Yhdistämällä saatu tulos (b)-kohdan tulokseen saadaan testisuureen arvoksi n k SSER SSE F = = = k 1 SSE Tulos on täsmälleen sama kuin tehtävän 2 kohdassa (d) saatu tulos, mikä on ymmärrettävää, kun huomataan, että Johtopäätös: SSER SSE = SSG Nollahypoteesi regressiokertoimien yhtäsuuruudesta voidaan hylätä. TKK/SAL Ilkka Mellin (2005) 17/17
18 4. YKSISUUNTAINEN VARIANSSIANALYYSI: SOVELLUS 1 USA:ssa toimiva yritys on etsimässä sopivaa automerkkiä hoitamaan kuljetuksiaan. Ehdolla on kotimainen, japanilainen ja eurooppalainen automerkki. Jokaista merkkiä tilataan 5 kappaletta, tilatuilla autoilla ajetaan 10,000 mailia normaaliajoa ja autojen ajokustannukset (c/maili) mitataan. Tiedot mittauksista on annettu STATISTIX-tiedostossa CARS1. RATKAISU: Onko eri automerkkien keskimääräisissä ajokustannuksissa tilastollisesti merkitsevää eroa? Yksisuuntaisessa varianssianalyysissa perusjoukko jaetaan ryhmiin yhden tekijän suhteen ja päämääränä on testata ryhmäkohtaisten odotusarvojen yhtäsuuruutta. Tehtävän tavoitteena on esittää sovellusesimerkki yksisuuntaisesta varianssianalyysista, tilanteessa, jossa oletus odotusarvojen yhtäsuuruudesta jää voimaan. Tehdään yksisuuntainen varianssianalyysi tiedoston CARS1 aineistolle. Statistics > Linear Models > One-Way AOV Model Specification = Table Table Variables = DOM, JAP, EUR Ryhmäkohtaisten varianssien yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten varianssien yhtäsuuruudesta. Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = 0.54 ja vapausasteiden lukumäärä (DF) on k 1 = 3 1 = 2. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta jää voimaan. TKK/SAL Ilkka Mellin (2005) 18/18
19 Ryhmäkohtaisten odotusarvojen yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten odotusarvojen yhtäsuuruudesta. F-testisuureen arvo (F) on F = 0.40 ja vapausasteiden lukumäärät (DF) ovat k 1 = 2 ja n k = 12. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi odotusarvojen yhtäsuuruudesta jää voimaan. CARS1 ONE-WAY AOV FOR: DOM EUR JAP SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 5.0 SAMPLE GROUP VARIABLE MEAN SIZE STD DEV DOM EUR JAP TOTAL CASES INCLUDED 15 MISSING CASES 0 Yleinen johtopäätös: Eri automerkkien keskimääräiset ajokustannukset eivät eroa tilastollisesti merkitsevästi toisistaan. TKK/SAL Ilkka Mellin (2005) 19/19
20 5. YKSISUUNTAINEN VARIANSSIANALYYSI: SOVELLUS 2 Eräs korkeajännitekaapeli punotaan 12 teräslangasta, joilta vaaditaan suurta vetolujuutta. Lankojen vetolujuuden tutkimiseksi valitaan satunnaisesti 9 kaapelia ja jokaisen kaapelin kaikkien teräslankojen vetolujuudet mitataan. Mitattujen veto-lujuuksien poikkeamat arvosta 340 kg on annettu kiloina STATISTIX-tiedostossa CABLES. Indikaattorimuuttuja I1 ilmaisee mistä kaapelista kukin teräslanka on otettu. (a) (b) (c) (d) RATKAISU: Testaa nollahypoteesia, että eri kaapeleista otetuilla teräslangoilla on samat keskimääräiset vetolujuudet. Tee myös ryhmäkohtaisten odotusarvojen vertailut Bonferronin menetelmällä. Kohdassa (a) nollahypoteesi hylätään. Asiaa tarkemmin tutkittaessa havaitaan, että kaapeleiden 1-4 langat on valmistettu teräserästä A, kaapeleiden 5-8 langat on valmistettu teräserästä B ja kaapelin 9 langat on valmistettu teräserästä C. Indikaattorimuuttuja I2 ilmaisee mistä teräserästä kaapelin langat on valmistettu. Testaa nollahypoteesia, että teräserästä A valmistettujen kaapeleiden teräslangoilla on samat keskimääräiset vetolujuudet. Testaa nollahypoteesia, että teräserästä B valmistettujen kaapeleiden teräslangoilla on samat keskimääräiset vetolujuudet. Mikä on johtopäätös? Testaa nollahypoteesia, että eri teräseristä valmistettujen kaapeleiden teräslangoilla on samat keskimääräiset vetolujuudet. Tee myös ryhmä-kohtaisten odotusarvojen vertailut Bonferronin menetelmällä. Tee tuloksista yhteenveto. Yksisuuntaisessa varianssianalyysissa perusjoukko jaetaan ryhmiin yhden tekijän suhteen ja päämääränä on testata ryhmäkohtaisten odotusarvojen yhtäsuuruutta. Tehtävän tavoitteena on esittää sellainen sovellusesimerkki yksisuuntaisesta varianssianalyysista, jossa tulee esiin ryhmityksen vaikutus. TKK/SAL Ilkka Mellin (2005) 20/20
21 (a) VARIANSSIANALYYSI RYHMILLE 1-9 Tehdään yksisuuntainen varianssianalyysi tiedoston CABLES aineistolle käyttäen indikaattorimuuttujana muuttujaa I1, jolla on yhdeksän tasoa. Statistics > Linear Models > One-Way AOV Model Specification = Categorical Dependent Variable = TENSSTR Categorical Variables = I1 CABLES ONE-WAY AOV FOR TENSSTR BY I1 SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 12.0 SAMPLE GROUP I1 MEAN SIZE STD DEV TOTAL CASES INCLUDED 108 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 21/21
22 Ryhmäkohtaisten varianssien yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten varianssien yhtäsuuruudesta. Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = ja vapausasteiden lukumäärä (DF) on k 1 = 9 1 = 8. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta jää voimaan. Ryhmäkohtaisten odotusarvojen yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten odotusarvojen yhtäsuuruudesta. F-testisuureen arvo (F) on F = 9.07 ja vapausasteiden lukumäärät (DF) ovat k 1 = 8 ja n k = 99. Testisuureen arvoa vastaava p-arvo (P) on (4:llä desimaalilla) Johtopäätös: Nollahypoteesi odotusarvojen yhtäsuuruudesta voidaan hylätä. TKK/SAL Ilkka Mellin (2005) 22/22
23 Odotusarvojen vertailu Tehdään odotusarvojen vertailu Bonferronin menetelmällä. One-Way AOV AOV Table > Results Comparison of Means Comparison Method = Bonferroni Alpha = 0.05 CABLES BONFERRONI COMPARISON OF MEANS OF TENSSTR BY I1 HOMOGENEOUS I1 MEAN GROUPS I I I I I I I I I I I I I I I I I I I I I I I THERE ARE 5 GROUPS IN WHICH THE MEANS ARE NOT SIGNIFICANTLY DIFFERENT FROM ONE ANOTHER. CRITICAL T VALUE REJECTION LEVEL CRITICAL VALUE FOR COMPARISON STANDARD ERROR FOR COMPARISON Analyysin mukaan aineisto koostuu yhdeksän sijasta viidestä ryhmästä. Uusia ryhmiä voidaan muodostaa usealla eri tavalla. Esimerkiksi alkuperäisen ryhmityksen ryhmä 6 voidaan liittää neljään eri ryhmään. (b) VARIANSSIANALYYSIT RYHMILLE 1-4 JA 5-8 Tehdään yksisuuntainen varianssianalyysi tiedoston CABLES aineistolle erikseen ryhmille 1-4 ja 5-8 käyttäen indikaattorimuuttujana muuttujaa I1. TKK/SAL Ilkka Mellin (2005) 23/23
24 Varianssianalyysi ryhmille 1-4 Rajoitetaan havainnot ryhmiin 1-4. Data > Omit / Select / Restore Cases Omit / Select / Restore Expression Omit I1 > 4 Statistics > Linear Models > One-Way AOV Model Specification = Categorical Dependent Variable = TENSSTR Categorical Variables = I1 CABLES ONE-WAY AOV FOR TENSSTR BY I1 SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 12.0 SAMPLE GROUP I1 MEAN SIZE STD DEV TOTAL CASES INCLUDED 48 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 24/24
25 Ryhmäkohtaisten varianssien yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten varianssien yhtäsuuruudesta. Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = 1.83 ja vapausasteiden lukumäärä (DF) on k 1 = 4 1 = 3. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta jää voimaan. Ryhmäkohtaisten odotusarvojen yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten odotusarvojen yhtäsuuruudesta. F-testisuureen arvo (F) on F = 1.31 ja vapausasteiden lukumäärät (DF) ovat k 1 = 3 ja n k = 44. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi odotusarvojen yhtäsuuruudesta jää voimaan. TKK/SAL Ilkka Mellin (2005) 25/25
26 Varianssianalyysi ryhmille 5-8 Rajoitetaan havainnot ryhmiin 5-8. Data > Omit / Select / Restore Cases Omit / Select / Restore Expression Omit I1 < 5 Data > Omit / Select / Restore Cases Omit / Select / Restore Expression Omit I1 > 8 Statistics > Linear Models > One-Way AOV Model Specification = Categorical Dependent Variable = TENSSTR Categorical Variables = I1 CABLES ONE-WAY AOV FOR TENSSTR BY I1 SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 12.0 SAMPLE GROUP I1 MEAN SIZE STD DEV TOTAL CASES INCLUDED 48 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 26/26
27 Ryhmäkohtaisten varianssien yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten varianssien yhtäsuuruudesta. Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = 2.84 ja vapausasteiden lukumäärä (DF) on k 1 = 4 1 = 3. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta jää voimaan. Ryhmäkohtaisten odotusarvojen yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten odotusarvojen yhtäsuuruudesta. F-testisuureen arvo (F) on F = 0.96 ja vapausasteiden lukumäärät (DF) ovat k 1 = 3 ja n k = 44. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi odotusarvojen yhtäsuuruudesta jää voimaan. Yleinen johtopäätös: Ryhmät 1-4 ja 5-8 ovat sisäisesti homogeenisia odotusarvojensa suhteen. TKK/SAL Ilkka Mellin (2005) 27/27
28 (c) VARIANSSIANALYYSI YHDISTETYILLE RYHMILLE Yhdistetään ryhmät 1-4 ja 5-8 ja olkoon ryhmä 9 kolmantena ryhmänä. Tätä ryhmitystä edustaa tiedostossa CABLES muuttuja I2. Statistics > Linear Models > One-Way AOV Model Specification = Categorical Dependent Variable = TENSSTR Categorical Variables = I2 CABLES ONE-WAY AOV FOR TENSSTR BY I2 SOURCE DF SS MS F P BETWEEN WITHIN TOTAL CHI-SQ DF P BARTLETT'S TEST OF EQUAL VARIANCES COCHRAN'S Q LARGEST VAR / SMALLEST VAR COMPONENT OF VARIANCE FOR BETWEEN GROUPS EFFECTIVE CELL SIZE 32.0 SAMPLE GROUP I2 MEAN SIZE STD DEV TOTAL CASES INCLUDED 108 MISSING CASES 0 TKK/SAL Ilkka Mellin (2005) 28/28
29 Ryhmäkohtaisten varianssien yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten varianssien yhtäsuuruudesta. Bartlettin testin χ 2 -testisuureen arvo (CHI-SQ) on 2 χ = 6.40 ja vapausasteiden lukumäärä (DF) on k 1 = 3 1 = 2. Testisuureen arvoa vastaava p-arvo (P) on Johtopäätös: Nollahypoteesi varianssien yhtäsuuruudesta voidaan juuri ja juuri hylätä 5 %:n merkitsevyystasolla. Ryhmäkohtaisten odotusarvojen yhtäsuuruuden testaaminen Testataan oletusta ryhmäkohtaisten odotusarvojen yhtäsuuruudesta. F-testisuureen arvo (F) on F = ja vapausasteiden lukumäärät (DF) ovat k 1 = 2 ja n k = 105. Testisuureen arvoa vastaava p-arvo (P) on (4:llä desimaalilla) Johtopäätös: Nollahypoteesi odotusarvojen yhtäsuuruudesta voidaan hylätä, kun todisteet nollahypoteesia vastaan ovat näin voimakkaita, vaikka ryhmäkohtaisten varianssien yhtäsuuruusoletusta vastaan on lieviä todisteita. TKK/SAL Ilkka Mellin (2005) 29/29
30 Odotusarvojen vertailu Tehdään odotusarvojen vertailu Bonferronin menetelmällä. One-Way AOV AOV Table > Results Comparison of Means Comparison Method = Bonferroni Alpha = 0.05 CABLES BONFERRONI COMPARISON OF MEANS OF TENSSTR BY I2 HOMOGENEOUS I2 MEAN GROUPS I I I ALL 3 MEANS ARE SIGNIFICANTLY DIFFERENT FROM ONE ANOTHER. CRITICAL T VALUE REJECTION LEVEL STANDARD ERRORS AND CRITICAL VALUES OF DIFFERENCES VARY BETWEEN COMPARISONS BECAUSE OF UNEQUAL SAMPLE SIZES. Analyysin mukaan aineisto koostuu kolmesta ryhmästä, joiden odotusarvot eroavat tilastollisesti merkitsevästi toisistaan. (d) YHTEENVETO TULOKSISTA (i) (ii) Teräserällä, josta kaapelit on valmistettu, on tilastollisesti merkitsevä vaikutus kaapeleiden vetolujuuteen; ks. kohta (c). Samasta teräserästä valmistettujen kaapeleiden vetolujuudet eivät poikkea tilastollisesti merkitsevästi toisistaan; ks. kohta (b). TKK/SAL Ilkka Mellin (2005) 30/30
31 Mat Tilastollisen analyysin perusteet KAAVOJA Tehtävässä 3 pyydetään testaamaan yksisuuntaisen varianssianalyysin mallia vastaavassa regressiomallissa regressiokertoimien yhtäsuuruutta. Tämä testi ja yksisuuntaisen varianssianalyysin testi ryhmäkohtaisten odotusarvojen yhtäsuuruudelle ovat ekvivalentteja. Yksisuuntaisen varianssianalyysin malli Olkoon (1) y j n i k 2 ji = µ i + ε ji, ε ji N(0, σ ), = 1, 2,, i, = 1, 2,, yksisuuntaisen varianssianalyysin malli, jossa jäännöstermit ε ji oletetaan lisäksi korreloimattomiksi. Yksisuuntaisen varianssianalyysin malli ja yleinen lineaarinen malli Varianssinalyysimallia (1) vastaava yleinen lineaarinen malli on muotoa (2) y = µ 1I1 + µ 2I2 + + µ I + ε, j = 1, 2,, n, i = 1, 2,, k ji k k ji i jossa jäännöstermistä ε ji tehdään samat oletukset kuin mallissa (1). Olkoon nollahypoteesina H : µ = µ = = µ = µ k Testin suoritus (i) (ii) Estimoidaan lineaarinen regressiomalli (2) PNS-menetelmällä. Olkoon SSE tuloksena saatava jäännösneliösumma. Estimoidaan lineaarinen regressiomalli, jossa selittäjänä on pelkkä vakio. Olkoon SSE R tuloksena saatava jäännnösneliösumma. Huomautus: jossa SSE = ( n 1) s R 2 y 2 s y on kaikkien y-havaintojen varianssin harhaton estimaattori. TKK/SAL Ilkka Mellin (2005) 31/31
32 Mat Tilastollisen analyysin perusteet (iii) Muodostetaan testisuure jossa (iv) Jos nollahypoteesi pätee, n k SSER SSE F = k 1 SSE n = n + n + + n 1 2 k H : µ = µ = = µ = µ F F( k 1, n k) k Testin idea Nollahypoteesi H : µ = µ = = µ = µ k merkitsee (k 1) lineaarisen rajoituksen spesifioimista malli (2) regressiokertoimille. Huomaa, että rajoituksien lukumäärä on (k 1). Miksi? Jos rajoitukset otetaan huomioon, malli (2) voidaan kirjoittaa muotoon (3) y = µ + ε, j = 1, 2,, n, i = 1, 2,, k ji ji i Esitetyssä testissä mallin (2) jäännösneliösummaa SSE verrataan rajoitetun mallin (3) jäännösneliösummaan SSE R. Voidaan osoittaa, että mallin (3) jäännösneliösumma SSE R on aina vähintään yhtä suuri kuin mallin (2) jäännösneliösumma SSE. Nollahypoteesi H 0 hylätään, jos jäännösneliösumma kasvaa kyllin voimaakkaasti, kun nollahypoteesin määrämät rajoitukset otetaan estimoinnissa huomioon. Huomautuksia (i) (ii) Mallin (2) regressiokertoimien µ 1, µ 2,, µ k PNS-estimaattoreiksi saadaan y-havaintojen ryhmäkohtaiset aritmeettiset keskiarvot. Mallin (3) regressiokertoimen µ PNS-estimaattoriksi saadaan y-havaintojen kokonaiskeskiarvo eli kaikkien y-havaintojen yhteinen aritmeettinen keskiarvo. TKK/SAL Ilkka Mellin (2005) 32/32
1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
LisätiedotJohdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1
Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n
Lisätiedot1. KAKSISUUNTAINEN VARIANSSIANALYYSI: TULOSTEN TULKINTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalyysi Bonferronin menetelmä, F-testi, Jäännösneliösumma, Kaksisuuntainen varianssianalyysi Kokonaiskeskiarvo,
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,
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
LisätiedotLatinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
Lisätiedot1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Usean selittäjän lineaarinen regressiomalli Estimaatti, Estimaattori, Estimointi, Jäännösneliösumma, Jäännöstermi, Jäännösvarianssi,
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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,
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
LisätiedotMat Tilastollisen analyysin perusteet
/ Mat-2.21 04 Tilastollisen analyysin perusteet Tentti 24.5.2013/Virtanen Kirjoita selvasti jokaiseen koepaperiin alia mainitussa jarjestyksessa: Mat-2.2104 Tap 24.5.2013 opiskelijanumero kirjain TEKSTATEN
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
LisätiedotMat Tilastollisen analyysin perusteet. Painotettu PNS-menetelmä. Avainsanat:
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Mallin valinta Painotettu PNS-menetelmä Alaspäin askellus, Askellus, Askeltava valikointi, Diagnostinen grafiikka, Diagnostiset
Lisätiedot1. REGRESSIOMALLIN SYSTEMAATTISEN OSAN MUOTO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Regressiodiagnostiikka Cooken etäisyys, Funktionaalinen muoto, Diagnostinen grafiikka, Diagnostiset testit, Heteroskedastisuus,
LisätiedotLohkoasetelmat. Vilkkumaa / Kuusinen 1
Lohkoasetelmat Vilkkumaa / Kuusinen 1 Motivointi 1/3 Kaksisuuntaisella varianssianalyysilla voidaan tutkia kahden tekijän A ja B vaikutusta sekä niiden yhdysvaikutusta tutkimuksen kohteeseen Kaksisuuntaisessa
LisätiedotLohkoasetelmat. Heliövaara 1
Lohkoasetelmat Heliövaara 1 Kiusatekijä Kaikissa kokeissa, kokeen tuloksiin voi vaikuttaa vaihtelu joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla mahdollisesti on vaikutusta vastemuuttujan arvoon,
LisätiedotLohkoasetelmat. Kuusinen/Heliövaara 1
Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan
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
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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,
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
LisätiedotA B DIFFERENCE
I Mat-2.21 04 Tilastollisen analyysin perusteet Tentti 10.5.2013Nirtanen Ki~oita selvasti jokaiseen koepaperiin alia mainitussa ja~estyksessa: 0HJEITA Mat-2.2104 Tap 10.5.2013 opiskelijanumero ki~ain TEKSTATEN
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
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
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 ),
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
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
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma Jaetaan perusjoukko rhmiin kahden tekän A ja B suhteen
LisätiedotMS-C2{04 Tilastollisen analyysin perusteet
MS-C2{04 Tilastollisen analyysin perusteet Tentti 7.4.20 4A/irtanen Kirjoita selvästi jokaiseen koepaperiin alla mainitussa järjestyksessä: OHlprrn (i) (ii) MS-C204 TAP 7.4.204 opiskelijanumero + kirjain
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 Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
LisätiedotKoesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1
Koesuunnittelu 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 k -faktorikokeet 2 2 -faktorikokeet 2 3 -faktorikokeet 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 2 k -faktorikokeet: Mitä opimme?
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
Lisätiedotanalyysin perusteet Mat Ti lastol I isen Tentti /Mellin
Mat-2.1 04 Ti lastol Tentti 7.5.2005/Mellin I isen analyysin perusteet Kirjoita selvdsti jokaiseen koepaperii n alla mainitussa jdirjestyksessd: - Mat-2.104 Tap 7.5.2005 - opiskelijanumero + kirjain -
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
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2007) 1 Yleinen lineaarinen malli >> Usean selittäjän lineaarinen regressiomalli
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
LisätiedotAltistusaika 1 kk 2 kk 3 kk 1.35 1.53 1.38 1.35 1.63 1.51 1.60 1.40 2.18 1.77 1.66 1.98 1.73 1.76 1.60 1.72
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut iheet: vainsanat: Kaksisuuntainen varianssianalsi Lohkoasetelmat Latinalaiset neliöt ritmeettinen
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. 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,
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
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
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
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
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
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
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
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma aetaan perusoukko rhmiin kahden tekän A a B suhteen
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
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
LisätiedotErityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
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
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
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.
LisätiedotMenestyminen valintakokeissa ja todennäköisyyslaskussa
21.5.21 Menestyminen valintakokeissa ja todennäköisyyslaskussa Esa Pursiheimo 45761L 1 JOHDANTO...2 2 LÄHTÖTIEDOT JA OTOS...3 3 PÄÄSYKOETULOKSIEN YHTEISJAKAUMA...4 4 REGRESSIOANALYYSI...9 4.1 MALLI JA
LisätiedotToimittaja 1 2 3 Erä 1 2 3 4 1 2 3 4 1 2 3 4 1 2 2 1 1 0 1 0 2 2 1 3 1 3 0 4 2 4 0 3 4 0 1 2 0 4 1 0 3 2 2 2 0 2 2 1
Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Hierarkkiset koeasetelmat -faktorikokeet Vastepintamenetelmä Aritmeettinen keskiarvo, Estimaatti, Estimaattori, -testi, aktorikokeet,
LisätiedotTestaa onko myrkkypitoisuus eri ryhmissä sama. RATK. Lasketaan kaikkien havaintoarvojen summa: k T i = = 486.
Mat-.103 Koesuunnittelu ja tilastolliset mallit Harjoitus 8, kevät 004 Esimerkkiratkaisut. 1. Myrkyllistä ainetta oli kaadettu jokeen, joka johtaa suurelle kalastusalueelle. Tie- ja vesirakennusinsinöörit
LisätiedotMat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:
Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
LisätiedotKoesuunnittelu Vastepintamenetelmä. TKK (c) Ilkka Mellin (2005) 1
Koesuunnittelu Vastepintamenetelmä TKK (c) Ilkka Mellin (2005) 1 Vastepintamenetelmä Vastepintamenetelmä: Johdanto 2 k -faktorikokeet Vastefunktion kaarevuuden testaaminen 1. asteen vastepintamallin varianssianalyysihajotelma
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
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
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
LisätiedotYhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä).
3. Yhden faktorin kokeet 3.1 Varianssianalyysi Yhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä). Esimerkki 3.1: Tutkitaan kankaassa käytettävän synteettisen kuidun vetolujuutta,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
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
Lisätiedot3. Yhden faktorin kokeet. 3.1 Varianssianalyysi. Yhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä).
3. Yhden faktorin kokeet 3.1 Varianssianalyysi Yhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä). Esimerkki 3.1: Tutkitaan kankaassa käytettävän synteettisen kuidun vetolujuutta,
Lisätiedot3. Yhden faktorin kokeet. 3.1 Varianssianalyysi. Yhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä).
3. Yhden faktorin kokeet 3.1 Varianssianalyysi Yhden faktorin koeasetelma, jossa faktorilla on a tasoa (kokeessa on a käsittelyä). Esimerkki 3.1: Tutkitaan kankaassa käytettävän synteettisen kuidun vetolujuutta,
LisätiedotKertausluento. Vilkkumaa / Kuusinen 1
Kertausluento Vilkkumaa / Kuusinen 1 Kokeellinen tutkimus Kokeellisessa tutkimuksessa on tavoitteena selvittää, miten erilaiset käsittelyt vaikuttavat tutkimuksen kohteisiin - Esim. miten lämpötila ja
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
LisätiedotVastepintamenetelmä. Heliövaara 1
Vastepintamenetelmä Kurssipalautteen antamisesta saa hyvityksenä yhden tenttipisteen. Palautelomakkeeseen tulee lähiaikoina linkki kurssin kotisivuille. Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä
Lisätiedot2 k -faktorikokeet. Vilkkumaa / Kuusinen 1
2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
LisätiedotTilastollisten menetelmien perusteet II TILTP3 Luentorunko
Tilastollisten menetelmien perusteet II TILTP3 Luentorunko Raija Leppälä 29. helmikuuta 2012 Sisältö 1 Johdanto 2 1.1 Jatkuvista jakaumista 2 1.1.1 Normaalijakauma 2 1.1.2 Studentin t-jakauma 3 1.2 Satunnaisotos,
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten
LisätiedotVastepintamenetelmä. Vilkkumaa / Kuusinen 1
Vastepintamenetelmä Vilkkumaa / Kuusinen 1 Motivointi Varianssianalyysissa tutkitaan tekijöiden vaikutusta vasteeseen siten, että tekijöiden tasot on ennalta valittu. - Esim. tutkitaan kemiallisen prosessin
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotUseampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi
(c) lkka Mellin (005) Useampisuuntainen varianssianalsi ohdatus tilastotieteeseen Useampisuuntainen varianssianalsi (c) lkka Mellin (005) Useampisuuntainen varianssianalsi: Mitä opimme? arkastelemme tässä
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
LisätiedotMat Tilastollisen analyysin perusteet. Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi Diskreetit muuttujat,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin erusteet, kevät 007 Regressiomallin (selittäjien valinta Kai Virtanen 1 Regressiomallin selittäjien valinnasta Mallista uuttuu selittäjiä => harhaiset regressiokertoimien
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
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
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
Lisätiedot