Tecniche statistiche di analisi del cambiamento
|
|
- Michele Mari
- 6 anni fa
- Visualizzazioni
Transcript
1 Tecniche statistiche di analisi del cambiamento 06-Anova per fattori indipendenti (vers. 1.2, 8 novembre 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca G. Rossi (Dip. Psicologia) Tsac / 54
2 Analisi della varianza Analysis of variance (Anova, AOV) è una tecnica statistica che confronta due o più gruppi fra di loro È un estensione del t-test che si usa quando si hanno più di 2 gruppi La variabile dipendente dev essere quantitativa Le variabili indipendenti devono essere qualitative G. Rossi (Dip. Psicologia) Tsac / 54
3 Analisi della varianza Disegni a 1 via: quando c è una sola variabile indipendente (anova univariata) Disegni fattoriali: con 2 o più variabili indipendenti (anova multivariata) Disegni tra i soggetti (between subjects): quando, rispetto ad una VI, i soggetti sono misurati una sola volta (ad es. ansia misurata fra maschi e femmine) Disegni entro i soggetti (within subjects): quando, rispetto ad una VI, i soggetti sono misurati più di una volta (ad es. ansia prima e dopo un esame) G. Rossi (Dip. Psicologia) Tsac / 54
4 Esempio empirico In un campione di persone abbiamo misurato l autoritarismo (variabile Y) usando la scala di Karen Stenner (5 item sulle cose importanti da insegnare ad un bambino, maggiore il punteggio, maggiore l autoritarismo) e l orientamento politico (su una scala da 1 a 10, da sinistra a destra) Raccogliamo i 10 punteggi dell orientamento politico in 3 categorie (variabile X): 1-3 => SX, 4-7 => Centro, 8-10 => DX L autoritarismo è uguale nei tre gruppi? Oppure ogni sottocampione (in base all orientamento politico) ha parametri della popolazione diversi? Se usassimo il t-test (differenza delle medie, dovremmo fare 3 confronti a coppie: SX vs. Centro, SX vs. DX, Centro vs. DX) Usiamo l analisi della varianza G. Rossi (Dip. Psicologia) Tsac / 54
5 Esempio empirico Stenner N Media Dev. std. Err. std. Minimo Massimo SX ,16 4,159 0, Centro ,63 4,391 0, Dx 80 15,94 5,321 0, Totale ,34 4,607 0, ANOVA univariata Somma Media quadrati df quadrati F Sig. Fra gruppi 433, ,622 10,68 0,000 Entro gruppi 8373, ,276 Totale 8807, C è almeno un gruppo che ha una media statisticamente diversa da quelle degli altri (cioè è stato estratto da una popolazione con parametri diversi) G. Rossi (Dip. Psicologia) Tsac / 54
6 Esempio empirico Quale? Usiamo i confronti a posteriori Test post hoc - Sottoinsiemi omogenei Stenner Student-Newman-Keuls N Sottoinsieme per alfa = SX ,1623 Centro ,6319 Dx 80 15,9375 Sig. 1,000 1,000 1,000 Le tre medie sono tutte diverse fra di loro, ovvero i campioni su cui sono state calcolate sono stati estratti da popolazioni con parametri statistici diversi G. Rossi (Dip. Psicologia) Tsac / 54
7 Esempio empirico G. Rossi (Dip. Psicologia) Tsac / 54
8 La logica dell anova Possiamo pensare all autoritarismo (Y) come ad una variabile casuale il cui valore atteso è la sua media E(Y ) = μ y Tuttavia l orientamento politico (X) può influenzare l autoritarismo aggiungendo un certo valore Y sx = μ y + μ sx Y dx = μ y + μ dx e infine si aggiunge un possibile errore casuale (ε) che dipende da ogni singolo soggetto G. Rossi (Dip. Psicologia) Tsac / 54
9 La logica dell anova quindi il punteggio di ogni soggetto i appartenente al gruppo politico j è y ij = μ + α i + ε ij cioè dipende dalla media della variabile nella popolazione ^μ = y da un fattore di correzione dovuto all influenza della variabile indipendente (fattore del trattamento) ^α 1 = (^y i. ^y.. ) e ad un errore dovuto al caso statistico (fattore di correzione) ^ε ij = (y ij ^y i. ) G. Rossi (Dip. Psicologia) Tsac / 54
10 La logica dell anova per l Anova assumiamo (fra l altro) che 1 normalità: la variabile dipendente (autoritarismo) sia quantitativa e che si distribuisca normalmente 2 omogeneità della varianza: i diversi campioni (in base alla v. indipendente) siano estratti dalla stessa popolazione e abbiano quindi varianza uguale fra loro e con quella della popolazione e quindi σ 2 1 = σ 2 2 = = σ 2 k σ 2 1 = s indipendenza dei soggetti: le osservazioni siano fra loro indipendenti e quindi le differenze individuali siano casuali G. Rossi (Dip. Psicologia) Tsac / 54
11 La logica dell anova Ipotizziamo che tutti i gruppi abbiano la stessa media H 0 : μ 1 = μ 2 L ipotesi alternativa sarà che almeno un gruppo ha media diversa dagli altri H 1 : μ i μ j per semplicità usiamo campioni di uguale numerosità G. Rossi (Dip. Psicologia) Tsac / 54
12 Una logica alternativa Between Totale Within trattamento punteggio errore Seguendo un altro ragionamento, possiamo considerare il punteggio Y di un soggetto come formato da un punteggio vero (dovuto al trattamento) e da una componente d errore (dovuta ai singoli soggetti) Noi conosciamo solo il valore misurato (Y ) e la sua varianza totale L anova ipotizza che il punteggio vero sia uguale alla media dei singoli campioni (Ȳ ) e che l errore sia Y Ȳ F è calcolato con la varianza del punteggio vero divisa la varianza dell errore G. Rossi (Dip. Psicologia) Tsac / 54
13 La logica dell anova Se sono veri i primi due assunti, i gruppi formati dall indipendente sono uguali, hanno la stessa forma e la stessa varianza Se hanno la stessa varianza, possiamo calcolare la stima della varianza della popolazione come media delle varianze dei singoli campioni ^σ 2 1 = s2 1 ^σ2 e = s 2 i k = n i=1 k j=1 (y ij ȳ i. ) 2 k(n 1) con y ij = il punteggio di un individuo in un certo gruppo, ȳ i. = la media di quel gruppo, n=l ampiezza del singolo gruppo e k=numero dei gruppi G. Rossi (Dip. Psicologia) Tsac / 54
14 La logica dell anova Se H 0 è vera, allora la varianza della popolazione è stimabile anche tramite la distribuzione campionaria delle medie σ 2 Ȳ = σ2 n Le medie dei singoli gruppi sono utilizzate per stimare la varianza, quindi con ^σ t 2 = n^σ ȳ 2 = n k j=1 (ȳ i. ȳ.. ) 2 k 1 dove n è l ampiezza, ȳ i. è la media calcolata su ogni gruppo e ȳ.. è la media delle medie G. Rossi (Dip. Psicologia) Tsac / 54
15 La logica dell anova La varianza totale (y ij ȳ) considera tutti i casi statistici come un solo gruppo e viene quindi scomposta in due diverse stime della varianza della popolazione y ij ȳ i. : La prima è calcolata entro i gruppi (chiamata anche within o varianza d errore = MS e ) perché si basa sulle differenze individuali rispetto alla media dei singoli gruppi ȳ i ȳ.. : La seconda fra i gruppi (chiamata anche between o varianza di trattamento = MS t ) perché considera uguali gli individui di un gruppo e imputa le differenze al trattamento (la variabile categoriale usata per suddividere il campione in gruppi) G. Rossi (Dip. Psicologia) Tsac / 54
16 La logica dell anova il loro rapporto si distribuisce secondo la curva di probabilità di F F = MS t MS e con k 1 e k(n 1) gradi di libertà Se il rapporto è piccolo (e non significativo) le due stime sono uguali e quindi non vi è differenza fra i gruppi Se il rapporto è grande (e significativo), le due stime sono diverse e vi è differenza fra i gruppi G. Rossi (Dip. Psicologia) Tsac / 54
17 Esempio di calcolo della varianza Gruppo (X X) 2 X 2 ( X) , , , , X = 29 /3 = 9, = /3 3 1 Per i calcoli ricordiamo che (Xi var = X) 2 x 2 ( x) 2 N = = N 1 N 1 X 2 ( X) 2 /N N 1 e che il numeratore si chiama anche somma dei quadrati, il denominatore può essere pensato come un gdl G. Rossi (Dip. Psicologia) Tsac / 54
18 Esempio di calcolo: fase 1-var. totale EsempioAov1.sav Gruppo 1 Gruppo 2 Gruppo 3 Quadrati M 9,667 3,667 4,000 ( X ij ) 2 = ( ) 2 = 2704 X 2 ij = = 388 SS tot = X 2 ij ( X ij ) 2 /N = /9 = gdl = N 1 = 8 MS tot = var(x) = SS tot /gdl = G. Rossi (Dip. Psicologia) Tsac / 54
19 Esempio di calcolo: fase 1-var. totale EsempioAov1.sav Gruppo 1 Gruppo 2 Gruppo 3 Quadrati M 9,667 3,667 4,000 ( X ij ) 2 = ( ) 2 = 2704 X 2 ij = = 388 SS tot = X 2 ij ( X ij ) 2 /N = /9 = gdl = N 1 = 8 MS tot = var(x) = SS tot /gdl = G. Rossi (Dip. Psicologia) Tsac / 54
20 Esempio di calcolo: fase 1-var. totale EsempioAov1.sav Gruppo 1 Gruppo 2 Gruppo 3 Quadrati M 9,667 3,667 4,000 ( X ij ) 2 = ( ) 2 = 2704 X 2 ij = = 388 SS tot = X 2 ij ( X ij ) 2 /N = /9 = gdl = N 1 = 8 MS tot = var(x) = SS tot /gdl = G. Rossi (Dip. Psicologia) Tsac / 54
21 Esempio di calcolo: fase 2-var. fra i gruppi Sostituisco i valori con le medie dei gruppi Gruppo 1 Gruppo 2 Gruppo 3 Quadrati 9,667 3,667 4,000 93,451 13,447 16,000 9,667 3,667 4,000 93,451 13,447 16,000 9,667 3,667 4,000 93,451 13,447 16,000 29,000 11,000 12, ,353 40,341 48,000 ( x) 2 = ( ) 2 = 2704 x 2 = 280, , = SS t = x 2 ( x) 2 /N = /9 = gdl = k 1 = 2 MS t = SS t /gdl = G. Rossi (Dip. Psicologia) Tsac / 54
22 Esempio di calcolo: fase 3-var. entro i gruppi Sostituisco i valori con gli scarti dalla media: X i X Gruppo 1 Gruppo 2 Gruppo 3 Quadrati -0,667 0,333-1,000 0,444 0,111 1,000 2,333-1,667 2,000 5,444 2,778 4,000-1,667 1,333-1,000 2,778 1,778 1,000 0,000 0,000 0,000 8,667 4,667 6,000 ( x) 2 = ( ) 2 = 0 x 2 = 8, , = SS e = x 2 ( x) 2 /N = /9 = gdl = k(n 1) = 6 MS e = SS e /gdl = G. Rossi (Dip. Psicologia) Tsac / 54
23 Esempio di calcolo: fase finale Risultati da calcoli a mano SS gl MS F Sig Trattamento 68, ,111 10,586 Errore 19, ,222 Totale 87, ,944 Risultati da SPSS Somma dei Media dei quadrati gl quadrati F Sig. Fra gruppi 68, ,111 10,586 0,011 Entro gruppi 19, ,222 Totale 87,556 8 G. Rossi (Dip. Psicologia) Tsac / 54
24 Formule di calcolo SQ (SS) df MQ (MS) Somme gdl Media F Fonte quadrati quadrati Trattamento Errore Totale ( X.j X.. ) 2 k 1 SQ t /gl MQ t /MQ e (Xij X.j ) 2 k(n 1) SQ e /gl (X ij X.. ) 2 N 1 ij G. Rossi (Dip. Psicologia) Tsac / 54
25 In SPSS: univariata 1 fattore Analizza Confronta medie ANOVA univariata... trascinate almeno una variabile quantitativa (Intervallo o a rapporto) nel riquadro Variabili dipendenti se indicate più dipendenti, verrà calcolata una Anova per ogni variabile indicata trascinate una variabile qualitativa (Nominale o Ordinale) nel riquadro Fattore: Date l OK G. Rossi (Dip. Psicologia) Tsac / 54
26 In SPSS: univariata, Risultati Usando il file EsempioAov1.sav G. Rossi (Dip. Psicologia) Tsac / 54
27 Analisi della varianza 2-fattori between L analisi della varianza si può usare anche con più variabili indipendenti categoriali Ipotizzando due variabili indipendenti (ad es. genere e fasce d età), il modello generale dell anova diventerà X = μ + α + β + φ + ε ovvero il punteggio X è scomponibile come: una parte dovuta alla variabile dipendente (μ = X... ) G. Rossi (Dip. Psicologia) Tsac / 54
28 Analisi della varianza 2-fattori between L analisi della varianza si può usare anche con più variabili indipendenti categoriali Ipotizzando due variabili indipendenti (ad es. genere e fasce d età), il modello generale dell anova diventerà X = μ + α + β + φ + ε ovvero il punteggio X è scomponibile come: una parte dovuta alla variabile dipendente (μ = X... ) una parte dovuta alla prima indipendente (α = ( X i.. X... )) G. Rossi (Dip. Psicologia) Tsac / 54
29 Analisi della varianza 2-fattori between L analisi della varianza si può usare anche con più variabili indipendenti categoriali Ipotizzando due variabili indipendenti (ad es. genere e fasce d età), il modello generale dell anova diventerà X = μ + α + β + φ + ε ovvero il punteggio X è scomponibile come: una parte dovuta alla variabile dipendente (μ = X... ) una parte dovuta alla prima indipendente (α = ( X i.. X... )) una alla seconda indipendente (β = ( X.j. X... )) G. Rossi (Dip. Psicologia) Tsac / 54
30 Analisi della varianza 2-fattori between L analisi della varianza si può usare anche con più variabili indipendenti categoriali Ipotizzando due variabili indipendenti (ad es. genere e fasce d età), il modello generale dell anova diventerà X = μ + α + β + φ + ε ovvero il punteggio X è scomponibile come: una parte dovuta alla variabile dipendente (μ = X... ) una parte dovuta alla prima indipendente (α = ( X i.. X... )) una alla seconda indipendente (β = ( X.j. X... )) una alla loro interazione (φ = μ ij μ (α + β)) G. Rossi (Dip. Psicologia) Tsac / 54
31 Analisi della varianza 2-fattori between L analisi della varianza si può usare anche con più variabili indipendenti categoriali Ipotizzando due variabili indipendenti (ad es. genere e fasce d età), il modello generale dell anova diventerà X = μ + α + β + φ + ε ovvero il punteggio X è scomponibile come: una parte dovuta alla variabile dipendente (μ = X... ) una parte dovuta alla prima indipendente (α = ( X i.. X... )) una alla seconda indipendente (β = ( X.j. X... )) una alla loro interazione (φ = μ ij μ (α + β)) e alle differenze individuali (o errori ε = ( X ijk X ij. )) G. Rossi (Dip. Psicologia) Tsac / 54
32 Scomposizione della varianza Totale Within (Errore) Between (Trattamento) A B AxB La varianza totale è quindi scomponibile in una parte dovuta alle differenze individuali (within=errore) e una parte dovuta ai trattamenti (che in questo caso sono 2 diversi) La varianza dovuta ai trattamenti (Between) è scomponibile in una parte dovuta solo al primo trattamento (A), una dovuta solo al secondo trattamento (B) e una parte dovuta alla loro interazione (AxB) G. Rossi (Dip. Psicologia) Tsac / 54
33 Esempio concreto Var. dipendente: Errori ad un test Var. indipendenti: Alcool; Deprivazione di sonno EsempioAov2.sav Deprivazione sonno 4h 12h 24h Alcool No Alc Questi dati possono essere considerati come un solo campione (media totale) 2 Ignorando la variabile alcool (quindi usando i 3 gruppi della deprivazione di sonno) 3 Ignorando la variabile deprivazione di sonno (quindi usando i 2 gruppi di alcool) 4 Considerando i 6 sottogruppi G. Rossi (Dip. Psicologia) Tsac / 54
34 Esempio concreto Var. dipendente: Errori ad un test Var. indipendenti: Alcool; Deprivazione di sonno EsempioAov2.sav Deprivazione sonno 4h 12h 24h Alcool No Alc Questi dati possono essere considerati come un solo campione (media totale) 2 Ignorando la variabile alcool (quindi usando i 3 gruppi della deprivazione di sonno) 3 Ignorando la variabile deprivazione di sonno (quindi usando i 2 gruppi di alcool) 4 Considerando i 6 sottogruppi G. Rossi (Dip. Psicologia) Tsac / 54
35 Esempio concreto Var. dipendente: Errori ad un test Var. indipendenti: Alcool; Deprivazione di sonno EsempioAov2.sav Deprivazione sonno 4h 12h 24h Alcool No Alc Questi dati possono essere considerati come un solo campione (media totale) 2 Ignorando la variabile alcool (quindi usando i 3 gruppi della deprivazione di sonno) 3 Ignorando la variabile deprivazione di sonno (quindi usando i 2 gruppi di alcool) 4 Considerando i 6 sottogruppi G. Rossi (Dip. Psicologia) Tsac / 54
36 Esempio concreto Var. dipendente: Errori ad un test Var. indipendenti: Alcool; Deprivazione di sonno EsempioAov2.sav Deprivazione sonno 4h 12h 24h Alcool No Alc Questi dati possono essere considerati come un solo campione (media totale) 2 Ignorando la variabile alcool (quindi usando i 3 gruppi della deprivazione di sonno) 3 Ignorando la variabile deprivazione di sonno (quindi usando i 2 gruppi di alcool) 4 Considerando i 6 sottogruppi G. Rossi (Dip. Psicologia) Tsac / 54
37 Varianza totale (18 punteggi) Depriv. sonno 4h 12h 24h Quadrati Alcohol No Alc Somma ( x) 2 = ( ) 2 = (284) 2 = X 2 = = 5162 SQ tot = /18 = gdl = N 1 = 18 1 = 17 G. Rossi (Dip. Psicologia) Tsac / 54
38 Varianza dell errore (18 scarti dalle relative medie) Depriv. sonno 4h 12h 24h Quadrati Alcohol 1,000-1,667-4, , ,000-3,667-2, , ,000 5,333 6, , No Alc. 0,333 2,333-0,667 0,111 5,444 0,444-1,667-2,667 1,333 2,778 7,111 1,778 1,333 0,333-0,667 1,778 0,111 0,444 Somma 0,000 0,000 0,000 18,667 57,333 58,667 ( x) 2 = ( ) 2 = (0) 2 = 0 X 2 = 18, , , 667 = 134, 667 SQ tot = 134, 667 0/18 = 134, 667 gdl = N k A * k B = 18 3 * 2 = 12 G. Rossi (Dip. Psicologia) Tsac / 54
39 Varianza sonno (3 medie del fattore A) Depriv. sonno 4h 12h 24h Quadrati Alcohol 12,833 15,167 19, , , ,778 12,833 15,167 19, , , ,778 12,833 15,167 19, , , ,778 No Alc. 12,833 15,167 19, , , ,778 12,833 15,167 19, , , ,778 12,833 15,167 19, , , ,778 Somma , , ,667 ( x) 2 = ( ) 2 = (284) 2 = X 2 = 988, , , 667 = 4611 SQ A = /18 = gdl = k A 1 = 3 1 = 2 G. Rossi (Dip. Psicologia) Tsac / 54
40 Varianza alcool (2 medie del fattore B) Depriv. sonno 4h 12h 24h Quadrati Alcohol 20,222 20,222 20, , , ,938 20,222 20,222 20, , , ,938 20,222 20,222 20, , , ,938 No Alc. 11,333 11,333 11, , , ,444 11,333 11,333 11, , , ,444 11,333 11,333 11, , , ,444 Somma 94,667 94,667 94, , , ,148 ( x) 2 = ( ) 2 = (284) 2 = X 2 = 1612, , , 148 = 4836, 444 SQ B = 4836, /18 = gdl = k B 1 = 2 1 = 1 G. Rossi (Dip. Psicologia) Tsac / 54
41 Varianza interazione (fattore AxB) Deprivazione sonno 4h 12h 24h Alcohol 15,00 19,67 26,00 20,22 No Alc. 10,67 10,67 12,67 11,33 Il calcolo dei punteggi necessari per calcolare la varianza dell interazione sono un poco più complessi Si parte dalle medie dei singoli gruppi a cui si sottrae la media di una delle variabili categoriali (A o B): = e = si calcola la media di colonna: (3 * ( 5.222) + 3 * ( 0.666))/6 = che si sottrae ai singoli valori di quella colonna: ( 2.944) = e ( 2.944) = G. Rossi (Dip. Psicologia) Tsac / 54
42 Varianza interazione (fattore AxB) Deprivazione sonno 4h 12h 24h Alcohol 15,00 19,67 26,00 20,22 No Alc. 10,67 10,67 12,67 11,33 Il calcolo dei punteggi necessari per calcolare la varianza dell interazione sono un poco più complessi Si parte dalle medie dei singoli gruppi a cui si sottrae la media di una delle variabili categoriali (A o B): = e = si calcola la media di colonna: (3 * ( 5.222) + 3 * ( 0.666))/6 = che si sottrae ai singoli valori di quella colonna: ( 2.944) = e ( 2.944) = G. Rossi (Dip. Psicologia) Tsac / 54
43 Varianza interazione (fattore AxB) Deprivazione sonno 4h 12h 24h Alcohol 15,00 19,67 26,00 20,22 No Alc. 10,67 10,67 12,67 11,33 Il calcolo dei punteggi necessari per calcolare la varianza dell interazione sono un poco più complessi Si parte dalle medie dei singoli gruppi a cui si sottrae la media di una delle variabili categoriali (A o B): = e = si calcola la media di colonna: (3 * ( 5.222) + 3 * ( 0.666))/6 = che si sottrae ai singoli valori di quella colonna: ( 2.944) = e ( 2.944) = G. Rossi (Dip. Psicologia) Tsac / 54
44 Varianza interazione (fattore AxB) Deprivazione sonno 4h 12h 24h Alcohol 15,00 19,67 26,00 20,22 No Alc. 10,67 10,67 12,67 11,33 Il calcolo dei punteggi necessari per calcolare la varianza dell interazione sono un poco più complessi Si parte dalle medie dei singoli gruppi a cui si sottrae la media di una delle variabili categoriali (A o B): = e = si calcola la media di colonna: (3 * ( 5.222) + 3 * ( 0.666))/6 = che si sottrae ai singoli valori di quella colonna: ( 2.944) = e ( 2.944) = G. Rossi (Dip. Psicologia) Tsac / 54
45 Varianza interazione (6 medie del fattore AxB) Depriv. sonno 4h 12h 24h Quadrati Alcohol -2,278 0,056 2,222 5,188 0,003 4,938-2,278 0,056 2,222 5,188 0,003 4,938-2,278 0,056 2,222 5,188 0,003 4,938 No Alc. 2,278-0,056-2,222 5,188 0,003 4,938 2,278-0,056-2,222 5,188 0,003 4,938 2,278-0,056-2,222 5,188 0,003 4,938 Somma ,130 0,019 29,630 ( x) 2 = ( ) 2 = (0) 2 = 0 X 2 = 31, , , 630 = SQ AxB = /18 = gdl = (k A 1)(k B 1) = 2x1 = 2 G. Rossi (Dip. Psicologia) Tsac / 54
46 Riepilogo: calcolato e SPSS Sorgente SQ gdl MQ F Effetti principali Sonno 130, ,056 5,80 Alcohol 355, ,556 31,68 Interazioni SxA 60, ,389 2,71 Errore 134, ,222 Totale 681, ,065 Test degli effetti fra soggetti Variabile dipendente: errori Sorgente SQ df MQ F Sig. Modello corretto 546,444 (a) 5 109,289 9,739 0,001 Intercetta 4.480, , ,287 0,000 alcool 355, ,556 31,683 0,000 sonno 130, ,056 5,797 0,017 alcool * sonno 60, ,389 2,708 0,107 Errore 134, ,222 Totale 5.162, Totale corretto 681, (a). R quadrato =,802 (R quadrato corretto =,720) G. Rossi (Dip. Psicologia) Tsac / 54
47 Per capire i risultati Per capire e interpretare i risultati dobbiamo guardare le medie (marginali stimate) degli effetti significativi (con soli fattori between, coincidono con quelle calcolate, salvo missing) Variabile dipendente: errori alcool Media Errore std. Intervallo di confidenza 95% Limite inferiore Limite superiore Alcool 20,222 1,117 17,789 22,655 No alcool 11,333 1,117 8,900 13,766 sonno Media Errore std. Intervallo di confidenza 95% Limite inferiore Limite superiore 4h 12,833 1,368 9,854 15,813 12h 15,167 1,368 12,187 18,146 24h 19,333 1,368 16,354 22,313 G. Rossi (Dip. Psicologia) Tsac / 54
48 In Spss: univariata 2 fattori Analizza Modello lineare generalizzato Univariata... Inserite la variabile da studiare in Variabile dipendente Inserite le variabili categoriali in Fattori fissi Scegliete i contrasti o post-hoc se li volete Nel pulsante Opzioni, selezionare le Medie marginali stimate (se volete) Date l OK G. Rossi (Dip. Psicologia) Tsac / 54
49 Possibili esempi di interazione ipotizzando 2 INDIP (3x2) e unendo i valori medi di una indipendente suddivisi e separatamente per l altra, otteniamo due linee La forma di interazione più comune è quando le linee si incrociano (fig 1 e 2) Ma anche quando in corrispondenza di un valore c è una differenza particolarmente diversa (fig 3) G. Rossi (Dip. Psicologia) Tsac / 54
50 Anova 1 fattore: Opzioni Si possono chiedere le descrittive (medie, dev.st.) e 3 test di omogeneità della varianza Se il primo è significativo, si può chiedere una versione corretta di F si può chiedere la rappresentazione grafica delle medie G. Rossi (Dip. Psicologia) Tsac / 54
51 Anova 1 fattore: Opzioni G. Rossi (Dip. Psicologia) Tsac / 54
52 Univariata: Opzioni G. Rossi (Dip. Psicologia) Tsac / 54
53 Confronti post-hoc Sono confronti che si fanno a posteriori, se l Anova è significativa e se ci sono più di 2 gruppi in una variabile indipendente La logica è quella di tenere sotto controllo i problemi di significatività legati ai confronti multipli. In Spss, premete il bottone Post Hoc... e selezionate tutti i test che volete gli output sono di due tipi: confronti multipli completi oppure gruppi omogenei Vi sono diverse procedure che effettuano confronti post-hoc G. Rossi (Dip. Psicologia) Tsac / 54
54 Anova 1 fattore: Post-hoc G. Rossi (Dip. Psicologia) Tsac / 54
55 Confronti post-hoc: confronti multipli Usando il file EsempioAov1.sav G. Rossi (Dip. Psicologia) Tsac / 54
56 Confronti post-hoc: confronti multipli HSD di Tukey - Variabile dipendente: ABA Differenza Intervallo di fra medie Err. std. Sig. confidenza 95% Lim. sup. Lim. inf. SX Cent. 2,796 2,2137 0,4168-2,409 8,002 Dx 7,859 2,7597 0,0128 1,369 14,349 Centro SX -2,796 2,2137 0,4168-8,002 2,409 Dx 5,063 2,6940 0,1459-1,273 11,398 Dx SX -7,859 2,7597 0, ,349-1,369 Cent. -5,063 2,6940 0, ,398 1,273 Viene fornita la differenza delle medie (ma non le medie), la sig. e l intervallo di confidenza (se include 0, non significativo) Ogni gruppo viene confrontato con tutti gli altri Non è significativa: le medie dei 2 gruppi sono simili È significativa: le medie dei 2 gruppi sono diverse G. Rossi (Dip. Psicologia) Tsac / 54
57 Confronti post-hoc: confronti multipli HSD di Tukey - Variabile dipendente: ABA Differenza Intervallo di fra medie Err. std. Sig. confidenza 95% Lim. sup. Lim. inf. SX Cent. 2,796 2,2137 0,4168-2,409 8,002 Dx 7,859 2,7597 0,0128 1,369 14,349 Centro SX -2,796 2,2137 0,4168-8,002 2,409 Dx 5,063 2,6940 0,1459-1,273 11,398 Dx SX -7,859 2,7597 0, ,349-1,369 Cent. -5,063 2,6940 0, ,398 1,273 Viene fornita la differenza delle medie (ma non le medie), la sig. e l intervallo di confidenza (se include 0, non significativo) Ogni gruppo viene confrontato con tutti gli altri Non è significativa: le medie dei 2 gruppi sono simili È significativa: le medie dei 2 gruppi sono diverse G. Rossi (Dip. Psicologia) Tsac / 54
58 Confronti post-hoc: confronti multipli HSD di Tukey - Variabile dipendente: ABA Differenza Intervallo di fra medie Err. std. Sig. confidenza 95% Lim. sup. Lim. inf. SX Cent. 2,796 2,2137 0,4168-2,409 8,002 Dx 7,859 2,7597 0,0128 1,369 14,349 Centro SX -2,796 2,2137 0,4168-8,002 2,409 Dx 5,063 2,6940 0,1459-1,273 11,398 Dx SX -7,859 2,7597 0, ,349-1,369 Cent. -5,063 2,6940 0, ,398 1,273 Viene fornita la differenza delle medie (ma non le medie), la sig. e l intervallo di confidenza (se include 0, non significativo) Ogni gruppo viene confrontato con tutti gli altri Non è significativa: le medie dei 2 gruppi sono simili È significativa: le medie dei 2 gruppi sono diverse G. Rossi (Dip. Psicologia) Tsac / 54
59 Confronti post-hoc: gruppi omogenei Usando il file EsempioAov1.sav ogni colonna numerata riporta le medie dei i gruppi omogenei fra loro in questo esempio, 2 e 3 sono omogenei fra loro in fondo alle colonne numerate compare la probabilità rispetto ad H 0 ovvero se dico che i gruppi indicati non sono omogenei, corro il rischio di sbagliare indicato G. Rossi (Dip. Psicologia) Tsac / 54
60 Confronti post-hoc: gruppi omogenei HSD di Tukey trepol N Sottoinsieme per alfa = Dx 87 33,580 Centro ,643 38,643 SX ,439 Sig. 0,120 0,521 Sono visualizzate le medie per i gruppi di sottoinsiemi omogenei. Le medie di Centro e DX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 12% Le medie di Centro e SX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 52,1% Le medie di DX e SX non sono omogenee fra loro (vengono da due popolazioni diverse) G. Rossi (Dip. Psicologia) Tsac / 54
61 Confronti post-hoc: gruppi omogenei HSD di Tukey trepol N Sottoinsieme per alfa = Dx 87 33,580 Centro ,643 38,643 SX ,439 Sig. 0,120 0,521 Sono visualizzate le medie per i gruppi di sottoinsiemi omogenei. Le medie di Centro e DX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 12% Le medie di Centro e SX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 52,1% Le medie di DX e SX non sono omogenee fra loro (vengono da due popolazioni diverse) G. Rossi (Dip. Psicologia) Tsac / 54
62 Confronti post-hoc: gruppi omogenei HSD di Tukey trepol N Sottoinsieme per alfa = Dx 87 33,580 Centro ,643 38,643 SX ,439 Sig. 0,120 0,521 Sono visualizzate le medie per i gruppi di sottoinsiemi omogenei. Le medie di Centro e DX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 12% Le medie di Centro e SX sono omogenee fra loro (si assomigliano) e la sig. di questa scelta è 52,1% Le medie di DX e SX non sono omogenee fra loro (vengono da due popolazioni diverse) G. Rossi (Dip. Psicologia) Tsac / 54
63 Univariata: Post hoc Con + VI, bisogna prima indicare la variabile da usare Non ha senso indicare una VI con 2 sole categorie G. Rossi (Dip. Psicologia) Tsac / 54
64 Confronti post-hoc: metodi alcuni presumono che le varianze fra i gruppi siano uguali: LSD (Least Significant Difference), Bonferroni, Sidak, Scheffé, SNK (Studentized-Neumann-Kouls), Tukey HSD (Honesty Significant Difference), Duncan, Hochberg, Gabriel, Waller-Duncan, Dunnett altre no: Tamhane, Dunnett, Games-Howell, C di Dunnett richiedono che le N dei gruppi siano = o di poco : LSD, HSD, F-H (LSD modificata), REGWQ (Ryan, Einot, riel e Welsch Q), Gabriel accettano gruppi con N : Hoch GT2, Games-Howell, Gabriel, Tamhane T2, Dunnett T3, Dunnett C N piccoli: Games-Howell è molto potente ed accurato Meglio con solo 3 gruppi: LSD Meglio 4 o più gruppi: HSD, F-H, Bonferroni, Tukey, REGWQ Tukey è conservativo, quindi adatto a molti confronti G. Rossi (Dip. Psicologia) Tsac / 54
65 Confronti post-hoc Bonferroni è adatto alle ricerche esplorative, è molto potente con poche medie da confrontare REGWD è quello che viene suggerito perché è potente e tiene sotto controllo l errore di tipo I meglio di tutti gli altri (però richiede ampiezze uguali) Per concludere gruppi con stessa numerosità e varianza uguale: REGWD o Tukey (potenti e controllo Tipo I); Bonferrori per pochi confronti ampiezze leggermente diverse: Gabriel (molto potente) ampiezze molto diverse: Hoch GT2 se ci sono dubbi sull omogeneità delle varianze: Games-Howell Field(2003) suggerisce di usare sempre Games-Howell in aggiunta G. Rossi (Dip. Psicologia) Tsac / 54
66 Confronti a priori Oltre ai post hoc si possono effettuare dei confronti a priori ovvero decisi prima ancora di effettuare l anova, sulla base di una teoria Questi confronti si chiamano anche contrasti perché contrastano la media di uno o più gruppi con quella di altri Anche in questo caso ci sono due possibilità: contrasti predefiniti: lineare, quadratico, Helmert... contrasti decisi da noi, tramite t-test Ovviamente, si usano quando si ha una teoria di partenza I post-hoc si usano quando invece non c è una teoria di partenza È possibile quindi che dopo i post-hoc si decisa di usare i confronti G. Rossi (Dip. Psicologia) Tsac / 54
67 Confronti a priori Contrasti... In Spss, premete il bottone se selezionate Polinomiale, poi potete scegliere fra Lineare: ipotizzo che le medie aumentano o diminuiscono nelle varie categorie in modo lineare Quadratico: in forma di U o U rovesciata (1 punto di cambiamento della direzione) Cubico: 2 punti di cambiamento della direzione altrimenti dovrete inserire dei coefficienti (uno alla volta e poi premere Aggiungi ). Dovete inserire tanti coefficienti quanti sono i gruppi previsti dalla variabile indipendente la somma dei coefficienti dev essere 0. dopo aver inserito un contrasto è possibile inserirne un secondo tramite il pulsante Successivo G. Rossi (Dip. Psicologia) Tsac / 54
68 Confronti a priori: contrasti a scelta Vengono contrastati (confronti) i gruppi che hanno lo stesso peso I pesi vanno inseriti nell ordine dei gruppi da contrastare Uno alla volta, poi Aggiungi La somma dei pesi dev essere 0 (zero) Non è necessario che vengano usati tutti i gruppi. Usando Avanti possiamo inserire altri contrasti G. Rossi (Dip. Psicologia) Tsac / 54
69 Confronti a priori: contrasti a scelta Se ho 4 gruppi, i coefficienti (oppure ) confrontano il primo con la somma del terzo e quarto, ignorando il secondo Si devono confrontare sempre e soltanto 2 raggruppamenti. 1 confronto fra SX e DX Contrasto trepol SX Centro Dx Risultato di Test di contrasto Contrasto Valore di Sig. contrasto Err. std. t df (2-code) Assumi var. = 2,775 0,621 4, ,000 Assumi var. 2,775 0,683 4, ,333 0,000 G. Rossi (Dip. Psicologia) Tsac / 54
70 Confronti a priori: Lineare Stenner ANOVA univariata Somma dei Media dei quadrati df quadrati F Sig. Fra gruppi Combinato 433, ,622 10,684 0,000 Termine Non pesato 405, ,482 19,998 0,000 lineare Pesato 432, ,589 21,335 0,000 Deviazione 0, ,656 0,032 0,857 Entro gruppi 8.373, ,276 Totale 8.807, G. Rossi (Dip. Psicologia) Tsac / 54
Tecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 05-Anova (bozza) (vers. 1.0, 27 novembre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2015-16
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
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 06-Anova per misure ripetute (vers. 1.0a, 1 dicembre 2016) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliArgomenti della lezione:
Lezione 13 L analisi della Varianza (ANOVA): il modello lineare Argomenti della lezione: Modello lineare Disegni a una via L Analisi della Varianza (ANOVA): Esamina differenze tra le medie di due o più
DettagliL analisi della Varianza (ANOVA): i disegni fattoriali tra i soggetti
Lezione 14 L analisi della Varianza (ANOVA): i disegni fattoriali tra i soggetti Argomenti della lezione: Effetti principali e interazioni Analisi dei disegni fattoriali Disegni fattoriali (o a più vie):
DettagliAnalisi della varianza
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Facoltà di Medicina e Chirurgia - A.A. 2009-10 Scuole di specializzazione Lezioni comuni Disciplina: Statistica Docente: dott.ssa Egle PERISSINOTTO
DettagliStatistica inferenziale. La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione.
Statistica inferenziale La statistica inferenziale consente di verificare le ipotesi sulla popolazione a partire dai dati osservati sul campione. Verifica delle ipotesi sulla medie Quando si conduce una
DettagliAnalisi della Varianza - II
Analisi della Varianza - II ANOVA tra i soggetti M Q Cristina Zogmaister Milano-Bicocca 1 Lez: XXIX Analisi della Varianza (ANOVA, Analysis of Variance) Obiettivo - Confrontare due o più gruppi per stabilire
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 11-Verifica di ipotesi fra due medie (vers. 1.2, 10 aprile 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Significatività statistica per la correlazione vers. 1.0 (5 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
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, -..
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
DettagliPresentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii
Sommario Presentazione dell edizione italiana Prefazione xix Ringraziamenti xxii Glossario dei simboli xxiii xv Parte I Statistica descrittiva 1 Capitolo 1 Introduzione 3 Perché studiare statistica? 4
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 4-Misure della tendenza centrale (vers. 1.0c, 27 marzo 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 4-Misure della tendenza centrale (vers. 1.0b, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07-Anova con covariata (vers. 1.2, 20 marzo 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2016-17
DettagliConfronto fra gruppi: il metodo ANOVA. Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23
Confronto fra gruppi: il metodo ANOVA Nicola Tedesco (Statistica Sociale) Confronto fra gruppi: il metodo ANOVA 1 / 23 1 Nella popolazione, per ciascun gruppo la distribuzione della variabile risposta
DettagliESERCIZIO 1. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con 3 fattori tra i soggetti.
ESERCIZIO. Di seguito vengono riportati i risultati di un modello fattoriale di analisi della varianza con fattori tra i soggetti. Variabile dipendente: PERF Sorgente Modello corretto Intercept SEX_96
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 Concetti generali: Confronto simultaneo tra più di due popolazioni, esempi... La analisi della varianza estende il confronto a p gruppi con p>2.
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica 4.2 Confronti multipli Università di Cagliari, a.a. 2013/2014 Davide Massidda davide.massidda@gmail.com Il livello di burnout dipende dal reparto? Soggetto
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 6-Altre tecniche per descrivere insiemi di dati (vers. 1.0c, 27 marzo 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 05-Deviazione standard e punteggi z vers. 1.1 (22 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliRegressione lineare semplice
Regressione lineare semplice Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Statistica con due variabili var. nominale, var. nominale: gruppo sanguigno - cancro
DettagliInferenza statistica Donata Rodi 04/10/2016
Inferenza statistica Donata Rodi 04/10/2016 Popolazione Campionamento Campione Parametri Inferenza Statistiche µ, ϭ 2 descrittive Stima X, s 2 Quale test? Parametrico o no Scala di misura 1 gruppo 2 gruppi
DettagliElementi di Psicometria
Elementi di Psicometria 7-Punti z e punti T vers. 1.0a (21 marzo 2011) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia)
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliIL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI
IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI Perchè confrontare le varianze stimate in due campioni? Torniamo all'esempio dei frinosomi Per poter applicare il test t avevamo detto che le varianze, e
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliConfronto tra due popolazioni Lezione 6
Last updated May 9, 06 Confronto tra due popolazioni Lezione 6 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Concetti visti nell ultima lezione Le media
DettagliStatistica economica
Statistica economica a.a. 013/14 Dr. Luca Secondi 10.a. Output tipico di un modello di regressione lineare multipla 1 Le analisi basate sul modello di regressione prevedono la stima dei coefficienti associati
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
DettagliCapitolo 10. Test basati su due campioni e ANOVA a una via. Statistica II ed. Levine, Krehbiel, Berenson Apogeo
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 10 Test basati su due campioni e ANOVA a una via Insegnamento: Statistica Applicata Corsi di Laurea in "Scienze e tecnologie Alimentari"
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
DettagliStatistica multivariata Donata Rodi 08/11/2016
Statistica multivariata Donata Rodi 08/11/2016 MANOVA: Multivariate Analysis of Variance Due o più variabili dipendenti quantitative Una o più variabili indipendenti categoriali (con più livelli) Residui
DettagliAnalisi della varianza a una via
Analisi della varianza a una via Statistica descrittiva e Analisi multivariata Prof. Giulio Vidotto PSY-NET: Corso di laurea online in Discipline della ricerca psicologico-sociale SOMMARIO Modelli statistici
DettagliCapitolo 10. Test basati su due campioni e ANOVA a una via. Statistica II ed. Levine, Krehbiel, Berenson. Casa editrice: Pearson
Levine, Krehbiel, Berenson Statistica II ed. Casa editrice: Pearson Capitolo 10 Test basati su due campioni e ANOVA a una via Insegnamento: Statistica Corsi di Laurea Triennale in Economia Dipartimento
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliAnalisi della Varianza - II
Analisi della Varianza - II M Q ANOVA entro i soggetti, modelli misti, ANCOVA Marco Perugini Milano-Bicocca 1 Lez: XXIX ANOVA a una via la VARIANZA Possiamo stimare la varianza (MQ = media dei quadrati)
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
DettagliANALISI DELLA VARIANZA A DUE VIE CON INTERAZIONE Prof. Antonio Lanzotti
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 ANALISI DELLA VARIANZA A DUE VIE CON INTERAZIONE Prof. Antonio
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 09-Campione e popolazione vers. 1.0 (31 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliStrumenti informatici Realizzare l analisi della varianza con Excel e SPSS
Strumenti informatici 6.4 - Realizzare l analisi della varianza con Excel e SPSS Excel non dispone di una funzione che realizzi l analisi della varianza, a meno di aver installato uno dei moduli aggiunti
DettagliN.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle Tabelle riportate alla fine del documento.
N.B. Per la risoluzione dei seguenti esercizi, si fa riferimento alle abelle riportate alla fine del documento. Esercizio 1 La concentrazione media di sostanze inquinanti osservata nelle acque di un fiume
DettagliModelli Log-lineari Bivariati
Modelli Log-lineari Bivariati Luca Stefanutti Università di Padova Dipartimento di Psicologia Applicata Via Venezia 8, 35131 Padova L.Stefanutti (Università di Padova) Modelli Log-lineari 1 / 71 Contenuti
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliEsercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017
Esercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017 Contents 1 Inferenza sulla regressione semplice 1 1.1 Test sulla pendenza della retta................................... 1 1.2 Test sull
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 25-Dimensione degli effetti e 26-Metanalisi vers. 1.0 (2 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliPSICOMETRIA. Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI
PSICOMETRIA Corso di laurea triennale (classe 34) VERIFICA DELL IPOTESI CON DUE CAMPIONI CAMPIONI INDIPENDENTI Campioni estratti casualmente dalla popolazione con caratteristiche omogenee Assegnazione
DettagliAnalisi della regressione multipla
Analisi della regressione multipla y = β 0 + β 1 x 1 + β 2 x 2 +... β k x k + u 2. Inferenza Assunzione del Modello Classico di Regressione Lineare (CLM) Sappiamo che, date le assunzioni Gauss- Markov,
DettagliStrumenti informatici Realizzare un test z, un test t e un test F per campioni indipendenti con Excel e SPSS
Strumenti informatici 5.2 - Realizzare un test z, un test t e un test F per campioni indipendenti con Excel e SPSS Sia Excel che SPSS consentono di realizzare in modo abbastanza rapido il test sulle medie
DettagliANOVA: ANALISI DELLA VARIANZA Prof. Antonio Lanzotti
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 007/008 ANOVA: ANALISI DELLA VARIANZA Prof. Antonio Lanzotti A cura di: Ing.
DettagliContrasti e confronti multipli
Contrasti e confronti multipli Andrea Onofri 25 gennaio 2012 Indice 1 Introduzione 1 2 I contrasti pianificati 2 Test di confronto multiplo 4 4 Limitazione delle MCP 5 5 Scegliere la MCP 7 Sommario Scopo
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 03-Medie, variabilità e dispersione vers. 1.0 (15 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliCognome e Nome:... Matricola e corso di laurea:...
Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 2014 Cognome e Nome:................................................................... Matricola e corso di laurea:...................................................
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 02-Ripasso inferenziale: Punti z e inferenza (vers. 1.1, 5 ottobre 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
DettagliAnalisi della Varianza Fattoriale
Analisi della Varianza Fattoriale AMD Marcello Gallucci marcello.gallucci@unimib.it Ripasso dell ANOVA Lo studio degli effetti di una serie di variabili indipendenti nominale (gruppi) su un variabile dipendente
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 5. La correlazione lineare Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014 Sommario 1 Tipi di relazione
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 9-Introduzione alla statistica inferenziale (vers. 1.2, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
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
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
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliElementi di Psicometria
Elementi di Psicometria 11-Verifica di ipotesi fra due medie vers. 1.0a (6 dicembre 2011) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2011-2012 G.
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.1 I principali test statistici per la verifica di ipotesi: Il test t Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliIl modello di regressione lineare multipla. Il modello di regressione lineare multipla
Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07-Anova con covariata (vers. 1.0, 3 dicembre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2015-16
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliCognome e Nome:... Corso di laurea:...
Statistica - corso base Prof. B. Liseo Prova di esame dell 8 gennaio 201 Cognome e Nome:................................................................... Corso di laurea:.......................................................................
DettagliMetodologia Sperimentale Agronomica / Metodi Statistici per la Ricerca Ambientale
DIPARTIMENTO DI SCIENZE AGRARIE E AMBIENTALI PRODUZIONE, TERRITORIO, AGROENERGIA Marco Acutis marco.acutis@unimi.it www.acutis.it CdS Scienze della Produzione e Protezione delle Piante (g59) CdS Biotecnologie
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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 15-La probabilità vers. 1.0a (26 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2014-2015
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliFondamenti di statistica per il miglioramento genetico delle piante. Antonio Di Matteo Università Federico II
Fondamenti di statistica per il miglioramento genetico delle piante Antonio Di Matteo Università Federico II Modulo 2 Variabili continue e Metodi parametrici Distribuzione Un insieme di misure è detto
DettagliPremessa: la dipendenza in media
Premessa: la dipendenza in media Supponiamo di avere K diversi livelli di un fattore che potrebbero influire su una determinata variabile. Per esempio supponiamo di domandarci se la diversificazione (intesa
DettagliTest per una media - varianza nota
Situazione Test per una media - varianza nota Popolazione N(µ,σ 2 ); varianza σ 2 nota. µ 0 numero reale fissato. Test di livello α per µ Statistica: Z n = X n µ 0 σ/ n. H 0 H 1 Rifiutiamo H 0 se p-value
DettagliEsame di Statistica del 19 settembre 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 19 settembre 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si
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
DettagliProva Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE IMPRESE (Milano, )
Università degli Studi di Milano Bicocca Scuola di Economia e Statistica Corso di Laurea in Economia e Amministrazione delle Imprese (ECOAMM) Prova Scritta di METODI STATISTICI PER L AMMINISTRAZIONE DELLE
DettagliVARIETÀ. zona geografica A B C D
Anova a 2 vie con repliche (( chiarire che non devono essere esattamente nello stesso numero per ogni cella ovvero per le ripetizioni dei de fattori ma che excel li legge così) Esercizio-esempio 1 Il valore
DettagliFasi del modello di regressione
Fasi del modello di regressione Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori
DettagliRegressione Lineare Semplice e Correlazione
Regressione Lineare Semplice e Correlazione 1 Introduzione La Regressione è una tecnica di analisi della relazione tra due variabili quantitative Questa tecnica è utilizzata per calcolare il valore (y)
DettagliSTATISTICA ESERCITAZIONE 13
STATISTICA ESERCITAZIONE 13 Dott. Giuseppe Pandolfo 9 Marzo 2015 Errore di I tipo: si commette se l'ipotesi nulla H 0 viene rifiutata quando essa è vera Errore di II tipo: si commette se l'ipotesi nulla
DettagliAnalisi della varianza
Analisi della varianza Analisi della varianza L analisi della varianza (ANOVA, ANalysis Of VAriance) è una tecnica di analisi dei dati che consente di verificare ipotesi relative a differenze tra le medie
Dettagli