Noderīgi padomi

Nozīmīguma līmenis statistikā

Pin
Send
Share
Send
Send


Uzdevums. Par reģiona teritorijām tiek sniegti dati par 199X,
Reģiona numursVienas darbspējīgas personas vidējā iztikas alga uz vienu iedzīvotāju dienā, rubļi, xVidējā dienas alga, rubļos, izteikta
178133
282148
387134
479154
589162
6106195
767139
888158
973152
1087162
1176159
12115173
Tas ir nepieciešams:
1. Izveidot pāra regresijas y lineāro vienādojumu no x.
2. Aprēķiniet pāra korelācijas lineāro koeficientu un vidējo tuvinājuma kļūdu.
3. Novērtējiet regresijas un korelācijas parametru statistisko nozīmīgumu.
4. Veiciet algas prognozi y atbilstoši vidējām dzīves izmaksām uz vienu iedzīvotāju x, kas ir 107% no vidējā līmeņa.
5. Novērtējiet prognozes precizitāti, aprēķinot prognozes kļūdu un tās ticamības intervālu.

Risinājums atrodiet, izmantojot kalkulatoru.
Izmantojot grafisko metodi .
Šī metode tiek izmantota, lai vizualizētu saziņas formu starp pētītajiem ekonomiskajiem rādītājiem. Lai to izdarītu, taisnstūrveida koordinātu sistēmā tiek izveidots grafiks, faktiskā atribūta Y individuālās vērtības tiek sazīmētas gar ordinātu asi, bet faktora atribūta X individuālās vērtības gar abscisas asi.
Tiek izsaukts efektīvo un faktoru zīmju punktu komplekts korelācijas lauks.
Balstoties uz korelācijas lauku, var izvirzīt hipotēzi (visai populācijai), ka sakarība starp visām iespējamām X un Y vērtībām ir lineāra.
Lineārās regresijas vienādojumam ir šāda forma: y = bx + a + ε
Šeit ε ir nejauša kļūda (novirze, perturbācija).
Nejaušas kļūdas esamības iemesli:
1. nozīmīgu skaidrojošu mainīgo neiekļaušana regresijas modelī,
2. Mainīgo apkopošana. Piemēram, kopējā patēriņa funkcija ir mēģinājums vispārināt visu indivīdu lēmumu kopumu par izdevumiem. Tas ir tikai individuālu attiecību tuvinājums, kurām ir dažādi parametri.
3. Nepareizs modeļa struktūras apraksts.
4. Nepareiza funkcionālā specifikācija.
5. Mērījumu kļūdas.
Tā kā novirzes εi katram konkrētajam novērojumam i ir nejauši, un to vērtības izlasē nav zināmas, tad:
1) saskaņā ar novērojumiem xi un yi var iegūt tikai parametru α un β aplēses
2) Regresijas modeļa parametru α un β aplēses ir attiecīgi a un b vērtības, kurām ir nejaušs raksturs, jo sakrīt ar izlases paraugu
Tad aprēķinātajam regresijas vienādojumam (kas izveidots no parauga datiem) būs forma y = bx + a + ε, kur ei - novērotās kļūdas (aplēses) εi, a un b, attiecīgi, jāatrod regresijas modeļa α un β parametri.
Lai novērtētu parametrus α un β - izmantojiet mazāko kvadrātu metodi (vismazāko kvadrātu metode).
Normālo vienādojumu sistēma.
Mūsu datiem vienādojumu sistēmai ir šāda forma
Sākot no pirmā vienādojuma, mēs izsakām a un aizstājam to ar otro vienādojumu
Mēs iegūstam b = 0,92, a = 76,98
Regresijas vienādojums:
y = 0,92 x + 76,98
1. Regresijas vienādojuma parametri.
Vidējie paraugi.



Paraugu dispersijas:


Standarta novirze


Korelācijas koeficients
Mēs aprēķinām sakaru hermētiskuma indikatoru. Šāds indikators ir parauga lineārās korelācijas koeficients, ko aprēķina pēc formulas:

Lineārās korelācijas koeficients iegūst vērtības no –1 līdz +1.
Saikne starp simptomiem var būt vāja un spēcīga (cieša). Viņu kritēriji tiek vērtēti pēc Čedado skalas:
0,1 0 ir tiešs savienojums, pretējā gadījumā tas ir reverss savienojums). Mūsu piemērā savienojums ir tiešs.
Elastības koeficients.
Regresijas koeficienti (b piemērā) nav vēlami, lai tieši novērtētu faktoru ietekmi uz produktīvo īpašību, ja efektīvā rādītāja y un koeficienta atribūta x mērvienībās ir atšķirības.
Šiem nolūkiem tiek aprēķināti elastības koeficienti un beta koeficienti. Elastības koeficientu var atrast pēc formulas:


Tas parāda, cik procentos vidēji mainās faktiskā pazīme y, mainot koeficienta pazīmi x par 1%. Tas neņem vērā faktoru mainīguma pakāpi.
Elastības koeficients ir mazāks par 1. Tāpēc, ja vidējā minimālā alga dienā uz vienu cilvēku mainās par 1%, vidējā dienas alga mainīsies par mazāk nekā 1%. Citiem vārdiem sakot, vidējās minimālās algas X ietekme uz vidējo dienas algu Y nav nozīmīga.
Beta attiecība parāda, kurā daļā no tā vidējās kvadrātiskās novirzes vērtības mainās produktīvā atribūta vidējā vērtība, kad faktora atribūts mainās pēc tā standarta novirzes vērtības ar atlikušo neatkarīgo mainīgo vērtību, kas fiksēta nemainīgā līmenī:

T. i. x palielināšanās par šī rādītāja standarta novirzi novedīs pie vidējās dienas vidējās algas Y pieauguma par 0,721 šī rādītāja standarta novirzi.
1.4. Aproksimācijas kļūda.
Novērtēsim regresijas vienādojuma kvalitāti, izmantojot absolūtās tuvināšanas kļūdu.


Tā kā kļūda ir mazāka par 15%, šo vienādojumu var izmantot kā regresiju.
Noteikšanas koeficients.
(Vairāku) korelācijas koeficienta kvadrātu sauc par noteikšanas koeficientu, kas parāda produktīvā atribūta variācijas proporciju, ko izskaidro ar koeficienta atribūta variācijām.
Visbiežāk, sniedzot noteikšanas koeficienta interpretāciju, to izsaka procentos.
R2 = 0,72 2 = 0,5199
t.i. 51,99% gadījumu vidējās minimālās algas izmaiņas uz vienu iedzīvotāju x noved pie vidējās dienas algas y izmaiņām. Citiem vārdiem sakot, regresijas vienādojuma izvēles precizitāte ir vidēja. Atlikušie 48,01% no vidējās dienas algas Y izmaiņām ir izskaidrojami ar faktoriem, kas modelī nav ņemti vērā.

xyx 2y 2x o yy (x)(y i -y cp) 2(y-y (x)) 2(x i -x cp) 2| y - y x |: y
7813360841768910374148,77517,56248,757,510,1186
8214867242190412136152,4560,0619,8212,840,0301
8713475691795611658157,05473,06531,482,010,172
7915462412371612166149,693,0618,5743,340,028
8916279212624414418158,8939,069,6411,670,0192
106195112363802520670174,541540,56418,52416,840,1049
671394489193219313138,65280,560,1258345,340,0026
8815877442496413904157,975,060,00075,840,0002
7315253292310411096144,1714,0661,34158,340,0515
8716275692624414094157,0539,0624,462,010,0305
7615957762528112084146,9310,56145,791,840,0759
115173132252992919895182,83297,5696,55865,340,0568
102718698990729437716180818693280,251574,922012,920,6902

2. Regresijas vienādojuma parametru novērtējums.
2.1. Korelācijas koeficienta nozīmīgums.

Saskaņā ar studentu tabulu ar nozīmīguma līmeni α = 0,05 un brīvības pakāpēm k = 10, mēs atrodam tkretīns:
tkretīns = (10,0.05) = 1.812
kur m = 1 ir skaidrojošo mainīgo skaits.
Ja tobs > tkritiski, tad iegūto korelācijas koeficienta vērtību uzskata par būtisku (tiek noraidīta nulles hipotēze, kas nosaka, ka korelācijas koeficients ir vienāds ar nulli).
Kopš tobs > tkretīns, tad mēs noraidām hipotēzi par 0 korelācijas koeficienta vienādību. Citiem vārdiem sakot, korelācijas koeficients ir statistiski nozīmīgs.
Pārī lineārā regresijā t 2 r = t 2 b un tad hipotēžu pārbaude par regresijas un korelācijas koeficientu nozīmīgumu ir līdzvērtīga hipotēzes pārbaudei par lineārās regresijas vienādojuma nozīmīgumu.

2.3. Regresijas koeficientu novērtējumu noteikšanas precizitātes analīze.
Traucējumu dispersijas objektīvs novērtējums ir:


S 2 y = 157.4922 - neizskaidrojama dispersija (atkarīgā mainīgā lieluma izplatības mērs ap regresijas līniju).

12.5496 - standarta novērtējuma kļūda (standarta regresijas kļūda).
S a - izlases lieluma standartnovirze a.


Sb - izlases lieluma b novirze.


2.4. Pārliecības intervāli atkarīgajam mainīgajam.
Ekonomiskajā prognozēšanā, kas balstīta uz konstruēto modeli, tiek pieņemts, ka mainīgo lielumu attiecības tiek saglabātas pārskata periodā.
Lai prognozētu efektīvā atribūta atkarīgo mainīgo, jāzina visu modelī iekļauto faktoru prognozes vērtības.
Faktoros paredzētās vērtības tiek aizvietotas modelī un saņem pētījuma rādītāja punktu prognozes.
(a + bx lpp ± ε)
kur

Mēs aprēķinām intervāla robežas, kurās 95% no iespējamām Y vērtībām tiks koncentrētas ar neierobežotu novērojumu skaitu un X lpp = 94

(76.98 + 0.92*94 ± 7.8288)
(155.67,171.33)
Ar 95% varbūtību var garantēt, ka Y vērtības ar neierobežotu novērojumu skaitu nepārsniegs atrastos intervālus.
2.5. Hipotēzes pārbaude attiecībā uz lineārās regresijas vienādojuma koeficientiem.
1) t-statistika. Studenta kritērijs.
Mēs pārbaudām hipotēzi H0 par individuālo regresijas koeficientu vienlīdzību ar nulli (ar alternatīvu H1 nav vienāds) nozīmīguma līmenī α = 0,05.
tkretīns = (10,0.05) = 1.812

Kopš 3.2906> 1.812 tiek apstiprināta b regresijas koeficienta statistiskā nozīmība (mēs noraidām hipotēzi, ka šis koeficients ir nulle).


Kopš 3.1793> 1.812 tiek apstiprināta a regresijas koeficienta statistiskā nozīmība (mēs noraidām hipotēzi, ka šis koeficients ir nulle).
Regresijas vienādojuma koeficientu ticamības intervāls.
Mēs nosakām regresijas koeficientu ticamības intervālus, kas ar 95% ticamību būs šādi:
(b - tkretīns Sb, b + tkretīns Sb)
(0.9204 - 1.812 • 0.2797, 0.9204 + 1.812 • 0.2797)
(0.4136,1.4273)
Ar 95% varbūtību var apgalvot, ka šī parametra vērtība atradīsies atrastajā intervālā.
(a - t lang = SV> a)
(76.9765 - 1.812 • 24.2116, 76.9765 + 1.812 • 24.2116)
(33.1051,120.8478)
Ar 95% varbūtību var apgalvot, ka šī parametra vērtība atradīsies atrastajā intervālā.
2) F-statistika. Fišera kritērijs.
Regresijas modeļa nozīmīgumu pārbauda, ​​izmantojot Fišera F-testu, kura aprēķinātā vērtība tiek atrasta kā pētāmā indikatora sākotnējo novērojumu sērijas dispersijas attiecība un objektīvi novērtēta šī modeļa atlikušās secības dispersijas dispersija.
Ja aprēķinātā vērtība ar k1 = (m) un k2 = (n-m-1) brīvības pakāpēm ir lielāka par tabulas vērtību noteiktam nozīmīguma līmenim, tad modeli uzskata par nozīmīgu.

kur m ir faktoru skaits modelī.
Pāra lineārās regresijas statistisko nozīmīgumu novērtē pēc šāda algoritma:
1. Pastāv nulles hipotēze, ka vienādojums kopumā ir statistiski nenozīmīgs: H0: R 2 = 0 nozīmīguma līmenī α.
2. Pēc tam nosakiet F kritērija faktisko vērtību:


kur m = 1 pāra regresijai.
3. Tabulas vērtību nosaka no Fišera sadalījuma tabulām noteiktam nozīmīguma līmenim, ņemot vērā to, ka brīvības pakāpju skaits kopējai kvadrātu summai (lielāka dispersija) ir 1 un kvadrātu atlikušās summas (mazāka dispersija) brīvības pakāpju skaits lineārai regresijai ir n-2. .
4. Ja faktiskā F kritērija vērtība ir mazāka nekā tabulas, tad viņi saka, ka nav pamata noraidīt nulles hipotēzi.
Pretējā gadījumā nulles hipotēze tiek noraidīta un ar varbūtību (1-α) tiek pieņemta alternatīva hipotēze par vienādojuma statistisko nozīmīgumu kopumā.
Kritērija tabulas vērtība ar brīvības pakāpēm k1 = 1 un k2 = 10, Fkp = 4,96
Tā kā faktiskā vērtība ir F> Fkp, noteikšanas koeficients ir statistiski nozīmīgs (atrastais regresijas vienādojuma novērtējums ir statistiski ticams).

Definīcija

Statistiskās nozīmības līmenis (vai statistiski nozīmīgais rezultāts) parāda, kāda ir pētāmo rādītāju nejaušas parādīšanās varbūtība. Fenomena vispārējo statistisko nozīmīgumu izsaka ar koeficientu p-vērtību (p-līmeni). Jebkurā eksperimentā vai novērojumā, visticamāk, iegūtie dati ir saistīti ar izlases kļūdām. Īpaši tas attiecas uz socioloģiju.

Tas ir, statistika ir statistiski nozīmīga, kuras nejaušas parādīšanās varbūtība ir ārkārtīgi maza vai tiecas uz galējībām. Ārkārtējs šajā kontekstā tiek uzskatīts par statistikas novirzes pakāpi no nulles hipotēzes (hipotēzes, kas tiek pārbaudīta, lai tā atbilstu iegūtajiem izlases datiem). Zinātniskajā praksē nozīmīguma līmeni izvēlas pirms datu vākšanas, un parasti tā koeficients ir 0,05 (5%). Sistēmās, kur precīzas vērtības ir ārkārtīgi svarīgas, šis rādītājs var būt 0,01 (1%) vai mazāks.

Pamatinformācija

Svarīguma līmeņa jēdzienu ieviesa britu statistiķis un ģenētiķis Ronalds Fišers 1925. gadā, kad viņš izstrādāja statistisko hipotēžu pārbaudes metodiku. Analizējot procesu, pastāv noteikta parādību varbūtība. Grūtības rodas, strādājot ar nelielām (vai nenozīmīgām) procentu varbūtībām, kuras ietilpst jēdzienā "mērījumu kļūda".

Strādājot ar statistiku, kas nav pietiekami specifiska, lai pārbaudītu, zinātnieki saskārās ar nulles hipotēzes problēmu, kas “traucē” maziem daudzumiem. Fišers piedāvāja šādām sistēmām notikumu varbūtības noteikšanu 5% (0,05) vērtībā kā ērtu selektīvu šķēli, kas ļauj noraidīt nulles hipotēzi aprēķinos.

Fiksēta koeficienta ieviešana

1933. gadā zinātnieki Jerzy Neumann un Egon Pearson savos darbos jau iepriekš (pirms datu vākšanas) ieteica noteikt noteiktu nozīmīguma līmeni. Šo noteikumu izmantošanas piemēri ir skaidri redzami vēlēšanu laikā. Pieņemsim, ka ir divi kandidāti, no kuriem viens ir ļoti populārs, bet otrais ir maz zināms. Acīmredzot vēlēšanās uzvar pirmais kandidāts, un otrā izredzes mēdz būt nulles. Viņi cenšas, bet nav vienlīdzīgi: vienmēr pastāv nepārvaramas varas varbūtība, sensacionāla informācija, negaidīti lēmumi, kas var mainīt paredzamos vēlēšanu rezultātus.

Neimans un Pīrsons bija vienisprātis, ka Fišera ierosinātais nozīmīguma līmenis 0,05 (apzīmēts ar simbolu α) ir visērtākais. Tomēr pats Fišers 1956. gadā iebilda pret šīs vērtības fiksēšanu. Viņš uzskatīja, ka α līmenis jānosaka saskaņā ar īpašiem apstākļiem. Piemēram, daļiņu fizikā tas ir 0,01.

P-vērtība

Termins p-vērtība pirmo reizi tika izmantots Braunlija darbā 1960. gadā. P līmenis (p vērtība) ir rādītājs, kas ir apgriezti saistīts ar rezultātu patiesumu. Augstākā koeficienta p vērtība atbilst zemākajam ticamības līmenim mainīgo atkarības paraugā.

Šī vērtība atspoguļo kļūdu iespējamību, kas saistīta ar rezultātu interpretāciju. Pieņemsim, ka p līmenis = 0,05 (1/20). Tas parāda piecu procentu varbūtību, ka attiecības starp izlasē atrastajiem mainīgajiem ir tikai izlases nejauša pazīme. Tas ir, ja šīs atkarības nav, tad ar atkārtotiem šādiem eksperimentiem vidēji katrā divdesmitajā pētījumā var gaidīt tādu pašu vai lielāku atkarību starp mainīgajiem. Bieži vien p-līmenis tiek uzskatīts par kļūdas līmeņa “pieņemamo rezervi”.

Starp citu, p-vērtība var neatspoguļot reālās attiecības starp mainīgajiem, bet tikai parāda noteiktu vidējo vērtību pieņēmumos. Jo īpaši datu galīgā analīze būs atkarīga arī no izvēlētajām šī koeficienta vērtībām. Ar p līmeni = 0,05, daži rezultāti būs, bet ar koeficientu 0,01 - citi.

Statistisko hipotēžu pārbaude

Pārbaudot hipotēzes, statistikas nozīmīguma līmenis ir īpaši svarīgs. Piemēram, aprēķinot divpusēju pārbaudi, noraidīšanas laukumu sadala vienādi abos parauga sadalījuma galos (attiecībā pret nulles koordinātu) un aprēķina datu patiesumu.

Pieņemsim, ka, pārraugot noteiktu procesu (parādību), izrādījās, ka jaunā statistiskā informācija norāda uz nelielām izmaiņām attiecībā pret iepriekšējām vērtībām. Turklāt rezultātu neatbilstības ir nelielas, nav acīmredzamas, bet ir svarīgas pētījumam. Speciālista priekšā rodas dilemma: vai izmaiņas patiešām notiek, vai arī šīs ir paraugu ņemšanas kļūdas (neprecīzi mērījumi)?

Šajā gadījumā tiek izmantota vai noraidīta nulles hipotēze (visi tiek attiecināti uz kļūdu, vai arī izmaiņas sistēmā tiek atzītas par patiesu paveikto). Problēmas risināšanas process balstās uz kopējo statistisko nozīmīgumu (p-vērtību) un nozīmīguma līmeni (α). Ja p līmenis ir -8, tas šajā reģionā nav nekas neparasts.

Efektivitāte

Paturiet prātā, ka koeficienti α un p vērtība nav precīzi raksturlielumi. Lai kāds būtu nozīmīguma līmenis pētāmās parādības statistikā, tas nav beznosacījuma pamats hipotēzes pieņemšanai. Piemēram, jo ​​mazāka ir α vērtība, jo lielāka ir iespējamība, ka noteiktā hipotēze ir nozīmīga. Tomēr pastāv kļūdas risks, kas samazina pētījuma statistisko jaudu (nozīmīgumu).

Pētnieki, kuri koncentrējas tikai uz statistiski nozīmīgiem rezultātiem, var iegūt kļūdainus secinājumus. Tajā pašā laikā ir grūti vēlreiz pārbaudīt viņu darbu, jo viņi izmanto pieņēmumus (kas patiesībā ir α un p vērtības). Tāpēc vienmēr kopā ar statistiskās nozīmības aprēķināšanu ieteicams noteikt citu rādītāju - statistiskā efekta lielumu. Efekta lielums ir efekta stipruma kvantitatīvs rādītājs.

Statistiskā nozīmīguma līmeņi un hipotēžu pārbaude

Nozīmīguma līmenis - tā ir varbūtība, ka atšķirības esam atradušas būtiskas, kaut arī tās faktiski ir nejaušas.

Tātad svarīguma līmenis attiecas uz varbūtība.

Nozīmīguma līmenis norāda atklāto atšķirību ticamības pakāpi starp paraugiem, t.i. parāda, cik ļoti mēs varam uzticēties, ka tiešām pastāv atšķirības.

Mūsdienu zinātniskajiem pētījumiem nepieciešami obligāti rezultātu statistiskās nozīmības līmeņa aprēķini.

Parasti izmantotajā statistikā tiek izmantoti 3 nozīmīguma līmeņi.

1. nozīmīguma līmenis: p ≤ 0,05.

Tas ir 5% nozīmīguma līmenis. Līdz 5% ir varbūtība, ka mēs kļūdaini secinājām, ka atšķirības ir ticamas, kamēr tās faktiski nav uzticamas. To var teikt citā veidā: mēs esam tikai 95% pārliecināti, ka atšķirības ir patiešām būtiskas. Šajā gadījumā jūs varat rakstīt šādi: P> 0,95. Kritērija vispārējā nozīme paliks tāda pati.

2. 2. nozīmīguma līmenis: p ≤ 0,01.

Tas ir 1% nozīmīguma līmenis. Kļūdaina secinājuma varbūtība, ka atšķirības ir būtiskas, nav lielāka par 1%. To var teikt citā veidā: mēs esam par 99% pārliecināti, ka atšķirības ir patiešām būtiskas. В данном случае можно написать и так: P> 0,99. Смысл останется тем же.

3. 3-й уровень значимости: р ≤ 0,001.

Это 0,1%-ный уровень значимости. Всего 0,1% составляет вероятность того, что мы сделали ошибочный вывод о том, что различия достоверны. Это — самый надёжный вариант вывода о достоверности различий. Можно сказать и по-другому: мы на 99,9% уверены в том, что различия действительно достоверны. Šajā gadījumā jūs varat rakstīt šādi: P> 0,999. Nozīme atkal paliks tāda pati.

Nozīmīguma līmenis ir hipotēzes kļūdainas noraidīšanas (noraidīšanas) varbūtība, lai gan tā patiesībā ir patiesa. Tas ir nulles hipotēzes Nr. Noraidījums.

Svarīguma līmenis ir pieļaujama kļūda mūsu paziņojumā, mūsu secinājumā.

Ir iespējamas divu veidu kļūdas: pirmā veida (α) un otrā veida (β).

Pirmā veida kļūda - mēs noraidījām nulles hipotēzi, lai gan tā ir taisnība.

α ir pirmā veida kļūda.

p ≤ 0,05, kļūdu koeficients α ≤ 0,05

Varbūtība, ka ir pieņemts pareizs lēmums: 1 - α = 0,95 vai 95%.

I tipa kļūdu nozīmīguma līmeņi

1. α ≤ 0,05 - zemākais līmenis

Zemākais nozīmīguma līmenis - ļauj noraidīt nulles hipotēzi, bet tomēr neļauj pieņemt alternatīvu.

2. α ≤ 0,01 - pietiekams līmenis

Pietiekams līmenis - ļauj noraidīt nulles hipotēzi un pieņemt alternatīvu.

G - zīmju kritērijs

T - Vilkoksona tests

U - Manna-Vitnija tests.

Viņiem apgrieztā attiecība.

3. α ≤ 0,001 - augstākais nozīmīguma līmenis.

Praksē atšķirības tiek uzskatītas par būtiskām pie p ≤ 0,05.

Neizvirzītam statistikas hipotēzei tiek izmantots divpusējs nozīmīguma kritērijs. Tas ir stingrāks, jo tas pārbauda atšķirības abos virzienos: uz nulles hipotēzes un alternatīvas virzienā. Tāpēc tam tiek izmantots nozīmīguma kritērijs 0,01.

Jaudas kritērijs - viņa spēja atklāt pat nelielas atšķirības, ja tādas ir. Jo spēcīgāks ir kritērijs, jo labāk tas noraida nulles hipotēzi un apstiprina alternatīvu.

Šeit parādās jēdziens: otrā veida kļūda.

II tipa kļūda - Tā ir nulles hipotēzes akceptēšana, kaut arī tā nav taisnība.

Jaudas kritērijs: 1 - β

Jo spēcīgāks ir kritērijs, jo pievilcīgāks tas ir pētniekam. Viņš labāk noraida nulles hipotēzi.

Kāpēc mazjaudas kritēriji ir pievilcīgi?

Mazjaudas kritēriju priekšrocības:

  • Vienkāršība
  • Plašs diapazons saistībā ar plašu datu klāstu
  • Piemērojamība atšķirīgiem paraugu lielumiem.
  • Lielāks informatīvais saturs.

Populārākais statistiskais kritērijs ir Studenta T-tests. Bet tikai 30% izstrādājumu tas tiek izmantots pareizi, un 70% - nepareizi, jo nepārbaudiet izvēles sadalījumu pēc normalitātes.

Otrais populārākais ir chi-kvadrāta tests, χ2

Pin
Send
Share
Send
Send