Det hjalp ingenting! Den standardiserte regresjonskoeffisienten kan ikke tolkes som en korrelasjon når sex og produktet er med i modellen.
|
|
- Elias Dahl
- 5 år siden
- Visninger:
Transkript
1 Noen tips i forbindelse med differanser mellom korrelasjoner. Vi har tidligere sett at dersom vi er interesserte i om effekten av en variabel varierer over nivåene på en annen variabel (interaksjon), så er dette et ganske trivielt problem. Vi bare analyserer en modell som inneholder en slik interaksjonseffekt for eksempel med Linear Regression og inkluderer et produktledd eller enklest med GLM Univariate. Men i psykologisk forskning er vi ofte interesserte i forskjeller mellom korrelasjoner. Vi kan for eksempel ha validitetskoeffisienter fra to ulike populasjoner, og er interesserte i om disse er forskjellige. Eller vi har ingen formening om retningen på en sammenheng: vi er bare interesserte i om sammenhengen mellom Y og X er forskjellig for ulike nivåer av Z. Vi bruker «likelonn.sav» fra første uken, og er av en eller annen grunn interesserte i om korrelasjonen mellom Beginning Salary og Current Salary er forskjellig for menn og kvinner. Vi kunne formulere dette som et interaksjonsproblem: Avhenger effekten av salbeg på salnow av sex: salnow = a + b 1*salbeg + b 2*sex + b 3*(salbeg*sex)? Det ser ikke slik ut.. Men vi vet jo at den standardiserte regresjonskoeffisienten er det samme som korrelasjonskoeffisienten. Da kan vi vel studere det samme som over med standardiserte variabler og teste forskjeller mellom korrelasjoner på den måten: Det hjalp ingenting! Den standardiserte regresjonskoeffisienten kan ikke tolkes som en korrelasjon når sex og produktet er med i modellen. Men hadde vi hatt en hypotese om retning og vært interesserte i effekter, så hadde begge de over vært OK.
2 Vi har ingen direkte tester på differanser mellom korrelasjoner i SPSS, men vi kan jo bruke en «bootstrap» strategi. Bruk Data, split-file på sex og slå på Bootstrap. Da får man et ikke-parametrisk 95% konfidensintervall for hver av korrelasjonene: Siden de to konfidensintervallene overlapper, så kan man være fristet til å konkludere med at det ikke er noen statistisk signifikant forskjell mellom de to korrelasjonene. Det kan fort være en feil konklusjon! På nettet kan man finne tester for differanser mellom korrelasjoner: For eksempel her: Dette programmet har brukt Fisher transformasjonen og antatt at transformerte korrelasjoner er normalfordelte: med SE og
3 Hvorfor Fisher transformasjonen? Slik ser samplingfordelingen til korrelasjonen ut når vi trekker utvalg på n=30 fra en populasjon hvor r=.80: Og slik ser den ut når vi har Fisher transformert: Samplingfordelingen til korrelasjoner som avviker fra 0 blir ikke normalfordelte, og da blir heller ikke differanser mellom dem det. Men dersom vi transformerer, så blir de det og vi kan anta normalfordelte samplingfordelinger! Men den testen ga jo en helt annen konklusjon. Med en to-halet p-verdi på Kan det være noe galt med bootstrap tilnærmingen?
4 Jeg gjør samme bootstrap-analysen i R. Da får jeg en mulighet til å se nærmere på samplingfordelingen til differansen mellom de to korrelasjonene. Her ser denne slik ut: Og det ser ikke ut til at mange differanser er 0 eller lavere. Og dersom jeg konstruerer et ikke-parametrisk 95% konfidensintervall for differansen, så blir det slik: Det betyr at vi kan forkaste H0 om at differansen er null på.05 nivå. Men når jeg nå har bootstrap fordelingen til differansen mellom korrelasjonene, så kan jeg jo også se på bootstrap fordelingen til differansen mellom Fisher transformerte korrelasjoner. Denne kan vi anta er normalfordelt. Jeg teller opp og finner at.005 av differansene er 0 eller lavere. Det gir en tohalet p på.01. Litt høyere enn i testen fra nettet - men likevel klart lavere enn.05! Så dersom vi ser på bootstrap-fordelingen til differansen mellom de to korrelasjonene eller bruker den klassiske testen fra nettet, så kommer vi til en helt annen konklusjon enn dersom vi ser på «overlappen» mellom konfidensintervallene. Dersom dere har 95% konfidensintervaller fra to grupper, og disse IKKE overlapper, så er forskjellen signifikant på 5% nivå selv om den «reelle» p- verdien for forskjellen vil være et ukjent sted lavere. Men dersom konfidensintervallene overlapper, så kan fortsatt den «reelle» p-verdien være lavere enn.05 og man kan gjøre en type II feil. Og dette gjelder selvsagt ikke bare forskjeller mellom korrelasjoner!
5 Grunnen til det ser man dersom man ser på det enkleste tilfellet: to gjennomsnitt, to like store grupper samplet fra populasjoner med samme varians og vi antar normalfordelt samplingfordeling: Standardfeilen til et gjennomsnitt er: sqrt(δ 2 /n) og: 95%KI er M ± sqrt(δ 2 /n)*1.96 Standardfeilen til en differanse mellom to gjennomsnitt er: sqrt((δ 2 *2)/n) Hvor stor må en differanse være før vi slutter at den er statistisk signifikant? Ved å studere «overlapp» mellom konfidensintervaller må den være: Ved en standard test av differansen må den være: sqrt(δ 2 /n)*1.96*2 sqrt((δ 2 *2)/n)*1.96 Differansen må altså være ca. 40% større før vi slutter at den er «statistisk signifikant» dersom vi baserer slutningen på overlappende konfidensintervaller! Det gir oss en test med svært lav statistisk styrke. Mer om problemet med "overlappende konfidensintervaller" finnes her: Så dersom dere har problemstillinger angående forskjeller mellom korrelasjoner og ikke stoler på ideen med overlappende konfidensintervaller: - Se om problemet kan omformuleres til å angå forskjeller mellom effekter (interaksjon). Kanskje det egentlig er forskjeller mellom effekter som er interessant? Da finnes det enkle løsninger. - Bruk den klassiske testen for differansen mellom korrelasjoner. Slike finnes på nettet eller kan enkelt beregnes i for eksempel Excel. - Og dersom dere ikke stoler på at forutsetningene som ligger til grunn for den testen er tilstede, så har dere et «ikke-parametrisk» alternativ i boostrap-strategien, men se da på bootstrap-fordelingen til differansen ikke på overlapp mellom konfidensintervallene. Ingen av de to siste strategiene er dessverre umiddelbart tilgjengelige i SPSS
6 Men vi kan da ikke gi oss der? Jeg vet at minst en deltaker på kurset hadde en problemstilling hvor man var interessert i forskjeller mellom flere korrelasjoner. Jeg bruker et eksempel fra samme datafilen hvor jeg er interessert i korrelasjonene mellom Beginning salary (salbeg), Current salary (salnow), Job seniority (time) og Work experience (work). Dersom man har korrelasjoner mellom fire variabler fra to grupper kan man teste 6 differanser mellom korrelasjoner. Da vil ganske sikkert en eller annen reviewer synes det er lurt med korreksjon for «familywise error» problemet. Med en enkel Bonferroni korreksjon, så kan man bruke dersom man er interessert i å holde sannsynligheten for type I feil på 5%:.05/antall tester (her:.008) for hver test. Da vil det bare være testen basert på Fisher transformasjoner og parametriske antagelser om normalfordeling som fortsatt gir en signifikant forskjell mellom korrelasjonene. Men noen reviewere vil ikke være fornøyd med det heller. De vil kunne etterlyse en «overall-test» tilsvarende den i Anova. Vi kunne teste påstanden om at alle gruppe-vise forskjeller mellom korrelasjoner er 0. For korrelasjoner er man da inne i opprørt statistisk hav. Hvordan man optimalt kan konstruere en slik test har vært diskutert og diskuteres fortsatt. Googler dere litt i blogger og den slags, så finner dere fort rådet: bruk SEM. Tja men hvordan? Å undersøke forskjeller mellom varians-kovarians matriser med SEM er rimelig greit. Forskjeller mellom korrelasjoner er verre. SEM programmer kan ikke holde variabler standardiserte og dermed ikke estimere korrelasjoner korrekt. De vil i utgangspunktet estimere varianser og kovarianser. Det hjelper heller ikke å dytte inn standardiserte variabler eller korrelasjonsmatriser. Jeg har med rimelig hell benyttet en strategi foreslått av Preacher: Kristopher J. Preacher (2006): Testing Complex Correlational Hypotheses with Structural Equation Models. Structural Equation Modeling, 13(4),
7 For dette eksemplet ville man lage en slik modell i Amos: Man lager en latent variabel for hver observert. Variansen til disse settes til 1. De observerte variablene må ha feil-ledd men variansen til disse settes til 0. I Amos kan man gi korrelasjonene navn: jeg har brukt bokstavene a f. Nå gjør man en «multigruppe» analyse i Amos og tilpasser den samme modellen for menn og kvinner. Koeffisienter som gis samme navn i Amos vil tvinges til å være like under estimeringen. Dersom man nå kan forkaste en modell hvor alle korrelasjoner settes likt for kvinner og menn så har man forkastet «overall hypotesen», og må konkludere med at for minst en av korrelasjonene er det en forskjell mellom kvinner og menn. Siden noen ikke har adgang til Amos, noen foretrekker å skrive programkode fremfor å tegne, noen synes at skal man gjøre noe så skal det gjøres i R, osv. så har jeg for moro skyld i tillegg til Amos lagt ved syntax til hvordan man kan gjøre en slik analyse i MPLUS men siden dette også er et kostbart program, la jeg også ved syntax for to gratisalternativer i R (lavaan og OpenMx). Den siste trengte jeg hjelp til siden jeg ikke kan det programmet i det hele tatt. Som dere ser vil alle programmene gi identiske resultater med en liten forskjell for Amos hvor chikvadratverdien er ørlite lavere ( versus for de andre). Forklaringen på det finnes i dokumentasjonen for Lavaan: In addition, the chi-square statistic is computed by multiplying the minimum function value with a factor $n$ (instead of $n-1$). This is similar to the Mplus program. If you prefer to use an unbiased covariance, and $n-1$ as the multiplier to compute the chi-square statistic, you need to specify the likelihood = "wishart" argument when calling the fitting functions. The value of the test statistic will be closer to the value reported by programs like EQS, LISREL or AMOS, since they all use the 'Wishart' approach when using the maximum likelihood estimator. Vi får håpe det valget ikke vil ha avgjørende betydning for psykologisk forskning. Konklusjonen blir imidlertid fra alle at en påstand om at alle forskjeller i korrelasjoner mellom kvinner og menn er 0 ikke kan forkastes p >.05. Og da vil kanskje en reviewer antyde at den ene statistisk signifikante differansen vi startet med muligens kan være en type I feil?
8 Man kan selvsagt bruke denne strategien også for en enkelt korrelasjon: Chi-square = Degrees of freedom = 1 Probability level =.001 Og vi kommer til samme konklusjon som vi har vært innom tidligere for akkurat denne korrelasjonen ser det ut til å være en forskjell mellom kvinner og menn. Vær oppmerksomme på at disse testene også krever antagelser om multivariate normalfordelinger i populasjonen og fungerer best i utvalg av en rimelig størrelse. Men da har dere i vertfall en mulig strategi når flere enn en korrelasjon skal sammenlignes over en eller flere grupper.
9 AMOS: R (lavaan): library(lavaan) #les SPSS library(haven) likelonn <- read_sav("m:/data/r/data/exdata/likelonn.sav") View(likelonn) attach(likelonn) modellen <- ' f1 =~ NA*salbeg f2 =~ NA*salnow f3 =~ NA*time f4 =~ NA*work f1 ~~ 1*f1 f2 ~~ 1*f2 f3 ~~ 1*f3 f4 ~~ 1*f4 salbeg ~~ 0*salbeg salnow ~~ 0*salnow time ~~ 0*time work ~~ 0*work f1 ~~ c(a,a)*f2 f1 ~~ c(b,b)*f3 f1 ~~ c(c,c)*f4 f2 ~~ c(d,d)*f3 f2 ~~ c(e,e)*f4 f3 ~~ c(f,f)*f4 ' fit <- cfa(modellen, data = likelonn, group = "sex") summary(fit)
10 MPLUS: TITLE: Differanser mellom korrelasjonsmatriser DATA: FILE IS M:\data\kurs\drpsy\sem\diff_corr\likelonn-2.csv; VARIABLE: NAMES ARE id,salbeg,sex,time,age,salnow, edlevel,work,jobcat,minority; grouping is sex(0=male,1=female); USEVARIABLES ARE salbeg,time,salnow,work; MODEL: f1 BY salbeg; f2 BY time; f3 BY salnow; f4 BY work; f1 with f2; f1 with f3; f1 with f4; f2 with f3; f2 with f4; f3 with f4; MODEL male: f1 BY salbeg; f2 BY time; f3 BY salnow; f4 BY work; f1 with f2(1); f1 with f3(2); f1 with f4(3); f2 with f3(4); f2 with f4(5); f3 with f4(6); MODEL female: f1 BY salbeg; f2 BY time; f3 BY salnow; f4 BY work; f1 with f2(1); f1 with f3(2); f1 with f4(3); f2 with f3(4); f2 with f4(5); f3 with f4(6); ANALYSIS: ESTIMATOR=ML;
11 OpenMx (takk til Espen Moen Eilertsen for denne metoden): rm(list = ls()) library(haven) library(openmx) dat = read_sav("m:/data/kurs/drpsy/sem/diff_corr/likelonn.sav") yvrs = c("salbeg", "salnow", "time", "work") # Different correlations DatMale = subset(dat, sex == 0)[, yvrs] ModMale = mxmodel("modmale", mxmatrix("stand", 4, 4, T, 0, paste0("rmale", 1:6), name = "Rmale"), mxmatrix("diag", 4, 4, T, 0, name = "Lmale"), mxalgebra(lmale%*%rmale%*%t(lmale), name = "Smale"), mxmatrix("full", 1, 4, T, 0, name = "Mmale"), mxexpectationnormal("smale", "Mmale", yvrs), mxfitfunctionml(), mxdata(datmale, "raw")) DatFemale = subset(dat, sex == 1)[, yvrs] ModFemale = mxmodel("modfemale", mxmatrix("stand", 4, 4, T, 0, paste0("rfemale", 1:6), name ="Rfemale"), mxmatrix("diag", 4, 4, T, 0, name = "Lfemale"), mxalgebra(lfemale%*%rfemale%*%t(lfemale), name = "Sfemale"), mxmatrix("full", 1, 4, T, 0, name = "Mfemale"), mxexpectationnormal("sfemale", "Mfemale", yvrs), mxfitfunctionml(), mxdata(datfemale, "raw")) ModDiff = mxmodel("moddiff", ModMale, ModFemale, mxfitfunctionmultigroup(c("modmale", "ModFemale"))) FitDiff = mxrun(moddiff) summary(fitdiff) # Equal correlations ModEqual = omxsetparameters(moddiff, labels = paste0("rmale", 1:6), newlabels = paste0("rfemale", 1:6), name = "ModEqual") FitEqual = mxrun(modequal) summary(fitequal) # Compare mxcompare(fitdiff, FitEqual) Og som dere ser, så betaler man en pris for å bruke et program hvor man skal kunne gjøre omtrent hva som helst..
12 Resultater (korrelasjoner bare for gruppen male siden disse i denne modellen vil være identiske for female). AMOS: Chi-square = Degrees of freedom = 6 Probability level =.091 Covariances: (Group number 1 - Default model) Estimate S.E. C.R. P Label BS <--> CS *** a BS <--> JS b BS <--> WE c CS <--> JS d CS <--> WE *** e JS <--> WE f MPLUS: Chi-Square Test of Model Fit Value Degrees of Freedom 6 P-Value Group MALE MODEL RESULTS F1 F2 F3 Two-Tailed Estimate S.E. Est./S.E. P-Value WITH F F F WITH F F WITH F R (lavaan): Estimator ML Minimum Function Test Statistic Degrees of freedom 6 P-value (Chi-square) Covariances: Estimate Std.Err z-value P(> z ) f1 ~~ f2 (a) f3 (b) f4 (c) f2 ~~ f3 (d) f4 (e) f3 ~~ f4 (f)
13 OpenMx: Estimate Std.Error base comparison ep minus2ll df AIC diffll diffdf 1 ModDiff ModDiff ModEqual p
14 Selvsagt kan dere også bruke Amos som et syntax-drevet program. Dersom dere setter opp en modell i Amos, så kan dere alltid bruke: Tools, Write a program. Da skrives et program for å analysere modellen ut i et tekstvindu. Dersom man skal analysere mange variabler, så er det ofte tungvint å tegne hele modellen. Et triks kan da være å sette den opp med bare noen variabler skrive syntaxen ut redigere denne med klipp og lim og tilføyelser av nye variabler og kjøre den fra syntax vinduet i Amos med: File, Run. Syntaxen for modellen her vil se ut som på neste side. Det ser jo fryktinngytende ut, men det er bare det som er skrevet med uthevet skrift som dreier seg om hvordan modellen er satt opp, og den er ganske lik syntaxen for de andre programmene. Resten dreier seg bare om hvordan Amos gjør analysen og skal ikke endres. Det man egentlig gjør er å skrive et lite program for å gjøre analysen i Amos. Slike programmer kan skrives i Visual Basic (som her) eller C# - og man kan faktisk også kjøre Amos fra R dersom det skulle være ønskelig.
15 #Region "Header" Imports System Imports System.Diagnostics Imports Microsoft.VisualBasic Imports AmosEngineLib Imports Amos Imports AmosEngineLib.AmosEngine.TMatrixID #End Region Module MainModule Public Sub Main() Dim Sem As AmosEngine Sem = New AmosEngine Sem.TextOutput AnalysisProperties(Sem) ModelSpecification(Sem) Sem.FitAllModels() Sem.Dispose() End Sub Sub ModelSpecification(Sem As AmosEngine) Sem.GenerateDefaultCovariances(False) Sem.BeginGroup("M:\data\kurs\drpsy\sem\diff_corr\likelonn.sav", "likelonn", "sex", 0) Sem.GroupName("Group number 1") Sem.AStructure("salbeg = (1) e1 + BS") Sem.AStructure("salnow = (1) e2 + CS") Sem.AStructure("time = (1) e3 + JS") Sem.AStructure("work = (1) e4 + WE") Sem.AStructure("BS <--> CS (a)") Sem.AStructure("BS <--> JS (b)") Sem.AStructure("BS <--> WE (c)") Sem.AStructure("CS <--> JS (d)") Sem.AStructure("CS <--> WE (e)") Sem.AStructure("JS <--> WE (f)") Sem.AStructure("e1 (0)") Sem.AStructure("e2 (0)") Sem.AStructure("e3 (0)") Sem.AStructure("e4 (0)") Sem.AStructure("BS (1)") Sem.AStructure("CS (1)") Sem.AStructure("JS (1)") Sem.AStructure("WE (1)") Sem.BeginGroup("M:\data\kurs\drpsy\sem\diff_corr\likelonn.sav", "likelonn", "sex", 1) Sem.GroupName("Group number 1") Sem.AStructure("salbeg = (1) e1 + BS") Sem.AStructure("salnow = (1) e2 + CS") Sem.AStructure("time = (1) e3 + JS") Sem.AStructure("work = (1) e4 + WE") Sem.AStructure("BS <--> CS (a)") Sem.AStructure("BS <--> JS (b)") Sem.AStructure("BS <--> WE (c)") Sem.AStructure("CS <--> JS (d)") Sem.AStructure("CS <--> WE (e)") Sem.AStructure("JS <--> WE (f)") Sem.AStructure("e1 (0)") Sem.AStructure("e2 (0)") Sem.AStructure("e3 (0)") Sem.AStructure("e4 (0)") Sem.AStructure("BS (1)") Sem.AStructure("CS (1)") Sem.AStructure("JS (1)") Sem.AStructure("WE (1)") Sem.Model("Default model", "") End SubSub AnalysisProperties(Sem As AmosEngine) Sem.Iterations(50) Sem.InputUnbiasedMoments Sem.FitMLMoments Sem.Standardized Sem.Seed(1) End Sub End Module
Ulempen er selvsagt at man må ha adgang til programmet, og lisenser er ganske kostbare.
Noen SEM-tips. AMOS er et glimrende program for kausalmodeller eller målemodeller med relativt få variabler. En grafisk definering av modellen reduserer mulighetene for feiltenking, og figurene kan gjøres
DetaljerEndring over tid. Endringsskårer eller Ancova? Data brukt i eksemplene finner dere som anova-4-1.sav, anova-4-2.sav og likelonn.sav.
Endring over tid. Endringsskårer eller Ancova? Data brukt i eksemplene finner dere som anova-4-1.sav, anova-4-2.sav og likelonn.sav. Analyse av endringsskårer (change scores). Vi så forrige gang på analyser
DetaljerDatamatrisen: observasjoner, variabler og verdier. Variablers målenivå: Nominal Ordinal Intervall Forholdstall (ratio)
Datamatrisen: observasjoner, variabler og verdier. Variablers målenivå: Nominal Ordinal Intervall Forholdstall (ratio) Beskrive fordelinger (sentraltendens, variasjon og form): Observasjon y i Sentraltendens
DetaljerGjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt.
Gjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt. Data fra likelonn.sav og vi ser på variablene Salnow, Edlevel og Sex (hvor
DetaljerTil bruk i metodeundervisningen ved Høyskolen i Oslo
MINIMANUAL FOR SPSS Til bruk i metodeundervisningen ved Høyskolen i Oslo Denne minimanualen viser hvordan analyser i metodeundervisningen på masternivå (master i sosialt arbeid, master i familiebehandling
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerKrysstabellanalyse (forts.) SOS1120 Kvantitativ metode. 4. Statistisk generalisering. Forelesningsnotater 9. forelesning høsten 2005.
SOS112 Kvantitativ metode Krysstabellanalyse (forts.) Forelesningsnotater 9. forelesning høsten 25 4. Statistisk generalisering Per Arne Tufte Eksempel: Hypoteser Eksempel: observerte frekvenser (O) Hvordan
DetaljerAnalyse av kontinuerlige data. Intro til hypotesetesting. 21. april 2005. Seksjon for medisinsk statistikk, UIO. Tron Anders Moger
Intro til hypotesetesting Analyse av kontinuerlige data 21. april 2005 Tron Anders Moger Seksjon for medisinsk statistikk, UIO 1 Repetisjon fra i går: Normalfordelingen Variasjon i målinger kan ofte beskrives
DetaljerLogistisk regresjon 2
Logistisk regresjon 2 SPSS Utskrift: Trivariat regresjon a KJONN UTDAAR Constant Variables in the Equation B S.E. Wald df Sig. Exp(B) -,536,3 84,56,000,25,84,08 09,956,000,202 -,469,083 35,7,000,230 a.
DetaljerKapittel 3: Studieopplegg
Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere
DetaljerPrøveeksamen i STK3100/4100 høsten 2011.
Prøveeksamen i STK3100/4100 høsten 2011. Oppgave 1 (a) Angi tetthet/punktsannsynlighet for eksponensielle klasser med og uten sprednings(dispersjons)ledd. Nevn alle fordelingsklassene du kjenner som kan
DetaljerForelesning 8 STK3100/4100
Forelesning STK300/400 Plan for forelesning: 0. oktober 0 Geir Storvik. Lineære blandede modeller. Eksempler - data og modeller 3. lme 4. Indusert korrelasjonsstruktur. Marginale modeller. Estimering -
DetaljerSammenlikninger av gjennomsnitt. SOS1120 Kvantitativ metode. Kan besvare to spørsmål: Sammenlikning av to gjennomsnitt
SOS1120 Kvantitativ metode Forelesningsnotater 10. forelesning høsten 2005 Per Arne Tufte Sammenlikninger av gjennomsnitt Sammenlikner gjennomsnittet på avhengig variabel for ulike grupper av enheter Kan
Detaljer10.1 Enkel lineær regresjon Multippel regresjon
Inferens for regresjon 10.1 Enkel lineær regresjon 11.1-11.2 Multippel regresjon 2012 W.H. Freeman and Company Denne uken: Enkel lineær regresjon Litt repetisjon fra kapittel 2 Statistisk modell for enkel
Detaljer6.2 Signifikanstester
6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon
DetaljerEksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder
Psykologisk institutt Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder Faglig kontakt under eksamen: Martin Rasmussen Tlf.: 73 59 19 60 Eksamensdato: 12.12.13 Eksamenstid
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Mandag 1. desember 2014. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerRepeated Measures Anova.
Repeated Measures Anova. Vi bruker oppgave-5 som eksempel. I en evalueringsstudie av en terapeutisk intervensjon valgte man et pre-post med kontrollgruppe design. Alle personer ble undersøkt tre ganger
DetaljerKan vi stole på resultater fra «liten N»?
Kan vi stole på resultater fra «liten N»? Olav M. Kvalheim Universitetet i Bergen Plan for dette foredraget Hypotesetesting og p-verdier for å undersøke en variabel p-verdier når det er mange variabler
DetaljerNotat 3 - ST februar 2005
Notat 3 - ST1301 1. februar 2005 1 Simulering fra modell Når vi skal analysere et gitt konkret innsamlet datasett vil vi gjøre dette med utgangspunkt i en statistisk modell. Vi kan si at en slik statistisk
DetaljerForelesning 13 Regresjonsanalyse
Forelesning 3 Regresjonsanalyse To typer bivariat analyse: Bivariat tabellanalyse: Har enhetenes verdi på den uavhengige variabelen en tendens til å gå sammen med bestemte verdier på den avhengige variabelen?
DetaljerEKSAMENSOPPGAVER STAT100 Vår 2011
EKSAMENSOPPGAVER STAT100 Vår 2011 Løsningsforslag Oppgave 1 (Med referanse til Tabell 1) a) De 3 fiskene på 2 år hadde lengder på henholdsvis 48, 46 og 35 cm. Finn de manglende tallene i Tabell 1. Test
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere
DetaljerForelesning 13 Analyser av gjennomsnittsverdier. Er inntektsfordelingen for kvinner og menn i EU-undersøkelsen lik?
2 verdier Forelesning 13 Analyser av gjennomsnittsverdier Valg av type statistisk generalisering i bivariat analyse er avhengig av hvilke variabler vi har Avhengig variabel kategorivariabel kontinuerlig
DetaljerUNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2 Eksamensdag: Mandag 4. juni 2007. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerPSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014
Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2014 Skriftlig skoleeksamen fredag 2. mai, 09:00 (4 timer). Kalkulator uten grafisk display og tekstlagringsfunksjon
DetaljerSOS1120 Kvantitativ metode. Regresjonsanalyse. Lineær sammenheng II. Lineær sammenheng I. Forelesningsnotater 11. forelesning høsten 2005
SOS1120 Kvantitativ metode Regresjonsanalyse Forelesningsnotater 11. forelesning høsten 2005 Per Arne Tufte Lineær sammenheng I Lineær sammenheng II Ukelønn i kroner 4000 3500 3000 2500 2000 1500 1000
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST110 Statistiske metoder og dataanalyse Eksamensdag: Mandag 30. mai 2005. Tid for eksamen: 14.30 20.30. Oppgavesettet er på
DetaljerMultippel regresjon. Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p.
Multippel regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p. Det er fortsatt en responsvariabel y. Måten dette gjøre på er nokså
DetaljerVerdens statistikk-dag.
Verdens statistikk-dag http://unstats.un.org/unsd/wsd/ Signifikanstester Ønsker å teste hypotese om populasjon Bruker data til å teste hypotese Typisk prosedyre Beregn sannsynlighet for utfall av observator
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerVerdens statistikk-dag. Signifikanstester. Eksempel studentlån. http://unstats.un.org/unsd/wsd/
Verdens statistikk-dag http://unstats.un.org/unsd/wsd/ Signifikanstester Ønsker å teste hypotese om populasjon Bruker data til å teste hypotese Typisk prosedyre Beregn sannsynlighet for utfall av observator
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2. Eksamensdag: Mandag 30. mai 2005. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to populasjoner med populasjonsgjennomsnitt henholdsvis
DetaljerRELIABILITET : Pålitelighet? Troverdighet? Reproduserbarhet? Stabilitet? Konsistens?
RELIABILITET : Pålitelighet? Troverdighet? Reproduserbarhet? Stabilitet? Konsistens? I dagligtale og i ulike fremstillinger også innenfor psykologisk forskningsmetode, brukes slike begreper og reliabilitet
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger
DetaljerLøsningsforsalg til andre sett med obligatoriske oppgaver i STK1110 høsten 2015
Løsningsforsalg til andre sett med obligatoriske oppgaver i STK1110 høsten 2015 R-kode for alle oppgaver er gitt bakerst. Oppgave 1 (a) Boksplottet antyder at verdiene er høyere for kvinner enn for menn.
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerTidspunkt: Fredag 18. mai (3.5 timer) Tillatte hjelpemidler: C3. Alle typer kalkulatorer, alle andre hjelpemidler.
Fakultet: KBM Eksamen i: STAT100 STATISTIKK Tidspunkt: Fredag 18. mai 2018 14.00 17.30 (3.5 timer) Kursansvarlig: Trygve Almøy 95141344 Tillatte hjelpemidler: C3. Alle typer kalkulatorer, alle andre hjelpemidler.
DetaljerSimulering med Applet fra boken, av z og t basert på en rekke utvalg av en gitt størrelse n fra N(μ,σ). Illustrerer hvordan estimering av variansen
Simulering med Applet fra boken, av z og t basert på en rekke utvalg av en gitt størrelse n fra N(μ,σ). Illustrerer hvordan estimering av variansen gir testobservatoren t mer spredning enn testobservatoren
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK1000 Innføring i anvendt statistikk Eksamensdag: Torsdag 2. desember 2010. Tid for eksamen: 09.00 13.00. Oppgavesettet er på
DetaljerTillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
EKSAMENSOPPGAVER Institutt: Eksamen i: Tid: IKBM STAT100 Torsdag 13.des 2012 STATISTIKK 09.00-12.30 (3.5 timer) Emneansvarlig: Solve Sæbø ( 90065281) Tillatte hjelpemidler: C3: alle typer kalkulator, alle
DetaljerKategoriske data, del I: Kategoriske data - del 2 (Rosner, ) Kategoriske data, del II: 2x2 tabell, parede data (Mc Nemar s test)
Kategoriske data, del I: Kategoriske data - del (Rosner, 10.3-10.7) 1 januar 009 Stian Lydersen To behandlinger og to utfall. (generelt: variable, verdier). x tabell. Uavhengige observasjoner Sammenheng
DetaljerHøye skårer indikerer høye nivåer av selvkontroll.
Psykologisk institutt PSY2012 Forskningsmetodologi III: Statistisk analyse, design og måling Eksamen vår 2015 Skriftlig skoleeksamen tirsdag 19. mai, 09:00 (4 timer) Resultater publiseres 10. juni Kalkulator
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Analysere en observator for å finne ut noe om korresponderende
DetaljerEksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ Faglig kontakt under eksamen: Mehmet Mehmetoglu Tlf.: 91838665 Eksamensdato: Eksamenstid (fra-til): Hjelpemiddelkode/Tillatte
DetaljerEksamensoppgave i ST3001
Det medisinske fakultet Institutt for kreftforskning og molekylær medisin Eksamensoppgave i ST3001 Onsdag 16. desember 2010, kl. 9.00 13:00 ntall studiepoeng: 7.5 Tillatte hjelpemidler: Kalkulator og alle
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerInferens i fordelinger
Inferens i fordelinger Modifiserer antagelsen om at standardavviket i populasjonen σ er kjent Mer kompleks systematisk del ( her forventningen i populasjonen). Skal se på en situasjon der populasjonsfordelingen
DetaljerIntroduksjon til Generaliserte Lineære Modeller (GLM)
Literatur / program Introduksjon til Generaliserte Lineære Modeller (GLM) STK3100-20. august 2007 Sven Ove Samuelsen Plan for første forelesning: 1. Introduksjon, Literatur, Program 2. ksempler 3. Uformell
DetaljerKræsjkurs i STAT101. Noen anbefalinger Regn mange(5-10) oppgavesett til eksamen:
Kræsjkurs i STAT101 Noen anbefalinger Regn mange(5-10) oppgavesett til eksamen: Legg vekt på å forstå hva formlene brukes til, det vil si når, og hvordan? Lær sammenhengen mellom fordelingene og tema i
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK 1000 Innføring i anvendt statistikk. Eksamensdag: Torsdag 1. juni 2006. Tid for eksamen: 09.00 12.00. Oppgavesettet er på
DetaljerEksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder
Psykologisk institutt Eksamensoppgave i PSY2017/PSYPRO4317 Statistikk og kvantitative forskningsmetoder Faglig kontakt under eksamen: Eva Langvik Tlf.: Psykologisk institutt 73591960 Eksamensdato: 21.5.2013
Detaljer2. Hva er en sampelfordeling? Nevn tre eksempler på sampelfordelinger.
H12 - Semesteroppgave i statistikk - sensurveiledning Del 1 - teori 1. Gjør rede for resonnementet bak ANOVA. Enveis ANOVA tester om det er forskjeller mellom gjennomsnittene i tre eller flere populasjoner.
DetaljerLøsningsforslag eksamen STAT100 Høst 2010
Løsningsforslag eksamen STAT100 Høst 2010 Oppgave 1 a) To-utvalg, parvise data. La Y være tilfeldig variabel som angir antall drepte i periode 1 og tilsvarende X for periode 2. Vi antar parvise avhengigheter
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1 Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30 18.00. Oppgavesettet
DetaljerFra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og (alle er basert på samme datasett).
Fra boka: 10.32, 10.33, 10.34, 10.35, 10.3 og 10.37 (alle er basert på samme datasett). ############ OPPGAVE 10.32 # Vannkvalitet. n=49 målinger i ulike områder. # Forutsetter at datasettene til boka (i
DetaljerOPPGAVEHEFTE I STK1000 TIL KAPITTEL Regneoppgaver til kapittel 7. X 1,i, X 2 = 1 n 2. D = X 1 X 2. På onsdagsforelesningen påstod jeg at da må
OPPGAVEHEFTE I STK000 TIL KAPITTEL 7 Regneoppgaver til kapittel 7 Oppgave Anta at man har resultatet av et randomisert forsøk med to grupper, og observerer fra gruppe, mens man observerer X,, X,2,, X,n
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 12. februar 2019
BEGYNNERKURS I SPSS Anne Schad Bergsaker 12. februar 2019 FØR VI BEGYNNER... LÆRINGSMÅL 1. Kjenne til og kunne navigere mellom de ulike delene/ vinduene i SPSS, og vite forskjellen på dem 2. Kunne skrive
DetaljerBEGYNNERKURS I SPSS. Anne Schad Bergsaker 26. april 2018
BEGYNNERKURS I SPSS Anne Schad Bergsaker 26. april 2018 FØR VI BEGYNNER... LÆRINGSMÅL 1. Kjenne til og kunne navigere mellom de ulike delene/ vinduene i SPSS, og vite forskjellen på dem 2. Kunne skrive
DetaljerLøsningsforslag. n X. n X 1 i=1 (X i X) 2 og SY 2 = 1 ny S 2 X + S2 Y
Statistiske metoder 1 høsten 004. Løsningsforslag Oppgave 1: a) Begge normalplottene gir punkter som ligger omtrent på ei rett linje så antagelsen om normalfordeling ser ut til å holde. Konfidensintervall
DetaljerKap. 10: Inferens om to populasjoner. Eksempel. ST0202 Statistikk for samfunnsvitere
Kap. 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to populasjoner med populasjonsgjennomsnitt henholdsvis μ 1 og μ. Vi trekker da ett utvalg fra hver populasjon. ST00 Statistikk for
DetaljerEksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ
Psykologisk institutt Eksamensoppgave i PSY3100 Forskningsmetode - Kvantitativ Faglig kontakt under eksamen: Mehmet Mehmetoglu Tlf.: 91838665 Eksamensdato: Eksamenstid (fra-til): Hjelpemiddelkode/Tillatte
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Fremgangsmetode: P X 1 < 6.8 Denne kan finnes ved å sette opp integralet over
DetaljerMASTER I IDRETTSVITENSKAP 2013/2015 MASTER I IDRETTSFYSIOTERAPI 2013/2015. Utsatt individuell skriftlig eksamen. STA 400- Statistikk
MSTR I IRTTSVITNSKP 013/015 MSTR I IRTTSFYSIOTRPI 013/015 Utsatt individuell skriftlig eksamen i ST 400- Statistikk Mandag 5. august 014 kl. 10.00-1.00 Hjelpemidler: kalkulator ksamensoppgaven består av
DetaljerEKSAMEN I SOS1120 KVANTITATIV METODE 30. NOVEMBER 2006 (4 timer)
EKSAMEN I SOS1120 KVANTITATIV METODE 30. NOVEMBER 2006 (4 timer) Bruk av ikke-programmerbar kalkulator er tillatt under eksamen. Utover det er ingen hjelpemidler tillatt. Sensur faller torsdag 21. desember
DetaljerMASTER I IDRETTSVITENSKAP 2014/2016. Individuell skriftlig eksamen. STA 400- Statistikk. Fredag 13. mars 2015 kl. 10.00-12.00
MASTER I IDRETTSVITENSKAP 2014/2016 Individuell skriftlig eksamen i STA 400- Statistikk Fredag 13. mars 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator Eksamensoppgaven består av 10 sider inkludert forsiden
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Inferens om varians og standardavvik for ett normalfordelt utvalg (9.4) Inferens om variansen til en normalfordelt populasjon
DetaljerGruppe 1 Gruppe 2 Gruppe a) Finn aritmetisk gjennomsnitt, median, modus og standardavvik for gruppe 2.
Sensurveiledning Ped 3001 h12 Oppgave 1 Er det sammenheng mellom støtte fra venner og selvaktelse hos ungdom? Dette spørsmålet ønsket en forsker å undersøke. Han samlet data på 9. klassingers opplevde
DetaljerMASTER I IDRETTSVITENSKAP 2013/2015 MASTER I IDRETTSFYSIOTERAPI 2013/2015. Individuell skriftlig eksamen. STA 400- Statistikk
MASTER I IDRETTSVITENSKAP 013/015 MASTER I IDRETTSFYSIOTERAPI 013/015 Individuell skriftlig eksamen i STA 400- Statistikk Mandag 10. mars 014 kl. 10.00-1.00 Hjelpemidler: kalkulator Eksamensoppgaven består
Detaljer2. Forklar med egne ord de viktigste forutsetningene for regresjonen og diskuter om forutsetningene er oppfylt i oppgave 1.
Oppgave 1 (maks 14 poeng): 1. Forklar hvorfor vi bruker et utvalg fra populasjonen (og ikke hele populasjonen) for statistiske tester og hvordan man gjøre det å trekke et utvalg (angi et eksempel). 2.
DetaljerOPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ 6 SIDER MERKNADER: Alle deloppgaver vektlegges likt.
EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir forlag) OPPGAVESETTET
Detaljer1 Section 7-2: Estimere populasjonsandelen. 2 Section 7-4: Estimere µ når σ er ukjent
1 Section 7-2: Estimere populasjonsandelen 2 Section 7-4: Estimere µ når σ er ukjent Kapittel 7 Nå begynner vi med statistisk inferens! Bruke stikkprøven til å 1 Estimere verdien til en parameter i populasjonen.
DetaljerEr det enklere å anslå timelønna hvis vi vet utdanningslengden? Forelesning 14 Regresjonsanalyse
Forelesning 4 Regresjonsanalyse To typer bivariat analyse: Bivariat tabellanalyse: Har enhetenes verdi på den uavhengige variabelen en tendens til å gå sammen med bestemte verdier på den avhengige variabelen?
DetaljerOppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir
DetaljerEXAMINATION PAPER. Exam in: STA-3300 Applied statistics 2 Date: Wednesday, November 25th 2015 Time: Kl 09:00 13:00 Place: Teorifagb.
EXAMINATION PAPER Exam in: STA-3300 Applied statistics 2 Date: Wednesday, November 25th 2015 Time: Kl 09:00 13:00 Place: Teorifagb.,hus 1, plan 3 Approved aids: Calculator All printed and written The exam
DetaljerFordelinger, mer om sentralmål og variasjonsmål. Tron Anders Moger
Fordelinger, mer om sentralmål og variasjonsmål Tron Anders Moger 20. april 2005 1 Forrige gang: Så på et eksempel med data over medisinerstudenter Lærte hvordan man skulle få oversikt over dataene ved
DetaljerBivariate analyser. Analyse av sammenhengen mellom to variabler. H 0 : Ingen sammenheng H 1 : Sammenheng
Bivariate analyser Analyse av sammenhengen mellom to variabler H : Ingen sammenheng H 1 : Sammenheng Hvis den ene variabelen er kategorisk er en slik analyse det samme som å sammenligne grupper. Ulike
DetaljerHØGSKOLEN I STAVANGER
EKSAMEN I: MOT310 STATISTISKE METODER VARIGHET: 4 TIMER DATO: 27. FEBRUAR 2004 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ 5
DetaljerForelesning 7 STK3100
( % - -! " stimering: MK = ML Forelesning 7 STK3100 1 oktober 2007 S O Samuelsen Plan for forelesning: 1 Generelt om lineære modeller 2 Variansanalyse - Kategoriske kovariater 3 Koding av kategoriske kovariater
DetaljerSOS 301 og SOS31/ SOS311 MULTIVARIAT ANALYSE
1 SOS 301 og SOS31/ SOS311 MULTIVARIAT ANALYSE Eksamensdag: 8 desember 1997 Eksamensstad: Dragvoll, paviljong C, rom 201 Tid til eksamen: 6 timar Vekt: 5 for SOS301 og 4 for SOS31/ SOS311 Talet på sider
DetaljerNotasjon og Tabell 8. ST0202 Statistikk for samfunnsvitere
2 Inferens om varians og standardavvik for ett normalfordelt utvalg (9.4) Inferens om variansen til en normalfordelt populasjon bruker kjikvadrat-fordelingen ( chi-square distribution ) (der kji er den
DetaljerEKSAMEN I SOS1120 KVANTITATIV METODE 5. MAI 2004 (6 timer)
EKSAMEN I SOS1120 KVANTITATIV METODE 5. MAI 2004 (6 timer) Bruk av ikke-programmerbar kalkulator er tillatt under eksamen. Utover det er ingen hjelpemidler tillatt. Sensur faller fredag 28. mai kl. 14.00,
DetaljerUNIVERSITETET I OSLO Matematisk Institutt
UNIVERSITETET I OSLO Matematisk Institutt Midtveiseksamen i: STK 1000: Innføring i anvendt statistikk Tid for eksamen: Onsdag 9. oktober 2013, 11:00 13:00 Hjelpemidler: Lærebok, ordliste for STK1000, godkjent
DetaljerSensorveiledning: skoleeksamen i SOS Kvantitativ metode
Sensorveiledning: skoleeksamen i SOS1120 - Kvantitativ metode Tirsdag 30. mai 2016 (4 timer) Poenggivning og karakter I del 1 gis det ett poeng for hvert riktige svar. Ubesvart eller feil svar gis 0 poeng.
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 8 (s. 1) Oppgaver fra boka:
MOT30 Statistiske metoder, høsten 2006 Løsninger til regneøving nr. 8 (s. ) Oppgaver fra boka: Oppgave.5 (.3:5) ) Først om tolking av datautskriften. Sammendrag gir følgende informasjon: Multippel R =R,
DetaljerMASTER I IDRETTSVITENSKAP 2014/2016. Utsatt individuell skriftlig eksamen. STA 400- Statistikk. Mandag 24. august 2015 kl. 10.00-12.
MASTR I IDRTTSVITNSKAP 2014/2016 Utsatt individuell skriftlig eksamen i STA 400- Statistikk Mandag 24. august 2015 kl. 10.00-12.00 Hjelpemidler: kalkulator ksamensoppgaven består av 10 sider inkludert
DetaljerEksamensoppgave i PSY3100 forskningsmetoder kvantitativ
Institutt for psykologi Eksamensoppgave i PSY3100 forskningsmetoder kvantitativ Faglig kontakt under eksamen: Odin Hjemdal Tlf.: 73 59 19 60 Eksamensdato: 15. mai 2017 Eksamenstid: 09:00-13:00 Hjelpemiddelkode/Tillatte
DetaljerTid: Torsdag 11.desember 9:00 12:30 (3.5 timer) Emneansvarlig: Solve Sæbø, Tlf
EKSAMENSOPPGAVE Institutt: IKBM Eksamen i: STAT 100 STATISTIKK Tid: Torsdag 11.desember 9:00 12:30 (3.5 timer) Emneansvarlig: Solve Sæbø, Tlf 67232561 Tillatte hjelpemidler: C3: alle typer kalkulatorer,
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 10: Inferens om to populasjoner
ST0202 Statistikk for samfunnsvitere Kapittel 10: Inferens om to populasjoner Bo Lindqvist Institutt for matematiske fag 2 Kapittel 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1100 Statistiske metoder og dataanalyse 1 - Løsningsforslag Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30
DetaljerLineære modeller i praksis
Lineære modeller Regresjonsmodeller med Forskjellige spesialtilfeller Uavhengige variabler Én binær variabel Analysen omtales som Toutvalgs t-test én responsvariabel: Y én eller flere uavhengige variabler:
DetaljerEksamensoppgave i ST3001
Det medisinske fakultet Institutt for kreftforskning og molekylær medisin Eksamensoppgave i ST3001 fredag 25. mai 2012, kl. 9.00 13:00 Antall studiepoeng: 7.5 Tillatte hjelpemidler: Kalkulator og alle
DetaljerTillatte hjelpemidler: C3. Alle typer kalkulatorer, alle andre hjelpemidler. Oppgaveteksten er på 11 sider.
EKSAMENSOPPGAVE Fakultet KBM Eksamen i: STAT 100 Statistikk Tidspunkt 19. mai 017 09.00-1.30. 3,5 timer Kursansvarlig: Trygve Almøy Tillatte hjelpemidler: C3. Alle typer kalkulatorer, alle andre hjelpemidler.
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1000 Innføring i anvendt statistikk Eksamensdag: Mandag 3. desember 2018. Tid for eksamen: 14.30 18.30. Oppgavesettet er på
Detaljer+ S2 Y ) 2. = 6.737 6 (avrundet nedover til nærmeste heltall) n Y 1
Løsningsforslag for: MOT10 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 6. november 007 TILLATTE HJELPEMIDLER: Kalkulator: HP0S, Casio FX8 eller TI-0 Tabeller og formler i statistikk (Tapir forlag) MERKNADER:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet. Eksamen i STK3100 Innføring i generaliserte lineære modeller Eksamensdag: Mandag 6. desember 2010 Tid for eksamen: 14.30 18.30 Oppgavesettet
Detaljer