1 / 36

EDUC 612 Ανωτερες μορφες στατιστικης αναλυσησ

EDUC 612 Ανωτερες μορφες στατιστικης αναλυσησ. Έλενα Παπαναστασίου. Structural equation modeling (SEM) Δομικα μοντελα εξισωσεων. Εισαγωγικα σημεια. Απαραίτητη η εις βάθος γνώση του θεματικού σας αντικειμένου  μας καθοδηγεί η θεωρία

Télécharger la présentation

EDUC 612 Ανωτερες μορφες στατιστικης αναλυσησ

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. EDUC 612 Ανωτερεςμορφεςστατιστικηςαναλυσησ Έλενα Παπαναστασίου

  2. Structural equation modeling (SEM)Δομικαμοντελαεξισωσεων

  3. Εισαγωγικασημεια • Απαραίτητη η εις βάθος γνώση του θεματικού σας αντικειμένου •  μας καθοδηγεί η θεωρία • Τα εργαλεία μέτρησης να έχουν καλές ψυχομετρικές ιδιότητες • Λογισμικό: ΑΜΟS 18: (Analysis of Moment Structures) • Causal modeling: αλλά ΔΕΝ αποδεικνύουν αιτιώδης σχέσεις

  4. … Εισαγωγικασημεια • Χρειάζεται μεγάλα δείγματα • Δεν δίνεται τόση σημασία στη στατιστική σημαντικότητα • Το SEM ανήκει στην ίδια οικογένεια αναλύσεων όπως η παλινδρομική ανάλυση και το ANOVA • Χρειάζεστε καλή γνώση παλινδρομικής ανάλυσης και συσχετίσεων

  5. Γιατι να τα χρησιμοποιουμε; • Περιγράφει τις σχέσεις μεταξύ μεταβλητών διαγραμματικά • Οι μεταβλητές μπορούν να λειτουργήσουν ταυτόχρονα και σαν εξαρτημένες και σαν ανεξάρτητες μεταβλητές.

  6. Γιατι να τα χρησιμοποιουμε; • Μέθοδοι εργασίας: • Καθαρά επιβεβαιωτική ανάλυση μοντέλων (strictly confirmatory) • Εναλλακτικά μοντέλα (alternative models) • Παραγωγή μοντέλων (model-generating applications) • Διάκριση μεταξύ μετρήσιμων μεταβλητών (οbservedvariables ) και latent variables • Άλλες αναλύσεις δεν κάνουν αυτή τη διάκριση • Η παραγοντική ανάλυση δεν μπορεί να προκαθορίσει τους λειτουργικούς ορισμούς • Λαμβάνει υπόψη τα βαθμό αξιοπιστίας των δεδομένων και ότι υπάρχει σφάλμα μέτρησης

  7. Επαναληψηστατιστικωνεννοιων • Κλίμακες μέτρησης • Οργάνωση δεδομένων • Συσχετίσεις • Παλινδρομική ανάλυση

  8. Κλίμακες μέτρησης ΑΛΛΑ ΠΑΡΑΔΕΙΓΜΑΤΑ: ΚΑΤΗΓΟΡΙΑΚΕΣ ΜΕΤΑΒΛΗΤΕΣ ● Φύλο ● Θρήσκευμα ● Εθνικότητα

  9. ΆΛΛΕΣ ΔΙΑΤΑΚΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ ● Σειρά αθλητών στον μαραθώνιο ● Πόσο αγαπάς το μάθημα των μαθηματικών; 1. καθόλου 2. λίγο 3. πολύ 4. πάρα πολύ

  10. ΆΛΛΕΣ ΙΣΟΔΙΑΣΤΗΜΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ ● Θερμοκρασία ● Βαθμοίμαθηματικών

  11. ΆΛΛΕΣ ΑΝΑΛΟΓΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ ● Μισθός ● Βάρος ● Ύψος

  12. Με ποιες κλιμακεσμετρησηςμπορουν να μετρηθουν οι πιο κατωμεταβλητες; • Θερμοκρασία • Θέμα σπουδών • Είδη κατοικίδιων ζώων • Αριθμός κατοικίδιων ζώων • Φύλο • Τιμή του καφέ • Είδος καφέ • Άγχος • Αισιοδοξία • Στάσεις • Άγαμος/ έγγαμος

  13. Καταχωρησηδεδομενων στο spss • Γράψτε κάτω τα εξής στοιχεία από 5 άτομα που απάντησαν ένα ερωτηματολόγιο

  14. ΒΑΣΙΚΕΣ ΓΝΩΣΕΙΣ SPSS • Καταχώρηση δεδομένων στο SPSS (data view) • Περιγραφή δεδομένων στο variable view • Έλεγχος δεδομένων • Στατιστικές αναλύσεις • Τυπική απόκλιση • Συσχετίσεις • Συνδιασπορά • Παλινδρομική ανάλυση

  15. Τυπικηαποκλισησ(standard deviation, SD)

  16. Συσχετισεις • Η συσχέτιση μας δείχνει το μέτρο σχέσης μεταξύ 2 μεταβλητών • Περιγράφει ΕΥΘΥΓΡΑΜΜΕΣ ΣΧΕΙΣ • Κυμαίνεται από το -1.0 στο 1.0

  17. ΣυσχετίσειςPearson product moment correlation (r) • Προσπαθούμε να βρούμε σχέσεις μεταξύ μεταβλητών, και ΌΧΙ αιτιώδης σχέσεις. • Χρειάζονται τουλάχιστον 2 ποσοτικές μεταβλητές • Μέγεθος δείγματος: >30 >150

  18. ΣυσχετίσειςPearson product moment correlation (r) • Από το συντελεστή συσχέτισης μπορούμε να πάρουμε πληροφορίες για • Την κατεύθυνση της σχέσης • Τη δύναμη της σχέσης

  19. Κατεύθυνση συσχέτισης • Θετικό πρόσημο (r>0 ) θετική συσχέτιση • Όσο αυξάνεται η μια μεταβλητή, αυξάνεται η άλλη • Π.χ. όσο αυξάνεται η κατανάλωση παγωτού, αυξάνονται και οι πνιγμοί στη θάλασσα • Αρνητικό πρόσημο (r<0 ) αρνητική συσχέτιση • Όσο αυξάνεται η μια μεταβλητή, μειώνεται η άλλη • Π.χ. όσο αυξάνεται η συμμετοχή των φοιτητών στα συνδικαλιστικά κινήματα, τόσο μειώνονται οι ώρες διαβάσματος τους

  20. Κατεύθυνση συσχέτισης • Καθορίστε την κατεύθυνση της σχέσης των πιο κάτω μεταβλητών • Αθλητική επίδοση, κάπνισμα • Απουσίες, βαθμοί • Θερμίδες, βάρος • Ηλικία σπιτιού, αξία σπιτιού • Ώρες διαβάσματος, βαθμοί

  21. Θετική συσχέτιση

  22. Αρνητική συσχέτιση

  23. Δύναμη σχέσης • Βαθμοί συσχέτισης κοντά στο +1 ή στο -1 αντιπροσωπεύουν δυνατές σχέσεις • Βαθμοί συσχέτισης κοντά στο 0 δείχνουν ότι δεν υπάρχουν ευθύγραμμες σχέσεις μεταξύ των μεταβλητών • -.5 .2 • .350 .78 • -1 0 • -.7 -.3

  24. Συνδιασπορα • Covage,height=rage,height* SD age*SD height

  25. Παλινδρομική ανάλυσηRegression • Προσπαθεί να εξηγήσει και να προβλέψει τη σχέση μεταξύ μεταβλητών • Πως επηρεάζουν οι ώρες διαβάσματος το βαθμό των μαθητών στην επιστήμη; Ώρες διαβάσματος Βαθμός επιστήμης

  26. Παλινδρομική ανάλυσηRegression • Πως επηρεάζει το φύλο και το ΚΟΕ τις επιδόσεις των Κυπρίων φοιτητών στο πανεπιστήμιο;

  27. Παλινδρομική ανάλυσηRegression • Εξαρτημένη μεταβλητή: ποσοτική • Ανεξάρτητες μεταβλητές: ποσοτικές, ή ποιοτικές με 2 υποκατηγορίες (π.χ. ναι/όχι, άνδρας/γυναίκα) • Ανεξάρτητη μεταβλητή = εξωγενής μεταβλητή • Εξαρτημένη μεταβλητή = ενδογενής μεταβλητή

  28. Παλινδρομική ανάλυση

  29. Παλινδρομική ανάλυση

  30. Παλινδρομική ανάλυσηΠοια εξίσωση μπορεί να περιγράψει τη σχέση αυτών των αριθμών;

  31. Regression results(Y=Research grade) Y= βο+β1*Statisticsgrade +β2 *HighschoolGPA +e Y=-23.575-0.76*Statisticsgrade +2.324HighschoolGPA +e Y= -0.010*Statisticsgrade +0.319HighschoolGPA +e

  32. Έννοιες απογραμμικηπαλινδρομηση • Απλή: Ŷ = (B0 + B1 X1) , όπου B1 = rSY/SX Standardized regression: b1 = rY1 (beta weight) • Πολλαπλή: Ŷ = (B0 + B1 X1 + B2 X2) To Ŷ είναι composite, ένας σταθμικός γραμμικός συνδυασμός των Χ1 και Χ2 Standardized regression: bi ≠ rYi και συνήθως bi < rYiτα bi προσαρμόζονται για ενδοσυσχετίσεις των Χi και Υ

  33. Statistics grade -0.10 Research grade High School GPA 0.319

More Related