Esitlus laaditakse üles. Palun oodake

Esitlus laaditakse üles. Palun oodake

Alustame selle vaatamisest, kas on pidev või mitte.

Seotud esitlused


Teema esitlus: "Alustame selle vaatamisest, kas on pidev või mitte."— Esitluse väljavõte:

1 Alustame selle vaatamisest, kas on pidev või mitte.

2 Testi võimsuseks nimetatakse tõenäosust leida statistiliselt
oluline seos antud suurusega valimi põhjal olukorras, kus tegelik seos üldkogumis on nii- või naasugune ja disper- sioonid on ka teada, - kaks kasutusala - katse planeerimine - kui suur valim võtta? - järeldamaks midagi negatiivsest tulemusest. Mittesign tulemus iseenesest pole kuigi tugev argument. NB seose puudumist (või olemist täpselt null vms.) ei saa tõestada!

3 Saab tõestada, et pole suurem kui miski (biol relevantne
väärtus), ei saanud seost statistiliselt oluliseks, kui aga seos oleks olnud tugevam kui ...., oleks selle oluliseks saamine olnud väga tõenäone (nt 84,5% - see ongi võimsus), kuna me aga ei saanud, siis ju siis üldkogumis nii tugevat seost ei olnud; ei kuulu standardprotseduuride hulka; Lihtsam viis - parameetrite usalduspiirid.

4 Hüpoteesi testimine: nullhüpotees ja sisukas hüpotees: HO: - erinevust pole; H1: - erinevus on; Esimest tüüpi viga (type I error): kuulutame H1 õigeks, kui ta tegelikult pole; Teist tüüpi viga (type II error): jääme HO juurde, kuigi tegelt on H1 õige.

5 Informatsioonikriteeriumid mudeli valimisel,
AIC – Akaike Information Criterion, IT-approach; mudeli lihtsustamisel, millised muutujad võtta/jätta? rakendub olukordades, kus uurime, millest kõigest mõõdetust sõltuv tunnus sõltub, liigi esinemine maastikul... Mudeleid (sõltumatute muutujate komplekte) võrreldakse - terve mudel saab „headuspunkte“; - mitte üksikute efektide p-väärtuste põhjal.

6 Saab võrrelda erinevaid mudeleid nende AIC’de alusel, sõltub:
- mudeli sobivusest (tõepära – likelyhood); - mudeli keerukusest; parimaks kuulutada see, mille AIC on väikseim, Mitte ainult R-ruudu põhjal – keerulisemal alati suurem; AIC lähenemise korral saab keerulisusest miinuseid;

7 Millest sõltub kärnkonnade arvukus?
- nälkjate arvukus - vihmausside arvukus - lompide tihedus

8

9

10 Model averaging: tähniksinitiiva esinemine Saaremaal, Margus Vilbas et al.

11

12 ******************************************************
Ühes rühmas on oluline seos, teises mitte, kas rühmadevaheline erinevus on oluline? Päris ausalt peaks hüpotees olema olemas enne andmete vaatamist - Statistika ülesanne pole vastata küsimusele seose põhjuslikkuse kohta. ****************************************************************

13 Bayes’i statistika, ... meil on eelnev teave sellest, milline parameetri väärtus on kui tõenäone; .... valimi põhjal muudame oma arusaama; ... tõenäosusega 99% on positiivne seos; .... tavalist p väärtust nii ei tõlgenda!

14 Bayesi statistika pikemalt
.... täringuga viskame kuue, …. tavatäring ja sohitäring; .... tavatäringu korral tõenäosus 16,7%, see on p. ... pole ju tõenäosus, et täring on OK. Aga kui ette teame, et pooltel juhtudel kasutab sohitäringut, saame järeldada, et 85,7% vs 14,3%

15 Saame täringuga „kuue“; tõenäosus, et on sohitäring (või siis
OK täring) sõltub - tõenäosusest saada „6“ õige täringuga; - tõenäosusest, et kasutatakse sohitäringut; Samamoodi, tõenäosus, et üldkogumis r>0, sõltub kahest asjast; - tõenäosusest saada valimi r olukorras, kus r=0; - selliste üldkogumite esinemise tõenäosusest (sagedusest), kus r>0; Kui teist asja teame, saame öelda, et tõenäosusega …. on üldkogum, kus r>0, ehk siis ... tõenäosusega seos on; nagu saime öelda, et tõenäosusega … on sohitäring.


Alla laadida ppt "Alustame selle vaatamisest, kas on pidev või mitte."

Seotud esitlused


Google'i reklaam