SLAID 26: Kompuutertomograafia (CT) kasutamine kopsuvähi avastamisel. (1) Suur haiguse levimus (haiguse osakaal) Oletame, et kontrollitakse 100 kopsuvähikahtlusega patsienti ja hiljem selgub, et 40 neist põeb tõepoolest kopsuvähki. CT tundlikkus 70%: selle abil diagnoositi kopsuvähk 28-l patsiendil 40-st ja 12 haiget said valenegatiivse tulemuse. CT spetsiifilisus 75% : 60st tervest uuritud patsiendist tunnistati terveks (negatiivne testitulemus) 45 ja ekslikult haigeks (positiivne testitulemus) 15 patsienti. Seega kokku said positiivse testitulemuse 28 + 15 = 43 patsienti, kelledest tegelikult haigeid oli 28 ehk 65%. Negatiivse testitulemuse sai, ehk tunnistati terveks 45 + 12 = 57 patsienti, kelledest 45 ehk 79% olid ka tegelikult terved. Järelikult saime: positiivne prognoosiväärtus 65% (positiivse tulemusega isik on haige) negatiivne prognoosiväärtus
kontrollime F-TEST-i kasutades, kas dispersioonid on võrdsed. Edasi püstitame hüpoteesid, kus H0 on, et keskmised hinded aastatel 2000 ja 2008 olid ühesugused ning H1 on, et need ei ole ühesugused. Kasutades T-testi (vt. Tabel 27) võime öelda, et keskmised matemaatika hinded ei ole 2000. ja 2008. aastal ühesugused. 11) Veel uurisime, kas eksamitulemustel on seos valitud erialaga ja ülikoolis sooritatud matemaatikatestiga, milleks püstitame hüpoteesid: H0: Eksamitulemus ja eriala / testitulemus on sõltumatud tunnused H1: Eksamitulemus ja eriala / testitulemus on sõltuvad tunnused Kasutades funktsiooni CHITEST ning võrreldes tulemust 0,05-ga jõudsime järelduseni, et eksamitulemus ja eriala on sõltumatud tunnused (vt. Tabel 28) , eksamitulemus ja testitulemus on omavahel aga sõltuvuses (vt. Tabel 29). Võime öelda, et mida parem oli üliõpilase riigieksami tulemus, seda parem oli ka tema testi tulemus. Aga erinevatel erialadel on erinevate riigieksami tulemustega üliõpilased
Kuna andmed võivad olla väga erineva iseloomuga, siis tuleb meetodi valikul ka seda arvesse võtta; nt kui küsida, ,,Kas tüdrukute ja poiste testitulemused erinevad?" või siis ,,Kas poiste ja tüdrukute hobid erinevad?", on küsimuse tüüp täpselt sama (meid huvitavad kahe grupi vahelised erinevused), kuid vastuse saamiseks sobiv analüüsimeetod on üsna kindlasti erinev, sest esimesel juhul on tegemist arvuliste andmetega, millest on lihtne arvutada nt keskmine testitulemus poiste jaoks ning võrrelda seda siis tüdrukute keskmise testitulemusega, kuid tüdrukute ja poiste keskmist hobi arvutada pole eriti mõistlik ega mõttekas! Seega, tuleb teisele küsimusele vastuse saamiseks leida mõni teine analüüsi meetod. Andmete tüüpidest rääkimiseks tuletame meelde ülaltoodud kümme küsimust koolide kohta ning püüame koos mõelda, mille poolest võiks sellistele küsimustele vastustena saadavad andmed omavahel erineda? ***
Kuna andmed võivad olla väga erineva iseloomuga, siis tuleb meetodi valikul ka seda arvesse võtta; nt kui küsida, „Kas tüdrukute ja poiste testitulemused erinevad?“ või siis „Kas poiste ja tüdrukute hobid erinevad?“, on küsimuse tüüp täpselt sama (meid huvitavad kahe grupi vahelised erinevused), kuid vastuse saamiseks sobiv analüüsimeetod on üsna kindlasti erinev, sest esimesel juhul on tegemist arvuliste andmetega, millest on lihtne arvutada nt keskmine testitulemus poiste jaoks ning võrrelda seda siis tüdrukute keskmise testitulemusega, kuid tüdrukute ja poiste keskmist hobi arvutada pole eriti mõistlik ega mõttekas! Seega, tuleb teisele küsimusele vastuse saamiseks leida mõni teine analüüsi meetod. Andmete tüüpidest rääkimiseks tuletame meelde ülaltoodud kümme küsimust koolide kohta ning püüame koos mõelda, mille poolest võiks sellistele küsimustele vastustena saadavad andmed omavahel erineda? ***
Kuna andmed võivad olla väga erineva iseloomuga, siis tuleb meetodi valikul ka seda arvesse võtta; nt kui küsida, „Kas tüdrukute ja poiste testitulemused erinevad?“ või siis „Kas poiste ja tüdrukute hobid erinevad?“, on küsimuse tüüp täpselt sama (meid huvitavad kahe grupi vahelised erinevused), kuid vastuse saamiseks sobiv analüüsimeetod on üsna kindlasti erinev, sest esimesel juhul on tegemist arvuliste andmetega, millest on lihtne arvutada nt keskmine testitulemus poiste jaoks ning võrrelda seda siis tüdrukute keskmise testitulemusega, kuid tüdrukute ja poiste keskmist hobi arvutada pole eriti mõistlik ega mõttekas! Seega, tuleb teisele küsimusele vastuse saamiseks leida mõni teine analüüsi meetod. Andmete tüüpidest rääkimiseks tuletame meelde ülaltoodud kümme küsimust koolide kohta ning püüame koos mõelda, mille poolest võiks sellistele küsimustele vastustena saadavad andmed omavahel erineda? ***
Leiate, et on (a) kirjeldavat statistikat (nt mõlema muutuja keskmised); (b) muutujatevahelised korrelatsioonid; (c) muutujate lisamine/eemaldamine mudelisse (paarisregressiooni puhul ebaoluline); (d) mudeli kokkuvõte, kus on kirjeldatud mh determinatsioonikordaja R2 korrutades seda väärtust 10 100-ga, saame teada, kui suure osa kogu ennustatava muutuja (siin: testitulemus) variatiivsusest kirjeldab ära prediktor (siin: vanus). (e) ANOVA tulemused mudeli olulisuse hindamiseks (kui Sig. <.05, on mudel statistiliselt oluline) ning (f) koefitsientide tabeli, mis näitab prediktori väärtust ning olulisust mudelis. Logistiline regressioon Logistilise regressiooni olemus on sarnane lineaarse ja mitmese regressiooni omaga põhiline erinevus seisneb selles, et logistilise regressiooniga ennustame kategooriat väljendavat tunnust. Kui meil on kaks kategooriat, on
- Väikse seos võib olla praktiliselt oluline Isikutestide puudusi - Mõõtmine ja mõõtmisühik (arvud subjektiivsel nõuseolekumäära skaalal) - Abstraktsed küsimused mis mõõdavad enesekohaseid üldistatud arvamusi mitte konkreetesid fakte - Vastamisstiilid sh sotsiaalselt soovitav vastamine Intelligentsustestide puudusi - Testid mõõdavad eelkõige abstraktse arutlemise võimet mitte selle võime mõistlikku rakendamist - Testitulemus sõltub motivatsioonist ja eelnevast kogemustest testidega Flynni efekt – kas meie esivanemad olid 100 a tagasi 1 standardhälbe võrra rumalamad? Kas saame testiga isiksuse või vaimse võimekuse ära mõõta? - Olulisuse vs spetsiifilisuse dilemma - Isiksuseomadused mida standardtstid ei mõõda (idiosünkraatilised, omadused mida on ise raske tähele panna, omadused mis ei mahu suure viisku alla, spetsiifilised omadused, harjumused, hoiakud jms)
test Tulemused: (a) kirjeldavat statistikat (nt mõlema muutuja keskmised); (b) muutujatevahelised korrelatsioonid; (c) muutujate lisamine/eemaldamine mudelisse (paarisregressiooni puhul ebaoluline); (d) mudeli kokkuvõte, kus on kirjeldatud mh determinatsioonikordaja R2 korrutades seda väärtust 100-ga, saame teada, kui suure osa kogu ennustatava muutuja (siin: testitulemus) variatiivsusest kirjeldab ära prediktor (siin: vanus). (e) ANOVA tulemused mudeli olulisuse hindamiseks (kui Sig. <.05, on mudel 1 statistiliselt oluline) ning (f) koefitsientide tabeli, mis näitab prediktori väärtust ning olulisust mudelis. Viimase tabeli abil saame kirja panna (regressiooni)sirge võrrandi! Standardiseerimata võrrand: Y = B0 + x*Bx ehk Probleemilahendusoskuse tulemus = BConstant + vanus*Bvanus
annaabi.ee 
