Přípravný kurz - kvantitativní výzkum FSS928 Celkový plán }Setkání 1 }Rekapitulace výzkumného kontextu }Rekapitulace základních principů statistické deskripce }Analýza rozptylu jako 1. obecná podoba lineárního modelu }Setkání 2 }Lineární regrese jako 2. obecná podoba lineárního modelu }Setkání 3 }Základy měření konstruktů }Explorační faktorová analýza jako model měření Hiles: 8 „faktů“ o výzkumu }Výzkum je zkoumání, které vede k novým poznatkům. }Výzkumná otázka a poznatky musí být diskutovány v kontextu předchozích znalostí. }Každý výzkum spočívá na nějakých předpokladech – různí badatelé nevyhnutelně pracují s různými paradigmaty. }Ve výzkumu děláme teoretická a praktická rozhodnutí, přičemž se držíme etických principů. }Postupy ve výzkumu by měly být systematické, přísné a musí být natolik jasné, aby se daly replikovat. }Výzkumná zjištění by měla být jasná a přesvědčivá pro druhé. }Výzkum jen zřídka úplně zodpoví výzkumnou otázku; obvykle vede spíše k nápadům na další zkoumání. }Do výzkumu se pouštíme, protože máme zájem a chceme něco změnit – publikace a sdílení s kolegy je přirozenou součástí výzkumného procesu. } JEVY TEORIE JAK FUNGUJE VĚDA? > > INDUKCE HYPOTÉZY DEDUKCE DATA DATA DATA Jevy = realita. Teorie = naše konstrukce, reprezentace reality. Je-li konstrukce dobrá, daří se nám lépe využívat reality ku prospěchu svému. Porozumění s tím nemá co dělat. Pravda je filozofický pojem. Analýza – deskriptivní. Statistická indukce již je součástí indukce. Co dělá vědu vědou, je především systematičnost, kontrolovatelnost tvorby dat – objektivita(intersubjektivita). V kval bychom přidali ještě badatelovy hodnoty, čas a místo…. Fakta jsou výsledky analýzy dat, jde o tvrzení o datech. Filozofie vědy se zabývá především vztahem mezi jevy a daty. DESKRIPCE PREDIKCE VYSVĚTLENÍ NENÁHODNÝ VÝBĚR NÁHODNÝ VÝBĚR POZOROVÁNÍ DOTAZOVÁNÍ ANALÝZA PRODUKTŮ NÁPAD VÝZKUMNÁ OTÁZKA HYPOTÉZY Co chci zkoumat? TYP VÝZKUMU VÝBĚR ZKOUMANÝCH OSOB METODA SBĚRU DAT Jak to chci zkoumat? Co jsem zjistil? ANALÝZA A INTERPRETACE DAT KOMUNIKACE VÝSLEDKŮ MAPA VÝZKUMU VÝZKUMNÁ OTÁZKA HYPOTÉZA upraveno dle Trochim, Donnelly, www.socialresearchmethods.net EXTERNÍ VALIDITA KONSTRUKTOVÁ VALIDITA INTERNÍ VALIDITA VALIDITA ZÁVĚRŮ VZOREK TVORBA DAT – MĚŘENÍ DESIGN VÝZKUMU ANALÝZA DAT KONCEPČNÍ STRÁNKA VÝZKUMU PRAKTICKÁ STRÁNKA VÝZKUMU KONCEPČNÍ A PRAKTICKÁ STRÁNKA VÝZKUMU K teorii, konstruktům, hypotézám a modelům }… }Model je naše představa o nějakém aspektu fungování jevu. }Jev nemůžeme přímo uchopit, již jeho vnímání a myšlení je tvůrčí čin, jehož výsledkem je konstrukt. }Konstrukt je samozřejmě redukcí … abstrakcí, zprůměrováním v myšlenkovém prostoru i čase – konstrukt je model. }Změřením (operacionalizací) nějakého aspektu konstruktu vzniká proměnná … a další redukce. }Model se stává modelem fungování proměnné }Při převodu modelu do statističtiny si často uvědomíme míru redukce, k niž zatím došlo a klesneme na mysli. }Problém není v míře schematičnosti (ta je poplatná naší kognitivní kapacitě) ale v jejím uvědomění. }Problém bývá také ve zpětném „překladu“ zpět k jevům. } K externí validitě - reprezentativnosti }Vzorek jevů má dobře zastupovat populaci jevů, o které se chceme něco dozvědět – reprezenta-ce (-tivnost) } }Celá statistika stojí na jediné věci, která je jistá a to je náhoda (teorie pravděpodobnosti) … odtud náhodný výběr. }mnoho výběrových strategií } }Problematičnost náhodnosti výběru lidí >> }nutnost zpětné kontroly/úvahy, replikace }překvapivá robustnost při absenci výrazných zkreslujících faktorů } }KONSTRUKTOVÁ VALIDITA (v širším smyslu) }měříme ten správný aspekt správného jevu? }OBSAHOVÁ: názor odborníků, construct mapping, faktorování }ZJEVNÁ (face, zdánlivá): názor laiků, není validita }EMPIRICKÁ - KRITERIÁLNÍ: korelace mezi výsledky postupu a kritériem }SOUBĚŽNÁ(konvergentní), PREDIKTIVNÍ, INKREMENTÁLNÍ, DIFERENCIÁLNÍ (diskriminační) }KONSTRUKTOVÁ (v užším smyslu) = unidimezionalita + struktura korelací se souvisejícími konstrukty odpovídá teorii }Nikdy nekončící proces ověřování TVOŘÍME DATA - VALIDITA PROMĚNNÁ – odráží jeden aspekt jevu, výsledek měření RELIABILITA - jak přesně měříme? NIKDY zcela přesně, vždy s chybou n STABILITA - korelace opakovaných měření - rtt n OBJEKTIVITA – shoda posuzovatelů, pozorovatelů, adminstrátorů >> standardizace - Cohenovo  n VNITŘNÍ KONZISTENCE – zjišťují všechny položky totéž? – Cronbachovo a - horní mez reliability Reliabilita je podmínkou validity TVOŘÍME DATA - RELIABILITA Např. osobnost není proměnná. Reliabilitu zjišťujeme tak, že provedeme několik měření, která by teoreticky měla mít stejný výsledek, a určíme, nakolik se shodují. Je několik druhů reliability – stabilita v čase, konzistence }OBSERVAČNÍ }POZOROVÁNÍ }ANALÝZA PRODUKTŮ }MAPY, STOPY }EXPERIMENTÁLNÍ METODY }TESTY }DOTAZOVACÍ }ROZHOVOR }FOCUS GROUP }DOTAZNÍK }POSTOJOVÉ ŠKÁLY }POSUZOVACÍ ŠKÁLY } 2 SKUPINY METOD Někdy jde o pozorování i tehdy, když se dotazujeme – tehdy, když nám jde o verbální chování. A co inteligenční test, či osobnostní dotazník – to je vlastně pozorování chování – reakcí na podnětový materiál Experimentování - základy }Když udělám tohle, stane se to, co myslím? }To, co se stalo, stalo se to pouze díky tomu, co jsem udělal? } }manipulace nezávislou proměnnou }komu + udělám }měření závislé proměnné }kontrola intervenujících (vnějších) proměnných }AKT :: fixace, párování, znáhodnění, měření, znalost :: PAS Experimentování – praktické fíčury }Kauzální usuzování }kauzalita je přenositelnější než koincidence }Ex je interaktivní, s důrazem na kontext }potenciál pro exploraci, kvalitativní analýzu. }Ex je malý, flexibilní }Ex je nenáročný na vzorek }teoretické a replikační zobecňování }Ex umožňuje nejširší paletu dg. metod }Ex je náročný na vědění }Ex je náročný na kontrolu } Experimentování v „terénu“ }Problémy }Náhodné rozdělení (R:116) }Manipulace NP }Etika }Kontrola spíše pasivní }Výhody }Zobecnitelnost (EV) }Méně reaktivity }Dostupnost lidí PRAVÉ EXPERIMENTY v terénu zřídka možné Vždy o nich alespoň zauvažujeme. (R:123 box 5.5, 5.6) KVAZIEXPERIMENTY (R:135), SINGLE CASE EX. (R:146) EX-POST-FACTO (post hoc) – retrospektivní, přirozené ex. (R:154) Výběrová šetření (surveys) }Jaký je aktuální stav něčeho? }Souvisí spolu výskyt různých jevů? } }V psychologii: korelační design, longitudinální }Fíčury }cílem je popis }obvykle důraz na neintervenování }převaha dotazování }důraz reprezentativnost vzorku (R:161) }spíš jednorázovost, rozsáhlost }široký záběr } Výběrová šetření – praktické aspekty }Samo šetření je intervencí }Problémy self-reportů }lidé toho o sobě vědí méně, než si myslíme }mezi „řikáním“ a chováním je malá korelace }Poskytuje info především o tom, jak se věci mají, než o tom, jak je změnit (budík). }Obvykle třeba zjišťovat mnoho věcí }Je-li „populace“ malá, snažíme se o cenzus, náhodný výběr není vhodný. }Pilotáž otázek je obvykle nutností }cognitive interview }Když nezasahovat, zvážit dokumenty, archivy, stopy. Rekapitulace výzkumného kontextu }Teorie }Jevy, pojmy, konstrukty }Výzkumná otázka, cíl }Hypotéza } Operacionalizace >> proměnné }Data }Vzorek (reprezentace) }Design (vyloučení nežádoucích vlivů) }Data vs. hypotéza … analýza }Odpověď na výzkumnou otázku }Začlenění zjištění do teorie STATISTIKA Co je to vlastně statistika? }Popis získaných dat o jevech, které se vyskytují ve větších množstvích (>7) }Popis proměnných: jaké podoby jevu, jak časté? } Popis vztahů mezi proměnnými/jevy } } }Statistické usuzování ze vzorku na populaci }Pravděpodobnostní usuzování }Konfrontace očekávání (modelů) se získanými daty }Testování hypotéz } Statistika je aplikovanou matematikou a logikou a jako taková je do značné míry nezávislá na filozofii poznávání. Statistika je nástroj k popisu dat o jevech. Tento nástroj může použít kdokoli, badatelé zastávající různé epistemologie, různé psychologické směry i různé metodologie. Tento nástroj lze použít dobře i špatně. To je odpovědnost uživatele. K čemu je statistika jako taková? }Formalizované zpracování zkušenosti, když }počet zkušeností, výskytů jevu přesáhne 7±2 (automat) }hledané je malé (mikroskop) }záludnosti naší kognice představují problém }„Objektivní“ (=v komunitě srozumitelný) popis výskytu jevů }Hledání společného, typického, normálního i jedinečného }Hledání vztahů mezi jevy (v precizně stanovených podobách, modelech) }Statistika je nástroj - na rozdíl od privátního myšlení je „open-source“ }Trénuje myšlení }kritické myšlení }myšlení o variabilitě jevů }uvědomění si všudypřítomnosti chyby měření (vnímání) }pravděpodobnostní myšlení Objektivní není totéž, co pravdivý. Data, proměnné }Data vznikají měřením (aplikací metod) jevů }Proměnné tvoříme z dat }Proměnné vznikají kódováním dat }Z jedněch dat můžeme udělat více proměnných }Proměnné reprezentují znaky, charakteristiky, atributy, vlastnosti zkoumaných jevů či objektů, popř. jejich kombinace }Proměnné nabývají různých hodnot, pokud ne, jsou to konstanty } } 1-3 často v praxi splývá Vznik dat - měření }Standardizovaný postup, procedura }M= přiřazování čísel z nějaké množiny čísel podle pravidla }Procedura dává číslům smysl }Tato procedura je vždy zatížena chybou }Y = T + E }Naměřená hodnota = skutečná hodnota + chyba } } } } Procedura někdy jednoduchá jindy složitá Zde je propojení statistiky s metodologií. (c) Stanislav Ježek, Jan Širůček Chyby měření }(ne)přesnost }Měříme-li vícekrát tentýž objekt, střední hodnota všech měření odpovídá skutečné hodnotě. }≈ náhodná chyba }≈ ≈ přibližně odpovídá pojmu reliabilita }(ne)správnost }Měříme-li vícekrát tentýž objekt, střední hodnota je systematicky vyšší nebo nižší než je skutečná hodnota }≈ systematická chyba } }Tyto chyby se mohou kombinovat } } } } }AJ: accuracy, bias, random error, systematic error, reliability Procedura někdy jednoduchá jindy složitá (c) Stanislav Ježek, Jan Širůček Úrovně měření (typy měřítka, škály) Úroveň Operace Příklady Nominální = pohlaví, tramvaj, hodnota Ordinální = ≠ > < známky, souhlasení Intervalová = ≠ > < + − oC, IQ, „dobré“ psychotesty Poměrová = ≠ > < + − × ÷ K, váha, počty, frekvence 1+2: kategorické, 2:pořadová; 1: kvalitativní L 3+4: metrické, kardinální; viz extrakt z Urbánka v ISu AJ: level of measurement, nominal, ordinal, interval, ratio L: intenzivní, pořadová/kategorická ordinální (c) Stanislav Ježek, Jan Širůček Další typy proměnných } }Diskrétní vs. spojité }Dichotomické (alternativní) vs. polytomické } } } } } } } }AJ: discrete, continuous, dichotomous, alternative, polytomous (c) Stanislav Ježek, Jan Širůček Jaké hodnoty máme v datech? }Jaké hodnoty proměnné/ých se v datech vyskytují? – třídění, kódování }Jaké různé odpovědi jsme získali na tu kterou otázku dotazníku? }Jaké různé počty sledovaných chování se při pozorování vyskytly? }Kolik kterých hodnot máme? – četnosti }Je některých víc, jiných míň? }Zdá se být v četnostech jednotlivých hodnot nějaký řád? Kolik je v Brně intelektově nadaných lidí? 2% z 3000000. (c) Stanislav Ježek, Jan Širůček (c) Stanislav Ježek, Jan Širůček SPSS intervalové četnosti samo nedělá. Je třeba rekódovat hodnoty do intervalů (nová proměnná). K tomu např. fce Transform - Visual Binning. (c) Stanislav Ježek, Jan Širůček Grafické podoby tabulky četností }Kategorické proměnné }sloupcový graf (diagram) }koláčový diagram – zřídkakdy, neukazuje rozložení }Metrické proměnné }histogram / stem-and-leaf – rozdělení hodnot do intervalů } } } } } } } } } } } }AJ: bar chart, histogram, pie chart, frequency distribution Procedura někdy jednoduchá jindy složitá Sloupcový diagram (c) Stanislav Ježek, Jan Širůček (c) Stanislav Ježek, Jan Širůček Histogram (c) Stanislav Ježek, Jan Širůček Diagram „stonek a list“ } Frequency Stem & Leaf 32,00 0 . 00000000000000000000000000000000 18,00 1 . 000000000000000000 14,00 2 . 00000000000000 7,00 3 . 0000000 2,00 4 . 00 4,00 5 . 0000 1,00 6 . 0 1,00 7 . 0 10,00 Extremes (>=8,0) Stem width: 1 Each leaf: 1 case(s) (c) Stanislav Ježek, Jan Širůček Rozložení rozdělení, distribuce četností }Měřené jevy jsou nějak rozděleny do kategorií (intervalů) a tyto kategorie jsou různě „populární“ – četné. }Četnosti u reálných ordinálních a vyšších proměnných obvykle nebývají distribuovány nahodile – jejich rozdělení zobrazené histogramem má popsatelný tvar. } } } } }Rozdělení četností je tedy to, kolik relativně (či absolutně) máme kterých hodnot měřené proměnné. }Typicky lze přibližně popsat slovy, např.: vyskytlo se hodně středních hodnot a relativně málo extrémních hodnot. }Toto rozložení jevů na měřené škále je nejlépe vidět na grafech. }Obvykle nějaké konkrétní rozložení očekáváme. } (c) Stanislav Ježek, Jan Širůček Tvar rozložení četností }Normální }Uniformní }Počet vrcholů }Unimodální, bimodální, multimodální }Zešikmení }Zešikmené zprava (pozitivně), efekt podlahy }Zešikmené zleva (negativně), efekt stropu }Strmost }Leptokurtické, platykurtické AJ: frequency distribution, normal, rectangular, unimodal, bimodal, positively/negatively skewed, lepto(platy)kurtic, floor/ceiling effect (c) Stanislav Ježek, Jan Širůček Normální (Gaussovo) rozložení } } } } } } } } }http://en.wikipedia.org/wiki/Image:Standard_deviation_diagram.png } }„Normální“ ve smyslu „velmi běžné“ }Tam, kde se setkává mnoho nezávislých vlivů. }Ne vždy, nesouvisí s „kvalitou“ dat. } }AJ: normal distribution, bell curve Procedura někdy jednoduchá jindy složitá Pravděpodobnostní rozložení náhodné proměnné }Je-li proměnná náhodná (tj. její hodnoty lze považovat za výsledek náhodných pokusů)… …jaká je P výskytu jednotlivých možných hodnot? }Vzpomeňme si, že P (A) = n / m , blíží-li se počet pokusů ∞ (populaci) }Máme-li tedy dost velký, náhodně vybraný vzorek, pak P výskytu jednotlivých hodnot ≈ jejich relativní četnost }Pravděpodobnostní rozložení = teoretické rozložení rel. četností }U diskrétních proměnných uvažujeme o P výskytu jednotlivých hodnot. }U spojitých proměnných neuvažujeme o P výskytu jednotlivých hodnot (∞), ale spíše o p výskytu hodnot v intervalech – hustota pravděpodobnosti }P-nostní rozložení je popsáno distribuční funkcí }F(x) = P (X≤x) tj. P výskytu hodnot ≤ x }Tato P je rovna „ploše oblasti pod křivkou hustoty pravděpodobnosti“ } }AJ: random variable, probability distribution, distribution function, probability density (c) Stanislav Ježek, Jan Širůček Kumulativní histogram (c) Stanislav Ježek, Jan Širůček Popis rozložení pomocí percentilů }X-tý percentil }hodnota, pro kterou platí, že X % lidí (jevů) ve vzorku má/získalo tuto nebo menší hodnotu }lze snadno odečíst z kumulativního histogramu či patřičného sloupce tabulky četností }Typicky rozložení popisujeme }10., 20., …, 80.,90. percentilem – obecně }min, 25., 50., 75., max – nejčastěji }min., 1., 5., 10., 25., 50., 75., 90., 95., 99. – v normách (c) Stanislav Ježek, Jan Širůček Shrnutí }První informací (statistikou), která nás zajímá je četnost výskytu jednotlivých hodnot (resp. hodnot uvnitř jednotlivých intervalů) }Konfiguraci četností nazýváme rozložení (rozdělení). }Rozložení popisujeme (=komunikujeme je) }tabulkou četností }graficky – histogram, sloupcový diagram }pomocí percentilů }O typu, tvaru rozložení hodnot proměnné uvažujeme většinou graficky – histogram, sloupcový diagram. }Nej… rozložením je tzv. normální rozložení. }Byť tohle je 5. třída ZŠ – už tady se šidí. }Nedalo by se rozložení hodnot proměnné popsat úsporněji než pomocí tabulky četností, histogramu? } }Kde na měřené škále se data nalézají? }UKAZATEL CENTRÁLNÍ TENDENCE } }Jak moc jsou na ní rozptýlená? }UKAZATEL VARIABILITY Centrální tendence (=střední hodnoty, umístění) }CT je jeden údaj, jímž se snažíme popsat rozložení četností jedné proměnné }Jeho kouzlo i zrádnost je právě v tom, že je to právě jeden údaj. }CT udává průměrnou, typickou, reprezentativní, očekávanou hodnotu }Co se tím míníme, záleží na tom, jakou míru CT se rozhodneme použít } } } }AJ: measures of central tendency, of location Modus, medián a průměr }Modus - kategoriální typická hodnota }nejčastější hodnota, h. s nejvyšší četností }jediná možnost u nominálních dat, u vyšších úrovní často užitečnou volbou }Medián – pořadová střední hodnota }hodnota prvku uprostřed uspořádaného souboru, 50. percentil (P50) }při sudém počtu prvků je mediánem kterékoli číslo z intervalu mezi nejbližší vyšší a nejbližší nižší hodnotou (konsensuálně střed intervalu) }pořadová data a výše }Aritmetický průměr – deviační, ochylková, momentová střední h. }jak ho znáte ze školy }pouze intervalová a poměrová data }velmi citlivý na extrémní hodnoty } } } }AJ: mode, median, mean Tcelkem Stem-and-Leaf Plot } Frequency Stem & Leaf } } 3,00 0 . 011 } 15,00 0 . 222233333333333 } 24,00 0 . 444444444444555555555555 } 15,00 0 . 666666666777777 } 3,00 0 . 889 } 8,00 1 . 00011111 } 2,00 1 . 23 } 5,00 Extremes (>=1388) } } Stem width: 1000 } Each leaf: 1 case(s) } } } } Míry variability (rozptýlenosti) }Druhé číslo, jímž popisujeme rozložení hodnot proměnné }Udává, jak moc či málo jsou data na škále rozptýlená. }Malá variabilita = většina hodnot v souboru je stejných nebo velmi blízkých }Vysoká variabilita = hodnoty jsou velmi rozmanité (n. rozložení je bimodální) Rozpětí, rozptyl, směrodatná ochylka }Nominální – entropie – nepoužívá se }Pořadové }(variační) rozpětí = Xmax – Xmin (extrémně roste s velikostí vzorku) }(inter)kvartilové rozpětí = Q3 – Q1, IQR }Odchylkové (deviační, momentové) ukazatele }založené na odchylkách od průměru: x = X – m }průměrná absolutní odchylka (S|x| / n) – nepoužívá se }průměrná odchylka na druhou – rozptyl }populační (Sx2 / n) vs. výběrový (Sx2 / (n – 1)) }součet odchylek na druhou = suma čtverců }směrodatná odchylka (standardní odchylka) }odmocnina rozptylu - návrat k původní jednotce } }AJ: measures of variability, entropy, rank-order, range, interquartile range, variance, standard deviation, sum of squares, square, square root Tcelkem Stem-and-Leaf Plot } Frequency Stem & Leaf } } 3,00 0 . 011 } 15,00 0 . 222233333333333 } 24,00 0 . 444444444444555555555555 } 15,00 0 . 666666666777777 } 3,00 0 . 889 } 8,00 1 . 00011111 } 2,00 1 . 23 } 5,00 Extremes (>=1388) } } Stem width: 1000 } Each leaf: 1 case(s) } } } } Ukazatele centrální tendence a variability - poznámky }je třeba je umět spočítat ručně (a zopakovat si práci se sumačním symbolem S) }i vážený průměr }jak je ovlivní datové transformace přičtení konstanty a násobení konstantou }vhodnost použití ukazatelů centrální tendence (Hendl s.95) } } } } }AJ: weighted mean, add, multiply Boxplot – krabicový graf s anténami }krabice je od Q1 do Q3 }v krabici se značí medián }antény jsou Xmin do Xmax, maximálně! však 1,5x délka krabice (kvartilového rozpětí) }hodnoty vzdálenější se značí jako body – odlehlé hodnoty }hodnoty ještě vzdálenější (více než 3x délka krabice od Q1 nebo Q3) jsou někdy označovány jako extrémně odlehlé hodnoty Volba popisných statistik }Zvažujeme }úroveň měření }tvar rozložení – symetrie, normalita }cíl studie – pouze popis X usuzování, porovnávání }Podle komunikačních cílů… }Je-li cílem především deskripce dat(=rozložení), pak použijeme POŘADOVÉ ukazatele. Připojíme-li i odchylkové, nic nezkazíme. }N, min, Q1, Md, Q3, max }boxplot }pro individuální skóry percentily }Je-li cílem další usuzování, porovnávání apod., používáme ODCHYLKOVÉ ukazatele … pokud to úroveň měření dovoluje }N, m, s (N, M, SD) }popis rozložení }pro individuální skóry z-skóry Myšlenka korelace }Hypotézy o vzájemné souvislosti jevů: }Predikuje intelekt akademický úspěch? }Mají dobří češtináři i dobré známky z matematiky? }Existuje souvislost mezi mírou depresivní a anxiózní symptomatiky? }Jsou měsíční příjem a délka pracovní doby dobrými prediktory životní spokojenosti? }Jsou různá umělecká nadání specifická, nebo vycházejí ze stejného „všeobecného“ talentu? Kontingenční tabulka známka z matematiky celkem 1 2 3 4 5 známka z čj 1 82 40 8 1 0 131 2 71 200 73 17 0 361 3 4 75 109 25 0 213 4 1 7 23 24 1 56 5 0 0 2 1 2 5 celkem 158 322 215 68 3 766 }Kontingenční tabulka… }Hodnoty je třeba přehledně uspořádat (stejně jako u tabulky četností) }Pro data všech úrovní měření, nejvhodnější pro diskrétní prom. s málo hodnotami }Buňky mohou obsahovat absolutní četnosti, rel. četnosti (řádkové, sloupcové, celkové) }Poslední sloupec/řádek obsahuje tzv. sloupcové/řádkové marginální (relativní) četnosti }Je grafickou podobou je trojrozměrného sloupcový diagramu či histogramu (může obsahovat i intervaly) }Relativně vysoké četnosti v jedné z diagonál naznačují lineární provázanost proměnných } Grafická zobrazení dvourozměrného rozdělení Bodový graf - scatterplot }Bodový graf – scatterplot }Nahrazuje kontingenční tabulku, jsou-li obě proměnné spojité; pro proměnné s málo body měření nemá smysl }Každá osa reprezentuje jednu proměnnou, každý bod je jedna zkoumaná osoba (jednotka) }Poskytuje tím lepší evidenci o vztahu dvou proměnných… }…čím více měření jsme provedli }…čím přesnější jednotlivá měření byla }Parametrem počtu měření může být např. velikost bodu }Frequency scatterplot Různé podoby/druhy vztahu Corr-example Lineární souvislost, vztah }Lineární vztah je to, co se obvykle míní slovem korelace. }Je to monotónní vztah, který se dá popsat slovy čím více X, tím více/méně Y. }Projevuje se tak, že scatterplot se dá proložit „ideální“ přímkou }y = ax + b }Tato funkce/přímka popisuje strmost vztahu. }Korelace popisuje těsnost vztahu. AJ: linear association, correlation, monotonous relationship Těsnost vztahu }Čím těsnější (=intenzivnější, silnější) vztah 2 proměnných je, tím jsou body více nahuštěny okolo nějaké přímky }Těsnost nesouvisí se sklonem té přímky, ale pouze s tím, jak moc se scatterplot podobá přímce. }Těsnost se udává bezrozměrným číslem od 0 do 1, kde 0=žádný vztah(těsnost) a 1= maximální vztah (data na diagonále v obrázku napravo) }Znaménko udává, zda jde o vztah čím víc, tím víc (+) nebo o vztah čím víc, tím míň (-) }Rozsah je tedy od -1 do 1 }Těsnost -> kovariance Corr-example AJ: strength of association/relationship/correlation, positive relationship, negative(inverse) relationship Kovariance (=sdílený rozptyl) }Míru těsnosti lineárního vztahu dvou proměnných lze vyjádřit číselně }Kovariance vypovídá o míře „sdíleného rozptylu“ } } } } } }kde x, y jsou deviační skóry, tj. odchylky od průměru }Kovariance je stejně jako rozptyl nepraktická – výsledek je v jakýchsi „jednotkách na druhou“ Vzpomeňte si na výpočet rozptylu. Ten byl Sx2 / (n – 1). Tohle je Sxy / (n – 1). Místo x*x je tu x*y, proto je to ko-variance Tato suma je tím vyšší čím máme v sadě dat více dvojic xy, u nichž je hodnota x i y nadprůměrná nebo podprůměrná. Sumu naopak snižují dvojice, kde je jedna hodnota nadprůměrná a druhá podprůměrná. AJ: covariance, shared variance Korelace (=standardizovaný sdílený rozptyl) }Chceme-li se zbavit obtížně interpretovatelných jednotek u kovariance, dosáhneme toho podobně jako při výrobě z-skórů – podělením deviačního skóru příslušnou směrodatnou odchylkou (=standardizace) } } } } } }Zakroužkovanou část vzorce už ale známe – to je transformace na z-skór. Korelace jednodušeji je tedy: } } } } AJ: correlation Vlastnosti popsaného koeficientu korelace I. }Jde o tzv. Pearsonův součinový, momentový koeficient korelace }patří tedy do kategorie momentových ukazatelů (viz předchozí přednáška) a platí pro něj podobné věci: }nutná intervalová a vyšší úroveň měření }velký vliv odlehlých hodnot na výsledek }je vhodný pro popis normálně rozložených proměnných }vyjadřuje pouze sílu(těsnost) lineárního vztahu }Nabývá hodnot v rozmezí -1 až 1 }0 = žádný vztah }1(-1) = dokonalý kladný (záporný) vztah; identita proměnných }Korelace nepopisuje funkční vztah dvou proměnných, ale pouze jeho směr a těsnost. AJ: Pearson’s product-moment correlation Vlastnosti Pearsonova koeficientu korelace II. }Je vázán na homogenitu souboru }Není aditivní }r2 = R = koeficient determinace (někdy D ) }= proporce sdíleného rozptylu }V důsledku toho: }0,3-0,1 ≠ 0,7-0,5 }r = 0 neznamená, že mezi rozděleními proměnných není žádná souvislost, znamená pouze, že mezi nimi není lineární vztah. AJ: sample/population homogeneity, additivity, coefficient of determination Vlastnosti Pearsonova koeficientu korelace III. }Kdy nemá korelace smysl? }V1: Kolik hodin denně sledujete televizi? }V2: Kolik hodin denně sledujete televizní zpravodajství? }Proč? J }Korelace proměnných se společnou příčinnou: }Swoboda: platy kněžích a ceny vodky v průběhu doby korelují! }IQ dětí a velikost a jejich výška prý také… }… kovariance proměnných se společnou příčinnou je základem dalších metod analýzy dat v psychologii: analýzy reliability a faktorové analýzy. Korelační koeficienty pro pořadová data }vhodné nejen pro pořadová data, ale i pro intervalová, která mají rozložení výrazně odlišné od normálního }zachycují i nelineární monotónní vztahy (viz Hendl, s260) }ukazatele toho, nakolik jsou pořadí podle korelovaných dvou proměnných stejná }Spearmanův koeficient rhó – r, rs }založený na velikosti rozdílů v pořadí }ekvivalentem Pearsonova koeficientu na pořadových datech }lze interpretovat r 2 }Kendallův koeficient tau – t (s variantami „b“ nebo „c“) }založený na počtu hodnot (prvků výběrového souboru) mimo pořadí }vyjadřuje spíše pravděpodobnost, že se prvky výběrového souboru uspořádají podle obou proměnných do stejného pořadí AJ: Spearman (rank correlation) rho, Kendall tau (-b,-c), rank Korelační koeficienty další }korelačních koeficientů existuje velké množství }specifická užití – např. f }zjednodušení ručních výpočtů – např. rpb }ještě budeme mluvit o vztazích mezi nominálními proměnnými… !! Korelace neznamená kauzalitu, jde spíše o koincidenci !! AJ: phi, point-biserial correlation Využití korelací v konstrukci psychologických testů }Položky lze sčítat, pokud spolu korelují. }Položky korelují, existuje-li společný důvod pro určitý způsob odpovídání na ně – měřená charakteristika. }Jak moc spolu musí korelovat? } } } } }rtt je vnitřní konzistence, rM je průměrná korelace mezi položkami, k je počet položek }při 10 položkách stačí průměrná korelace 0,2 }Vnitřní konzistence - Cronbachovo a - horní mez reliability }minimálně 0,7 pro výzkum, 0,9 pro diagnostiku } > Vztah mezi třemi proměnnými Parciální a semiparciální korelace }Zjistili jsme, že účastníci našeho experimentu se nám opili. To nám vadí, protože opilost snižuje citlivost na podněty a zvyšuje obě naše proměnné. } } } } } }Bylo by možné zjistit korelaci mezi hlasitostí a výdrží, bez vlivu alkoholu? } A H V 0,95? A H V Jak ale rozdělovat ty rozptyly? }Regrese dělí proměnnou na sdílený rozptyl a reziduální rozptyl…. }Parciální korelace rHV.A }Uděláme regresi výdrže na alkohol – reziduum výdrže bez alkoholu }Uděláme regresi hlasitosti na alkohol – reziduum hlasitosti bez alkoholu }Korelace dvou reziduí je PARCIÁLNÍ KORELACE } } } }Semiparciální korelace rH(V.A) }Korelace rezidua (V.A) se závislou proměnnou (H) } } AJ: partial correlation, part (semi-partial) correlation Korelace mezi hlasitostí a výdrží , kontrolujeme-li statisticky* alkohol je… A H V hlasitost vydrz alkohol hlasitost 1,000 ,949** ,864** vydrz ,949** 1,000 ,902** alkohol ,864** ,902** 1,000 rHV.A = 0,78 * Též, „pokud by alkohol byl konstantní“ Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Výběr – od deskripce k indukci deskr_infer }Deskripce dat, odhad parametrů }Usuzování = inference = indukce } }Počítá se s náhodným výběrem }tj. výběr jedince splňuje podmínky náhodného pokusu }není-li výběr v pravém slova smyslu náhodný, uvažujeme, v čem se p-dobně liší od náhodného } } AJ: statistical description, inference, population, sample, data, statistics, inference, parameters, random sample (sampling) Statistiky a parametry }Na vzorku (datech) počítáme statistiky }Hodnotě statistiky v celé populaci říkáme parametr. }Pro parametry používáme odpovídající písmena řecké abecedy }např. průměr: statistika m, parametr m (mí) }další: s – s (sigma), r – r (ró), d – d (delta - rozdíl) }Statistiky jsou odhady parametrů }tj. jsou vždy zatíženy chybou – výběrovou chybou }chyby náhodné – umíme spočítat, známe-li výběrové rozložení }chyby systematické – nevhodné statistiky, špatné měření, špatný způsob výběru vzorku (metodologie) }Jak dobré jsou tyto odhady? } }AJ: estimates, sampling error. random error, systematic error, sampling distribution Výběrové rozložení a sm. chyba }Spočítáme-li tutéž statistiku na mnoha nezávislých náhodných vzorcích }získáme mnoho různých odhadů parametru }tyto odhady mají nějaké rozložení - výběrové rozložení } }http://onlinestatbook.com/stat_sim/sampling_dist/index.html } }Výběrové rozložení obvykle můžeme popsat }průměrem – ten se u dobrých statistik blíží hodnotě parametru }směrodatnou odchylkou – říkáme jí směrodatná chyba ((odhadu) parametru) nebo také střední chyba a obecněji i výběrová chyba }Čím je velikost vzorku/ů větší, tím je směrodatná chyba menší } }AJ: sampling distribution, standard error (of the mean) Výběrové rozložení (odhadu) průměru }Odhad průměru má přibližně normální rozložení, }jehož průměr je m se směrodatnou chybou ……………...... }Platí to i tehdy, když rozložení proměnné není normální. } a to „díky“ centrálnímu limitnímu teorému }Jenomže my obvykle neznáme s… }Neznáme-li s, musíme použít s }průměr zůstává m, směrodatná chyba je nyní …………………. }výběrové rozložení není normální, jde o } Studentovo t -rozložení }jako normální s těžšími konci (t je pro t-rozložení totéž, co z pro normální rozložení) }má různé tvary pro různá n : stupně volnosti – n (ný) ¨zde n = N−1; čím vyšší N, tím se t-rozložení blíží normálnímu } }AJ: central limit theorem, Student’s t-distribution, degrees of freedom (d.f.) Studentovo t -rozložení t_dist Výběrové rozložení dalších statistik }Nyní je tedy třeba ke každé popisné statistice znát ještě další vlastnost – její teoretické výběrové rozložení }relativní četnost – přibližně normální - Hendl 156 }rozptyl – po transformaci c2-rozložení (chí kvadrát) - Hendl 159 }Pearsonova r – po Fisherově transformaci normální – Hendl 252 }Teoretická výběrová rozložení různých statistik jsou různá }Statistika je obvykle transformována do podoby, která má jedno z běžných teoretických rozložení: normální, chí-kvadrát rozložení (Pearsonovo), t-rozložení (Studentovo), F-rozložení (Fisherovo, Snedecorovo) }Netřeba je znát z hlavy, programy je používají za vás, ale stojí za to vědět, že existují přehledy – např. Receptář Oseckých nebo Sheskin ISBN 1584884401 }Pro interpretační potřeby si obvykle vystačíme s představou výběrového rozložení průměru }Pozor, centrální limitní teorém se týká pouze výběrového rozložení průměru! } }AJ: chi-square distribution, F-distribution } Výběrové rozložení mediánu je v případě normálního rozložení taky normální a výběrová chyba je cca 1,253 výběrové chyby průměru. Dobrá simulace je na www.stat.tamu.edu/~jhardin/applets/signed/SampDist2.html (s varováním). Na konfidenční interval se jde podle Altmana et al.(2000) s. 36 jinak, taky pořadově. Tohle je Bodové vs. intervalové odhady }Parametr se můžeme snažit odhadnout… }bodovým odhadem – tj. odhadujeme přímo hodnotu parametru, např. průměr. Kvalita bodového odhadu viz Hendl 169. }intervalovým odhadem – tj. odhadnutím intervalu, který parametr s určitou p-ností zahrnuje }výsledkem intervalového odhadu je interval spolehlivosti }interval spolehlivosti tvoříme z bodového odhadu a znalosti jeho výběrového rozložení, tj. (bod±odchylka) }intervalový odhad lepší - více informací }té p-nosti se v tomto kontextu říká hladina spolehlivosti (1-a) ¨typicky se používá 95% a 99% hladina spolehlivosti ¨pak říkáme, že hledaný parametr je s 95% p-ností v intervalu spolehlivosti } }Zkuste si sami: http://onlinestatbook.com/stat_sim/conf_interval/index.html } }AJ: point estimate, interval estimate, confidence interval (CI), level of confidence, consistency, unbiasedness, relative efficiency, resistence a je p-nost chyby a proto je hladina spolehlivosti 1-a, tj. 95% spolehlivost znamená 5% chybovost: (1-0,05) Příklad konstrukce intervalu spolehlivosti pro průměr 1 }Na vzorku dětí (N=100) s různobarevnýma očima jsme spočítali průměrné IQ 130, přičemž víme, že s =15. }bodový odhad průměrného IQ v populaci dětí s různobarevnýma očima (tj. parametru, m) je 130 }intervalový odhad }Známe-li s, výběrové rozložení průměru má normální rozložení… }…se středem v m. m neznáme, a tak použijeme bodový odhad m = 130 }… se směrodatnou chybou odhadu průměru sm = s /√N = 15/ √100 = 1,5. }Zvolíme-li hladinu spolehlivosti 1-a = 95%, }pak v tabulkách/Excelu zjistíme, že 95% normálního rozl. je mezi hodnotami z= −1,96 a 1,96 ,tj. 1-a/2z = 0,975z = 1,96 , Excel: =NORMSINV(0,975) }interval spolehlivosti: (m − 1,96sm; m + 1,96sm) = (127,1 ; 132,9), }tj. s 95% pravděpodobností 127,1 £ m £ 132,9 } } } } Příklad konstrukce intervalu spolehlivosti pro průměr 2 }Na vzorku dětí (N=100) s různobarevnýma očima jsme spočítali průměrné IQ 130 a s =15. }bodový odhad průměrného IQ v populaci dětí s různobarevnýma očima (tj. parametru, m) je 130 }intervalový odhad }střed intervalu spolehlivosti bude na bodovém odhadu, tj. m = 130 }víme, že výběrové rozložení průměru má t–rozložení se stupni volnosti n = N−1 = 99 }zvolíme-li hladinu spolehlivosti 1-a =95%, }pak v tabulkách (Excelu) zjistíme, že 95% t-rozložení je mezi hodnotami t=-1,98 a 1,98 (tj. 1-a/2t (n)= 0,975t (99) = 1,98 excel: TINV(0,05;99)) }směrodatná chyba odhadu průměru sm = s /√n = 15/ √ 100 = 1,5 }interval spolehlivosti: (m - 1,98sm; m + 1,98sm) = (127,0 ; 133,0), }tj. s 95% pravděpodobností 127,0 £ m £ 133,0 } } } } pozor na tento rozdíl: ve středu intervalu je m, někde v intervalu je v 95% případů m Interpretace intervalu spolehlivosti }… je prostá, avšak zrádná }95% interval spolehlivosti znamená, že sestrojujeme-li tento interval dle výše uvedených instrukcí, v 95% případů sestrojení intervalu tento interval zahrnuje odhadovaný parametr, tj. v 95% případů je závěr, že m je mezi čísly a a b, správný. }V tomto smyslu to také znamená, že máme subjektivní 95% jistotu, že parametr je v námi určeném intervalu. }V konkrétním případě, kdy jsme spočetli konkrétní interval spolehlivosti (127 £ m £ 133), to neznamená, že v 95% případech je m v intervalu od 127 do 133. }To proto, že m je konstanta; při opakovaných výzkumech se nemění. Díky omylnému výběru v každém výzkumu vychází poněkud jiný interval sestrojený podle jiného výběrového průměru. Jinými slovy, trefujeme se obručí na kolík a ne kolíkem do obruče. }O čem tohle slovíčkaření je? O rozdílu mezi četnostním a subjektivním (Bayesovským) pojetím pravděpodobnosti. Od vzorku k populaci a zpět }Vzhledem k tomu, jaká nám na vzorku vyšla statistika, jaký je odpovídající populační parametr? } interval spolehlivosti }Pokud předpokládáme, že v populaci je hodnota parametru X, co si myslet o své hypotéze poté, co nám na vzorku vyšlo Y? } statistický test hypotézy Hypotézy }Příklady (statistických) hypotéz }H: m = 100 : Populační průměr IQ je roven 100. }H: s = 10 : Populační směrodatná odchylka je 10. }H: m1 – m2 = 0 : Populační průměry m1 (psychotici) a m2 (zdraví) jsou stejné. }H: rxy= 0 : Proměnné X (pití piva) a Y (dominance) spolu nekorelují } }Vezměme si tu první hypotézu konfrontujme s daty: }Na vzorku 1000 náhodně vybraných dospělých jsme zjistili průměrné IQ rovné 105 (s =14). AJ: statistical hypotheses testing, hypothesis, hypothesis supported by data Cílem výzkumu je obvykle konfrontovat očekávání vyplývající z teorie s empirickými daty. Upozornit, že hypotézy formulujeme vždy v řeči parametrů. Výběrové statistiky nikoho nezajímají. Namalovat si TO. – rozložení kolem stofky A pak ještě jednou pro n=25. Statistický test hypotézy }Statistické testování založeno na p-nosti }Známe-li pravděpodobnostní rozložení statistik můžeme usuzovat, jak pravděpodobná je určitá výběrová statistika vzhledem k hypotéze: P (D |H ) }D : např. m=9,78 }H : např. m =10, P (D |H ) je P (m=9,78 | m =10 ) }Je-li P (D |H ) vysoká, je tím hypotéza podpořena. }Je-li P (D |H ) nízká, je tím hypotéza „činěna méně p-nou“ } }Jak „vysokánízká“ je vysokánízká pravděpodobnost, abychom hypotézu podpořilivyvrátili? Jak vysoká P(D |H ) je nutná k přijetí H? }Bayesovský přístup – otázka není relevantní }s H je spojena určitá p-nost a ta se díky P (D |H) zvyšuje či snižuje }Bayesův teorém – P (H |D ) = P (H ) * P (D |H ) / P (D ) } }Fisher, Pearson, Neyman – otázka je relevantní }Popper – princip falzifikace – H nelze potvrdit, pouze vyvrátit }My ale nechceme své hypotézy vyvracet, spíš potvrzovat }P-N: princip vzájemně se doplňujících konkurenčních hypotéz }Vytvořme takovou H, kt. bude logickou negací naší vědecké hypotézy a říkejme jí nulová H. Když se nám podaří nulovou H vyvrátit, znamená to jakousi podporu pro naší vědeckou hypotézu. }Vyvrácení H0: P(D |H0) < 0,05; 0,01; 0,001; 0,0001 podle zvyku } Zde už mluvíme o dichotomickém rozhodování. Terminologická vložka }H0 : nulová (statistická) hypotéza }logická negace (doplněk) vědecké hypotézy }H1 : alternativní (vědecká, výzkumná)hypotéza }ta, o kterou nám primárně jde; P (H0 È H1) = 1 }P (D |H0), kdy H0 zamítáme: }značí se i p nebo Sig. }p-nost chybného zamítnutí H0 - chyba prvního typu }Je-li stanovena dopředu: úroveň/hladina statistické významnosti (průkaznosti), a, udává se často v procentech: 5%, 1% }chyba, jejíž velikost jsme ochotni tolerovat }Jednostranné vs. oboustranné hypotézy }jednostranné, směrové: m ≥ 23, m ≤ 0, z různých důvodů se jim vyhýbáme }oboustranné: m = 23 } }AJ: null hypothesis, scientific/alternative hypothesis, level of statistical significance, type I error, one-tailed, two-tailed, directional Jednostranné pomluvit a že už se jimi zabývat nebudeme. V mnoha učebnicích je „statistická hypotéza“ nadřazeným pojmem nulové a alternativní. „Statistická“ je pak definovaná jako hypotéza o parametru a nulová a alternativní jsou nerozdělitelnou dvojicí. Postup testování statistické hypotézy 1.Formulujte statistickou hypotézu, kterou budete testovat (vyvracet) (H0: m = 0) 2.Zvolte hladinu statistické významnosti, tj. míru rizika, že dojde k chybě 1. typu (např. a = 0,05) 3.Hledáme p-nost získání naší výběrové statistiky nebo extrémnější hodnoty, za předpokladu, že H0 je pravdivá: P(D|H0), p, Sig. }cesta vede přes znalost výběrového rozložení statistiky }např. m = 0,5. P (|m|=0,5|m=0) }obvykle je nutný přepočet na tzv. testovou statistiku, např. t, z… 4.Vyneseme rozhodnutí o H0: zamítnutí či přijetí }je-li P(D|H0) < a , pak H0 zamítáme }je-li P(D|H0) ≥ a , pak H0 nezamítáme } „D“ znamená „statistika nebo extrémnější“ Příklad – jednovýběrový t-test }Terapie nevhodného chování. }Rozdíl před-po: m=2,7; s=3,5; N=10 }H : Terapie má efekt. (m ≠0) 1.H0 : Terapie nemá efekt: m = 0 2.V sociálních vědách běžně a=0,05 3.P (|m|≥2,7|m=0) = ? }sm=3,5/odm(10)=1,1 }t =(m-m)/sm=2,7/1,1= 2,45 }P (|t |≥2,45 |t =0) = TDIST(2,45;9;2) = 0,04 4.P (|m|≥2,7|m=0) < 0,05 >> zamítáme H0 } }Protože při m =2,7 je velmi málo pravděpodobné, že by rozdíl byl 0, tak připouštíme, že nějaký rozdíl je. Zmínit jednostranné hypotézy. Dichotomizace výsledků výzkumu }Výsledek výzkumu je testováním zredukován na ano-ne } } } } } } } } } } }Čím nižší je a, tím vyšší je b. Přesná podoba vztahu závisí na použitém testu. a i b mohou být nízké pouze při vysokých n. }Síla testu viz Hendl 401-411. } }AJ: type-I error, type-II error, (statistical) power H0 přijata H0 zamítnuta H0 pravdivá (žádný efekt) OK chyba 1. typu a (její pravděpodobnost) H0 nepravdivá (efekt) chyba 2. typu b OK Síla (1-b) a: efekt nalezen, kde žádný není b: existující efekt za takový neodhalen síla: pravděpodobnost odhalení existujícího efektu Problémy statistického testování H }Největší problém: dichotomizace }stejná velikost efektu dává při různých N jiné rozhodnutí o H0 }komplikuje až znemožňuje kumulativní budování znalostní báze }Problém interpretace }p= P(D |H0) a nikoli P(H |D) }Jak z jich ven? }VŽDY udávat velikost efektu (Cohenovo d, r, R 2, h2, w2 ) }používat intervalové odhady }testování hypotéz používat pouze doplňkově Přečíst Cohena. Základní výzkumné otázky/hypotézy 1.Stanovení hodnoty parametru v populaci }stanovení intervalu spolehlivosti na m, s, r, b… }srovnání statistiky s hypotetickou hodnotou – konstantou }Korelace mezi proměnnými }korelace, regrese, chí-kvadrát }H1: r <>0 … H0: r =0 }např. Mezi věkem a počtem návštěv lékaře za rok existuje lineární korelace. 2.Rozdíl mezi skupinami/vzorky - populacemi }mezi průměry, korelacemi, rozptyly, pravděpodobnostmi, pořadími…. }lze srovnávat 2 i více skupin-populací }např. H1: m1-m2<>0 … H0: m1-m2=0 }např. Muži a ženy se liší v míře úzkostnosti. }Rozdíl průměrů lze převést na korelaci a naopak - obecně mluvíme o velikosti efektu/účinku AJ: difference, association, effect size, two-tailed, one-tailed (directional) Upozornit, že hypotézy formulujeme vždy v řeči parametrů. Výběrové statistiky nikoho nezajímají. Přehledy statistických testů }receptář Oseckých třídění podle }počtu výběrů(skupin) – 1, 2, nebo více }úrovně měření – alternativní, nominální, pořadová, intervalová }typu procedury – interval spolehlivosti, test hypotézy, velikost potřebného výběru }Hendl – kapitola 12 a str. 235 }online }http://www.graphpad.com/www/book/Choose.htm }http://www.whichtest.info }http://www.socialresearchmethods.net/selstat/ssstart.htm }česky: http://meloun.upce.cz/metody/ }Sheskin, D.J.: Handbook of parametric and nonparametric statistical procedures. CRC press, 2004. }Kanji, G.K.: 100 statistical tests. Sage, 2006. Př.: Testy na rozdíly 2 středních hodnot }Intervalová závislá – rozdíly průměrů }párový test: párový t-test }nezávislé skupiny: }známý rozptyl v populaci: z-test }neznámý rozptyl v populaci: t-test pro nezávislé skupiny ¨varianta pro stejné a nestejné rozptyly mezi skupinami }Ordinální závislá – rozdíly mediánů, průměrného pořadí }párový test: binomický znaménkový test, Wilcoxonovo T (int) }nezávislé skupiny: Mann-Whitney U }Nominální závislá – shoda rozložení }párový test: McNemarův test (dichotomie), Bowkerův test symetrie }nezávislé skupiny: chí-kvadrát }AJ: sign test, chi-square, Wilcoxon T, Mann-Whitney U, paired(-samples) t-test (dependent, repeated measures), one-sample t-test, independent samples t-test Zde už mluvíme o dichotomickém rozhodování. Nejsou-li splněny předpoklady pro test na vyšší úrovni měření, musíme jít níž. Srovnání 2 nezávislých průměrů: t -test }Předpoklady použití ... jsou-li výrazně porušeny, volíme raději neparametrický test }proměnná je v populaci normálně rozložená - neřeší se, pokud je n1,n2 >30 }homogenita rozptylů (homoscedascita), pokud n1 ≠ n2 ¨řeší modifikace t-testu pro nestejné rozptyly (6.2.3) ¨testuje se Levenovým testem (od oka s12/s22<2) }nezávislost pozorování - řeší párový t-test (pro závislé výběry) (6.2.4) }H0: m1 – m2 = 0 (nebo roven konstantě, nebo >/< 0 či c) a zvolíme a = 1%, 5%, nebo 10% }Rozdíl průměrů d má } výběrovou chybu sd= √{[((n1 – 1)s12+(n2 – 1)s22)/(n1+n2 – 2))]*[1/n1+1/n2]} } t-rozložení s n1+n2 – 2 stupni volnosti (n ) }Spočítáme testovou statistiku t = (m1 – m2)/sd = d/sd }Zjistíme jaká je p (t ≥ |zjištěná hodnota|) - tabulky, TDIST(t , n) }Je-li p ≥ a, pak H0 zůstává platná, je-li p < a, H0 zamítáme (a konstatujeme existenci statisticky významného rozdílu). }Spočítáme Cohenovo d a interval spolehlivosti pro rozdíl průměrů. s2pooled Velikost účinku/efektu }Možnost srovnání mezi studiemi zkoumajícími tutéž výzkumnou otázku pomocí různě operacionalizovaných proměnných }Možnost srovnání velikosti efektu vyjádřeného různými koeficienty }Snadnější interpretace }Pro rozdíly středních hodnot }Cohenovo d = |m1 – m2|/spooled ; spooled= √[((n1 – 1)s12+(n2 – 1)s22)/(n1+n2 – 2))] }varianta d’ = |m1 – m2|/scon ; scon= s kontrolní skupiny }Pro těsnost vztahu (korelace) }r a r2, R2, h2(eta), w2 – podíl vysvětleného rozptylu závislé proměnné }Indikátory velikosti efektu lze mezi sebou navzájem převádět }Cohenovo d na r : r = √(d 2/(d 2+ 4)) }r na Cohenovo d : d = 2r /√(1 – r 2) } }AJ: effect size, Cohen’s d, strength of association, explained variance Síla testu }Síla testu (1-b) je pravděpodobnost, že existující rozdíl bude detekován, zjištěn jako statisticky významný. }Záleží na }skutečné velikosti účinku (d , r…) }variabilitě proměnné(ých) – s,s }velikosti vzorku n }zvoleném riziku chyby I. typu, a : čím nižší je a tím nižší je síla }zvoleném testu (parametrické mají vyšší sílu) }Obvykle toužíme po co nejvyšší síle testu, cca 0,8 a výše. }Bojujeme o ni především velikostí vzorku a kontrolou intervenujících proměnných (snižuje s). Publikace výsledků testování hypotéz }Primárně udáváme velikost efektu, nejlépe intervalem spolehlivosti }Sekundárně udáváme výsledek statistického testování }udáváme získanou hodnotu p (Sig.) }uvádíme i testovou statistiku (i se stupni volnosti) – r, t(n), F (n1,n2), c2, M-W U… }Interpretujeme nejlépe interval spolehlivosti. Výsledek statistického testování interpretujeme vzhledem k použité nulové hypotéze. Testy normality rozložení }Kolmogorov-Smirnov s Lillieforsovou korekcí, Shapiro-Wilk, D’Agostino-Pearson a jiné }Testují H0, že rozložení proměnné se neliší od normálního rozložení }jsou to jedny z tzv. testů dobré shody (goodness-of-fit tests) }testovaná H0 je shoda; tj. p 1000) jsou naopak extrémně přísné }t-testy a ANOVA jsou proti narušení normality robustní, takže nám obvykle stačí konstatovat unimodalitu bez extrémního zešikmení }pro rozhodování mezi použitím parametrických a neparametrických testů volíme spíše úroveň měření a velikost vzorku } }AJ: tests of (univariate) normality, goodness-of-fit tests }Více: http://www.psy.surrey.ac.uk/cfs/p8.htm, http://www.graphpad.com/library/BiostatsSpecial/article_197.htm c2 – test dobré shody }Liší se empirické četnosti nějakých jevů od teoreticky očekávaných četností? }Házení kostkou – kolikrát padne 1,2,… }Preference politických stran ve volbách… }Tedy jedna nominální proměnná, jeden výběr }Testujeme pravděpodobnost daného rozdílu mezi empirickými a očekávanými hodnotami v rámci jednoho výběru } }H0: F(x) = F0(x) vs. H1: F(x) ≠ F0(x) } } }k je počet kategorií, n velikost vzorku, ni pozorovaná četnost v kat. i, pi teoretická pravděpodnost jevu v kategorii (0 až 1); ∑ni = ∑npi }Rozdělení c2; stupně volnosti df = k-1 }Překoná-li hodnota c2 kritickou mez, H0 zamítáme. }Pro získání pravděpodobnosti c2 CHIDIST(x,volnost); CHIINV(prst, volnost) }Očekávané četnosti… při uniformním rozložení 1:1:1…; nebo libovolně teoreticky odvozené (10:24:32…) }Ni i NPi vždy jako četnosti; nikdy ne procenta = relativní četnosti (ztráta informace o velikosti vzorku. AJ: Chi-square goodness-of-fit test, observed (empirical) frequency vs. expected frequency Ve kterém měste by jste žili nejraději? Kategorie n p np (n-np)^2/np Paříž 38 0,2 28 3,57 New York 37 0,2 28 2,89 Londýn 22 0,2 28 1,29 L.A. 25 0,2 28 0,32 Tokio 18 0,2 28 3,57 Celkem 140 1 140 11,64 Chi2 11,64 p 0,02 Analýza rozptylu Srovnávání více než dvou průměrů If your experiment needs statistics, you ought to have done a better experiment. Ernest Rutherford Omezení t-testu (i jeho nPar alternativ) }t-test umožňuje srovnání pouze dvou průměrů }Více skupin ( j ) >> mnoho porovnání: j ( j -1)/2 }Více srovnání způsobuje strmý růst pravděpodobnosti chyby I. typu }např. při a=0,05 a 20 testech p=0,64 (1 nebo více chyb) }aplikace binomického rozložení }Platí to pro jakékoli statistické testy (zejm. korelace) }Je nevhodné provádět velké množství testů na jedněch datech (cca >5) }Zneužití se označuje jako rybaření v datech – capitalizing on chance }Lze kompenzovat korekcí hladiny a (Bonferroniho korekce), avšak za cenu značného snížení síly testu (1-b). }Místo a testujeme na hladině a ’=a/N, kde N je počet prováděných testů. AJ: multiple tests, capitalizing on chance, Bonferroni correction, statistical power Řešení = Analýza rozptylu (ANOVA) }Testuje na více skupinách jen jednu hypotézu: }Je někde mezi skupinovými průměry někde rozdíl? }Je mezi Pražáky, Brňáky a Ostraváky rozdíl v průměrné lakotě? }H0: mPražáci = mBrňáci = mOstraváci }Je-li odpověď „ano“ (p a), pak bychom neměli (rybaření) } } AJ: ANalysis Of Variance, post-hoc tests (multiple comparisons) Zde už mluvíme o dichotomickém rozhodování. Terminologická vložka - ANOVA }ANOVA = ANalysis Of Variance = analýza rozptylu }i přes svůj název jde o srovnávání průměrů }ANOVA zjišťuje vztah mezi kategoriální nezávislou a intervalovou závislou. }kategoriální nezávislá = faktor (factor, „-way“) }hodnoty kategoriální nez. = úrovně (level, treatment) }Zjištěný rozdíl = efekt, účinek (effect) Anově táhne na stovku a vymyslel ji zemědělský statistik Fisher. Je velmi spojena s experimentálním výzkumem v soc. vědách a má svou vlastní terminologii. Pro porozumění je třeba ji znát. Princip ANOVY 1. ¨ rozptyl = MS = mean square ¨ MSwithin : variabilita uvnitř skupin (MSe, error) ¨MSwithin=SSwithin/n – j ¨ MSbetween : s2 spočítaný ze skupinových průměrů, variabilita uvnitř skupiny je ignorována (též MSA, B, treatment ) ¨ MSbetween=SSbetween/j -1 Platí-li H0, jaký čekáme vztah mezi Msbetween a Mswithin ? Princip ANOVY – F -test }Čím jsou si průměry podobnější, tím je rozptyl mezi skupinami nižší (Platí-li H0, MSbetween se blíží 0) }Čím nižší je rozptyl uvnitř skupin (MSwithin se blíží 0), tím průkaznější se průměry mezi skupinami zdají být. }Důležitý je poměr těchto dvou odhadů rozptylu: } }Čím vyšší je F-poměr, tím průkaznější jsou rozdíly mezi průměry (rozsah je 0 až ∞ ) }F -poměr má při platnosti H0 jako výběrová statistika F –rozložení s (df1,df2), které má průměr přibližně 1 } Fisherovo-Snedecorovo F-rozložení }Podobně jako t-rozložení, je F-rozložení vlastně rodina mnoha rozložení mírně se lišící svým tvarem (F(1; n)= t(n)2) }Tato rozložení se liší tentokrát dvěma parametry – stupni volnosti }n1 = počet skupin – 1 : stupně volnosti čitatele - MSbetween }n2 = počet lidí – počet skupin : stupně volnosti jmenovatele - MSwithin }na pořadí ZÁLEŽÍ } } } } } } } } } } } } }http://www.econtools.com/jevons/java/Graphics2D/FDist.html } Princip ANOVY – dělení rozptylu. }Dělení variability (rozptylu) podle zdrojů jako u lineární regrese }Xij =m + aj + eij }Xij = skóre jedince (i-tý jedinec v j-té skupině) }m = průměr populace }a = vliv příslušnosti ke skupině (vliv úrovně faktoru) }eij= chyba (vše, s čím nepočítáme, individuální prom.) }Xij – m = (m – mj ) + (Xij – mj ) }odchylka od celkového průměru = odchylka od skupinového průměru + odchylka skupinového průměru od celkového průměru }… odchylky umocněné na druhou = cesta k rozptylu }SSTotal = SSBetween (A, treatment) + SSWithin(Error) }MSTotal; MSError; MSA Velikost účinku (efektu) }Podobně jako u regrese chceme vědět, jaká část rozptylu závislé je vysvětlená nezávislou }Ekvivalentem R 2 je u anovy h2 (eta) }h2=SSBetween/SSTotal }Poněkud přesnější je w2 = (SSBetween –dfBetween.MSWithin)/(SSTotal + MSWithin) }Pro konkrétní rozdíl průměrů dCoh = m1-m2/√MSWithin } }Velikost účinku je vždy třeba uvádět Předpoklady použití ANOVY }normální rozložení uvnitř skupin }při nj>30 a n1=n2=…=nj je ANOVA robustní }stejné rozptyly uvnitř skupin: homoskedascita }do smax/smin<3 je ANOVA robustní, zvláště při n1=n2=…=nj }nezávislost všech pozorování }při opakovaných měřeních je třeba použít ANOVU pro opakovaná měření } }One-way ANOVA }kontrasty a post-hoc testy ONEWAY }Faktoriální (two-way, three-way...) ANOVA }interakce UNIANOVA }Analýza kovariance – ANCOVA }kontrola intervenující proměnné }ANOVA s více závislými - MANOVA } Životní spokojenost a rodina }Domníváme se, že kompletní rodina je základ životní spokojenosti. }H1: Mkomplet > Mnekomplet }Zajímá nás, zda se liší chybění otce a jeho nahražení nevlastním otcem }H2: Mbez otce ≠ Mnevlastní otec } } } Kontrasty }I když můžeme srovnat všechny průměry se všemi ostatními, platíme za to velkou ztrátou síly }Řešením jsou předem plánovaná srovnání – KONTRASTY }Lze srovnat kterékoli 2 skupiny nebo skupiny skupin }např. 1. skupinu se průměrem všech ostatních, kontrolní skupinu se každou ze zbývajících skupin zvlášť }Realizuje se zvláštním kódováním }při platnosti nulové hypotézy je součet vážených průměrů 0 }H1: 1. vs (2. a 3.) ..... -2 1 1 }H2: 2. vs 3. ..... 0 -1 1 } Post-hoc testy (simultánní porovnávání) }Po (a pouze po) prokázání „nějakých“ rozdílů mezi průměry obvykle chceme vědět, mezi kterými skupinami konkrétně rozdíly jsou: post-hoc testy }Srovnáváme každou skupinu s každou způsobem, který nezpůsobí nárůst a. }Je-li důležité udržet a pod kontrolou, je správnou volbou Scheffeho test nebo Tukeyho HSD – volba pro rybaření }Máte-li stejně velké skupiny (balanced design) - REGWQ }Pokud to a kritická a máte-li pár kvazi-hypotéz na mysli, pak je volbou Student-Neuman-Keuls (S-N-K) }Extrémně „dajný“ a nepříliš vhodný pro více než 3 skupiny je LSD a proto se nedoporučuje. }Při nesplnění homoscedascity – Games-Howell }Field 339 Faktoriální ANOVA }více faktorů ... možnost interakce mezi nimi }fixed vs. random faktory } }Liší se výkonová motivace podle věku a pohlaví? }INT: Jsou případné genderové rozdíly shodné v obou kohortách? }Liší se výkonová motivace mezi školami a podle pohlaví? }INT: Liší se genderové rozdíly škola od školy? } Analýza kovariance }Velká variabilita závislé může zastírat rozdíly. Dokážeme-li část její variability vysvětlit nějakým prediktorem, můžeme hledat rozdíly pouze ve zbývající části rozptylu závislé. }statistická kontrola – jako parciální korelace a regrese }Proměnnou, jejíž vliv chceme kontrolovat, vkládáme jako kovariát MANOVA }Máme-li více závislých }Opatrně. } Shrnutí }ANOVA je pro situace s intervalovou závislou a více kategorickými nezávislými – porovnávání mnoha průměrů }Faktory mohou být fixní nebo náhodné }ANOVA je podobná regresi – pro interpretaci je dobré si vyžádat „parametry“, tj. regresní váhy }Lze testovat konkrétní hypotézy – kontrasty }Lze testovat všechny možné rozdíly průměrů – post hoc }Lze uvažovat o kombinovaném vlivu faktorů – interakce }Lze kontrolovat vliv intervenujících proměnných – kovariáty - ANCOVA }Lze mít i více závislých najednou – MANOVA - opatrně