Analiza statystyczna

podczas wykonywania badań ważne jest, abyś był w stanie zrozumieć swoje dane. Dzięki temu możesz poinformować innych badaczy w swojej dziedzinie i innych o tym, co znalazłeś. Może również służyć do budowania dowodów na teorię. Dlatego zrozumienie, jakiego testu użyć i kiedy jest to konieczne. Istnieje kilka dobrych praktyk do zrobienia, jeśli nie są zaznajomieni z wykonywania analizy statystycznej. Pierwszym z nich jest określenie zmiennych.

przegląd podstawowych statystyk:
zmienna zależna (DV) – to jest ta, którą mierzysz . Na przykładzie wyniku ucznia.
zmienna niezależna (IV)-to jest ta, którą manipulujesz różnymi warunkami. Na przykładzie prezentacji PowerPoint lub rzutnika.

poziomy pomiaru:
po wykonaniu tej czynności będziesz chciał określić poziom pomiaru, którym są obie zmienne. Pomoże Ci to później określić, jakiego testu użyć w analizie. Istnieją cztery poziomy pomiaru:

interwał-mają one jednakowe liczby (tj. Liczba zwierząt).
stosunek-nie ma rzeczywistego zera i istnieją odstępy między liczbami całkowitymi (tj. masa urodzeniowa)
Nominalny-po prostu nazywając kategorie (tj. Mężczyzna/Kobieta).
porządkowanie-po prostu porządkowanie (tj. 1=zdecydowanie się nie zgadzam; 2 = nie Zgadzam się; 3 = Neutralnie; 4=Zgadzam się; 5 = zdecydowanie się Zgadzam).
wreszcie, będziesz miał informacje potrzebne do określenia, jakiego testu potrzebujesz użyć. Do czasu zapoznania się z wykonywaniem analizy statystycznej, dobrą praktyką jest śledzenie tych informacji (patrz Tabela 3).

dzięki tym informacjom można odnieść się do poniższego wykresu, aby określić, jakiego testu statystycznego użyć. Najpierw określ, czy badanie jest wewnątrz lub między podmiotami, następnie liczbę grup, a następnie poziom pomiaru (patrz rysunek 1).

drzewo decyzyjne

testy statystyczne można podzielić na dwie grupy, parametryczne i nieparametryczne i są określone przez poziom pomiaru. Testy parametryczne są używane do analizy danych interwałowych i stosunek i nieparametryczne testy analizują dane porządkowe i nominalne. Istnieją różne testy do wykorzystania w każdej grupie. Najpierw zaczniemy od testów parametrycznych.

Testy Parametryczne: (Interval/Ratio data)

te testy zakładają, że dane są normalnie rozłożone (krzywa Dzwonowa) i są bardzo silne w porównaniu z testami nieparametrycznymi.

W Ramach Projektu Tematu 1. Zależne próbki t-test: porównuje środki z dwóch grup. Przykładem jest określenie, czy PowerPoint lub klasy wpływu rzutu napowietrznego. 2. W ramach badanych ANOVA: porównuje środki z więcej niż dwóch grup. Przykładem jest określenie, czy PowerPoint, rzutowanie narzutu i podcast wpłynęły na stopnie, a jeśli tak, to który.

Między Projektem Przedmiotu

1. Niezależne próbki t-test: Porównuje środki z dwóch grup. Przykładem może być określenie, czy prezentacja programu PowerPoint wpłynęła na oceny w porównaniu z grupą kontrolną. 2. Między podmiotami ANOVA: porównuje środki z więcej niż dwóch grup. Przykładem jest określenie, czy PowerPoint lub projektor wpłynął na stopnie, a jeśli tak, to który. 3. Korelacja Pearsona: określa, czy istnieje zależność między dwiema zmiennymi. Określa również siłę związku, jeśli taki istnieje.

współczynnik korelacji waha się od -1,0 do 1,0. Im bliżej -1.0 lub 1.0, tym silniejsza relacja. Gdy R jest ujemne, oznacza to, że istnieje ujemna zależność (jedna zmienna idzie w górę/w dół, druga robi odwrotnie). Kiedy r jest dodatnie, oznacza to, że istnieje dodatnia zależność (jedna zmienna idzie w górę lub w dół, podobnie jak druga). Zobacz poniższy przykład badający korelację między tekstami wysyłanymi w tygodniu a ocenami. Innym sposobem określenia zależności i siły jest spojrzenie na wykres. Im bliżej linii znajdują się punkty danych, tym silniejsza relacja (patrz rysunek 2). Uwaga: silna korelacja nie oznacza, że stan spowodował wynik. Oznacza to tylko, że dwie zmienne są ze sobą w jakiś sposób powiązane.

testy nieparametryczne: (dane porządkowe/nominalne)

testy te nie zakładają niczego o kształcie danych. Testy te nie są tak silne jak testy parametryczne.

W Ramach Projektu Przedmiotu

1. Wilcoxon: jest to nieparametryczna wersja testu zależnych próbek T, ponieważ porównuje różnicę rang dla grup dwóch z danymi tylko porządkowymi. Przykładem może być określenie rankingu uczestników pod względem preferencji wizualnych między dwiema aplikacjami do gier na iPada. 2. Friedman: jest to nieparametryczna wersja obiektu ANOVA, ponieważ porównuje szeregi dla grup więcej niż dwóch z tylko danymi porządkowymi. Przykładem jest określenie rangi trzech różnych stron internetowych w oparciu o łatwość obsługi.

Między Projektem Przedmiotu

1. Chi kwadrat: porównuje szeregi dla dwóch grup i więcej niż dwóch projektów grupowych z tylko nominalnymi danymi. A. chi kwadrat (dobroć dopasowania) – porównuje proporcję próbki do już istniejącej wartości. Przykładem może być porównanie wskaźników umiejętności czytania i pisania w centrum Missouri z tymi w całym stanie. B. chi kwadrat (Test niezależności) – porównuje proporcje dwóch zmiennych, aby sprawdzić, czy są ze sobą powiązane, czy nie. Przykładem może być podobna liczba zawodników baseballu i softballu zapisanych na kurs psychologii ogólnej w tym semestrze. 2. Kruskall-Wallis: Jest to nieparametryczna wersja między testerami ANOVA, ponieważ widzi, czy wiele próbek pochodzi z tej samej populacji. Przykładem jest określenie, w jaki sposób uczestnicy oceniają lekarza na podstawie tego, czy korzystał z komputera, książki, czy też nie miał pomocy w ich diagnozowaniu. 3. Mann-Whitney: jest to nieparametryczna wersja testu niezależnych próbek T, ponieważ porównuje szeregi dla grup więcej niż dwóch z tylko danymi porządkowymi. Przykładem może być ustalenie, czy jedzenie batoników Snickers wpływa na oceny uczniów na kursach matematycznych. 4. Korelacje: A. Spearman ’ s Rho: podobnie jak korelacja Pearsona, ten test również określa siłę zależności między dwiema zmiennymi na podstawie ich Rang. Przykładem może być określenie zależności między klasami fizyki i języka angielskiego.

Sekcja Analizy Statystycznej-Podręcznik