Analisi Fattoriale. La soluzione fattoriale ed il modello ACP Scelta del numero dei fattori
|
|
- Adelmo Pagano
- 4 anni fa
- Visualizzazioni
Transcript
1 Analisi Fattoriale La soluzione fattoriale ed il modello ACP Scelta del numero dei fattori A M D Marcello Gallucci Milano-Bicocca 1 Lezione: 1 XVI X
2 I passaggi fondamentali 1) Scelta del modello fattoriale 2) Scelta del numero di fattori 3) Rotazione della struttura fattoriale 4) Selezione delle variabili 5) Interpretazione dei fattori 6) Punteggi fattoriali 2
3 Modelli di estrazione dei fattori Forma del modello decisa dall algoritmo AF Esploratoria Analisi Componenti Principali Analisi Fattori Comuni Accorpamento di Variabili I differenti tipi di analisi fattoriale esploratoria si differenziano Confermatoria in base alla logica con Modelli cui estraggono LISREL i fattori Forma del modello decisa dai noi Verifica di un modello teorico 3
4 Analisi delle componenti principali La ACP (PCA) produce componenti, mentre la AFC produce fattori. I processi della ACP e della AFC sono simili, tranne che a) nella preparazione della matrice di correlazioni osservate per l estrazione b) nella teoria sottostante Matematicamente, la differenza tra ACP e AFC è nella varianza che viene analizzata: - nella ACP viene analizzata tutta la varianza osservata nelle variabili - nella AFC viene analizzata solo la varianza condivisa (stimata tramite regressione); Non si considera la varianza non condivisa (unica di ciascuna variabile). Teoricamente, la differenza tra ACP e AFC è nella ragione per cui le variabili sono associate in un fattore o in una componente: - Di solito si ritiene che i fattori causino le variabili il costrutto sottostante (il fattore) è ciò che produce i punteggi nelle variabili (AFC). - Le componenti sono semplici aggregati di variabili correlate (ACP) 4
5 ACP vs. AFC La ACP considera tutta la varianza delle variabili e la divide in varianza comune (spiegata dai fattori considerati) and varianza unica (errore o residua) La AFC prima stima la varianza condivisa e distingue tra varianza comune tra le variabili (covarianza) e varianza di errore. Analizza solo la prima e la divide in varianza comune (spiegata dai fattori considerati) e varianza specifica. 5
6 Il problema della comunalità iniziale nella AFC Per calcolare la varianza spiegata e quella di errore, dobbiamo prima sapere quanto è la varianza spiegabile Ma per sapere quanto è la varianza spiegabile, dobbiamo sapere quanto è la varianza spiegata e quella di errore Ciò crea un circolo vizioso che va risolto stimando precedentemente una quantità plausibile di varianza spiegabile ed iterando il procedimento di calcolo dei fattori finché tale quantità soddisfa alcuni criteri Ogni algoritmo di calcolo (minimi quadrati, massima verosimiglianza, ecc.) usa un criterio diverso Noi vediamo la logica sottostante 6
7 Comunalità iniziale Ma se tutta la varianza di un item non è inclusa nell analisi, la matrice di correlazione iniziale non potrà avere 1 sulla diagonale Varianza totale item= comunalità iniziale nella ACP Correlazioni Matrice di correlazione a1 a2 a3 a4 a1 Correlazione di Pearson * Sig. (2-code) N a2 Correlazione di Pearson **.231* Sig. (2-code) N a3 Correlazione di Pearson ** 1.588** Sig. (2-code) N a4 Correlazione di Pearson.242*.231*.588** 1 Sig. (2-code) N *. La correlazione è significativa al livello 0,05 (2-code). **. La correlazione è significativa al livello 0,01 (2-code). 7
8 Comunalità iniziale Dovremmo stimare la quantità di varianza spiegabile ( che sarà poi divisa in spiegata ed errore) Varianza spiegabile dell item= comunalità iniziale nella AFC Correlazioni Matrice di correlazione a1 a2 a3 a4 a1 Correlazione di Pearson? * Sig. (2-code) N a2 Correlazione di Pearson.084? 1.514**.231* Sig. (2-code) N a3 Correlazione di Pearson ** 1?.588** Sig. (2-code) N a4 Correlazione di Pearson.242*.231*.588** 1? Sig. (2-code) N *. La correlazione è significativa al livello 0,05 (2-code). **. La correlazione è significativa al livello 0,01 (2-code). 8
9 Stima iniziale della comunalità Se la parte spiegabile di varianza di un item deve essere comune agli items e ai fattori, sicuramente non potrà essere più piccola della parte di varianza che l item condivide con gli altri items Varianza non condivisa con nessun item= unica Varianza condivisa con items e fattori= spiegata v1 v4 F1 v2 v5 Varianza condivisa con altri items v3 Varianza condivisa non spiegata=varianza di errore 9
10 Stima iniziale della comunalità La varianza condivisa con tutti gli altri items è una buona stima della varianza spiegabile Dunque possiamo usare tale stima al posto degli 1 nella matrice di correlazione v4 v5 v3 v1 v2 Varianza condivisa con altri items 10
11 R 2 multiplo Quanto è tale varianza? Dallo studio della regressione sapremo che la varianza condivisa da un insieme di variabili indipendenti ed una dipendente è dato dall R 2 della regressione v1 v4 v2 v5 R 2 ottenuto facendo una regressione con v5 come dipendente, e tutti gli altri items come variabili indipendenti v3 11
12 R 2 come comunalità iniziale Ripetendo tale stima per tutti gli items, abbiamo una stima iniziale delle varianze spiegabili per ogni item Varianza spiegabile dell item= comunalità iniziale nella AFC Correlazioni Matrice di correlazione a1 a2 a3 a4 a1 Correlazione di Pearson 1 2 R * a1 Sig. (2-code) N a2 Correlazione di Pearson.084? 1 2 R.514**.231* a2 Sig. (2-code) N a3 Correlazione di Pearson ** ** R Sig. (2-code) a N a4 Correlazione di Pearson.242*.231*.588** 1 2 R Sig. (2-code) a N *. La correlazione è significativa al livello 0,05 (2-code). **. La correlazione è significativa al livello 0,01 (2-code). 12
13 Passi successivi della AFC A questo punto i vari metodi di AFC: estraggono i fattori calcolano le nuove comunalità sulla base dei fattori estratti riestraggono i fattori sulla base della matrice con le nuove comunalità fin quando il criterio stabilito (ad es., minimo errore, massima verosimiglianza) è soddisfatto 13
14 Analisi delle componenti principali L ACP estrae inizialmente tanti fattori quante sono le variabili osservate L estrazione iniziale spiega il 100% della varianza degli items e di ogni item (diversamente dalla AFC ) Tale soluzione non è soddisfacente, in quanto non rappresenta una soluzione efficiente e parsimoniosa Useremo dei metodi per decidere quanti fattori tenere che bastano a rappresentare in maniera efficiente le relazioni fra variabili 14
15 Analisi delle componenti principali Nell analisi delle componenti principali (ACP) i fattori sono formati come combinazione lineare (somma pesata) degli items Il primo fattore estratto è la combinazione lineare degli items che massimizza la varianza spiegata F1 av 1 F1v1 av2f1v2... a i vjf1 vj I valori sono calcolati affinché siano massimizzati 15
16 Analisi delle componenti principali Nell analisi delle componenti principali (ACP) i fattori sono formati come combinazione lineare degli items Il secondo fattore estratto è la combinazione lineare degli items che massimizza la varianza non spiegata (ortogonale) dal primo F 2 rf 2 Gialla rf 2 Blue F1 av 1 F1v1 av2f1v2... a F1 i vjf1 F2 av 1 F 2v1 av2f 2v2... a i vjf 3 vj vj I valori sono calcolati affinché siano massimizzati, sotto il vincolo che F1 e F2 siano ortogonali 16
17 Analisi delle componenti principali I valori degli items nella combinazione fattoriale sono le correlazioni tra fattori e items F 2 rf 2 Gialla F1 av 1 F1v1 av2f1v2... a i vjf1 F2 av 1 F 2v1 av2f 2v2... a i vjf 3 vj vj rf 2 Blue F1 17
18 Numero di Fattori v1 v2 v3 F i L algoritmo della ACP che estrae i fattori dalla matrice di correlazione di partenza, estrae tanti fattori quante sono le variabili (cioè tutti i fattori possibili) Matrice di componenti a Componente Metodo estrazione: analisi componenti principali. a. 3 componenti estratti 1.717v1.609v2.592v3 F1i av F1v1 av2f1v2 av3f1 1 v F2i av F 2v1 av2f 2v2 av3f 2 1 v F3i av F 3v1 av2f 3v2 av3f 3 1 v F i 2.022v1.659v2.705v3 Esempio 3 items F i 3.697v1.441v 2.390v3 18
19 Estrazione iniziale v1 v2 v3 Estraendo tanti fattori quanti items (variabili osservate), spieghiamo tutta la varianza Matrice di componenti a Componente Metodo estrazione: analisi componenti principali. a. 3 componenti estratti 1 La comunalità è 1, cioè i tre fattori spiegano il 100% di ogni item Somma dei quadrati per riga Componente Somma dei quadrati per colonna Autovalori iniziali Varianza totale spiegata Pesi dei fattori non ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. La varianza spiegata è il 100% 19
20 Estrazione iniziale Tutta la varianza di un item e di tutti i J items è rappresentata dai J fattori Quadrati delle saturazioni fattoriali Varianze condivise Autovalori var( F1 ) i var( F2 var( F3 i i ) )
21 Estrazione iniziale Tutta la varianza di un item e di tutti i J items è rappresentata dai J fattori Quadrati delle saturazioni fattoriali Varianze condivise Autovalori var( F1 ) i var( F2 var( F3 i i ) ) La varianza spiegata è il 100% La comunalità è 1, cioè i tre fattori spiegano il 100% di ogni item 21
22 Analisi delle componenti principali L ACP estrae inizialmente tanti fattori quante sono le variabili osservate L estrazione iniziale spiega il 100% della varianza degli items e di ogni item Tale soluzione non è soddisfacente, in quanto non rappresenta una soluzione efficiente e parsimoniosa Useremo dei metodi per decidere quanti fattori tenere che bastano a rappresentare in maniera efficiente le relazioni fra variabili 22
23 Modello Fattoriale dell ACP Variabilità catturata (spiegata) Fattore 1 Fattore 2 AF Variabilità osservata V1 V2 V3 V4 V5 V6 Variabilità non condivisa unicità unicità unicità unicità unicità unicità 23
24 Esempio con 2 fattori In questo esempio consideriamo due fattori Componente Autovalori iniziali Varianza totale spiegata Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Pesi dei fattori non ruotati Dunque il 60% di varianza è unico agli items Spieghiamo il 40% con due fattori, uno che spiega il 25 e l altro il 14 24
25 Esempio con 2 fattori Saturazioni sui due fattori v11 v12 v13 v14 v15 v16 v17 v18 v19 v20 Matrice di componenti a Componente Metodo estrazione: analisi componenti principali. a. 2 componenti estratti Le saturazioni ci indicano le correlazioni tra items e fattori La comunalità ci dice quanta parte dell item è condivisa con i fattori. Il resto sarà unicità degli items Unicità= =.735 Unicità= =
26 Modello Fattoriale dell ACP Variabilità catturata (spiegata) Fattore 1 Fattore 2 AF Variabilità osservata V11 V12 V13 V14 V15 V20 Variabilità non condivisa.735 unicità unicità unicità unicità
27 Varianza e comunalità Nell ACP la comunalità iniziale è 1 (100%) Dunque si assume che tutta la varianza di ogni item può essere spiegata Anche se poi ne spiegheremo solo una parte Varianza spiegabile v1 Scherzoso v2 Estroverso v3 Espansivo v4 Divertente v5 Colorito v13 Diligente v14 Previdente v15 Sereno v17 Stabile Comunalità Iniziale Estrazione Metodo di estrazione: Analisi componenti principali. Varianza spiegata Per ogni item 27
28 Varianza e comunalità Nell ACP la comunalità iniziale è 1 (100%) Dunque si assume che tutta la varianza di ogni item può essere spiegata Anche se poi ne spiegheremo solo una parte Varianza spiegabile v4 v3 v5 v3 v1 v2 Per item v2 (ad esempio) 28
29 Varianza e comunalità Nell ACP la comunalità iniziale è 1 (100%) Dunque si assume che tutta la varianza di ogni item può essere spiegata Anche se poi ne spiegheremo solo una parte Varianza spiegata v4 v3 F1 v2 F2 v3 v1 v2 Per item v2 (ad esempio) 29
30 ACP vs AFC Modello teorico ACP Componente 1 Entrambi modelli riflessivi ma.. AFC Fattore 1 Funzionale «Causale» V1 V2 V3 V1 V2 V3 v1, v2, v3 sono una funzione della (aggregati dalla) componente v1, v2, v3 sono «causate» dal fattore 30
31 ACP vs AFC Decomposizione della varianza di ogni item ACP AFC Comune F1 v3 v2 Unica F1 v3 v2 v2 v2 Errore 31
32 ACP vs AFC Comunalità ACP AFC Iniziale v3 F1 v2 Finale v3 F1 v2 Errore 32
33 Esempio con 2 fattori (ACP vs. AFC) ACP AFC 33
34 I passaggi fondamentali 1) Scelta del modello fattoriale 2) Scelta del numero di fattori 3) Rotazione della struttura fattoriale 4) Selezione delle variabili 5) Interpretazione dei fattori 6) Punteggi fattoriali 34
35 Decidere il numero di fattori Esistono diversi metodi per decidere quanti fattori/componenti tenere Non esiste un criterio oggettivo (ad es., algoritmo) che determina in maniera inequivocabile ed assoluta il numero dei fattori da scegliere Perché? I fattori rappresentano un modello della realtà e diversi modelli possono essere plausibili Alcuni sono più plausibili, altri sono meno plausibili, ed altri ancora sono non plausibili C è un elemento soggettivo nella decisione Soggettivo NON significa arbitrario 35
36 Metodi principali Autovalore maggiore di 1 (Kaiser-Guttman, mineigen) Scree-Test (Cattell) Analisi Parallela (Horn) Interpretabilità dei fattori 36
37 Criterio Mineigen (Autovalore > 1) Ricordiamo che autovalore = varianza spiegata dal fattore Componente Autovalori iniziali Varianza totale spiegata Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Pesi dei fattori non ruotati Ogni variabile spiega se stessa, dunque spiega 1 (variabili standardizzate) Dunque un fattore che spiega meno di 1, spiega meno di una variabile Usare fattori che spiegano meno di 1 non è efficiente (sarebbe più efficiente usare una variabile osservata) Criterio detto Mineigen o di Kaiser-Guttman 37
38 Esempi 38
39 Esempi Componente Autovalori iniziali Varianza totale spiegata Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Pesi dei fattori non ruotati 39
40 Componente Esempi Autovalori iniziali Varianza totale spiegata Totale % di varianza % cumulata Totale % di varianza % cumulata Pesi dei fattori non ruotati 40
41 Problemi Tende a sovrastimare il numero di fattori (tipicamente intorno ad 1/3 delle variabili) E più utile considerarlo come indicatore del numero massimo di fattori da considerare (con buon senso ) Qual è la differenza tra un autovalore di 1.01 ed uno di 0.99? (ma questo vale per qualsiasi soglia) E l opzione di default di SPSS eppure è il criterio più debole tra quello che considereremo sconsigliato 41
42 Scree-test I fattori sono estratti in sequenza, secondo la loro capacità di spiegare varianza Componente Autovalori iniziali Varianza totale spiegata Pesi dei fattori non ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Vi sarà un punto in questa sequenza dopo il quale aggiungere fattori non cambia molto la capacità di spiegare varianza 42
43 Scree-test Attraverso il grafico degli autovalori, è possibile stimare tale punto Grafico decrescente degli autovalori 2.5 Quale è quel punto (numero di fattori) oltre il quale i fattori iniziano a spiegare di più degli altri? 2.0 Autovalore Tracciamo una retta partendo dagli autovalori più bassi Numero componente 43
44 Scree-test Attraverso il grafico degli autovalori, è possibile stimare tale punto Grafico decrescente degli autovalori Teniamo 3 componenti Autovalore I fattori sopra a questa retta spiegano una quota più importante di varianza rispetto a quelli sulla retta Tracciamo una retta partendo dagli autovalori più bassi Numero componente 44
45 Scree-test e Autovalore>1 Con gli stessi dati, il criterio Autovalore>1 suggerisce la presenza di 5 componenti Componente Autovalori iniziali Varianza totale spiegata Pesi dei fattori non ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Il criterio scree-test è preferibile, purchè i fattori tenuti abbiano autovalori>1 45
46 Un altro esempio PCA su 10 item Componente Autovalori iniziali Varianza totale spiegata Pesi dei fattori non ruotati Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Il criterio Mineigen suggerisce la presenza di 2 componenti 46
47 Scree-test anche scree test suggerisce 2 componenti. Grafico decrescente degli autovalori Teniamo i fattori sopra tale retta Autovalore Tracciamo una retta partendo dagli autovalori più bassi Numero componente 47
48 Esempi: 1 Componente Autovalori iniziali Varianza totale spiegata Totale % di varianza % cumulata Totale % di varianza % cumulata Pesi dei fattori non ruotati 48
49 Esempi Grafico decrescente degli autovalori A u to v a lo r e Numero componente 49
50 Esempi 50
51 Esempi Grafico decrescente degli autovalori A utovalore Numero componente 51
52 Esempi - 3 Varianza totale spiegata Componente Autovalori iniziali Totale % di varianza % cumulata Totale % di varianza % cumulata Metodo di estrazione: Analisi componenti principali. Pesi dei fattori non ruotati 52
53 Esempi Grafico decrescente degli autovalori A u tovalo re Numero componente 53
54 Scree-test Migliore tra i metodi semplici Necessita di esperienza, buon occhio e conoscenza teorica Meglio se usato insieme a considerazioni teoriche Focus sul cambiamento di pendenza (salto degli autovalori) Tende a suggerire un numero corretto di fattori Logica: i raggruppamenti principali tendono ad emergere in maniera distinta dai raggruppamenti secondari I raggruppamenti principali tendono ad essere più affidabili rispetto a quelli secondari (segnale vs. rumore) 54
55 Scree-test Problemi Metodo soggettivo Può indicare più soluzioni plausibili Necessita di esperienza, buon occhio e conoscenza teorica Indicazioni chiare sono meno probabili con campioni piccoli e con un rapporto più basso tra variabili e fattori estratti 55
56 Analisi parallela (Horn, 1965) Proprietà desiderabile: la soluzione fattoriale prescelta deve essere non casuale (random) Non vogliamo considerare dei fattori che emergono casualmente Vogliamo considerare fattori che sono validi Condizione minima di validità: i fattori devono spiegare più varianza rispetto a fattori costruiti in modo casuale a partire dai dati disponibili La logica: Non siamo interessati a considerare un fattore che spiega meno varianza di un fattore emerso casualmente 56
57 Analisi parallela (Horn, 1965) SPSS non prevede questo metodo (si può implementare con il linguaggio sintassi) La procedura: 1. Generare dati casuali con stesso numero di soggetti e variabili dei dati veri 2. Estrarre gli autovalori dalla matrice di dati generati casualmente 3. Ripetere le operazioni (1) (2) almeno 100 volte, registrando ogni volta gli autovalori di tutti i fattori estratti 4. Calcolare autovalori medi e 95 percentile per tutti i fattori estratti 5. Condurre l analisi fattoriale sui dati veri 6. Confrontare gli autovalori dei dati casuali e quelli dei dati veri 7. Scegliere i fattori che spiegano più varianza del fattore corrispondente estratto dai dati casuali (usando la media o il 95 percentile) 8. Condurre l analisi fattoriale estraendo il numero di fattori così identificato Routine anche disponibile online a 57
58 Esempio - Scree test? Grafico decrescente degli autovalori 8 6 A u to v a lo re Numero componente
59 Esempio Mineigen? 59
60 Esempio Analisi Parallela PARALLEL ANALYSIS:Principal Components Specifications for this Run: Ncases 875; Nvars 51; Ndatsets 100; Percent 95 Random Data Eigenvalues Root Means Prcntyle
61 Esempio analisi parallela? Autovalori dai dati casuali: 61
62 L analisi parallela risente della numerosità campionaria: più casi = autovalori casuali più bassi. Specifications for this Run: Ncases 875 Nvars 51 Ndatsets 100 Percent 95 Specifications for this Run: Ncases 500 Nvars 51 Ndatsets 100 Percent 95 Random Data Eigenvalues Root Means Prcntyle Random Data Eigenvalues Root Means Prcntyle
63 Il ruolo della numerosità campionaria Specifications for this Run: Ncases 300 Nvars 51 Ndatsets 100 Percent 95 Random Data Eigenvalues Root Means Prcntyle Specifications for this Run: Ncases 150 Nvars 51 Ndatsets 100 Percent 95 Random Data Eigenvalues Root Means Prcntyle
64 Il ruolo della numerosità campionaria Più piccolo è il campione, maggiore deve essere l autovalore per essere considerato non casuale Per un campione che tende ad infinito, gli autovalori di controllo saranno uguali a 1 64
65 Analisi parallela (Horn, 1965) E considerato il migliore dei criteri avanzati Però anche in questo caso non sempre coincide con la soluzione migliore Identifica i fattori che spiegano più varianza, rispetto a fattori presi a caso E influenzato dalla numerosità campionaria Utilizzo diffuso negli ultimi anni 65
66 Cosa fare quindi? Mineigein e il peggiore AP e Scree-test sono migliori Non c e un metodo infallibile E essenziale conoscere la teoria relativa ai dati che si esaminano La teoria ci puo aiutare a scegliere la soluzione migliore Ci sono casi semplici e casi complessi Nei casi complessi, e meglio usare piu metodi L esperienza e fondamentale 66
67 Soluzione ridotta Qualunque sia il criterio per scegliere il numero di fattori, tenere un numero di fattori ridotti comporta un aumento dell efficienza ma una perdita di capacità di rappresentazione di tutta la varianza Se tutti i fattori spiegano tutta la varianza v4 F1 v1 v2 v3 F2 v2 Un numero ridotto perderà un po di capacità di spiegazione ma catturerà gli aspetti principali v3 Lo scopo è di cercare di ottenere un buon equilibrio tra semplicità e rappresentatività (modello parsimonioso) 67
Metodologie Quantitative. Analisi Fattoriale
Metodologie Quantitative Analisi Fattoriale La soluzione fattoriale ed il modello ACP M Q Marco Perugini Milano-Bicocca 1 Correlazioni e Varianze Ricordate che la correlazione (al quadrato) indica la varianza
DettagliAnalisi Fattoriale Concetti introduttivi Marcello Gallucci Milano-Bicocca
Analisi Fattoriale Concetti introduttivi A M D Marcello Gallucci Milano-Bicocca Scopi generali L Analisi Fattoriale (e varianti) si propone di estrarre un numero limitato di fattori (variabili latenti
DettagliP S I C O M T R I A Marcello Gallucci. Analisi Fattoriale. Esempi. Milano-Bicocca. Lezione: 20
Analisi Fattoriale Esempi P S I C O M T R I A Marcello Gallucci Milano-Bicocca Lezione: 20 Esempio Descrizione della ricerca Un ricercatore intende stabilire se una manipolazione sperimentale basata sulla
DettagliDifferenze tra metodi di estrazione
Lezione 11 Argomenti della lezione: L analisi fattoriale: il processo di estrazione dei fattori Metodi di estrazione dei fattori Metodi per stabilire il numero di fattori Metodi di Estrazione dei Fattori
DettagliSimulazione d esame Marco Perugini Milano-Bicocca
Simulazione d esame M Q Marco Perugini Milano-Bicocca 1 Prova simulata d esame (23 Novembre- Prof.ssa Zogmaister) 1. Potete comunicare tra di voi 2. Potete consultare i lucidi 3. Non usare telefonini,
DettagliAnalisi multivariata (DPRS)
Analisi multivariata (DPRS) 8b-Esempio di fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 Rossi (Dip. Psicologia)
DettagliMetodologie Quantitative. Analisi Fattoriale
Metodologie Quantitatie Analisi Fattoriale Concetti introduttii e passi chiae M Q Marco Perugini Milano-Bicocca Matrici: moltiplicazione 3 3 3 4 Solo se il numero di colonne della prima matrice è uguale
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Esempio di fattoriale esplorativa (v. 1.1, 12 aprile 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliTeoria e tecniche dei test DIMENSIONALITA DI UN TEST DIMENSIONALITA DI UN TEST (2) 03/04/2012. Lezione 7 DIMENSIONALITA e ATTENDIBILITA
Teoria e tecniche dei test Lezione 7 DIMENSIONALITA e ATTENDIBILITA DIMENSIONALITA DI UN TEST Una domanda cruciale da porsi nella fase di messa a punto di un test riguarda la sua dimensionalità. La tecnica
DettagliAnalisi Multivariata dei Dati. Regressione Multipla
Analisi Multivariata dei Dati Regressione Multipla A M D Marcello Gallucci Milano-Bicocca Lezione: III Effetti multipli Consideriamo ora il caso in cui la variabile dipendente possa essere spiegata da
DettagliSDE Marco Riani
SDE 208 Marco Riani mriani@unipr.it http://www.riani.it RIDUZIONE DELLE DIMENSIONI (con riferimento alle variabili Analisi dei fattori Analisi delle componenti principali OBIETTIVI Date p variabili (correlate
DettagliESERCIZIO 1. Di seguito vengono presentati i risultati di un analisi fattoriale effettuata con il metodo di estrazione dei fattori principali (PAF).
ESERCIZIO. Di seguito vengono presentati i risultati di un analisi fattoriale effettuata con il metodo di estrazione dei fattori principali (PAF). Test KMO e di Bartlett Misura di adeguatezza campionaria
DettagliArgomenti della lezione:
Lezione 12 L analisi fattoriale: il processo di rotazione dei fattori, l interpretazione della soluzione Argomenti della lezione: Metodi di rotazione dei fattori Interpretazione della soluzione Assunzioni
DettagliAnalisi Multivariata dei Dati. Regressione Multipla (cap. 3)
Analisi Multivariata dei Dati Regressione Multipla (cap. 3) A M D Marcello Gallucci Milano-Bicocca Lezione: III Effetti multipli Il caso in cui la variabile dipendente possa essere spiegata da più di una
DettagliStatistica multivariata Donata Rodi 21/11/2016
Statistica multivariata Donata Rodi 21/11/2016 PCA Tecnica di riduzione delle dimensioni che descrive la struttura multivariata dei dati per analisi descrittive e inferenziali Descrive la variazione di
DettagliIl modello di regressione
Il modello di regressione Capitolo e 3 A M D Marcello Gallucci Milano-Bicocca Lezione: II Concentti fondamentali Consideriamo ora questa ipotetica ricerca: siamo andati in un pub ed abbiamo contato quanti
DettagliPsicometria con Laboratorio di SPSS 1
Psicometria con Laboratorio di SPSS 1 1-Panoramica delle tecniche: Spiegazione intuitiva vers. 1.1 (vers. 1.1, 14 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliElementi di Psicometria
Elementi di Psicometria Analisi fattoriale: Spiegazione intuitiva (April 28, 2010) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2009-2010 G. Rossi
DettagliIl modello di regressione
Il modello di regressione Capitolo e 3 A M D Marcello Gallucci Milano-Bicocca Lezione: II Concentti fondamentali Consideriamo ora questa ipotetica ricerca: siamo andati in un pub ed abbiamo contato quanti
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) Marcello Gallucci P S I C O M E T R I A marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 2017/2018 Tecniche di Analisi Multidimensionale L analisi delle componenti principali 14 maggio 2018 Introduzione L Obiettivo dell ACP L Analisi delle Componenti Principali
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Regressione lineare semplice (vers. 1.2, 20 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliCorrelazione tra due variabili
Correlazione tra due variabili Federico Plazzi 26 Novembre 2015 Correlazione tra due variabili Correlazione tra due variabili Variabili dipendenti e variabili indipendenti La variabile indipendente è quella
Dettagli6) Analisi Fattoriale
Esempio: abbiamo sottoposto un questionario con 23 items su scala Likert a 5 punti che vuole misurare l atteggiamento verso SPSS. Quello che dobbiamo fare sarà: 1) Controllare i dati: il campione è abbastanza
DettagliAnalisi Fattoriale Analisi Esplorativa
Analisi Fattoriale Analisi Esplorativa Aldo Solari 1 / 31 Introduzione Nelle scienze sociali, in particolare in psicologia, spesso è problematico misurare le variabili di interesse direttamente. Ad esempio:
DettagliANALISI DELLE CORRISPONDENZE MULTIPLE (ACM)
ANALISI DELLE CORRISPONDENZE MULTIPLE (ACM) Questa procedura è stata introdotta negli anni 70, ad opera della scuola francese di analisi dei dati (Benzecri). Inizialmente fu proposta per analizzare tabelle
DettagliMisurazione e attendibilità
Misurazione e attendibilità I problemi di misurazione degli oggetti di studio sono comuni a tutte le discipline scientifiche. In psicologia il problema e solo più evidente, non più grave. I costrutti che
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Analisi fattoriale confermativa (v. 1.1a, 17 aprile 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliAnalisi Fattoriale. Metodi Quantitativi per Economia, Finanza e Management. Esercitazione n 7
Analisi Fattoriale Metodi Quantitativi per Economia, Finanza e Management Esercitazione n 7 Metodi Quantitativi per Economia, Finanza e Management Obiettivi di questa esercitazione: 1 2 3 4 Riepilogo teorico
DettagliPsicometria. 9-Analisi fattoriale confermativa vers. 1.0
Psicometria 9-Analisi fattoriale confermativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it Giovanni Battista Flebus 1 giovannibattista.flebus@unimib.it 1 Dipartimento di Psicologia, Università di
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliIntroduzione all Analisi della Varianza (ANOVA)
Introduzione all Analisi della Varianza (ANOVA) AMD Marcello Gallucci marcello.gallucci@unimib.it Variabili nella Regressione Nella regressione, la viariabile dipendente è sempre quantitativa e, per quello
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliCOGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008.
COGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008. ESERCIZIO I Si è applicata l analisi delle componenti principali a 97 modelli di fotocamere digitali, considerando 7 variabili ed ottenendo
DettagliIl modello lineare misto
Il modello lineare misto (capitolo 9) A M D Marcello Gallucci Univerisità Milano-Bicocca Lezione: 15 GLM Modello Lineare Generale vantaggi Consente di stimare le relazioni fra due o più variabili Si applica
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07a-Ripasso: Anova ad un fattore (v. 1.9a, 29 dicembre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliScheda n. 13: modelli lineari
Scheda n. 13: modelli lineari December 4, 2008 1 Combinazioni affini di variabili aleatorie La teoria che stiamo per esporre vuole descrivere relazioni matematiche tra variabili aleatorie: in tali relazioni
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliRappresentazione dei dati multivariati
Rappresentazione dei dati multivariati Quando si hanno più di due varabili la posizione di ciascuna unità rispetto alle altre può essere rappresentata nel diagramma relativo alle prime due CP l importanza
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Associazione, correlazione e dipendenza tra caratteri In un collettivo di 11 famiglie è stata
DettagliAnalisi Multivariata Prova intermedia del 20 aprile 2011
Analisi Multivariata Prova intermedia del 20 aprile 20 Esercizio A Sia X N 3 (µ, Σ) con µ = [ 3,, 4] e 2 0 Σ = 2 5 0 0 0 2 Quali delle seguenti variabili casuali è indipendente? Motivare la risposta. A.
DettagliLa regressione lineare. Rappresentazione analitica delle distribuzioni
La regressione lineare Rappresentazione analitica delle distribuzioni Richiamiamo il concetto di dipendenza tra le distribuzioni di due caratteri X e Y. Ricordiamo che abbiamo definito dipendenza perfetta
DettagliL'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile. Corso di Metodologia della ricerca sociale
L'analisi bivariata (analisi della varianza e correlazione) Prof. Stefano Nobile Corso di Metodologia della ricerca sociale L analisi della varianza (ANOVA) La tecnica con cui si esplorano le relazioni
DettagliMETODI E TECNICHE DI ANALISI DEI DATI II E LABORATORIO
METODI E TECNICHE DI ANALISI DEI DATI II E LABORATORIO AA 014/015 PROF. V.P. SENESE Seconda Università di Napoli (SUN) Facoltà di Psicologia Dipartimento di Psicologia Prof. V.P. Senese 1 r = 0 r xy =.88
DettagliMetodi per la riduzione della dimensionalità. Strumenti quantitativi per la gestione
Metodi per la riduzione della dimensionalità Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/6c_pca.html#(1) 1/25 Introduzione Gli approcci
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliStatistica multivariata Donata Rodi 17/10/2016
Statistica multivariata Donata Rodi 17/10/2016 Quale analisi? Variabile Dipendente Categoriale Continua Variabile Indipendente Categoriale Chi Quadro ANOVA Continua Regressione Logistica Regressione Lineare
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 04-Trattamento dei dati (v. 1.4, 11 ottobre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2018-19
DettagliAnalisi in componenti principali
Capitolo 2 Analisi in componenti principali 2.1 Introduzione L analisi in componenti principali è una tecnica di analisi multivariata tra le più diffuse. Viene utilizzata quando nel dataset osservato sono
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 13-Il t-test per campioni indipendenti vers. 1.1 (12 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di
DettagliLa matrice delle correlazioni è la seguente:
Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA
DettagliAnalisi Multivariata Prova finale del 3 giugno 2010
Analisi Multivariata Prova finale del 3 giugno 2010 Esercizi da svolgere con carta e penna Esercizio A A1 Descrivere brevemente qual è l obiettivo principale dell analisi fattoriale. A2 Scrivere il modello
DettagliMISURAZIONE. Sistema empirico (SE): ciò che si vuole misurare; costituito da elementi legati tra loro da relazioni
Attendibilità Misurazione I problemi di misurazione degli oggetti di studio sono comuni a tutte le discipline scientifiche. In psicologia il problema è solo più evidente, non più grave. I costrutti che
Dettagli6. ANALISI FATTORIALE
6. ANALISI FATTORIALE 6.1 Introduzione L analisi fattoriale (AF) si è sviluppata nell ambito della ricerca sulla misura di capacità attitudinali all inizio del 1900. Spearman effettua molti test su campioni
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliEsercitazione 1. 6 Marzo 2019
Esercitazione 1 6 Marzo 019 Esercizio 1 Su un collettivo di 100 appartamenti ubicati nella stessa zona della città vengono rilevati i seguenti caratteri: X 1 affitto mensile pagato dal locatario (in Euro)
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 09-Anova per misure ripetute (v. 1.3, 21 novembre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi avanzate della regressione: la moderazione (Cap. 5 )
Analisi avanzate della regressione: la moderazione (Cap. 5 ) AMD Marcello Gallucci marcello.gallucci@unimib.it Lezione: V Struttura delle relazioni Le relazioni possibili diventano più interessanti strutturalmente
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
DettagliLa statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati.
RICHIAMI DI STATISTICA La statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati. Quale è la media della distribuzione del reddito dei neolaureati? Per rispondere dovremmo
DettagliCON O SENZA REIMMISSIONE
CAMPIONAMENTO Per una buona inferenza o induzione statistica, bisogna affrontare il problema del campionamento, ovvero del come raccogliere un campione della popolazione affinché la si possa studiare induttivamente.
DettagliStatistica multivariata! Analisi fattoriale
Parte 3 : Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Statistica multivariata! Analisi
DettagliArgomenti della lezione:
Lezione 7 Argomenti della lezione: La regressione semplice Il modello teorico Il calcolo dei parametri Regressione lineare Esamina la relazione lineare tra una o più variabili esplicative (o indipendenti,
DettagliTipi di dato, variabili, istruzioni
Tipi di dato, variabili, istruzioni Esercizio 1 Implementare un servizio che estrae due numeri random tra 1 e 100, stampa a video i due numeri ed esegue le seguenti operazioni: se almeno uno dei due numeri
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 07-Coefficienti di correlazione vers. 1.0 (29 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliUniversità del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica
Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare
DettagliSTATISTICA CORSO BASE. Prova scritta del Tempo: 2 ore Cognome e Nome:... Matricola:...
STATISTICA CORSO BASE. Prova scritta del 4-6-2013. Tempo: 2 ore Cognome e Nome:.............................. Matricola:.............................. Attenzione: Prima di affrontare la prova si consiglia
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliLA REGRESSIONE LINEARE SEMPLICE
LA REGRESSIONE LINEARE SEMPLICE Se due variabili X e Y sono tra loro correlate, e sono entrambe su scala a intervalli o rapporti equivalenti, la tecnica statistica della regressione lineare consente di
DettagliAssunzioni (Parte I)
Assunzioni (Parte I) A M D Marcello Gallucci marcello.gallucci@unimib.it Lezione 10 Modello Lineare Generale La regressione semplice e multipla e l'anova sono sottocasi del modello lineare generale (GLM)
DettagliPROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA
PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURA/TECNICA DI ANALISI DEI DATI SPECIFICAMENTE DESTINATA A STUDIARE LA RELAZIONE TRA UNA VARIABILE NOMINALE (ASSUNTA
Dettagli2) REGRESSIONE. 1) Creo un diagramma a dispersione per ispezionare i dati. 2) Selezionare in SPSS Analizza -> Regressione Lineare.
Si vogliono studiare gli effetti delle spese pubblicitarie sulle vendite di album nella prima settimana dopo il lancio. Si tiene conto di altre due variabili: la presenza sulle radio e l appeal della band.
DettagliArgomenti della lezione:
Lezione 9 Argomenti della lezione: La regressione multipla: Approcci analitici Regressione standard Regressione gerarchica Regressione statistica Strategie Analitiche per la regressione Tre principali
DettagliAnalisi dei Fattori. Francesca Marta Lilja Di Lascio Dip.to di Scienze Statistiche P. Fortunati Università di Bologna
Università di Bologna - Facoltà di Scienze Statistiche Laurea Triennale in Statistica e Ricerca Sociale Corso di Analisi di Serie Storiche e Multidimensionali Analisi dei Fattori Francesca Marta Lilja
DettagliTeoria e tecniche dei test LA STRUTTURA DI UNA TEORIA 20/03/2012 LIVELLO DI ASTRAZIONE TEORICO LIVELLO DI ASTRAZIONE DERIVATO
Teoria e tecniche dei test Lezione 4 TEORIE E MODELLI DI COSTRUZIONE DEI TEST PSICOLOGICI LA STRUTTURA DI UNA TEORIA Nella costruzione di un test psicologico devono essere presi in considerazione 3 livelli
DettagliRango di una matrice e teorema di Rouché-Capelli
Rango di una matrice e teorema di Rouché-Capelli Sappiamo che a una matrice m n, A, è associata l applicazione lineare L A : R n R m, L A (X) = AX, X R n. Definizione 1. Lo spazio nullo di A, N (A), è
DettagliLABORATORI DI STATISTICA SOCIALE
Università degli Studi di Bergamo Dipartimento di Scienze Umane e Sociali Corso di Laurea in Scienze Psicologiche LABORATORI DI STATISTICA SOCIALE Lezione V Prof. Andrea Greco Dott.ssa Roberta Adorni Dott.
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 19-Rapporto fra varianze e 20-Introduzione all Anova vers. 1.0 (5 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliLE REGOLE PER IL RILASCIO DEI RISULTATI DELLE ELABORAZIONI
Giugno 2019 LE REGOLE PER IL RILASCIO DEI RISULTATI DELLE ELABORAZIONI Estratto da: Il Laboratorio per l Analisi dei Dati ELEmentari (ADELE) Guida all utenza Per qualsiasi comunicazione o richiesta di
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
DettagliRegressione Multipla. (cap. 3)
Regressione Multipla (cap. 3) Marcello Gallucci P S I C O M E T R I A II Milano-Bicocca Lezione: III Rappresentazioni delle relazioni Abbiamo visto che la regressione/relazione fra due variabili può rappresentarsi
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Tassi e proporzioni Classi nominali:
DettagliAnalisi in Componenti Principali (ACP)
Analisi in Componenti Principali (ACP) Metodi di analisi fattoriale Obiettivo: individuazione di variabili di sintesi = dimensioni = variabili latenti = variabili non osservate Approccio: Ordinamenti tra
DettagliStatistica descrittiva: analisi di regressione
Statistica descrittiva: analisi di regressione L analisi di regressione permette di esplorare le relazioni tra due insiemi di valori (p.e. i valori di due attributi di un campione) alla ricerca di associazioni.
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliLe caratteristiche della ricerca correlazionale
Le caratteristiche della ricerca correlazionale Ricerche correlazionali: studi che valutano l esistenza di relazioni tra le caratteristiche rilevate sui soggetti -Differenze individuali -Predire una variabile
DettagliAppunti di statistica
Appunti di statistica. Concetti generali La probabilità è una quantificazione del grado di aspettativa nei confronti di un evento. Considereremo la probabilità un concetto elementare. La quantificazione
Dettaglistandardizzazione dei punteggi di un test
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it standardizzazione dei punteggi di un test serve a dare significato ai punteggi che una persona ottiene ad un test, confrontando la
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Dettagli