Psicometria con Laboratorio di SPSS 2
|
|
- Giorgina Agostini
- 5 anni fa
- Visualizzazioni
Transcript
1 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 G. Rossi (Dip. Psicologia) Psico / 30
2 Analisi fattoriale confermativa Matrice fattoriale ruotata Assi principali Fattore 1 2 x x8.946 x3.926 x x5.843 x6.929 x7.895 x x1.890 x2.872 Questa è una soluzione fattoriale ottenuta nelle analisi fattoriali (esplorative) precedenti, da cui abbiamo eliminato i valori inferiori a.30 L analisi fattoriale confermativa si chiede se, eliminando le influenze molto basse del fattore sugli item, riusciamo a spiegare abbastanza varianza da confermare il modello teorico G. Rossi (Dip. Psicologia) Psico / 30
3 Analisi fattoriale confermativa Matrice ruotata Assi principali Fattore 1 2 x x8.946 x3.926 x x5.843 x6.929 x7.895 x x1.890 x2.872 Ignorando i simboli utilizzati, anche questa è un analisi fattoriale: X 1 = λ 11 F 2 + δ 1 (λ = β) X 2 = λ 21 F 2 + δ 2 (δ = ε) X 10 = λ 10,1 F 1 + δ 10 e se passiamo al matriciale: X = ΛF + δ la cui formula è simile alla formula fondamentale (salvo i simboli usati) X = FA + U G. Rossi (Dip. Psicologia) Psico / 30
4 Procedimento di conferma L analisi fattoriale esplorativa parte da una matrice di correlazione (o di associazione) Il procedimento esplorativo stima il parametro di regressione ( saturazione ) con cui il fattore influenza l item Tramite queste saturazioni possiamo: 1 Ricostruire la matrice di correlazione a partire dalle saturazioni (se ortogonale ˆR = AA + U 2, se obliqua ˆR = PΦP + U 2 ) 2 Confrontare la matrice osservata (R) con quella ricostruita (ˆR) 3 Fare un inferenza statistica usando H 0 : R = ˆR 4 Decidere se il modello da noi ipotizzato sia giustificato statisticamente G. Rossi (Dip. Psicologia) Psico / 30
5 I modelli di equazioni strutturali (SEM) I modelli di equazioni strutturali sono una generalizzazione dei modelli che analizzano le relazioni lineari fra variabili. Alla base dei SEM c è l approccio della regressione Includono la regressione lineare semplice e multipla, le regressioni lineari multivariate, la path analysis, l analisi fattoriale esplorativa e confermativa, e modelli ancora più complessi Le relazioni possibili fra due variabili sono la covariazione e la causazione (o spiegazione) La covariazione è indicata da una covarianza (o correlazione) e significa che siamo a conoscenza che esiste un legame fra le 2 variabili, ma non sappiamo esattamente quale sia La causazione significa che una variabile è responsabile dei cambiamenti nell altra ed è indicata dal parametro di regressione G. Rossi (Dip. Psicologia) Psico / 30
6 Tipi di relazione La relazione più semplice è quella diretta: il suo valore standardizzato coincide con la correlazione (r) β 1 X Y Y = β1x + ε rxy = β1 Un altra relazione è quella indiretta: il suo valore standardizzato coincide con il prodotto delle correlazioni X Y β 1 β 2 Y = β 1 X + β 2 Z + ε r xy = β 1 β 2 Z G. Rossi (Dip. Psicologia) Psico / 30
7 Percorsi causali/relazionali Z b a c Y X Influenza diretta = percorso semplice (Z Y = a, Z X = b, X Y = c) Influenza indiretta = percorso composto (Z X Y = bc) con anche le eventuali covarianze Il valore di un influenza indiretta è pari al prodotto delle influenze semplici G. Rossi (Dip. Psicologia) Psico / 30
8 Percorsi causali/relazionali Z b a c Y X Influenza diretta = percorso semplice (Z Y = a, Z X = b, X Y = c) Influenza indiretta = percorso composto (Z X Y = bc) con anche le eventuali covarianze Il valore di un influenza indiretta è pari al prodotto delle influenze semplici G. Rossi (Dip. Psicologia) Psico / 30
9 Percorsi causali/relazionali Z b a c Y X Influenza diretta = percorso semplice (Z Y = a, Z X = b, X Y = c) Influenza indiretta = percorso composto (Z X Y = bc) con anche le eventuali covarianze Il valore di un influenza indiretta è pari al prodotto delle influenze semplici G. Rossi (Dip. Psicologia) Psico / 30
10 Percorsi causali/relazionali Z b a c Y X Influenza diretta = percorso semplice (Z Y = a, Z X = b, X Y = c) Influenza indiretta = percorso composto (Z X Y = bc) con anche le eventuali covarianze Il valore di un influenza indiretta è pari al prodotto delle influenze semplici G. Rossi (Dip. Psicologia) Psico / 30
11 Percorsi causali/relazionali Z b a c Y X Influenza diretta = percorso semplice (Z Y = a, Z X = b, X Y = c) Influenza indiretta = percorso composto (Z X Y = bc) con anche le eventuali covarianze Il valore di un influenza indiretta è pari al prodotto delle influenze semplici G. Rossi (Dip. Psicologia) Psico / 30
12 Percorsi causali/relazionali r 1y =.65 Uso 1 anziché X 1 e 2 anziché X 2 r 12 =.50 X 1 β 1.40 Y r 1y = β 1 + β 2 r 12 r 2y = β 2 + β 1 r β2 X 2 β 1 = r 1y r 12 β 2 =.65.50β 2 β 2 = r 2y r 12 β 1 =.70.50β 1 r 2y =.70 La correlazione fra 2 variabili è la somma di tutte le influenze dirette e indirette tra le due variabili G. Rossi (Dip. Psicologia) Psico / 30
13 Percorsi causali/relazionali r 1y =.65 Uso 1 anziché X 1 e 2 anziché X 2 r 12 =.50 X 1 β 1.40 Y r 1y = β 1 + β 2 r 12 r 2y = β 2 + β 1 r β2 X 2 β 1 = r 1y r 12 β 2 =.65.50β 2 β 2 = r 2y r 12 β 1 =.70.50β 1 r 2y =.70 La correlazione fra 2 variabili è la somma di tutte le influenze dirette e indirette tra le due variabili G. Rossi (Dip. Psicologia) Psico / 30
14 Ricostruzione della matrice R X 1 X 2 Y X 1 1 X Y X 1 X 2 Y X 1 1 X Y β 1 + β 2 r 12 β 2 + β 1 r 12 1 La matrice di correlazione R fra 3 variabili (X 1, X 2 e Y ), usabile per una regressione multipla (le X spiegano la Y), può essere ricostruita usando i percorsi diretti e indiretti. I percorsi indiretti tengono in considerazione anche le correlazioni non spiegate. Al cambiare di X 1, cambia anche X 2 e quindi la correlazione fra X 1 e Y deve tener conto anche di questo cambiamento. G. Rossi (Dip. Psicologia) Psico / 30
15 Ricostruzione della matrice R X 1 X 2 X 3 λ 11 λ 12 λ 23 F 1 X 4 F 2 λ 24 φ 21 X 1 X 2... X 1 1 X 2 λ 11 λ 12 1 X 3 λ 11 φ 21 λ 23 λ 12 φ 21 λ 23 1 X 4 λ 11 φ 21 λ 24 λ 12 φ 21 λ Usiamo un modello semplificato (corrispondente ad una confermativa) Anche in un analisi fattoriale le correlazioni fra le variabili possono essere ricostruite tramite i percorsi diretti e indiretti che legano le variabili φ 21 indica la correlazione fra le latenti La correlazione fra X 1 e X 2 dipende solo da F 1 La correlazione fra X 1 e X 3 dipende anche da F 2 G. Rossi (Dip. Psicologia) Psico / 30
16 Ricostruzione della matrice R il modello completo dell esplorativa sarebbe: δ 1 δ 2 δ 3 δ 4 X λ 1 11 F 1 X 2 λ 12 X 3 λ 23 X 4 F 2 λ 24 φ 21 r X 1 X 2... X 1 1 X 2 λ 11 λ 12 + λ 11 φ 21 λ 22 + λ 12 φ 21 λ 21 1 X 3 λ 11 λ 13 + λ 11 φ 21 λ 23 + λ 13 φ 21 λ X 4 λ 11 λ 14 + λ 11 φ 21 λ 24 + λ 14 φ 21 λ G. Rossi (Dip. Psicologia) Psico / 30
17 Confronto fra R e ^R Nel ricostruire R dobbiamo considerare anche la parte non spiegata dei singoli item (ε i nella regressione, δ 1 nell analisi fattoriale) che va aggiunta. Una volta ricostruita la matrice delle correlazioni (ˆR) delle osservate sulla base dei percorsi diretti e indiretti previsti dal modello confermativo e degli errori (o residui), si può fare un confronto con la matrice dei dati originale (R) Si utilizza un χ 2 con ˆR come valori osservati e R come valori attesi Il χ 2 sarà tanto più grande quanto maggiore sarà la discrepanza fra R e ˆR G. Rossi (Dip. Psicologia) Psico / 30
18 Bontà dell adattamento Il χ 2 calcolato si confronta con quello critico per gl = (n k)2 (n + k) 2 dove n è il numero delle variabili e k il numero dei fattori La formula esatta per il calcolo del χ 2 cambia in base al metodo di estrazione, ed è basato anche sul numero dei casi statistici. Per questo motivo tende ad essere significativo (cioè molto alto) L analisi fattoriale confermativa usa metodi diversi, in quanto usa una funzione di fitting (adattamento) specifica per ogni metodo di approssimazione/iterazione G. Rossi (Dip. Psicologia) Psico / 30
19 Funzione di discrepanza Sotto determinate condizioni, la funzione di discrepanza F(S, (θ)) si distribuisce come un χ 2 con gradi di libertà: gl = o(o + 1) 2 t dove o è il numero di variabili osservate e t è il numero di parametri da stimare (o (o + 1))/2 è il numero di covarianze su cui si sta lavorando questo è uno dei motivi per cui non si può fare un analisi fattoriale con solo 2 variabili (e 1 fattore) (2 * 3)/2 = 3 4 (2 errori e 2 parametri da stimare), mentre si può fare con 3 (3 * 4)/2 = 6 6 (3 errori e 3 parametri da stimare)) Il χ 2 ottenuto tende ad essere significativo all aumentare del numero di variabili e del numero di casi. G. Rossi (Dip. Psicologia) Psico / 30
20 Bontà dell adattamento Sono stati sviluppati diversi indici per ovviare a questo problema. Molti sono stati sviluppati nell ambito dell AFC e poi adottati in AFE, altri il contrario. Possono essere suddivisi in 3 categorie: Misure di adeguamento assoluto: indicano l abilità del modello di riprodurre i dati osservati Misure di adeguamento per il confronto o comparativi: permettono di confrontare fra loro 2 o più modelli e di scegliere il migliore (statisticamente) Misure di adeguamento parsimonioso: indici aggiustati in base ai gradi di libertà Ogni software tende a visualizzarne automaticamente qualcuno, gli altri vanno chiesti esplicitamente e non tutti sono disponibili G. Rossi (Dip. Psicologia) Psico / 30
21 Misure di adeguamento assoluto Si possono usare per avere una stima sulla bontà del modello gamma obiet. χ 2 dev essere non significativo 0 p >.05 RMR Root mean squared residual 0 0 SRMR Standardized RMR 0 1 <.05 RMSEA Root mean squared accettabile <.10 error of approximation buono <.08 molto buono <.05 G. Rossi (Dip. Psicologia) Psico / 30
22 RMR - Root mean squared residual Sempre proposto da Jöreskog e Sörbom (1984), questo indice calcola il valore medio della correlazione non spiegata dal modello (q è il numero di variabili) 2 i j RMR = (r ij ˆr ij ) 2 q(q + 1) un buon adattamento quando è inferiore a.05 Preferire RMSEA G. Rossi (Dip. Psicologia) Psico / 30
23 RMSEA - Root mean squared error of approximation Proposto da Steiger (1980), RMSEA è una stima dell errore di approssimazione nello stimare ˆR χ RMSEA = 2 gl N gl con N uguale all ampiezza del campione Anche in questo caso è una stima dell adattamento nella popolazione Sono ritenuti ottimi, valori inferiori a.05, buoni se inferiori a.08 (qualcuno li accetta anche se inferiori a.10) È molto utilizzata G. Rossi (Dip. Psicologia) Psico / 30
24 Misure di adeguamento per il confronto Si usano quando c è un confronto fra modelli diversi gamma obiet. NFI Normed fit index 0 1 >.9 TLI Tucker-Lewis Index 0 >.9 NNFI Non normed fit index (=TLI) IFI Incremental fit index CFI Comparative fit index 0 1 >.9 RFI Relative fit index 0 1 >.9 ECVI Expected value of cross-validation 0 0 G. Rossi (Dip. Psicologia) Psico / 30
25 TLI - Tucker-Lewis Index Proposto da Tucker e Lewis (1973) è un indice che confronta un χ 2 calcolato sul modello in esame (target) con un χ 2 calcolato ipotizzando che non ci siano relazioni fra le variabili (modello nullo) espresso come rapporto (quindi proporzione) sul modello nullo ) TLI = ( χ 2 nullo gl nullo χ2 target gl target gl nullo χ 2 nullo un buon adattamento dovrebbe avvicinarsi a 1 (accettabile se >.9), ma TLI può anche essere superiore a 1. è una misura valida per qualsiasi ampiezza del campione TLI coincide con il Non-normed Fit Index (NNFI) G. Rossi (Dip. Psicologia) Psico / 30
26 CFI - Comparative Fit Index Anche CFI (Bentler, 1990) è basato su un confronto con il modello nullo e stima l adattamento in riferimento alla popolazione max(χ 2 target CFI = 1 gl target, 0) max(χ 2 nullo gl nullo, χ 2 target gl target, 0) un buon adattamento dovrebbe avvicinarsi a 1 (accettabile se >.9) è una misura valida per qualsiasi ampiezza del campione G. Rossi (Dip. Psicologia) Psico / 30
27 Misure di adeguamento parsimonioso Si usano per confrontare fra loro due modelli che differiscono su un solo parametro gamma scelta PNFI Parsimonious normed fit index 0-> il maggiore PGFI Parsimonious GFI 0->1 minore AIC Akaike Information Criterion minore CAIC Consistent AIC minore In pratica, si usano solo AIC e CAIC G. Rossi (Dip. Psicologia) Psico / 30
28 AIC - Akaike information criterion AIC = χ 2 + 2q CAIC = χ 2 + (1 + ln N) q q è il numero dei parametri sconosciuti (da stimare-uguali) N è il numero di variabili osservate È un indice di confronto e al contempo è un indice di parsimonia Si usa solo per confrontare almeno 2 modelli; è migliore quello più piccolo G. Rossi (Dip. Psicologia) Psico / 30
29 Indici di adattamento e AFE Nell analisi fattoriale esplorativa effettuata con SPSS gli unici indici che si possono calcolare sono il χ 2 e l RMSEA. SPSS stampa l indice χ 2 quando si usano i metodi di estrazione Minimi quadrati non ponderati o generalizzati e Massima verosimiglianza. Usando il χ 2 stampato da SPSS si può calcolare a mano l RMSEA Test di bontà di adattamento Chi-quadrato df Sig. 66,422 51,072 con N=143 66, RMSEA = = 0, G. Rossi (Dip. Psicologia) Psico / 30
30 AFC con Jamovi Matrice ruotata Assi principali Fattore 1 2 x x8.946 x3.926 x x5.843 x6.929 x7.895 x x1.890 x2.872 G. Rossi (Dip. Psicologia) Psico / 30
31 AFC con Jamovi RMSEA = χ 2 gl N gl = = 0, G. Rossi (Dip. Psicologia) Psico / 30
32 Jamovi G. Rossi (Dip. Psicologia) Psico / 30
33 Jamovi: Open File G. Rossi (Dip. Psicologia) Psico / 30
34 Jamovi: Browse file G. Rossi (Dip. Psicologia) Psico / 30
35 Jamovi: Dati e Menu G. Rossi (Dip. Psicologia) Psico / 30
Psicometria. 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
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
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
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 (con laboratorio software 1)
Elementi di Psicometria (con laboratorio software 1) 05-La verifica delle ipotesi con le medie dei campioni (v. 1.0, 15 aprile 2019) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
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)
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
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,
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
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
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
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
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Coerenza interna Materiale di G.B. Flebus, integrato (v. 1.0, 18 aprile 2018) 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 28-Intervalli di confidenza vers. 1.1 (21 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi fattoriale. introduzione vers Germano Rossi 1 1 Dipartimento di Psicologia, Università di Milano-Bicocca
Analisi fattoriale introduzione vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2009 Rossi (Dip. Psicologia) Analisi fattoriale 2009 1 / 28
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
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 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
Dettaglis a Inferenza: singolo parametro Sistema di ipotesi: : β j = β j0 H 1 β j0 statistica test t confronto con valore t o p-value
Inferenza: singolo parametro Sistema di ipotesi: H 0 : β j = β j0 H 1 : β j β j0 statistica test t b j - b s a jj j0 > t a, 2 ( n-k) confronto con valore t o p-value Se β j0 = 0 X j non ha nessuna influenza
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
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
DettagliMetodologie Quantitative
Metodologie Quantitative Regressione Lineare Nozioni di base M Q Marco Perugini Milano-Bicocca 1 I COMUNICAZIONE MERCOLEDI 11 NOVEMBRE NON CI SARA LEZIONE DI MQ Concetti base Con l analisi di regressione
DettagliMetodologie 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
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
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, -..
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)
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
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:
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
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
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
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
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
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Regressione lineare multipla (vers. 1.6, 23 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare multipla
Laboratorio di Statistica Aziendale Modello di regressione lineare multipla Michela Pasetto michela.pasetto2@unibo.it Definizione del modello OLS (semplice) L obiettivo della regressione lineare è di valutare
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 11-Anova con covariata (v. 1.3, 5 dicembre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2018-19
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
DettagliEsercizi su Regressione e Connessione
Esercizi su Regressione e Connessione Stefano Cabras 31 marzo 2009 Sommario Questa serie di esercizi è principalmente incentrata sulla regressione e la connessione, tuttavia in alcuni esercizi le soluzioni
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 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
DettagliESERCITAZIONE REGRESSIONE MULTIPLA
ESERCITAZIONE REGRESSIONE MULTIPLA Dati delle Nazioni Unite del 2005 riferiti, per diverse nazioni, al tasso di feconditá (bambini per donna) (variabile Fert), alla percentuale di donne che usa contraccettivi
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
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
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
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
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07-Anova per misure ripetute (vers. 1.2, 5 dicembre 2017) 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 05-Ripasso inferenziale: Chi quadro (v. 1.0, 15 ottobre 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.
ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks
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
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
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,
DettagliA) COSTRUIRE LA FIGURA RELATIVA AL DIAGRAMMA DEL MODELLO (2 punti) B) CALCOLARE I GRADI DI LIBERTA' DEL MODELLO (2 punti)
DATO IL SEGUENTE PROGRAMMA MPLUS TITLE: ESERCIZIO EX LISREL DATA: FILE IS EX34.DAT; TYPE IS CORRELATION; NOBSERVATION IS 145; VARIABLE: NAMES ARE X1-X6 Y1-Y3; MODEL: KSI1 BY X1-X3 ; KSI2 BY X4-X6 ; ETA1
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZIONE 4 - Questioni di analisi e applicazione della regressione lineare Pratica
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
DettagliAnova e regressione. Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011
Anova e regressione Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011 Nella sperimentazione agronomica e biologica in genere è normale organizzare
DettagliAnalisi Fattoriale. La soluzione fattoriale ed il modello ACP Scelta del numero dei fattori
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 I passaggi fondamentali 1) Scelta del modello fattoriale
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
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
DettagliPsicometria con Laboratorio di SPSS 2
Psicometria con Laboratorio di SPSS 2 Analisi fattoriale esplorativa (v. 1.2, 4 aprile 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18 G.
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
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
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
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 5 Test d Ipotesi
Metodi Quantitativi per Economia, Finanza e Management Lezione n 5 Test d Ipotesi Test per lo studio dell associazione tra variabili Nella teoria dei test, il ricercatore fornisce ipotesi riguardo la distribuzione
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
DettagliIl questionario sull attaccamento a Dio di Beck e McDonald
Il questionario sull attaccamento a Dio di Beck e McDonald Germano Rossi, Elettra Scaglione, Paolo Grampa, Angela Tagini Università di Milano-Bicocca (Italy) 12 Convegno SIPR, 20-21 novembre 2010, Verona
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
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
DettagliANALISI MULTIVARIATA AA MODELLI DI EQUAZIONI STRUTTURALI
ANALISI DEI DATI + LAB AA 2017-2018 MODELLI DI EQUAZIONI STRUTTURALI 1 ANALISI DEI DATI + LAB AA 2017-2018 ELEMENTI DI BASE - Cosa sono i Modelli di Equazioni Strutturali (SEM) - Le componenti dei SEM
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
Dettaglilezione 10 AA Paolo Brunori
AA 2016-2017 Paolo Brunori Redditi svedesi - il dataset contiene i dati di reddito di 838 individui - il dataset contiene le variabili: sex = sesso age = età edu = anni di istruzione y_gross = reddito
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
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
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
DettagliLa regressione lineare semplice
La regressione lineare semplice Il modello di regressione lineare semplice - 1 y = β 0 + βx + ε 10 8 Una retta nel piano Variabile Y 6 4 2 0 0 1 2 3 4 Variabile X 1 Il modello di regressione lineare semplice
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
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
DettagliDATA MINING PER IL MARKETING (63 ore)
DATA MINING PER IL MARKETING (63 ore) Marco Riani mriani@unipr.it Sito web del corso http://www.riani.it/dmm Studio della distribuzione di ˆ E( ˆ) var( ˆ) 2 ( X ' X ) 1 Teorema di Gauss Markov (efficienza
DettagliMatricola: Corso: 1. (4 Punti) Stimare la variazione del reddito quando il prezzo del prodotto finale raddoppia.
Facoltà di Economia Statistica Esame 3-12/04/2010: A Cognome, Nome: Matricola: Corso: Problema 1. Per 5 imprese imprese è stato rilevato il reddito quinquennale medio (in milioni di euro), y, e il corrispondente
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliStatistica inferenziale
Dipartimento di Fisica a.a. 2004/2005 Fisica Medica 2 Statistica inferenziale 6/5/2005 Relazione tra dati Possono esistere in uno studio connessioni tra dati differenti che possono legare caratteristiche:
DettagliLM 88 SOCIOLOGIA E RICERCA SOCIALE. Metodi Statistici per la Ricerca Sociale. Regressione lineare e correlazione
LM 88 SOCIOLOGIA E RICERCA SOCIALE Metodi Statistici per la Ricerca Sociale Regressione lineare e correlazione 1. Su un campione di individui sono rilevati i caratteri X (peso in Kg) e Y (altezza in cm),
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)
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
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
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 08-Anova con covariata (vers. 1.2, 6 dicembre 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliElementi di Psicometria (con laboratorio software 1)
Elementi di Psicometria (con laboratorio software 1) 02-Tendenza centrale e variabilità (v. 1.0, 22 marzo 2019) versione per stampa Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
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 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
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 08-Analisi non parametrica (vers. 1.2, 18 dicembre 2016) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliNOTE SUI SEM (STRUCTURAL EQUATION MODELS - MODELLI DI EQUAZIONI STRUTTURALI)
- 1 - NOTE SUI SEM (STRUCTURAL EQUATION MODELS - MODELLI DI EQUAZIONI STRUTTURALI) CLAUDIO BARBARANELLI AA 218-219 - 2 - Premessa Queste note sui Modelli di Equazioni strutturali sono state scritte per
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
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
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliCorso di Sistemi di Gestione per la Qualità (SGQ) AA
Corso di Sistemi di Gestione per la Qualità (SGQ) AA 018-19 6 CFU Prof. Gianluca D Urso 1 Tecniche ANOVA ANalisys Of VAriance Problema che si vuole risolvere: esiste una differenza? A punti rossi B punti
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
DettagliSTIMA DELLA PIENA INDICE
STIMA DELLA PIENA INDICE STIMA LOCALE - Anche se basata su un numero molto limitato di osservazioni (5-6) STIMA REGIONALE 1) Metodi basati su regressioni rispetto a parametri morfo-climatici 2) Metodi
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
Dettagli