Signifikansi dalam uji t sampel independen hanya berarti bahwa probabilitas (jika null benar) sampling perbedaan rata-rata sama ekstremnya dengan perbedaan rata-rata yang sebenarnya Anda sampel kurang dari 0,05. Ini sama sekali tidak terkait dengan dependentindependent. Dependent berarti distribusi beberapa pengamatan individu terhubung ke distribusi orang lain, misalnya A) mereka adalah orang yang sama yang melakukan tes yang sama untuk kedua kalinya, B) orang-orang di setiap kelompok dicocokkan pada beberapa variabel tes awal, C) Orang-orang di kedua kelompok itu terkait (yaitu keluarga). Independen berarti tidak ada hubungan semacam itu. Menjawab 11 Agustus 10 at 21:12 Mengapa berhenti pada tes-t Anda bisa memikirkan dua variabel yang tidak berkorelasi seperti dua vektor ortogonal, persis seperti sumbu x dan y dalam sistem koordinat Cartesian dua dimensi. Bila salah satu dari dua vektor, katakanlah mathbf dan mathbf berkorelasi dengan yang lain, akan ada bagian x tertentu yang dapat diproyeksikan ke y dan sebaliknya. Dengan pemikiran tersebut, cukup mudah untuk melihat bahwa karena, Dimana r adalah koefisien korelasi Pearson dan leftltcdot, cdotrightgt adalah hasilkali dalam argumen. Ketika saya mempelajarinya, saya benar-benar terpesona oleh betapa geometrisnya gagasan korelasi itu sederhana. Dan ini jelas bukan satu-satunya cara untuk mengukur korelasi antara dua (atau lebih) variabel. Signifikansi pengujian adalah permainan bola yang berbeda. Seringkali kita ingin mengetahui berapa banyak dua (atau lebih) kelompok berbeda pada beberapa variabel hasil sebagai hasil dari beberapa manipulasi yang dilakukan pada kelompok tersebut. Seperti kata Brian, Anda ingin tahu apakah kedua kelompok berasal dari distribusi yang sama, sehingga Anda menghitung probabilitas untuk mengambil sampel perbedaan rata-rata (diskalakan dengan kesalahan standar mean) yang Anda dapatkan dari eksperimen Anda, karena hipotesis nol (Tidak ada perbedaan berarti) benar. Dalam penelitian perilaku (dan sering di tempat lain) jika probabilitas ini kurang dari 0,05, Anda dapat menyimpulkan bahwa perbedaan dalam dua (atau lebih) mean kemungkinan terjadi karena manipulasi Anda. EDIT Dilip Sarwate menunjukkan bahwa dua variabel yang tidak berkorelasi dapat bergantung secara statistik, jadi saya mengambil bagian pertama. Terima kasih untuk itu. Menjawab Mar 21 11 at 4: 16 Analisis Rasional Analisis regresi adalah teknik analisis prediktif dimana satu atau lebih variabel digunakan untuk memprediksi tingkat yang lain dengan menggunakan rumus garis lurus, Yabx-BIVARIATE REGRESSION ANALYSIS adalah jenis regresi dalam Yang hanya dua variabel yang digunakan dalam regresi, model prediktif - VARIABEL AS disebut VARIABEL DEPENDENT (Y), yang lainnya disebut VARIABEL INDEPENDEN (X) - VARIABEL INDEPENDEN digunakan untuk memprediksi VARIABEL DEPENDENT, dan ini adalah X dalam FORMULA REGRESI - Regression analysis adalah teknik analisis prediktif dimana satu atau lebih variabel digunakan untuk memprediksi tingkat yang lain dengan menggunakan yabx STRAIGHT-LINE FORMULA, Sales () 10.0001.3Advertisement () 1. untuk masing-masing Jumlah dolar yang dikeluarkan dalam iklan, kenaikan penjualan sebesar 1,3 2. Jika iklan, penjualan10.000, variabel yang diprediksi x variabel yang digunakan untuk memprediksi INTERCEPT, atau tunjukkan di mana garis memotong sumbu y ketika xo bthe SLOPE atau Perubahan y untuk perubahan 1 unit dalam x Catatan: Y harus merupakan VARIABEL METRIK. X (s) harus merupakan VARIABEL METRIC atau VARIABEL DICHOTOMOUS adalah satu yang menggunakan satu dari dua variabel nilai yang mungkin (variabel tipe proporsi) Analisis Regresi Linier Bivariat: Prosedur Dasar - Model regresi, mencegat (a), dan kemiringan (B) harus selalu DIUJI UNTUK SIGNIFIKAN STATISTIK, karena kita memperkirakannya dengan sampel. Kami tertarik pada nilai B dan A dalam populasi - Regression analysis predictions adalah perkiraan yang memiliki sejumlah kesalahan pada mereka Pengujian Signifikansi Statistik Intercept and the Slope - THE T-TESTP-VALUE: digunakan untuk menentukan apakah Mencegat (a) dan kemiringan (a) berbeda secara signifikan dari nol. Artinya, jika ada cukup bukti yang menunjukkan bahwa mereka BERBEDA DARI NOL DALAM POPULASI - Jika nilai t hitung lebih besar dari 1,96 atau nilai p l.05, daripada parameternya berbeda dari nol. Perhatikan bahwa regresi sederhana agak mirip dengan koefisien korelasi namun memberi Anda koefisien kemiringan yang sama (b) Prediksi regresi dibuat dengan interval kepercayaan Analisis regresi dengan SPSS - Does quotesque modisquot menjelaskan apakah katalog sesuai dengan gambar Gucci YabX YMatches the Gucci image X Fashionable Jalankan persamaan regresi dengan mencantumkan gambar Gucci sebagai variabel dependen, dan quotfashionablequot sebagai variabel independen Hasil yang akan Anda temukan di tabel ANOVA (lihat bagan): - Nilai p dari tabel ANOVA memberi tahu apakah model tersebut memiliki nilai statistik yang signifikan. Kemampuan prediktif - Artinya, jika secara keseluruhan, model dapat memprediksi variabel dependen - Jika nilai p l.05 - model itu TIDAK memprediksi variabel dependen (ada hubungan linier) - Jika nilai-p < Model TIDAK memprediksi variabel dependen (tidak ada hubungan linier). ANDA BISA BERHENTI DI SINI. - R2 RANGES DARI 0 TO 1 dan mewakili jumlah JUMLAH VARIABEL TERENDAH YANG DIEKSPOR YANG DITERBITKAN atau dicatat, oleh variabel independen gabungan - Ini adalah ukuran dari KEKUATAN HUBUNGAN LINEAR antara variabel independen dan dependen. Ini merupakan indikasi seberapa baik variabel independen dapat memprediksi variabel dependen dalam regresi berganda - gtConvert R2 menjadi persentase: R2 sebesar 0,27 berarti bahwa model regresi menjelaskan 27 variabilitas pada variabel dependen Analisis Regresi Berganda - Beberapa regresi berarti Bahwa Anda memiliki lebih dari satu variabel independen untuk memprediksi beberapa variabel dependen tunggal. Persamaan Regresi Berganda: yab1X1b2X2b3X3. BmXm dimana: y tergantung, atau diprediksi, variabel xiindependent variabel i athe mencegat bithe slope untuk variabel independen i m jumlah variabel independen dalam persamaan Catatan: Y harus berupa VARIABEL METRIK. X (s) harus merupakan VARIABEL METRIC atau VARIABEL DICHOTOMOUS adalah salah satu yang mengambil satu dari dua variabel nilai yang mungkin (variabel tipe proporsi) - R2 RANGES DARI 0 sampai 1 dan mewakili JUMLAH VARIABEL YANG DIHARAPKAN YANG DIEKSPOR , Atau dipertanggungjawabkan, oleh gabungan variabel independen - ADJUSTED R2 adalah modifikasi dari R yang ADJUSTS UNTUK JUMLAH JAMINAN PENJELASAN dalam model - Berikan ketika Anda membandingkan model dengan jumlah prediktor yang berbeda - secara umum, semakin banyak prediktor Anda Memiliki, yang lebih tinggi adalah R2-untuk alasan ini, tidak adil untuk membandingkan model dengan berbagai prediktor. Inilah sebabnya kami memperkenalkan sebuah penyesuaian. Koefisien beta standar - STANDARDIZED BETA COEFFICIENT: beta yang menunjukkan kepentingan relatif variabel prediktor alternatif. Mereka terbiasa membandingkan B yang berbeda dan melihat mana yang memiliki dampak lebih besar pada Y - Ide dasarnya adalah bahwa variabel yang berbeda diukur dengan unit pengukuran yang berbeda (misalnya unit sikap, unit preferensi). Karena alasan ini, (tidak standar) Betas tidak sebanding. Koefisien beta standar menggunakan unit pengukuran yang sebanding sehingga beta menjadi dibandingkan. Untuk mendapatkan perkiraan yang lebih akurat, hilangkan dari variabel model yang tidak signifikan (yaitu nilai p untuk bs mereka adalah gt.05) Hal ini sangat penting bila Anda ingin menggunakan Hasilnya membuat prediksi. Untuk memangkas model: 1. Hilangkan satu variabel pada saat itu, mulai dari yang memiliki nilai p yang lebih tinggi 2. Re-run analisis 3. Ulangi sampai hanya variabel signifikan yang tertinggal dalam model.
No comments:
Post a Comment