Asszociációs együtthatók

Slides:



Advertisements
Hasonló előadás
Füst György III. Belklinika
Advertisements

5. Változók kapcsolatának vizsgálata
Függvények Egyenlőre csak valós-valós függvényekkel foglalkozunk.
Rangszám statisztikák
Gazdaságelemzési és Statisztikai Tanszék
Földrajzi összefüggések elemzése
ASSZOCIÁCIÓS MÉRŐSZÁMOK
Intervallum.
Algebra a matematika egy ága
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Összefüggés vizsgálatok
Becsléselméleti ismétlés
Gazdaságelemzési és Statisztikai Tanszék
Gazdaságelemzési és Statisztikai Tanszék
Grafikus ábrázolás.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Asszociáció.
Előadó: Prof. Dr. Besenyei Lajos
III. előadás.
A középérték mérőszámai
Gazdálkodási modul Gazdaságtudományi ismeretek I. Közgazdaságtan KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc.
Növényökológia terepgyakorlat Fajok asszociáltságának vizsgálata I.) Az egyes esetek TAPASZTALT gyakorisága 1. táblázat A faj B faj+- +aba+b.
Regresszióanalízis 10. gyakorlat.
SPSS leíró statisztika és kereszttábla elemzés (1-2. fejezet)
Diszkriminancia analízis
Nem-paraméteres eljárások, több csoport összehasonlítása
Kvantitatív módszerek
Fisher-féle egzakt próba Asszociációs mérőszámok
Nemparaméteres próbák Statisztika II., 5. alkalom.
Nemparaméteres próbák
Térkép. Mi az adat? Minden információ, amit tárolni kell. Minden információ, amit tárolni kell.  szám  szöveg  dátum  hang  kép, stb.
Függvények.
3. előadás Heterogén sokaságok Szórásnégyzet-felbontás
Kvantitatív Módszerek
Valószínűségszámítás
7. Csoportok és változók sztochasztikus összehasonlítása (összehasonlítások ordinális függő változók esetén)
Gazdaságstatisztika 11. előadás.
Többváltozós adatelemzés
Többváltozós adatelemzés
Többváltozós adatelemzés
Többváltozós adatelemzés
Alapsokaság (populáció)
Lineáris regresszió.
Adatleírás.
Új kérdések a korrelációs együtthatóval kapcsolatban
t A kétoldalú statisztikai próba alapfogalmai
Két kvantitatív változó kapcsolatának vizsgálata
Paleobiológiai módszerek és modellek 4. hét
6. előadás.
A kombinációs táblák (sztochasztikus kapcsolatok) elemzése
TRANSZVERZÁLIS ALKOTTA SZÖGEK
Vargha András KRE és ELTE, Pszichológiai Intézet
Atom - és Elektronpályák
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Valószínűségszámítás II.
Többdimenziós valószínűségi eloszlások
3. hét Asszociáció.
Korreláció-számítás.
A gyakorisági sorok grafikus ábrázolása
A számítógépes elemzés alapjai
Kifejezések C#-ban.
Korreláció, regresszió
Adatelemzési gyakorlatok
Dr. Varga Beatrix egyetemi docens
Statisztika segédlet a Statistica programhoz Új verzióknál érdemes a View menüsor alatt a Classic menu-s verziót választani – ehhez készült a segédlet.
Rangsoroláson és pontozáson alapuló komplex mutatók
Dr. Varga Beatrix egyetemi docens
Előadás másolata:

Asszociációs együtthatók Statisztika II., 4. alkalom

Asszociációs mérőszámok ordinális változók esetén Monotonitási együtthatókat is lehet használni ordinális változók esetén. Monotonitás szempontjából megkülönböztetünk: -konkordáns -diszkordáns -kapcsolt párokat Konkordáns (egyirányú) pár (P): Az értékek sorrendjét tekintve azonos irányban térnek el a két változóra vonatkozóan. Elolvasom a hirdetéseket Megnézem a tv reklámokat Személy 1 néha gyakran Személy 2 soha néha Diszkordáns (fordított) pár (Q): Az értékek sorrendjét tekintve ellentétes irányban térnek el a két változóra vonatkozóan. Személy 3 gyakran néha Kapcsolt pár (T:lehet Tx vagy Ty): Valamely változót tekintve azonos értékkel rendelkező pár Személy 4 néha soha

Monotonitási mérőszámok A P-Q és a P+Q arányát vizsgálják és a mérőszámok lehetséges értékeit a -1 és 1 tartományba igyekszenek beszorítani. Monotonitási mérőszámok: -Goodman-Kruskal féle gamma -Somers féle D -Kendal féle tau, tau b, tau c

Goodman-Kruskal féle gamma Azt fejezi ki, hogy mennyivel nagyobb a konkordancia valószínűsége a diszkordanciánál, ha nem lép fel értékegyezés. A kapcsolt párokat nem veszi figyelembe. Értéke -1 és 1 közé esik. Gamma csak akkor lehet 1, ha nincsennek diszkordáns párok és gamma csak akkor lehet -1, ha nincsennek konkondárs párok. Függetlenség esetén értéke nulla, a nulla érték azonban csak 2x2-es kontingencia táblázat esetén jelent függetlenséget.

Somers féle D Tx annak az aránya, hogy az x értékek megegyeznek. Ty annak az aránya, hogy az y értékek megegyeznek. A Sommers féle D statisztika azt fejezi ki, hogy mennyivel nagyobb a konkordancia aránya a diszkordanciánál, ha a X értékei nem egyezőek. Az egyik változót függő változóként kezeli (Y): a Sommers féle D egy aszimmetrikus mérőszám. Értéke csak akkor lesz 1 ha Y nagyságrendi viszonyai minden esetben követik X nagyságrendi viszonyait, és csak akkor lesz értéke -1, ha minden esetben ellentétes a nagyságrendi viszony. Bármelyik változót tekinthetjük a függő változónak: Továbbá, van szimmetrikus változata is a statisztikának:

Kendal féle tau, tau b, tau c A Kendall féle tau azt fejezi ki, hogy mennyivel nagyobb a konkordáns párok valószínűsége a diszkordáns párok valószínűségéhez képest, ha az összes párt figyelembe vesszük. A Kendall féle tau b a két aszimmetrikus Sommers féle D mértani közepével egyenlő, azt méri, hogy átlagosan milyen mértékű a monoton függése a két változónak egymástól. Csak akkor lehet értéke 1 vagy -1 ha a két változó lehetséges értékeinek száma egyenlő. k a két változó értékeinek száma közül a kisebbik. Bármely lehetséges értékek esetén lehet értéke 1 vagy -1.

Spearman féle rangkorreláció A rangsorolásos eljárások közé tartozik, ahol a számítás nem az értékekkel történik, hanem a sorszámmokkal. Ha korrelációt szeretnénk számolni, de a normalitás feltétele nem teljesül, akkor a Pearson féle r érték torzított eredményt adhat. Ilyen esetben használhatunk rangsorolásos eljárást, mely nem érzékeny a normalitás feltétel teljesülésére. Az értékeket nagyságrendben besoroljuk, amihez csak az szükséges, hogy a változó legalább ordinális típusú legyen. Két N elemű változó esetén az értékekből rangsorokat képezünk. X->R Y->S Ezután a Pearson féle r képletét a rangszámokra alkalmazzuk.