Statistická analýza dat v psychologii I Úvod do práce s jamovi Seminář 5 Vztahy mezi proměnnými, korelace, regrese Obsah  Kontingenční tabulka  Korelace  Pearsonův, Spearmannův, Kendallův koeficient  Cronbachova alfa  Lineární vztah  Bodový graf  Lineární regrese Kontingenční tabulka  Frequencies – Independent Samples Kontingenční tabulka Korelace  Regression – Correlation Matrix  Vybereme proměnné, jejichž souvislost nás zajímá Korelace  Kromě volby typu korelačního koeficientu je možné také testovat signifikanci korelací vč. uvedení intervalů spolehlivosti Korelace  Kromě nulové hypotézy H: ρ = 0 lze v teorií odůvodněných případech testovat také hypotézy o “směru“ korelace H: ρ > 0 a H: ρ < 0  Dále je možné nechat vykreslit několik grafů Korelace  Factor – Reliability Analysis  Correlation Heatmap barevně vizualizuje vzájemné korelace Cronbachova alfa  Lze nechat zobrazit také Cronbachovu alfu a mnoho dalších ukazatelů, které patří spíše do Základů psychometriky Lineární vztah – scatterplot  Modules - jamovi library – scatr  V menu Descriptives poté naleznete možnost Scatterplot Scatterplot  Graf lze vytvořit vybráním proměnné na Xovou a Y-ovou osu  Okno Group umožňuje rozdělit vzorek na dvě skupiny Scatterplot Scatterplot  Dále lze do grafu přidat  Proložení regresní přímkou  Proložení regresní křivkou  Obě možnosti lze doplnit plochou symbolizující intervaly výběrové chyby Scatterplot  Na okraj grafu lze také doplnit  Graf hustoty dat  Boxploty Scatterplot (navíc)  PROTIP: Rozdělením proměnných na dvě skupiny lze graficky znázornit rozdílnost vztahu mezi proměnnými v závislosti na příslušnosti ke skupině (= moderace) Lineární regrese  Regression – Linear Regression  V Coefficients: Standardized estimate Závislá proměnná Spojitý prediktor Kategorický prediktor Lineární regrese Y = bX + a Koeficient determinance (R2): Lineární regrese (navíc)  Assumption Checks (kontrola předpokladů regrese) nabízí mj. kontrolu normality residuí (Q-Q plot of residuals) a přítomnosti vlivných outlierů (Cook‘s distance) Lineární regrese (navíc) Chceme, aby residua byla co nejvíc na přímce, která představuje normální rozložení Nechceme hodnoty větší než 3, vysoké cifry ukazují, že některý z případů je tzv. „vlivný“ = příliš ovlivňuje sklon regresní přímky Lineární regrese (navíc)  Jamovi skvěle ovládá také následující analýzy spojené s regresí, které potkáte ve Statistice II:  Moderaci a mediaci (modul medmod)  Logistickou regresi (Regression – 2 Outcomes)  Mixed modely (modul Linear Models)