PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ ­ NEPARAMETRICKÉ METODY ... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot nominální proměnné Výzkumné otázky... Liší se významně preference nějakých politických stran? Liší se poměrné zastoupení kuřáků mezi ženami a muži? Souvisí nějak individuální volební preference s odhadem měsíčního příjmu respondenta? Otázky směřují buď k rozdílu četností různých jevů v rámci jedné proměnné (četnost různých jevů v jedné populaci), k rozdílu četností jevu mezi různými proměnnými (četnost jevu v různých populacích), Nebo k pravděpodobnosti výskytu dvou (či více) jevů současně. Nominální proměnná Též kategoriální, alternativní Zařazení jevu do určité kategorie Jednotlivé kategorie musí být vzájemně disjunktní ­ metodologie & logika věci Kategorie mohou vzniknout i transformací z proměnné vyššího řádu ­ kategorizace pořadí, známek ve škole, ,,nižší úzkost x vyšší úzkost" atd. Ordinální proměnné o málo opakujících se pořadích (k<10) mohou být analyzovány jako nominální Klíčová slova Četnost, relativní četnost, očekávaná četnost, rezidua, 2 (Chi-kvadrát) AJ: frequency, relative frequency, expected frequency, residuals, Chi-square Rozdělení Chi2 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. k i i ii np npn 1 2 2 )( c 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 28 0,2 28 0 New York 28 0,2 28 0 Londýn 28 0,2 28 0 L.A. 28 0,2 28 0 Tokio 28 0,2 28 0 Celkem 140 1 140 0 Chi2 0 p 1,000 Uniformní/náhodné rozdělení k i i ii np npn 1 2 2 )( c Ve kterém měste by jste žili nejraději? k i i ii np npn 1 2 2 )( c 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 Empirické rozdělení Závislost kategoriálních proměnných Jaká je souvislost preference politické strany a úrovně hrubého příjmu voliče? Jaká je pravděpodobnost společného výskytu dvou jevů z x a y možných? Podmínka disjunkce! Kontingenční tabulka ... řádky x sloupce = r x s; i x j Ve těle tabulky jsou četnosti jednotlivých kombinací, v okrajích tzv. marginální četnosti ­ sumy sloupců nebo řádků. Tedy n12 znamená počet osob ve druhém sloupci prvního řádku; počet osob, u nichž nastal jev A1 a současně B2. Kategorie B1 B2 ... Bs Řádkové součty A1 n11 n12 ... n1s n1. A2 n21 n22 ... n2s n2. ... ... ... ... ... ... Ar ni1 ni2 ... nij ni. Sloupcové součty n.1 n.2 ... n.j n AJ: contingency table (crosstabulation, ctosstab), marginal frequencies Závislost kategoriálních proměnných Postup analogický, jako u jednorozměrné verze testu dobré shody c2 Očekávané četnosti: mij (očekávaná četnost v i-j-té buňce)(i ­ řádky, j ­sloupce) Testová statistika je c2 Stupně volnosti: df = (i-1)*(j-1) n nn m ji ij .. r r s j ij ijij m mn 1 1 2 2 )( c Kategorie B1 B2 ... Bs Řádkové součty A1 n11 n12 ... n1s n1. A2 n21 n22 ... n2s n2. ... ... ... ... ... ... Ar ni1 ni2 ... nij ni. Sloupcové součty n.1 n.2 ... n.j n Síla vztahu v kontingenční tabulce Koeficient kontingence (Pearson) Ckor Cramerovo V Oba koeficienty v intervalu (0;1). Neindikují ovšem žádným způsobem ,,směr" vztahu. Směrů je v kontingenční tabulce mnoho :-) A proto... jsou kontingenční tabulky mnohdy účelné i tehdy, máme-li k dispozici data na vyšší úrovni měření. Možnost odhalení nelineárních vztahů Skrze výpočet reziduí, tj. rozdílů mezi pozorovanou a očekávanou četností: nij ­ mij = resi tyto ,,zbytkové" hodnoty lokalizují odchylky od pravděpodobnostního rozdělení Součet residuí v tabulce je vždy nula Standardizovaná rezidua (Pearsonova): R = (nij ­ mij)/ mij rozdělení standardizovaných reziduí je normální s průměrem 0 a sm. odchylkou 1; tedy R +- 1,96 jsou ,,zajímavá" pro interpretaci, významně přispívají k signifikanci 2 . Analýza tabulky skrze 2 je nespolehlivá, je-li min(mij) < 5. I řídké jevy musí mít šanci Hendl str. 297 ­ 313. AJ: strength of association, contingency coefficient, standardized residuals Testy středních hodnot pro ordinální proměnné ­ neparametrické metody Metody užívající parametrů normálního rozložení nejsou dobře použitelné v případech, kdy Data nepochází z normálního rozložení Data mají ordinální charakter; nebo se jedná o krátké intervalové škály Jsou malé výběry Obecně parametry m, s nedávají dobrou informaci Neparametrické metody problém překonávají, jsou robustní vůči rozložení dat... (nezávisí na parametrech norm. rozl.) Pro jeden výběr: znaménkový, ... Pro párové srovnání: Marginal Homogeneity, ... Pro 2 nezávislé výběry: Mann-Whitney U, Kolmogorov-Smirnov Z a mnoho dalších... na velkém vzorku je ale koneckonců robustní i t-test ­ platnost centrální limitní věty; ovšem pozor na bimodalitu a další ,,zvláštní jevy". Non-parametric, robust, data assumptions, sign test, sample distribution etc. Jeden výběr, znaménkový test Je ,,průměrná" známka z matematiky v nějaké třídě ,,2"? Liší se empirická hodnota medianu od stanovené? H0: Md = Md0; H1: Md Md0 ... => H0: 2 = 2 0; H1: 2 2 0 Pokud se hodnoty mediánů shodují, mělo by nad i pod teoretickým medianem být stejné množství případů Asymptotický test pomocí normálního rozdělení: rozdíly di = xi ­ Md0; Z+ je počet kladných rozdílů, analogicky Z-; di = 0 ignorujeme. Platí-li H0, Z+= Z-. Z+ + Z- = n. Testovací statistika: z = (2Z+ - n)/n Padne-li statistika z do intervalu z/2, H0 nezamítáme. z má tvar asymptoticky normálního rozdělení, přesný test by využil binomického rozdělení. Jedná se tedy o alternativu t-testu pro jediný výběr; Pro závislé výběry (=párové srovnání) di = xi ­ yi; znaménkovým testem zkoumáme, zda pro H0 střední hodnota d = 0. Neparametrické testy pro nezávislé výběry Mediánový test Je­li společný medián dvou výběrů shodný, leží na jedné straně Md 50% každého výběru. Určíme Md pro celý soubor; pokud platí H0, četnosti hodnot ležících nad i pod Md by měly být stejné pro x i y. Pokud H0 neplatí, budou četnosti výrazně asymetrické, v ,,diagonále". V asymptotické verzi testu je možné použít kvantily normálního rozložení pro: ))()()(( )( dccadbba nbcad z x y Md c d c+d a+c b+d n Silnější alternativou je Wilcoxonův test pro nezávislé výběry nebo Mann-Whitney U, popřípadě další.