Õppekava MAJANDUSARVESTUS JA ETTEVÕTLUSE JUHTIMINE, peaeriala ettevõttemajandus Juhendaja: Raili Lahi Tallinn 2017 SISUKORD SISUKORD 2 SISSEJUHATUS 3 UURINGU METOODIKA 4 VALIMIT KIRJELDAV ANALÜÜS 5 TUNNUSTEVAHELISTE SEOSTE ANALÜÜS 6 KESKVÄÄRTUSTE VÕRDLEMINE JA TUNNUSTE ÜLDISTAMINE ÜLDKOGUMILE 7 KOKKUVÕTE 8 LISAD 9 Lisa 1. Statistika ainetöö Henri Roihu- Exceli fail 9 Lisa 2. Küsitluse ankeet 9 2 SISSEJUHATUS
kasutada Shapiro-Wilk testi. Järgnevalt tuleb vaadata Sig.-i. Kui Sig on väiksem kui 0.05, siis ei ole andmed normaaljaotuslikud. Sageduste võrdlemine: (Analyze Descriptive Statistics ->Crosstabs). Lisaks on võimalik tellida statistik (Statistics -> Chi- Square), mis näitab kas nimetatud seos (risttabeli andmetel ilmnev koosesinemine) on statistiliselt oluline. Hi ruut on statistiliselt oluline, kui olulisuse tõenäosus tabelis on väiksem kui 0.05. II KT: Tunnustevaheliste korrelatsioonide leidmine /paariskorrelatsioon: Analyze-> Correlate -> Bivariate Valige kõik alatestid . Vaikimisi leitakse Pearsoni korrelatsioonikordaja. Kas see on õigustatud antud andmetel? Tunnused peavad olema arvud, vähemalt intervallskaalal Millised kaks testi on omavahel kõige suuremas korrelatsioonis? matemaatika ja diagrammid (vaatad esimest numbrit kastikeses) Pool tabelit kordab ennast!! Ja millised kõige väiksemas? tekst ja ruumiline
on statistiline sõltuvus. Mittearvuliste nominaalsete tunnuste puhul saamegi rääkida vaid statistilisest sõltuvusest. Arvuliste ja järjestustunnuste puhul hindame monotoonsest ja selle erijuhtu, korrelatiivset sõltuvusust. Monotoonset sõltuvuse tugevust ja suunda iseloomustajana on levinuim Spearmani astak-korrelatsioonikordaja, korrelatiivsele seosele Pearsoni ehk lineaarne korrelatsioonikordaja r. Regressioonanalüüs tegeleb tunnustevaheliste seoste funktsionaalse kirjeldamisega (ehk matemaatilise võrdusena kirja panemisega) ning selle seose täpsuse, kasulikkuse ja olulisuse hindamisega. 3.1. Statistiline sõltuvus Statistiline sõltuvus on kõige üldisem tunnustevaheline seos, mida kasutatakse eelkõige nominaaltunnuste korral. Seose olemasolu hindamiseks kasutatakse kahemõõtmelist sagedustabelit, mida vaatasime valimi graafilise kirjeldamise juures. Tunnustevahelise seose
korrelatiivse muutumise. Peamiseks põhjuseks, miks tunnuste vahel tekivad püsivad seosed, mis ei kao ka põlvkondade jooksul, on pleiotroopsus, st. üks geen avaldab üheaegselt mõju mitmele tunnusele. Pleiotroopsusega seletatakse geneetilise korrelatsiooni olemasolu tunnuste vahel. Kui võtame vaatluse alla mitu tunnust, siis vaatame, kas need tunnused on teineteisest sõltuvad või mitte. Korrelatsioonanalüüs selgitab tunnustevaheliste seoste tugevust ja suunda. Korrelatiivne muutlikkus (kovariatsioon) on erinevate tunnuste vahel isesugune ja sõltub nii genotüübist kui ka keskkonnatingimustest. Fenotüübiliste tunnuste vahel arvutatud korrelatsiooni nimetatakse fenotüübiliseks korrelatsiooniks. Selektsiooniefektiivsuse prognoosimisel on aga olulisem teada geneetilisi korrelatsioone tunnuste vahel, millised määratakse seoste uurimisega sugulasloomade rühmades.
15. Korrelatsioonanalüüsi kasutamine Peamiseks põhjuseks, miks tunnuste vahel tekivad püsivad seosed, mis ei kao ka põlvkondade jooksul, on pleiotroopsus, st. üks geen avaldab üheaegselt mõju mitmele tunnusele. Pleiotroopsusega seletatakse geneetilise korrelatsiooni olemasolu tunnuste vahel. Kui võtame vaatluse alla mitu tunnust, siis vaatame, kas need tunnused on teineteisest sõltuvad või mitte. Korrelatsioonanalüüs selgitab tunnustevaheliste seoste tugevust ja suunda. Korrelatiivne muutlikkus (kovariatsioon) on erinevate tunnuste vahel isesugune ja sõltub nii genotüübist kui ka keskkonnatingimustest. Fenotüübiliste tunnuste vahel arvutatud korrelatsiooni nimetatakse fenotüübiliseks korrelatsiooniks. Selektsiooniefektiivsuse prognoosimisel on aga olulisem teada geneetilisi korrelatsioone tunnuste vahel, millised määratakse seoste uurimisega sugulasloomade rühmades.
Meetodi kirjeldus Käesoleva uuringu üheks eesmärgiks oli inimeste EL-iga seotud hoiakute senisest põhjalikum ning sotsiaalteaduse sügavamatel meetoditel põhinev analüüs. Vastajatel paluti hinnata mitmesuguseid EL-iga seotud aspekte ning liitumise arvatavat mõju Eestile. Analüüs põhineb tunnusele, mis kajastab ühest või teisest aspektist EL-iga liitumise mõju Eestile ning selle elanikele. Tunnustevaheliste seoste väljaselgitamiseks kasutati faktoranalüüsi (analüüs, mis võimaldab moodustada uued algtunnuste grupeerimisel saadud muutujad, milles on kõrvaldatud iga üksiku algtunnuse eripärast tingitud variatiivsus, mille ühisosa, peegeldavad faktortunnused usaldusväärsemalt laiemalt ja üldisemalt fenomeni, mis peitub konkreetsetele küsimustele antud vastuste taga). Kõige optimaalsemaks osutus 7 faktoriga mudel (vt. Lisad, tabel 1, lk 25-26).
aegridade jaoks sobilik, kuna ei arvesta aja dimensiooniga. Parima tulemuse kauguste hindamisel andis Euclidean’i ruutdistants, mis arvestab erinevust aegrea ning väärtuse vahel kindlal ajahetkel (Ibid.: 162). Käesolevas magistritöös on riikidevaheliste mustrite identifitseerimiseks leitud klastrid iga uuritava näitaja kohta eraldi ning analüüsitud näitajatevahelisi klastrite struktuuri. Lisaks klasteranalüüsile on kasutatud ka korrelatsioonanalüüsi tunnustevaheliste seoste uurimiseks. Analüüsi käigus selgitatakse, kas ühe tunnuse poolest sarnased riigid on sarnased ka teiste valitud tunnuste poolest. Mustrite ja anomaaliate tuvastamiseks on 32 arvutatud aegridade keskmised ja standardhälbed, mille alusel on võimalik selgitada riikide klastritesse jaotumist. Korrelatsioonanalüüsi tulemusena selgitatakse riikidevahelisi seoseid täpsemalt, kuna korrelatsioon näitab seose tugevust iga riigi
annaabi.ee 
