......................... 3 Andmeanalüüs SPSS'is........................................................................................... 4 Kirjeldav statistika............................................................................................... 4 Kuidas testida normaaljaotust?........................................................................... 4 Sagedustabeli analüüs (Hii-ruut).........................................................................5 Ühesuunaline ANOVA........................................................................................... 5 Faktoriaalne ANOVA............................................................................................. 6 Korduvmõõtmsite ANOVA (Repeated measures ANOVA).....................................6 Kurskall-Wallise test (e. mitteparameetriline ANOVA)..........................................7 T-test sõltumatute gruppidega.......................................................................
7,15 7,08 7,12 7,45 7,65 7,70 7,16 6,80 7,65 7,90 A4 7,36 6,15 8,38 7,87 8,21 7,66 6,90 8,45 8,05 8,42 8,00 6,95 8,50 8,65 8,62 Anova: Two-Factor With Replication SUMMARYB1 B2 B3 B4 B5 Total A1 Count 3 3 3 3 3 15 Sum 21,93 22,69 19,22 21,58 25,01 110,43 Average 7,31 7,563333 6,406667 7,193333 8,336667 7,362
mõõdeti iga katseala poogenditelt 10 juhuslikult 64 61 65 58 52 51 50 50 58 59 58 53 59 53 54 56 ogendite keskmised okka pikkused erinevad? gendite okka pikkuste keskväärtused ühesugused. ral on okka pikkuse keskväärtus teistest erinev. ata Analysis, Avova: Single Factor. Anova: Single Factor SUMMARY Groups Count Sum Average Variance iline väärtus, siis N 10 618 61.8 7.5111111111 e korral on vähema P 10 509 50.9 2.9888888889 NPK 10 560 56 4 Kontroll 10 569 56.9 10.7666666667
Mitmene regressioonanalüüs ja mittelineaarne regressioonanalüüs PD <- read.csv("puud15.CSV") PD$d_k<-with(PD, ifelse(d2>0,(d1+d2)/2, d1)) PD.1<-subset(PD, prt==642 & aasta==2001 & h>0 & hv>0) PD.2<-subset(PD, prt==642 & aasta==2006, select=c(puu,rin,d_k,h,hv)) names(PD.2)<-c("puu","rin_2","d_k2","h_2","hv_2") PD.1.2<-merge(PD.1,PD.2,all.x=T) with(PD.1.2, table(rin,rin_2)) PD.1.2$rin12<-with(PD.1.2, paste(rin,rin_2,sep="")) table(PD.1.2$rin12) PD.1.2E<-subset(PD.1.2, rin12 %in% c("11","22")) # rinnaspindala juurdekasv PD.1.2E$ig5<-with(PD.1.2E, (d_k2^2 - d_k^2)*pi/4) hist(PD.1.2E$ig5) # M0: ig5 = a M0<-lm(ig5~1,PD.1.2E) summary(M0) # mean(PD.1.2E$ig5); sd(PD.1.2E$ig5) # R2: 1-(sd(PD.1.2E$ig5)/var(PD.1.2E$ig5))^2 # Md: ig5 = a + b*d Md<-lm(ig5~d_k,PD.1.2E) summary(Md) # Mh: ig5 = a + b*h Mh<-lm(ig5~h,PD.1.2E) summary(Mh) # Mhv: ig5 = a + b*hv Mhv<-lm(ig5~hv,PD.1.2E) summary(Mhv) ...
võrdlusi. Näiteks võib ravimiuurijaid huvitada, kas (a) ravim on parem kui platseebo ning (b) kui suur doos ravimit on parima mõjuga? Tihtipeale võrreldakse sellistes olukordades nt kolme gruppi platseebot saanud, madala ning kõrge doosiga eksperimentaalsed rühmad. Dispersioonanalüüsi saab kasutada mitme grupi võrdlemisel. Ravimiuuringud on ilmselt üks lihtsamini näitlikustatav valdkond dispersioonanalüüsi ehk ANOVA (ANalysis Of VAriance) kasutamisest. Aga samuti on see meetod üsna laialt kasutatav erinevates mitut gruppi (st enamat kui kahte gruppi) võrdlevates uuringutes. (Parameetrilise) ANOVA läbiviimiseks on mitmed eeldused: Vaatlused on teineteisest sõltumatud; Sõltuv muutuja on GRUPPIDE LÕIKES normaaljaotuslik. Seda saad testida nii: Analyze Descriptive Statistics Explore. Dependent. Määrake
Kui S-W ei kinnita normaaljaotuslikkust, saab seda kontrollida ka vastata uue tulba loomise kaudu (mõõtmistulemuste lahutustehe). Mitteparameetrilised testid Järjestustunnuste (nt Likerti skaala tulemused), normaaljaotusest erineva jaotuse ja väga väikeste valimite puhul (<30) tuleks eelistada mitte-parameetrilisi analooge. Sõltumatu t-testi asemel nt Mann-Whitney test Sõltumatu ANOVA asemel nt Kruskal-Wallis test Sõltuvate rühmade t-testi asemel nt Wilcoxoni test Sõltuva ANOVA asemel nt Friedmani test Võrreldakse järjestusi, tavaliselt peamine mõõtmisalus keskmise asemel mediaan Dispersioonanalüüs ehk ANOVA Rohkem kui kahe võrreldava grupi vahel tehakse mõõtmised ANOVAga (ANalysis Of VAriance) Sõltumatute gruppidega (between subjects) ANOVA Ühefaktoriline dispersioonanalüüs (One-Way ANOVA)
SUMMARY OUTPUT Regression Statistics Multiple R 0,997117 R Square 0,994242 Adjusted R Square 0,993923 Standard Error 0,050087 Observations 20 ANOVA df SS MS F Significance F Regression 1 7,797748 7,797748 3108,303 1,3E021 Residual 18 0,045156 0,002509 Total 19 7,842905 Coefficients Standard Error t Stat Pvalue Lower 95%Upper 95% Lower 95,0% Upper 95,0% Intercept 0,02403 0,023267 1,03285 0,315351 0,07291 0,024851 0,07291 0,024851 X Variable 10,02166 0,000388 55,7522 1,3E021 0,02247 0,02084 0,02247 0,02084 SUMMARY OUTPUT Regression Statistics Multiple R 0,997434 R Square 0,994874 Adjusted R Square 0,994589 Standard Error 0,040604 Observations 20 ANO...
t-testi parameetri empiiriline väärtus mittekehtiv nullhüpotees, I liiki viga, ii liiki viga, teststatistiku empiiriline väärtus olulisuse nivoo olulisuse nivoo vähendamine sisukas hüpotees, olulisuse nivoo, liiki vea, tõke analüüsimeetod hüpoteesi statistilisel kontrollimisel saadi olulisuse tõenäosuseks uuritava tunnuse jaotuse võrdlemisel normaaljaotusega Test 9 ühefaktoriline dispersioonanalüüs anova nullhüpoteesi dispersioonanalüüs, teststatistik, faktori poolt põhjustatud seletatud hajumine suurem, seletamata hajumine teststatistiku f väärtus toodud anova tabeli korral funktsioontunnus faktor korrelatsioonimaatriks negatiivne kovariatsioon, autokorrelatsioon, spearmani korrelatsioon summaarne dispersioon arvutusvalemis, kovariatsioon õige hajumisdiagramm hajumisdiagramm, tunnuste vaheline seos kõige tugevam korrelatsioonikordaja ja kovariatsioon
X10 0,0784736888 0,0089628452 8,7554439678 7,3842660E-015 x2 SUMMARY OUTPUT Regression Statistics Multiple R 0,9266044664 R Square 0,8585958371 Adjusted R Square 0,8491688929 Standard Error 0,0202996735 Observations 145 ANOVA df SS MS Regression 9 0,3377835199 0,0375315022 Residual 135 0,0556303604 0,0004120767 Total 144 0,3934138803 Coefficients Standard Error t Stat Intercept 0,0146598625 0,0212428199 0,6901090604
14 8 2 Multiple R 0,9346801 6 5 10 R Square 0,8736269 1,8 1 1 Adjusted R Square 0,8578302 11,5 10 10 Standard Error 2,056276 9,3 5 2 Observations 10 6 4 6 12,2 10 18 ANOVA df SS MS Regression 1 233,84283 233,84283 intercept on 0 Residual 8 33,826167 4,2282709 Total 9 267,669 CoefficientsStandard Error t Stat
SUMMARY OUTPUT Regression Statistics Multiple R 0,5624358723 R Square 0,3163341104 Adjusted R Square 0,2069475681 Standard Error 549,78545375 Observations 30 ANOVA df SS Regression 4 3496460,379455 Residual 25 7556601,128932 Total 29 11053061,50839 Coefficients Standard Error Y - Segavilja müük kg/ha Intercept 648,6320798 438,424874887
Sõltumatud valimid – erinevad objektid, sama tunnus. (Nt meeste ja naiste üldine rahulolu, kus mehed ja naised on 2 erinevat gruppi ja rahulolu on intervalltunnus). ANOVA-Nagu sõltumatute v. T-test 3 või enama grupiga. Sõltuv tunnus peab olema intervalltunnus. Võrreldavad grupid (3 või enam gruppi!) sõltumatud. Hajuvused peavad olema gruppides sarnased (Levens test). Tulemuste jaotus vastab normaaljaotusele (loetakse kehtivaks ilma kontrollimata). Kui ANOVA eeldused ei ole täidetud, siis MPAR (mitteparameetrilised väärtused) test Kruskal-Wallis või Games-Howell. Kui H1, siis Post-Hoc testid, et välja selgitada, milliste gruppide vahel on erinevused. Tukey – gruppide suurused sarnased. Bonferroni – gruppide suurused erinevad. Korrelatsioon näitab seost kahe tunnuse vahel. Korrelatsiooni koefitsent on alati -1…1 ja näitab kahte asja: seose suunda ja tugevust. Pearson r eranditeta invervalltunnused, pole erandlikke väärtusi, seos
Ülikoolist väljalangenute arv Kasvutempo Bakalaureuseõpe Magistriõpe BakalaureuseõpMagistriõpe 1993 2952 105 -226 81 1994 2726 186 -589 184 1995 2137 370 -105 100 1996 2032 470 197 65 1997 2229 535 157 -23 1998 2386 512 187 76 1999 2573 588 457 43 2000 3030 631 284 29 2001 3314 660 -267 102 2002 3047 762 945 237 2003 3992...
Regressioonisirge lisamiseks Chart Layout Trendline Linear trendline. Andmete lisamiseks graafikult, parem klõps Format trendline ja kaks alumist ticki teha. Tee regressioonanalüüs: Data analysis: regression. Seejärel pane paika võrrand, a+b*otsitav; a ja b saad regressioonitabelist. a=intercept ja b on selle all. Seejärel püstita hüpoteesid: H0: regressioonivõrrand ei ole statistiliselt oluline; H1: regressioonivõrrand on statistiliselt oluline. P väärtus on ANOVA all, significance F. NÄITED: Prognoosige hinge kinni pidamise võimet kehalise võimekuse testi abil, Prognoosige tudengite massi nende pikkuse abil. Kui palju võiks keskmiselt kaaluda 170 cm pikkune tudeng? Prognoosige pikkust jalanumbri alusel. Hiiruut-test: Vt ka PRAKS 7 Kõige pealt tee kahemõõtmeline Pivottable, kus columni tunnuse panen ka value alla. Et saada rea ja veeruprotsente, lisa value alla veel kaks korda sama tunnust ja seejärel parema klõpsuga show values as.
Ülesande 1 lahendus Keskmine tellimuste arv 15 mminuti jooksul µ 7 Keskmine tellimuste arv 5 minuti jooksul 2.33 m P(x=m) Tõenäosus, et 5 min jookusl 0 0.097 ei ole ühtegi tellimust Töötajate Arenduskulud Firma Käive (mln $) arv (tuh) (mln $) Abbott Laboratories 10012 50.24 1072 Alza 326 1.44 20 American Home Products Corp 13376 64.71 1354 Bristol Myers Squibb 13767 49.14 1199 Carter Wallace Inc 662 3.61 26 Genentech Inc. 857 2.84 503 IVAX Corp. 1259 7.89 64 Johnson & Johnson ...
Kas eri tõugu sigade pekipaksus X1 oli statistiliselt oluliselt erinev? F-test 0,095078 P väärtus on suurem 0,05 t-Test: Two-Sample Assuming Equal Variances Tõug Tõug1 3 Mean 13,26 12,39 Variance 7,28 8,99 Observations 250,00 250,00 Pooled Variance 8,13 Hypothesized Mean Difference 0,000 df 498,00 t Stat 3,40 P(T<=t) one-tail 0,000 t Critical one-tail 1,65 P(T<=t) two-tail 0,001 P<0,05 t Critical two-tail 1,96 eri tõugude (tõug1 ja tõug 3) sigade pekipaksused erineb oluliselt tõugude vahel. Mitu põrsast saadakse pesakonnas rohkem või vähem, kui lihassilma läbimõõt (X2) suureneb 1 mm võrra. Regression Statistic...
Hüpoteeside koltrollimine 1. Oletus, väide 2. Sobiv hüpoteeside paar (millised tunnused on vaja võrrelda) 3. Olulise tõenäosus (p) 4. Järeldus (p>0,05 H0, p<0,05 H1) 5. Lõppvastus (sama, mis oli küsitud hüpoteesis) T-test sobivad valemid 1. T-test H0: keskmised võrdsed H1: keskmised erinevad 2. F-test sõltumatud valemid H0: dispersioonid võrdsed H1: dispersioonid erinevad P>a H0, P<0,05 H1 Võrdsete disp mittevõrdsete disp t-test t-test 3. Olulisuse tõenäosus 4. Lõppvastus (p<0,05 H0) Vormistus nii nagu iseseisvates töös Ülesanne Eesmärk Tunnusetüüp 1.T-test (f-test) Keskmiste erinevus kahes Pidev arvtunnus- keskmised grupis tunnus, ...
Multiple R 0,992007635 0,992008 R Square 0,9840791479 PEAB HAKKAMA JÄLGIMA Adjusted R Square 0,9787721973 KORRIGEERITUD DETERMINANTSIOONI Standard Error 72,7438428093 STEYX FUNTKSIOONIGA SAAB LEIDA Observations 5 VAATLUSTULEMUSTE ARV ANOVA (DISPERSIOON ANALÜÜS) df SS ESS Regression 1 981245 RSS Residual 3 15875 TSS Total 4 997120
!! T-testi raporteerimine: Selles suvalises näidislauses leiti, et loengutes kohalkäijate keskmine tulemus (M = 4.51, SD = 0.30) on statistiliselt oluliselt kõrgem kui neil, kes magavad sisse ja kohale ei tule (M = 2.92, SD = 0.31), t(kirjuta siia df väärtus) = (kirjuta siia t väärtus), p = 0.008. KESKMISTE VÕRDLEMINE ROHKEM KUI KAHE SÕLTUMATU RÜHMA KORRAL Kas andmete piisavuse testi keskmised tulemused on erinevad defineeritud vanuseklasside lõikes? - Analyze-> Compare means-> ANOVA - Aknast valite tunnuse, mille keskmiste erinevust uurite aknasse: Dependent list - Tunnuse, mille järgi toimub rühmitamine, valite aknasse: Factor - Aknast Post Hoc, teete linnukese kastidesse LSD ja Bonferroni (need on gruppide võrdlemise erinevad meetodid) ehkki ANOVA näitab, kas gruppide vahel on erinevusi, näitavad post hoc testid, mis gruppide vahel on erinevused. - Options aknast teete linnukese Descriptive ja Homogenity of the variance test juurde EFEKTI SUURUSE ARVUTAMINE
Log-log mudeli kordaja näitab, mitu % muutub Y, kui X suureneb 1%. See on elastsuskordaja. Log- log mudeli kordaja on konstantne. Lin-log ja log-lin mudel 29) Sagedamini kasutatavad erikujulised mudelid: log-log, log-lin, lin-log ja hüperboolne mudel (loneg 2 vbl) 30) Mitmese lineaarse regressioonmudeli parameetrite tõlgendamine q=79-0,54p+0,19p+u Kui p1 tõuseb 1 ühiku võrra ja teised tunnused jäävad konstantseks, siis q väheneb 0,54 võrra 31) ANOVA tabel, F-statistiku arvutamine ANOVA tabel analüüsib varieeruvust. Ruutude summasid näeb ANOVA tabelis, peale mudeli hindamist F- statistiku empiirilist väärtust võrreldakse F-jaotuse kriitilise väärtusega (või empiirilisele väärtusele vastavat olulisuse tõenäosust p võrreldakse olulisuse nivooga Q) F statistik on keskruutude jagatis. Allub Fisheri ehk F- jaotusele. Võib olla väga suur, piire pole. Väärtus ei ole nii hästi tõlgendatav. On seotud
Vabaliige 199,9 0,000 Lineaarne regressioonimudel N=1554, R²=0,006 Determinatsioonikordaja R² näitab, kui suure ulatuse sõltuva muutuja variatsioonist antud sõltumatu muutuja ära seletab. Antud sobivusastet näitava statistiku väärtus on 0,006, mis tähendab, et seos sõltuva ja sõltumatute tunnuste vahel on väga nõrk. Ka mudeli statistilise olulisuse kontroll dispersioonanalüüsi ANOVA abil (F=3,26) näitab, et tegemist ei ole testi keele õppimisele kuluva aja prognoosimiseks kõige sobilikuma mudeliga. Kuna antud mudeli puhul on olulisuse tõenäosus 0,02 väiksem kui 0,05 (p< 0,05), võib öelda, et sõltumatute tunnuste mõju sõltuvale tunnusele on nõrk aga statistiliselt olulise tõenäosusega. Kuid analüüsi huvides jätkan siiski. Statistiliselt oluline seos sõltuva ja sõltumatu tunnuse vahel on distsiplineeriv keskkond, mis
EESTI MAAÜLIKOOL Metsandus- ja maaehitusinstituut osakond NIMI PRT 815 ANDMETÖÖTLUSE ALUSED KODUTÖÖ NR. 5 Juhendaja: lektor Tartu AASTA Sisukord Sisukord.............................................................................................................................2 Sissejuhatus....................................................................................................................... 3 2. Diameetri usalduspiirid..................................................................................................4 3. Mitut puud tuleks mõõta?..............................................................................................4 3.1 Mitut puud tuleks mõõta et saada keskväärtuse hinnang veaga 0,3 cm..................4 3.2 Mitut puud tuleks mõõta, et saada keskväärtuse hinnang veaga 1%.....
Eesti Maaülikool Metsandus- ja maaehitusinstituut Geomaatika osakond Matemaatika andmestiku analüüs Aruanne õppeaines matemaatiline statistika Koostajad: Juhendaja: Eve Aruvee Tartu Sisukord Sissejuhatus....................................................................................................................... 3 Tunnuste esmaanalüüs.......................................................................................................4 Seoste analüüs................................................................................................................... 8 Mudeli koostamine.......................................................................................................... 13 Kokkuvõte.................................................................................
Riik Populatsioon Immigratsioon Sünnid Hiina 1 336 450 000 3852000 181 340 000 India 1 178 436 000 5700000 26913000 Ameerika Ühendriigid 308 898 000 38355000 4399000 Indoneesia 231 369 500 160000 4220000 Brasiilia 192 651 000 641000 3105000 Pakistan 169 010 500 3254000 5337000 Bangladesh 162 221 000 1032000 3430000 Nigeeria 154 729 000 971000 6028000 Venemaa 141 927 297 12080000 1545000 Jaapan 127 430 000 2048000 1473000 Mehhiko 107 550 697 644000 2049000 Filipiinid 92 226 600 374000 2236000 Vietnam 85 789 573 21000 1267000 Saksamaa 81 757 600 10144000 ...
Arvutused: Katse nr m(g) f(gen), Hz f, Hz v, m/s v, m/s l d 1. 786 47 44.37 89 0.35 1 0.0004 2. 1600 67 63.30 127 0.50 m m 3. 2386 81 77.30 155 0.61 g S 4. 3208 87 89.63 179 0.71 9.818 1.26E-07 n 1 5. 5576 117 118.17 236 0.93 m/s2 m2 6. 786 95 88.73 ...
PRAKTILISE ANDMEANALÜÜSI EKSAM Nimi ja õppegrupp: Liis Peet PS-2-S-E-tal I kirjeldav andmeanalüüs Täitke kohase informatsiooniga tekstisisesed lüngad ja tabel ning pange ka tabelile pealkiri. 1.ülesanne Valim (n= 384) koosnes nii meestest (n = 205) kui naistest (n = 179), kõige sagedasem haridus valimis oli keskharidus (45%) ning keskmine tööstaaz 3,6 aastat (vt Tabel 1). Tabel 1: Keskmine vanus, keskmine tööstaaz, sagedasem haridustase ja sagedasem perekondlik seis sugude ja koguvalimi lõikes. Mehed Naised Koguvalim Keskmine vanus 34,5 a 39,3 a 36,7 a Keskmine 3,8 a 3,4 a 3,6 a tööstaaz Kõige sagedasem Keskharidus Keskharidus Keskharidus haridus Kõige sagedasem Abielus ja Abielus ja Abielus ja perekondlik seis vabaabielus vabaabielus ...
26. SUMMARY OUTPUT rinevust regressioonijoonest. Regression Statistics Multiple R 0.733264 atud varieerumine. R Square 0.537676 Adjusted R Sq 0.511991 Standard Erro 0.721537 Observations 20 ANOVA df SS MS F Significance F Regression 1 10.89841 10.89841 20.9337 0.000235 use ja tema prognoositud väärtuste R v esidual 18 9.371086 0.520616 Total 19 20.2695 atavalt nullist erinevad, sest memde olulisuse tõenäosused on peaaegu nullid.
Seega tekkis neli gruppi: HC, HE, LC ja LE. Testi tulemused näitasid, et grupp E tulemused (123,10) olid kõrgemad, kui grupp C (116,21) omad. Pärast õppematerjalide omandamise testi (MIMMS) osalesid kõik ka motivatsiooni testis, mille tulemustest selgus, et CBIM abil õppinud õpilaste sisemine motivatsiooni oli kõrgem, kui neil, kes õppisid ainult teooriaga (grupp E M = 12,75, grupp C M = 9,63). Hüpoteeside uurimiseks kasutati kahesuunalist ANOVA analüüsi ning ebaühtlaste gruppide suuruste tõttu kasutati SAS GLM protseduuri. Üldiste tulemustena saadi, et esinesid statistiliselt olulised erinevused nii motivatsiooni testi tulemustes [F(3,309) = 18.25, p = 0,0001] kui ka MIMMS tulemustes [F(3,308) = 21.50, p < 0.001]. Samuti esines ka statistiliselt oluline erinevus nii motivatsiooni testi tulemuste kui ka MIMMS tulemustes kõrge sisemise kotivatsiooni ja madala sisemise motivatsiooniga gruppide vahel.
EESTI MAAÜLIKOOL Metsandus- ja maaehitusinstituut Metsakorralduse osakond Mikk Sülla Proovitükk nr 613. Hinnangud, hüpoteesid, regressioon Kodune töö nr. 5 õppeaines Metsandusliku andmetöötluse alused II Juhendaja Külliki Kiviste Tartu 2012 Sisukord Sisukord Sissejuhatus Käesoleva töö eesmärgiks on analüüsida, kas proovitükil mõõdetud diameetri jaotus on lähendatav mõne klassikalise teoreetilise jaotusega. Töös on kasutatud Aakre metskonna proovitükki nr. 613 andmeid, mis on saadud EMÜ Metsanduse ja maakorralduse serveris võrgukaustast public:/Metsandusliku andmetöötluse alused 2011/2011]. Samuti on kasutatud K.Kiviste kodulehte [http://www.eau.ee/~kkiviste] kust oli võimalik saada väga täpseid juhiseid, l...
2. OSA Leidke Eesti Statistikaameti kodulehelt andmed kaubakala kasvatamise ja müügi kohta kokku (Kala kokku; valige kas kasv Paragraph SUMMARY OUTPUT Regression Statistics Multiple R 0,51004223 R Square 0,26014307 Adjusted R Square 0,10600621 Standard Error0,39465247 Observations 30 ANOVA df Regression 5 Residual 24 Total 29 Coefficients Intercept 3,64048232 Gümn_matem 8,612E-005 õppeaine A 0,05747344 õppeaine B 0,03921087 õppeaine C 0,06782115 õppeaine D 0,06799551 y=3,64+8,6*x1+0,05*x2+0,03*x3+0,068*x4+0,0 1. Ül.11.1
212,50 10,240 R Square 0,867254 200,22 9,820 Adjusted R Square 0,8506607 207,61 10,081 Standard Error 0,2506178 214,18 11,200 Observations 10 227,03 11,230 ANOVA x y df SS Regression 1 3,2827547444 vabaliige -2,0057989331 Residual 8 0,5024741556 tõus 0,0588035857 Total 9 3,7852289
b) Fitted, actual plot (hinnatud mudel, tegelikud andmed) Näide: tegeliku Y ja arvutusliku Ŷ vaheline seos c) regressioonijääkide normaaljaotuse kontrollimine Tabelid - menüü Analysis a) display actual, fitted data, residual (algandmed, arvutuslikud Y, ja regressioonijäägid (üks osa tabelist) b) forecasts - Y arvutusliku 95%-lised prognoosiväärtused c) confidence intervals – regressioonikordajate usalduspiirid d) ANOVA tabel (Excelis teostatud regressiooni väljundtabeli keskmine tabel (hajuvused, R2, F)) 5. Multikollineaarsuse testimine OLSi menüü Tests –> Collinearity 6. Heteroskedastiivsuse kontrollimine Heteroskedastiivsuse kontrollimiseks kasutada OLS-i menüüd Tests ja avanevast rippmenüüst valida White’s test või muu huvipakkuv test ja anda hinnang regressioonijääkide varieeruvuse konstantuse kohta (kas esineb
keskkond), õpetaja tugi (kategooriad: “mitte kunagi”, “mõned tunnid”, “enamus tundidest” ja “iga tund”. Suurem väärtus näitab paremat õpetaja toetust.) ja sugu (nominaaltunnus, tunnusteks andmestikus 0=mees ja 1=naine). Regressoonimudeli eeslduste kohaselt on ülejäänud tunnused mõõdetud arvuliselt, kodeeritud on puuduvad väärtused, mis muidu ei ole arvulised. Mudeli statistilise olulisuse kontroll dispersioonanalüüsi ANOVA abil (F=102,8) näitab, et mudel sobib matemaatika ärevuse prognoosimiseks. Kuna antud mudeli puhul on olulisuse tõenäosus on 0,00 väiksem kui 0,05 võib öelda, et sõltumatute tunnuste mõju sõltuvale tunnusele on statistiliselt oluline. Tabelis 2 on ära toodud mudeli parameetrid, mis annavad ülevaate mudeli „headuse“ ja prognoosi täpsuse kohta. Mudeli “headust” hinnatakse selle põhjal kui tugev on seos sõltumatute tunnuste komplekti ja sõltuva tunnuse vahel ja standardviga
EESTI PÕLLUMAJANDUSÜLIKOOL Majandus- ja sotsiaalteaduskond Informaatika instituut PIIMA TOOTMINE 2000 AASTAL Kursusetöö aines Ökonomeetria Koostajad: Sille Kasvandik Maris Lees Juhendaja: J. Roots Tartu 2004 SISUKORD PIIMA TOOTMINE 2000 AASTAL.....................................................1 SISUKORD...................................................................................................................2 SISSEJUHATUS.......................................................................................................... 2 1. ÜLDINE STATISTILINE ANALÜÜS....................................................................4 1.1. Sisuline valitud muutujate analüüs.....................................................
loomaliha nõutav kogus väheneb 0,54 naela elaniku kohta aastas. ● Kui sealiha hind tõuseb 1 sent ja loomaliha hind jääb konstantseks, siis loomaliha nõutav kogus suureneb 0,195 naela elaniku kohta aastas. ● Kui x2 suureneb ühiku võrra ja ülejäänud seletavad tunnused x3 , … xk jäävaks samaks, siis y muutub b2 võrra. ● Ceteris paribus: kõik muu jääb samaks ● bj on y marginaalväärtus xj suhtes, matemaatiliselt osatuletis 31. ANOVA tabel, F-statistiku arvutamine. ANOVA tabel N-valimi maht K-parameetrite arv F statistik on keskruutude jagatis. Allub Fisheri ehk F- jaotusele Programmis Gretl näeb ANOVA tabelit, kui mudeli aruandes valida Analysis -> ANOVA 32. Regressioonmudeli statistilise olulisuse kontrollimine F-testiga.
-ynurk)ruut Regression Statistics Multiple R 0.6973221 R Square 0.4862582 Adjusted R Sq 0.4730853 Standard Erro 2.6420214 Observations 41 ANOVA df SS MS Regression 1 257.66725 257.66725 Residual 39 272.2308 6.9802769 Total 40 529.89805 Coefficients
64; 1; 64; 40; 66; 66; 57; 13; 30; 49; 0; 68; 22; 73; 98; 20; 71; 45; 32; 95; 7; 70; 61; 22; 30; 84; 20; 89; 29; 32; 62; 55; 78; 55; 76; 11; 68; 71; 44; 98; 83; 52; 99; 54; 40; 32; 52; 48; 96; 62; 46; 31; 88; 73; 4; 61; 68; 75; 53; 31 Osa A. Hinnangud, usaldusvahemikud, statistilised hupoteesid ja jaotused. Korrastada algandmed arvreaks suuruse jargi ning hinnata eksed tabel 1 xi ni ni*xi ni*xi2 ni(xi-x)2 0 1 0 0 2816,0711 1 1 1 1 1 2710,93778 4 1 4 16 2407,53778 7 1 7 49 2122,13778 11 1 11 121 1769,60444 13 1 13 169 1605,33778 20 2 40 ...
TALLINNA TEHNIKAÜLIKOOL Matemaatika-loodusteaduskond Analüütilise keemia õppetool RASKEMETALLIDE MÄÄRAMINE AHVENAS Magistritöö Kristiina Fuchs Juhendaja: teadur Ph.D Anu Viitak Konsultandid: MSc Leili Järv Bioloogiakandidaat Mart Simm Tartu Ülikool Eesti Mereinstituut Tallinn 2009 Sisukord Sisukord..........................................................................................................................2 1. SISSEJUHATUS........................................................................................................3 2. Kirjanduse ülevaade...................................................................................................4 2.1 Raskemetallid............................................................
2. Milline on nullhüpotees dispersioonanalüüsi korral? Funktsioontunnuse keskväärtused on kõikides rühmades võrdsed. 3. Dispersioonanalüüs viidi läbi kahe erineva faktortunnuse A ja B korral ning leiti vastav teststatistik F. Faktori A korral F = 5,9 Faktori B korral F = 2,3 Kummal juhul on faktori poolt põhjustatud seletatud hajumine suurem, võrreldes seletamata hajumisega? A 4. Milline on teststatistiku F väärtus toodud ANOVA tabeli korral (kollases lahtris)? 6,48 5. Faktori A mõju uurimiseks viidi läbi dispersioonanalüüs. Kas faktori A mõju funktsioontunnusele on tõestatud Otsustamiseks kasuta olulise nivood 0,05. Ei, faktori mõju pole tõestatud. 6. Toodud korrelatsioonimaatriksi põhjal tee õiged valikud. a. Negatiivse korrelatsiooniga on tunnused B ja D, b. Teistega kõige nõrgemini on seotud tunnus C, c
Seos lineaarse ehk Pearsoni korrelatsioonikordajaga r. Ühe tunnuse x korral, kui lineaarne mudel y = b + ax + u R2 = r2 Ruutude summasid näeb ANOVA tabelis, peale mudeli hindamist Analysis -> ANOVA Determinatsioonikordaja sisu on paremini mõistetav. Korrelatsioonikordaja näitab ka seose suunda, mida determinatsioonikordaja ei näita. ESS RSS
Heteroskedastiivsuse test........................................................................................29 Lisa 11. Multikollineaarsuse test...........................................................................................30 Lisa 12. Jääkliikmete normaaljaotuse testid.........................................................................31 Lisa 13. Jääkliikmete normaaljaotuse graafik.......................................................................32 Lisa 14. ANOVA tabel...........................................................................................................33 Lisa 15. Mudeli jääkliikmete kirjeldavad statistikud............................................................34 Lisa 16. Lõpliku mudeli regressioonikoefitsientide koovariatsiooni maatriks.....................35 Lisa 17. Mudeli stabiilsuse test (Chow test).........................................................................36 SISSEJUHATUS
4 3.84 3.19 kõrgem Multiple R 0.294367 EHF 1 556.2 11892.5 3.61 3.56 kõrgem R Square 0.086652 EHF 1 617.3 8803.9 4.26 3.71 esimene Adjusted R 0.077784 EHF 1 585.9 11231.4 4.08 3.67 kõrgem Standard E 2205.78 EHF 1 587.3 11280.9 3.90 3.29 sorditu Observatio 105 EHF 1 598.1 11589.1 3.61 3.12 esimene EHF 1 629.3 10291.2 3.71 3.26 kõrgem ANOVA EHF 1 663.3 12418.7 3.69 3.37 sorditu df EHF 1 646.4 9801.1 3.81 3.41 sorditu Regression 1 EHF 1 552.7 9090.1 3.92 3.33 esimene Residual 103 EHF 1 592.0 13483.3 3.86 3.30 esimene Total 104 EHF 1 622.4 8910.1 4.58 3.61 sorditu EHF 1 547.1 9786.0 3.24 3.51 esimene Coefficients
Jrk HARIDUS SUGU ASULA TULU KULU PALK 1 4 1 2 240,40 817,51 1 000,00 2 2 1 1 708,29 674,66 2 000,00 3 4 1 1 725,00 754,21 3 500,00 4 5 1 1 800,00 641,75 1 600,00 5 3 1 2 880,82 1 351,81 2 000,00 6 5 2 2 908,63 709,14 1 700,00 7 3 2 1 1 035,67 818,93 2 115,00 8 4 2 2 1 050,84 917,61 1 428,00 9 5 1 1 1 119,87 1 429,05 4 500,00 10 5 2 1 1 370,20 1 011,09 2 780,00 11 5 1 1 1 383,33 925,63 1 800,00 12 6 2 2 1 414,59 914,67 2 700,00 13 5 ...
RIIK SUGU PIKKUS MASS PEA_P JALANR ODE_VEND MAT_HINNE HOMMIK PUDER Eesti M 186 95 59 44 1 4 võileib jah Eesti N 170 85 57 42 6 4 helbed või müsli nii ja naa Eesti N 169 50 54 38 1 3 võileib jah Eesti M 180 70 56 43 0 3 helbed või müsli nii ja naa Eesti N 170 55 55 37 1 4 ei söö tavaliselt ei hommikul Eesti N 160 58 55 38 1 5 võileib ei Eesti N 161 57 55 39 1 4 võileib jah Eesti N 171,5 59 57 38 1 ...
Korrelatsioon - seose tugevus kahe pideva atribuudi vahel Regressioon - millisel määral sõltumatud atribuudid mõjutavad sõltuvat atribuuti, mängitakse läbi erinevad kombinatsioonid Faktoranalüüs - lubab vähendada atribuutide arvu vähemaks hulgaks faktoriteks o Testid gruppide vaheliste erinevuste leidmiseks T-test ANOVA - kahe või enama grupi omavaheline võrdlus o Mitteparameetrilised testid Chi-ruut - atribuudi väärtuse võrdlemine eeldatava väärtusega (usaldusväärsus) KVALITATIIVNE UURING Kvalitatiivse lähenemise kesksed rõhuasetused: · Sündmusi ja sotsiaalset keskkonda nähakse läbi nende inimeste silmade, keda uuritakse · Täpne kirjeldus ja konteksti rõhutamine · Protsessi rõhutamine · Paindlikkus ja piiratud struktuur
46 42,1644144144 8,492855217 1,05 1392 37 40,4813393791 10,2040816327 1,05 1293 korranumbrist. 1) SUMMARY OUTPUT Regression Statistics Multiple R 0,8331163283 R Square 0,6940828165 Adjusted R Square 0,68466998 Standard Error 219,67192353 Observations 135 ANOVA df SS MS F Significance F Regression 4 14233112 3558278 73,7379 1,69E-032 Residual 130 6273248 48255,75 Total 134 20506360 Coefficients Standard Error t Stat P-value Lower 95%
niidetud regulaarselt (reziimid B, C, D). Märjas kasvukohas regulaarselt niidetavatel aladel (reziim A) ning pikaajaliselt niitmata (reziim D) domineerisid puhmikulised. Võsundilised domineerisid ebaregulaarse majandamisega aladel (reziimid B ja C) (tabel 5). Maapealsel biomassil (500 võsu kohta) ei esinenud statistiliselt olulist seost niiskusereziimi suhtes (F=0.41, p=0.06), seevastu ilmneb statistiliselt oluline seos majandamisreziimi suhtes (F=7.91, p=0.00). ANOVA näitas, et biomass 1 m² kohta ei olenenud ei niiskustingimustest ega ka majandamisreziimist. Kui aga arvutati muutuva suurusega prooviruudu suuruse järgi, oli majandamisreziimist tingitud erinevus statistiliselt oluline (tabel 6). 34 Maapealne biomass oli väikseim regulaarselt niidetavas (reziimiga A) märjas kasvukohatüübis (263±108 g/m²) ja kõrgeim majandamata niiske kasvukohatüübis koosluses (763±627
Termosüsteemides inimese südamerütmi kasutamise võimalikuse uuring Kokkuvõte Tänapäevase temperatuurimugavuse teooria järgi on ainevahetuse kiirus(metabolic rate) ja riiete isolatsioon ühed olulised kriteeriumid mis mõjutavad inimese temperatuuri tunnetust. Südamerütm on olulises seoses inimese ainevahetuse kiirusega seega võib uskuda, et see on otseses või vähemalt kaudses seoses inimese temperatuurimugavusega. Tänapäeva teooriates on inimese temperatuurimugavuse analüüsid tehtud põhiliselt lähtudes erinevate kehaosade temperatuurist või kogu keha temperatuurist, kuid südamerütmi mõju uuritavale valdkonnale pole siiani veel väga põhjalikult analüüsitud. Selles artiklis kirjeldatakse uuringut, mille eesmärk oli just uurida seos inimese südamerütmi ja välistemperatuuri vahelisi seoseid erinevate tegevuste vältel. Lisaks uuriti kas kehamassiindeks ja katsealuse sugu mõjutavad katsetulemusi. Tulemused näitasid, et südamerütmis oli märgat...
1. Andmestiku kirjeldus Analüüsile on võetud Statistikaameti poolt esitatud andmed. Andmestik on koos kahe tabeli alusel. Esimene on : PO047 Abiellud ja lahkumised (analoogne RV2 ABIELUD). Teine on PO032 : Sünnid, surmad ja loomulik kasv aasta sugu ja indikaatori alusel. Andmed olid valitud nii, et tabelist PO047 võetud aastad on 1 2014 ning PO032 1986 - 2015. See lubab oletada, et abiellude arv määrab järgm aastal sündinute laste arvu. Abiellude Sündide arv (xi) aasta (yi) aasta arv (xi) (yi) 1985 1986 12861 24106 1986 1987 13000 25086 1987 1988 13434 25060 1988 1989 12973 24318 1989 1990 12644 22...
5 1 3 2 2 2 5 2 3 SUMMARY OUTPUT 2 1 2 4 1 2 Regression Statistics 1 2 2 Multiple R 0.664 6 1 3 R Square 0.440 4 1 3 Adjusted R 0.423 6 2 3 Standard Er 1.199 2 3 2 Observatio 68.000 3 1 2 2 2 2 ANOVA 2 1 1 df SS MS 5 2 3 Regression 2 73.561 36.781 5 5 3 Residual 65 93.439 1.438 6 3 3 Total 67 167.000 4 2 3 1 1 1 Coefficients Standard Error t Stat 3 1 3 Intercept -0.011 0.514 -0
annaabi.ee 
Sisene Facebook'ga
Sisene Google'ga
Sisene LinkedIn'ga
