lecture1

Lecture1
Typy vah & úrovně měření

Diskrétní andcontinuous proměnné
Daniel textu rozlišuje mezi diskrétní a spojité proměnné. To jsou technické rozdíly, které pro nás v této třídě nebudou tak důležité. Podle textu jsou diskrétní proměnné proměnné, ve kterých neexistujínejsou možné žádné mezilehlé hodnoty. Například počet telefonních hovorůpřijímáte za den. Nemůžete přijímat 6.3 telefonní hovory. Kontinuální variablesare všechno ostatní; jakákoliv proměnná, která může teoreticky mít hodnoty v betweenpoints (např., mezi 153 a 154 lbs. například). Ukazuje se, že to jenení to užitečné pro naše účely. Co je pro statistické úvahy skutečně důležitějšídůležitější, je úroveň měření. Když říkám, že je to důležitější, opravdu jsem to podcenil.Pochopení úroveň měření proměnných (nebo rozsahu nebo opatření), je první a nejdůležitější rozdíl je třeba, aby o proměnné whendoing statistiky!

Úrovně ofmeasurement
Statistici často odkazují na „úrovně měření“ dat proměnné, měřítko nebo stupnici rozlišovat mezi měřené proměnné, které mají různé vlastnosti. Existují čtyři základní úrovně: nominální, ordinální, interval a poměr.

nominální
proměnná měřená na stupnici „nominální“ je proměnná, která ve skutečnosti nemá žádné hodnotící rozlišení. Jedna hodnota opravdu není větší než jiná. Dobrým příkladem nominální proměnné jesex(nebo pohlaví). Informace v souboru dat na sex je obvykle kódovány jako 0 nebo 1, 1indicating mužské a 0 označující ženské (nebo naopak–0 pro muže, 1 pro ženy). 1 je v tomto případě libovolná hodnota a není větší než 0. Existuje pouze nominální rozdíl mezi 0 a 1. U nominálních proměnných existuje kvalitativní rozdíl mezi hodnotami, nikoli kvantitativní.

Ordinal
něco naměřené na“ ordinální “ stupnici má hodnotící konotaci. Jedna hodnota je větší nebo větší nebo lepšínež druhá. Produkt a je upřednostňován před produktem B, a proto přijímá hodnota 1 A B obdrží hodnotu 2. Dalším příkladem může být hodnocení vaší pracovní spokojenosti na stupnici od 1 do 10, přičemž 10 představuje úplnou spokojenost. S pořadovými stupnicemi víme jen to, že 2 jelepší než 1 nebo 10 je lepší než 9; nevíme, kolik. Může se lišit. Vzdálenost mezi 1 a 2 může být kratší než mezi 9 a 10.

Interval
proměnné měřené na intervalu stupnice givesinformation o více či betterness jako ordinalscales, ale interval proměnné mají stejné vzdálenosti mezi každou hodnotu.Vzdálenost mezi 1 a 2 se rovná vzdálenosti mezi 9 a 10.Teplota pomocí Celsia nebo Fahrenheita je dobrým příkladem, existuje přesný rozdíl mezi 100 stupni a 90, protože je mezi 42 a 32.

Poměr
Něco, co se měří na poměr měřítko má sameproperties, že interval stupnice má kromě, s poměrem měřítka, tam je anabsolute nulového bodu. Příkladem je teplota měřená v Kelvinech. Tam je novalue možné pod 0 stupňů Kelvina, to je absolutní nula. Hmotnost je anotherexample, 0 lbs. je smysluplná absence váhy. Zůstatek vašeho bankovního účtu jedalší. I když můžete mít záporný nebo kladný zůstatek na účtu, existujeurčitý a nearbitrální význam rovnováhy účtu 0.

lze uvažovat o nominálním, ordinálním,intervalu a poměru jako o pořadí ve vzájemném vztahu. Poměr je sofistikovanější než interval,interval je sofistikovanější než ordinální a ordinální je sofistikovanější než nominální. Nevím, jestli jsou hodnosti vyrovnané, nebo ne, asi ne. Takže jaká je úroveň měřeníhodnocení úrovní měření?? Řekl bych ordinální. Ve statistikách je nejlepší býttrochu konzervativní, když máte pochybnosti.

Dvaobecné třídy proměnných (koho to zajímá?)
OK, pamatujte, že jsem uvedl, že toto je první a nejdůležitější rozdílpři použití statistik? Tady je důvod. Statistici nebo výzkumní pracovníci se většinou starají pouze o rozdíl mezi nominálními a všemi ostatními. Tam jsou obecně dva druhy statistiky: ty, které se zabývají withnominal závislé proměnné a ty, které se zabývají ordinální, intervalové,nebo poměr proměnných. (Právě teď se zaměříme na závislou proměnnou apozději budeme diskutovat o nezávislé proměnné). Když popisuji tyto typydvě obecné třídy proměnných, já (a mnoho dalších) je obvykle označuji jako „kategorické“ a „spojité“.“(Někdy použiji „dichotomický „místo “ kategorický“ ). Všimněte si také, že“spojitý“ v tomto smyslu není úplně stejný jako „spojitý“ použitý v kapitole 1 textu při rozlišovánímezi diskrétním a spojitým. Je to mnohem volnější termín. Kategorické adichotomické obvykle znamenají, že měřítko je nominální. „Spojité“ proměnné jsou obvykle ty, které jsou ordinální nebo lepší.

Ordinální stupnice s několika kategorií(2,3, nebo možná 4) a nominální opatření jsou často klasifikovány jako categoricaland jsou analyzovány pomocí binomické třídy statistických testů, vzhledem k tomu, že ordinalscales s mnoha kategorií (5 nebo více), interval, a poměr, jsou usuallyanalyzed s normální třídy na teorii statistických testů. Ačkoli rozdíl je poněkud fuzzyone, je to často velmi užitečné rozlišení pro výběr správného statistického testu. Existuje řada specialstatistics, které byly vyvinuty se vypořádat s ordinální proměnné s jen pár možných hodnot, ale nebudeme jejich pokrytí v této třídě (viz Agresti, 1984, 1990; O ‚ connell, 2006; Wickens,1989 pro více informací o analýzu ordinální proměnné).

Obecné Třídystatistiky (Oh, myslím, že mě to zajímá)
Ok, takže máme tyto dvě obecné kategorie (tj. spojité a kategorické), co dál…? No toto rozlišení (jako fuzzy, jak to může znít) má velmi importantimplications pro typ statistické řízení a budeme makingdecisions na základě tohoto rozlišení, vše prostřednictvím kurzu. Existují dvě obecné třídy statistik: ty založené na binomické teorii a ty založené na normální teorii. Chí-kvadrát a logistická regrese se zabývají binomickou teorií nebo binomickými distribucemi a t-testy, ANOVA, korelace a regrese se zabývají normální teorií. Takže tady je tabulkaabychom to shrnuli.

SurveyQuestions and Measures: Některé Běžné Příklady,
V praxi, researchersand reálném životě výzkumné problémy nemají říct, jak závislé variableshould být rozděleny do kategorií, takže jsem se nastínit několik typů otázek průzkumu nebo opatření, které se běžně používají.

Ano/NoQuestions
Jakýkoliv dotaz na průzkum, který má ano nebo ne jako možná reakce je nominální,a tak binomické statistiky budou použity vždy, když jeden ano/ne questionserves jako závislé proměnné, nebo jedna ze závislých proměnných analýza.

Likert Scales
zvláštní druh dotazníkové otázky používá množinu odpovědí, které jsou seřazeny tak, aby jedna odpověď byla větší než druhá. Stupnice teterm Likert je pojmenována po vynálezci, Rensis Likert, jehož jménoje vyslovováno “ Lickert.“Obecně se tento termín používá pro jakoukoli otázku, která má asi 5 nebo více možných možností. Příklad může být: „jak byste hodnotili svého správce oddělení?“1=velmi nekompetentní, 2=poněkud nekompetentní, 3=ani Kompetentní, 4=poněkud nekompetentní nebo 5=velmi kompetentní. Likertova stupnice areeither ordinální nebo intervalové, a mnoho psychometricianswould tvrdí, že jsou v intervalu váhy, protože, když dobře postavené, existuje stejné vzdálenosti mezi každou hodnotu. Pokud se tedy v analýze použije jako závislá proměnná Likertscale, použijí se normální teorie, jako je ANOVA nebo regrese.

physical measures
většina fyzických opatření, jako jevýška, hmotnost, systolický krevní tlak, vzdálenost atd., jsou intervaly nebo poměryrozměry, takže spadají do obecné kategorie „kontinuální“. Proto se také používají statistiky normálního typu teorie, když takové opatření slouží jako závislá proměnná v ananalýze.

počty
počty jsou složité. Pokud proměnná je měřená počítáním, jako v případě, pokud aresearcher je počítání počtu dnů v nemocnici má pacient beenhospitalized, proměnná je v poměru měřítku a je považován za continuousvariable. Zvláštní statistiky se však často doporučují, protože countvariables mají často velmi zkreslené rozdělení s velkým počtem případů s nulovým počtem (viz Agresti, 1990, s. 125; Cohen, Cohen, West, & Aiken, 2003, Kapitola 13). Pokud výzkumník je počítání počtu předmětů v experimentu (nebo počet případů v datech sada), continuoustype opatření není skutečně používán. Počítání v tomto případě je opravduzkoumání frekvence, kdy dochází k určité hodnotě proměnné. Například počítání počtu subjektů v datovém souboru, které uvádějí, že byly v posledním roce hospitalizovány, se opírá o dichotomickou proměnnou v datovém souboru, která znamená hospitalizaci nebo hospitalizaci (např., od aquestion jako “ byl jste hospitalizován v posledním roce?“).I kdyby se měl počítat počet případů založen na otázku „kolik dní v minulém roce jste byl hospitalizován,“ což je soustavné měření, proměnná použita v analýze opravdu není thiscontinuous proměnné. Místo toho by výzkumník ve skutečnosti analyzoval adichotomickou proměnnou počítáním počtu lidí, kteří nebyli hospitalizováni v minulém roce (0 dní) oproti těm, kteří byli (1 nebo vícedny).