lecture1

Lecture1
Tipos de escalas & níveis de medição

Discreta andcontinuous variáveis
Daniel, o texto distingue entre discretas e variáveis contínuas. Estas distinções técnicas não serão tão importantes para nós neste caso. De acordo com o texto, variáveis discretas são variáveis nas quais não há valores intermediários possíveis. Por exemplo, o número de telefone que recebe por dia. Não pode receber 6,3 telefonemas. Variables contínuos são tudo o resto; qualquer variável que possa teoricamente ter valores entre pontos (por exemplo, entre 153 e 154 lbs). por exemplo). Acontece que isto não é assim tão útil de uma distinção para os nossos propósitos. O que é realmente mais importante para as considerações estatísticas é o nível de medida utilizado. Quando digo que é mais importante, subestimei isto.Compreender o nível de medição de uma variável (ou escala ou medida) é a primeira e mais importante distinção que se deve fazer em relação a uma variável estatística em curso!

níveis de medição os estaticistas referem-se frequentemente aos “níveis de medição” de avariável, uma medida ou uma escala para distinguir entre variáveis medidas que possuem propriedades diferentes. Há quatro níveis básicos: nominal, ordinal, intervalo e razão.

Nominal
Uma variável medida numa escala “nominal” isa variável que realmente não tem qualquer distinção avaliativa. Um valor não é, na realidade, maior do que outro. Um bom exemplo de uma variável nominal issex (ou sexo). As informações contidas num conjunto de dados sobre o sexo são normalmente codificadas como 0 ou 1, 1 indicando o sexo masculino e 0 indicando o sexo feminino (ou ao contrário–0 para o sexo masculino, 1 para o sexo feminino). 1 Neste caso é um valor arbitrário e não é maior que 0. Existe apenas uma diferença nominal entre 0 e 1. Com variáveis nominais, há uma diferença qualitativa entre os valores, Não uma quantitativaona.

Ordinal
Something measured on an “ordinal” scaledoes have an evaluative conotation. Um valor é maior ou maior ou melhor do que o outro. O produto A é preferido ao produto B, pelo que um valor a receber de 1 e B recebe um valor de 2. Outro exemplo pode ser avaliar a satisfação do seu trabalho numa escala de 1 a 10, com 10 representando uma satisfação completa. Com escalas ordinais, só sabemos que 2 é melhor que 1 ou 10 é melhor que 9; não sabemos por quanto. Pode variar. A distância entre 1 e 2 talvez mais curta que entre 9 e 10.

Intervalo
Uma variável medida em uma escala de intervalo givesinformation cerca de mais ou betterness como ordinalscales fazer, mas o intervalo de variáveis têm a mesma distância entre cada valor.A distância entre 1 e 2 é igual à distância entre 9 e 10.A temperatura usando Celsius ou Fahrenheit é um bom exemplo, há a diferença exata entre 100 graus e 90 como há entre 42 e 32.

Ratio
algo medido numa escala de ratio tem as sameproperties que uma escala de intervalo tem excepto,com uma escala de ratio, que existe um ponto zero absoluto. A temperatura medida em Kelvin é um exemplo. Há novalue possível abaixo de 0 graus Kelvin, é zero absoluto. O peso é uma amostra de 0 KG. é uma ausência significativa de peso. O saldo da sua conta bancária é outro. Embora você possa ter um saldo de conta negativo ou positivo, há um significado definido e não-obritário de um balance de conta de 0.

pode-se pensar em nominal, ordinal,intervalo e razão como sendo classificados em sua relação um com o outro. A razão é mais sofisticada que o intervalo, o intervalo é mais sofisticado que o ordinal,e o ordinal é mais sofisticado que o nominal. Não sei se as fileiras são iguais ou não, provavelmente não. Então, que tipo de nível de medição é este Ranking de níveis de medição?? Eu diria ordinal. Em Estatística, é melhor ser um pouco conservador quando em dúvida.Classes de variáveis Twogenerais (que importa?)
OK, remember I stated that this is the first and most important distinction when using statistics? Eis o porquê. Na maior parte dos casos, os estaticistas ou os investigadores acabam por se preocupar apenas com a diferença entre o nominal e todos os outros. Existem geralmente duas classes de estatísticas: aquelas que lidam com variáveis dependentes do NAL e aquelas que lidam com variáveis ordinais, de intervalo ou de razão. (Neste momento vamos focar na variável dependente e depois vamos discutir a variável independente). Quando eu descrevo estes tipos de duas classes gerais de variáveis, I (e muitas outras) geralmente se referem a elas como”categóricas” e “contínuas.”(Às vezes vou usar”dicotômico “em vez de” categórico”). Note também que” contínuo”neste sentido não é exatamente o mesmo que” contínuo ” usado no Capítulo 1 do texto ao distinguir entre discreto e contínuo. É um termo muito mais vago. Anddicotômico categórico geralmente significa que uma escala é nominal. Variáveis “contínuas” são geralmente aquelas que são ordinais ou melhores.

Ordinal escalas com algumas categorias(2,3, ou, possivelmente, 4) e nominal medidas muitas vezes são classificados como categoricaland são analisados usando-se o binômio classe de testes estatísticos, considerando que ordinalscales com muitas categorias (5 ou mais), intervalo e razão, são usuallyanalyzed com o normal teoria classe de testes estatísticos. Embora a distinção seja um pouco fuzzyone, muitas vezes é uma distinção muito útil para escolher a estatística correta. Há uma série de estatísticas especiais que foram desenvolvidas para lidar com variáveis ordinais com apenas alguns valores possíveis, mas não vamos cobri-las nesta classe (ver Agresti, 1984, 1990; O’Connell, 2006; Wickens,1989 para mais informações sobre a análise de variáveis ordinais).

Classes gerais de estatistica (Oh, eu acho que me importo)
Ok, então temos estas duas categorias gerais (i.e., contínuas e categóricas), o que se segue…? Bem, esta distinção (por mais difusa que possa parecer) tem implicações muito importantes para o tipo de procedimento estatístico utilizado e iremos tomar decisões baseadas nesta distinção ao longo de todo o curso. Existem duas classes gerais de estatísticas: as baseadas na teoria binomial e as baseadas na teoria normal. A regressão do Qui-quadrado e logístico lida com a teoria binomial ou distribuições binomiais, e os testes-t,ANOVA, correlação e regressão lidam com a teoria normal. Então aqui está um quadro para resumir.

SurveyQuestions and Measures: Alguns exemplos comuns
na prática real, os investigadores e os problemas de investigação da vida real não lhe dizem como a variável dependente deve ser categorizada, por isso vou delinear alguns tipos de perguntas de inquérito ou outras medidas que são normalmente utilizadas.

Sim/NoQuestions
Qualquer pergunta sobre uma pesquisa que tem sim ou não como resposta possível é nominal,e assim, o binômio estatísticas serão aplicadas sempre que um simples sim/não questionserves como variável dependente ou uma das variáveis dependentes em ananalysis.

Likert Scales
a special kind of survey question uses a set ofresponses that are ordered so that one response is greater than another. Theterm Likert scale is named after the inventor, Rensis Likert, whose nameis pronounced ” Lickert.”Geralmente, este termo é usado para qualquer questão que tenha cerca de 5 ou mais opções possíveis. Um exemplo pode ser: “como você classificaria seu administrador de departamento?”1 = Muito incompetente, 2 = um pouco incompetente, 3=nenhum competente, 4=qualquer coisa competente, ou 5=muito competente. Escalas de Likert areeither ordinal ou intervalo, e muitos psychometricianswould argumentar que eles são o intervalo de escalas, pois, quando bem construído, thereis igual à distância entre cada valor. Assim, se uma escala de Likert é usada como uma variável dependente em uma análise, estatísticas teóricas normais são usadas como ANOVA ou regressão seria usada.

medidas físicas
A maioria das medidas físicas, tais como a altura, o peso, a pressão arterial sistólica, a distância, etc., São intervalo ou ratioscales, por isso eles caem na categoria geral “contínua”. Portanto, as estatísticas de tipos de teoria normal também são usadas quando uma tal medida serve como a variável dependente em ananálise.

contagens
contagens são complicadas. Se uma variável é medida pela contagem, como o caso se um pesquisador está contando o número de dias em que um paciente hospitalar foi hospitalizado, a variável está em uma escala de razão e é tratada como uma variável contínua. As estatísticas especiais são frequentemente recomendadas, no entanto, uma vez que as variáveis de contagem têm frequentemente uma distribuição muito distorcida, com um grande número de casos com uma contagem zero (ver Agresti,1990, p. 125).; Cohen, Cohen, West, & Aiken, 2003, Chapter 13). Se um investigador estiver a contar o número de projectos numa experiência (ou o número de casos no conjunto de dados), não está realmente a ser utilizada uma medida do tipo contínuo. A contagem neste caso está realinhando a frequência que algum valor de uma variável ocorre. Por exemplo, contar o número de indivíduos no conjunto de dados que relatam ter sido hospitalizados no último ano, depende de uma variável dicotômica no conjunto de dados que significa ser hospitalizado ou não ser hospitalizado (e.g., de aquestão como ” você foi hospitalizado no último ano?”).Mesmo que se contasse o número de casos com base na pergunta “Quantos dias no ano passado você foi hospitalizado”, que é uma medida contínua, a variável que está sendo usada na análise não é realmente a variável contínua. Em vez disso, o pesquisador estaria analisando a variável adichotômica, contando o número de pessoas que não foram internadas no ano passado (0 dias) contra as que foram (1 ou mais dias).