Video

Azt a szórásnál tanultuk, de nem mindig N-1 az érték, hanem N mínusz a felhasznált összefüggések száma (a szabad választások számát a felhasznált összefüggések korlátozzák). A szórás számításánál az átlagot használjuk fel összefüggésként, ezért N-1. De ha emlékszel a független mintás t-próbára, ott N-2 volt (a két mintaátlag miatt). A normalitásteszt nem használ fel összefüggést (pl mintaátlagot), csak a minta értékeit, így ott N-0, azaz N a szabadságfok. Remélem segített, és sok sikert a tanulmányaidhoz!

@@stathelp Igen, így már emlékszem és világos, köszönöm!. Valóban, a független mintás t-próbánál stimmel a df=39 (N = 41). Illetve még egy olyan gyors kérdésem van, hogy már lemondtam a független mintás t-próbáról, mert nem jött ki a K-S és S-W teszteken a normalitás az összes csoportomon. Viszont most e videó alapján megtaláltam ezt a cikket: Orcan, F. (2020). Parametric or non-parametric: Skewness to test normality for mean comparison. International Journal of Assessment Tools in Education, 7(2), 255-265. Itt a 2. oldal felétől az van, amit te is mondasz tk., hogyha csak enyhén csúcsos és enyhén ferde, mégis feltételezhető a normális eloszlás és mégis használható a független mintás t-próba a Mann-Whitney helyett. A mintám csoportjain kiszámoltam és az összesnél .001 < Z < 1.1, tehát 1.96 alatti, azaz ha jól értem, mégis használhatom a függ. mintás t-próbát. Ezt jól értelmezem?

Leginkább azt tudom tanácsolni, hogy ne mechanikusan csináld a dolgot, hanem elméleti szepontból is mérlegelve, mennyi embert veszel ki. A másik, hogy valószínűleg gyenge lehet a modell (túl kicsi elemszám és/vagy túl nagy kollinearitás és/vagy túl gyenge hatások). Ha ennyire kis változtatásokkal ekkora változás történik az értékekben (pl. a Cook-értéket nem könnyű átlökni a problémás oldalra), akkor az általában gyenge modellre utal. A problémás aspektust próbált javítani (nyilván elemszámot nem lehet, de a változók kiválasztását igen)!

Én köszönöm!

Köszönöm szépen!

Nagyon jó meglátás! Azonban: 1) itt a paraméteres próbák feltételeinek ellenőrzését tanuljuk, a sorozat elején elhangzik, hogy a két orvosi lovunk a Pearson korreláció és a klasszikus független mintás t-próba. Ez utóbbi esetén a minták eltérése a középértékek közötti eltérésre (azaz shift-re) vonatkozik. 2) majd akkor, amikor a minták eltérését tanuljuk, meg fogjuk tanulni, hogy két minta nem csak a középértékében térhet el (ezen belül is, nem csak átlagában, hanem mediánjában is, mely megint egy másik próba), hanem eltérhet szórásában (ennek egyik lehetséges tesztelése a Levene teszt), vagy például az eloszlás alakjában is (erre jó a két-mintás Kolmogorov-Smirnov). 3) A legtöbb kutató amikor eltérésről beszél, csupán a középértékek közötti eltérésre gondol, csak azt vizsgálja. Ennek ellenére rendkívül érdekes lehet az is, ha a szórások térnek el - hiszen az azt jelenti, hogy az egyik minta valamiért heterogénebb. Hogy mondjak egy valós példát erre: az IQ nemi különbségei. Jelenleg azt gondoljuk, hogy az átlag (vagy medián) IQ nem tér el férfiak és nők között, de a férfaiknál sokkal nagyobb az IQ szórása, azaz belőlük inkább kerülnek ki zsenik (nem véletlen, hogy a legnagyobb tudósaink, iróink, stb. inkább férfiak) de az idióták is (erre is lehet példát találni bőven). Mindennek izgalmas evolúciós, illetve idegrendszeri magyarázata is van.

A b0-t is gyakran koefficiensnek nevezzük, ez az intercept vagy konstans. A b1 is koefficiens, ez a meredekség (slope). Örülök, ha segítettek. Sok sikert a tanulmányaidhoz!

+ 1 😊👍

Ez leginkább a konkrét adatok eloszlásától függ, de általánosságban elmondható, hogy skála mérési szint mellett a normalitás sérülésekor legtöbbször valamilyen rangsorolásos eljárást választunk (pl. Spearman, Mann-Whitney, Wilcoxon), és a rangsorolás a szóráshomogenitás sérülését is viszonylag jól kezeli. Fordítva ez nem igaz - a szóráshomogenitás sérülésének kezelésére kitalált korrekciók (pl. Welch-teszt) nem alkalmasak a normalitás sérülésének kezelésére.

A legtöbb kérdőív likert-skálát használ az itemekhez - ezeken minden meghökkenés nélkül el szoktuk végezni a reliabilitás vizsgálatot, mely korrelációkon alapul, illetve össze szoktuk adni / átlagolni utána az itempontszámokat - pedig, ha belegondolsz, ordinális változókat szigorú értelemben véve nem lehet összeadni. Ezzel szemben, egy nem vennék be Likert-skála változót parametrikus teszt (pl.t-próba, ANOVA Pearson-korreláció vagy regresszió) függőváltozójaként - egyszerűen azért sem, mert nem kellően folytonos (nem vehet fel kellően sokfajta értéket) ahhoz, hogy a normáleloszlás kialakulhasson. Egy tízfokú Likert-skálán már viszont -ha nagyon muszáj - el lehet gondolkodni parametrikus teszteknél is

@@stathelp köszönöm a választ. Azért kérdezem, mert találtam olyan cikkeket is, amik szerint használhatók a paraméteres tesztek is Likert skálák esetén, mivel ezek a tesztek eléggé robosztusak, illetve sok évtizedes gyakorlat van mögötte. Erről mit gondol? Illetve láttam olyan gyakorlatot, is, ahol a likert skálák értékeinek összegzésével képeztek új változót. Ez jó módszer lehet? Illetve alkalmas lehet összefüggés-vizsgálatra?

Ugyanezt gondolom én is!

Köszönöm a visszajelzést!

Kedves Mihály! Örülök, ha hasznosnak érezted! A H0 sorok majd a hierarchikus regressziónál lesznek fontosak. Néhány (jópár) videóval arrébb lesz róla szó (nem is kevés).

@@stathelp Kedves Klára! Nagyon szépen köszönöm!

Le a kalappal előtted, ha mind a 400-500-at végignézted. Tavasszal várhatóan folytatom majd az ANOVA sorozatot. Illetve ha lesz rá kapacitásom, lesz egy főkomponens sorozat is :)

Kuldtem emailt..

Köszönöm!

Sok sikert a tanulmányaidhoz!

Ez egy nagyon jó kérdés, és a téma heves internetes viták alapja. Először is a központi határeloszlás tételnek nagyon sok mindenben van szerepe (gyakorlatilag ezért működik a statisztika): 1) részben felelős azért, hogy sok tulajdonság a populációban normál eloszláshoz közelítsen, mert a tulajdonságokat sokminden befolyásolja. Ettől még nem biztos, hogy a tulajdonságot az általam vett mérőeszközön keresztül is normáleloszlásúnak fogom látni (itt most nem a mintavételezés bizonytalanságáról beszélek, hanem kifejezetetten arról, ahogy a tulajdonságot mérem), mert sok mérőeszközünk van, mely nem egyforma felbontásban mér a tulajdonság teljes tartományán (pl. perfekcionizmus skála, mely a magasan perfekcionisták részén jól mér, a kb. normál tartományban viszont padlóhatás miatt egy csomó embert összemos). 2) a predikciónk hibájának normáleloszlását hozza létre (regressziós videóban részletesebben: ha a modelltől független a sok egyéb tényező, mely a hibát, zajt létrehozza, akkor a zaj normál eloszlást fog követni). 3) sok próba valóban robusztusabbá válik nagyobb elemszámon a normalitás sérülésére. Itt az a nehéz, ez a robusztusság különböző sérülésfajtáknál eltérő elemszámnál válik kellően erőssé. Pl. t-próbánál mindkét minta ugyanabba az irányba ferde - viszonylag kis elemszámnál is már robusztus a t-próba. A két minta eltérő irányba ferde: akár több ezer főnél sem az. Szóval óvatosan azzal, amikor a normalitás sérülése ellenére t-próbát használsz a CLT-re hivatkozva. Sokszor teljesen rendben van, néha meg nagyon nem. Inkább azt szoktam tanácsolni, hogy vizsgáld meg, hogyan sérül a normalitás (hisztogram, Q-Q plot, ferdeség, csúcsosság segítségével), és a robusztussági szakirodalmat figyelembe véve dönts arről, használhatsz-e t-próbát ennek ellenére. (itt továbbra is a központi határeloszlásnak köszönheted, ha a robusztusság kialakult, de nem vakon arra hagyatkozva döntesz)

Igen, többek között arra is jó, a videóban csak néhány példát hozok, ennél sokkal több helyen használjuk! Sok goodness-of-fit elemzésben megjelenik a Khi2 eloszlás, ahol egy mért és valamilyen modell által implikált eloszlás hasonlóságát teszteljük, az uniform eloszláshoz való hasonlóság vizsgálata is ilyen. És valóban a legnagyobb probléma az szokott lenni, hogy nagy elemszámokon túlérzékeny, kis elemszámokon pedig a komplexitás növekedésével gyorsan veszít érzékenységéből.

Nagyon jó megfigyelés! Az adjusted R2 az F-értékhez hasonlóan figyelembe veszi a modell bonyolultságát (paraméterek számát) és az elemszámot. A korrigálatlan R2 a négyzetösszegekből számolható, a adj. R2 a négyzetátlagokból, hasonlóan az F-értékhez. Ha a számítást nézed, az korrigálatlan R2 = SS(model) / SS(total) = 1 - SS(residual) / SS(total). Ezzel szemben az Adjusted R2 = 1 - MS(residual) / MS (total), ahol az MS(residual) = SS(residual) / df(residual) és az MS(total) = SS(total) / df(total). Ha megnézed az F-érték számítását, az is a négyzetátlagokat használja, mivel F = MS(model) / MS(residual). Ennek megfelelően az adj. R2 az F-értékhez hasonlóan fog mozogni. Például kicsi elemszámnál hiába nagy esetleg a korrigálatlan R2-érték, az F-érték és a adj R2 is kicsi lesz, hiszen mindkettő figyelembe veszi a kis elemszámot.

Az Anderson-Darling egy igen érzékeny teszt. Mellette nagyon kell vigyázni vele, mert ha sok azonos érték van a mintában, nagyon könnyen szignifikáns eltérésre juthatunk vele - ugyanerre a S-W és a K-S nem érzékeny annyira.