Таблицы сопряженности

• Автор начинает запись видео и предлагает повторить пройденный материал.  

• Обсуждается понятие шкалы и её значение в измерении.  

• Упоминается, что шкала определяет, как объекту ставится в соответствие признак выраженности его свойства.  

• Обсуждаются типы диаграмм, которые не используются для номинальных данных.  

• Упоминаются линейные графики и диаграммы рассеяния.  

• Приводятся примеры дискретных и непрерывных данных.  

• Объясняется, что независимые выборки характеризуются независимостью отбора испытуемых.  

• Приводится пример, что выборки мальчиков и девочек независимы, если они не связаны.  

• Упоминается правило трех сигм и его применение.  

• Обсуждаются формы представления данных: текстовый блок, таблицы и графики.  

• Упоминается, что графики являются опциональными, а таблицы и текстовый блок используются практически всегда.  

• Подчеркивается важность таблиц для описания и подсчета данных.  

• Объясняется, что таблицы сопряженности или кросс-табуляции используются для описания совместного распределения частот двух и более номинативных признаков.  

• Приводится пример описания распределения людей из разных городов и пола.  

• Упоминается, что таблицы сопряженности являются элементом описательной статистики.  

• Показано, как работать с таблицами сопряженности в Excel.  

• Объясняется структура таблицы: переменные, строки и столбцы.  

• Упоминаются команды для вывода диаграмм и таблиц.  

• Файл содержит несколько номинативных переменных.  

• Для анализа номинативных данных используется таблица сопряженности.  

• Примеры номинативных переменных: город проживания, пол, хронические заболевания.  

• Выбор номинативных переменных для анализа.  

• Построение совместной таблицы частот двух номинативных переменных.  

• Возможность изменения расположения строк и столбцов.  

• Построение кластеризованных столбиковых диаграмм.  

• Использование частотного распределения для описания данных.  

• Пример: распределение мужчин и женщин по городам проживания.  

• Проценты помогают при небольших выборках.  

• Пример: процентное распределение мужчин и женщин в Москве.  

• Проценты облегчают восприятие данных.  

• Нормальность распределения и количество групп.  

• Параметрические и непараметрические методы.  

• Проверка нормальности распределения и количества групп.  

• Параметрические методы работают при нормальном распределении.  

• Непараметрические методы применимы к любому распределению.  

• Непараметрические методы работают на средних рангах.  

• Таблицы будут использоваться на протяжении всего семестра.  

• Первая таблица классифицирует шкалы: метрические, номинативные и смешанные.  

• Для проверки гипотезы используются метрические шкалы, номинативные шкалы и смешанные шкалы.  

• Методы делятся на параметрические и непараметрические.  

• Количество градаций номинативной переменной влияет на выбор метода.  

• Независимые и зависимые выборки также влияют на выбор метода.  

• Для номинативных переменных используется анализ сопряженности.  

• Основные критерии: хи-квадрат Пирсона и критерий Макнемора.  

• Анализ классификации и последовательностей также важен.  

• Анализ данных включает исследование взаимосвязей между признаками.  

• Гипотезы: причинно-следственная каузальная связь и стахастическая связь.  

• В повседневной жизни чаще встречается стахастическая зависимость.  

• Каузальная зависимость: X определяет Y, при прочих равных условиях.  

• Стахастическая зависимость: X и Y определяют Z, но влияют и другие факторы.  

• В математических расчетах учитывается только каузальная зависимость.  

• Ковариаты фиксируют влияние дополнительных факторов.  

• Пример: возраст влияет на уровень IQ, но его нужно учитывать как ковариату.  

• Это позволяет более точно определить каузальную связь.  

• Таблицы сопряженности используются для демонстрации совместного распределения и проверки значимости различий.  

• Они помогают выявить взаимосвязи между переменными.  

• Важно понимать, значимо ли распределение отличается от ожидаемого.  

• Описательная статистика таблиц сопряженности включает проверку равномерности распределения.  

• Важно, чтобы город проживания и пол были равномерно распределены в рамках города.  

• Неравномерное распределение может исказить результаты анализа.  

• Пример с уровнями тревоги показывает, как важно равномерно распределять данные.  

• Перекодировка переменной тревоги в уровни помогает в анализе.  

• Уровни тревоги могут быть нормальными, субклиническими или клиническими.  

• Визуализация данных помогает понять, как уровни тревоги распределяются по полу.  

• Важно учитывать, что уровни тревоги могут быть в строках или столбцах.  

• Ожидаемые и наблюдаемые частоты помогают оценить различия в распределении.  

• Хи-квадрат Пирсона используется для проверки значимости различий в таблицах сопряженности.  

• Он применим для всех типов шкал и является общим критерием.  

• Критерий Макнемора используется для матриц 2x2, но лучше использовать его совместно с хи-квадратом.  

• Хи-квадрат Пирсона помогает определить значимость различий в таблицах сопряженности.  

• Если хи-квадрат не значим, можно не продолжать анализ.  

• Важно усвоить, что нулевая гипотеза звучит как "нет различий между распределениями".  

• Гипотеза принимается при низком уровне значимости и большой цифре.  

• Между распределениями есть разница, что подтверждается таблицей сопряженности.  

• В норме 40% мужчин и 59% женщин, в субклиническом уровне 25% мужчин и 75% женщин, в клиническом уровне 0% мужчин и 100% женщин.  

• Наблюдаемые частоты сравниваются с ожидаемыми.  

• В норме мужчины имеют больше ожидаемого, а женщины меньше.  

• В субклиническом уровне мужчины меньше ожидаемого, а женщины больше.  

• В клиническом уровне женщины больше ожидаемого, а мужчины меньше.  

• Английский алфавит используется для обозначения столбцов.  

• Столбцы с буквами отличаются друг от друга.  

• В норме и субклиническом уровне различия между мужчинами и женщинами незначительны.  

• Слои позволяют анализировать совместное распределение более чем двух переменных.  

• Пример: уровни тревоги по полу в разных городах и наличие хронических заболеваний.  

• Анализ слоев помогает выявить значимые различия в распределении уровней тревоги.  

• Люди без хронических заболеваний имеют значимые различия в распределении уровней тревоги по полу.  

• Люди с хроническими заболеваниями не имеют значимых различий.  

• В итоге, наличие хронических заболеваний влияет на распределение уровней тревоги.  

• Важно понимать, как представлять данные в таблицах сопряженности.  

• Не обязательно приводить чистоту, но процент обязателен.  

• Ожидаемые частоты и итоговые значения не нужны.  

• Приводить всю таблицу не нужно, достаточно хи-квадрата и уровня значимости.  

• Использование таблиц сопряженности нецелесообразно при большом количестве категорий и малых выборках.  

• Важно, чтобы данные были удобны для восприятия.  

• Основные вопросы: существует ли связь и насколько она сильна.  

• Для оценки значимости связи используется хи-квадрат.  

• Таблицы сопряженности не позволяют оценить характер и степень взаимного влияния.  

• Важно понимать, какая переменная независимая, а какая зависимая.  

• Независимая переменная располагается в строках, зависимая – в столбцах.  

• Пример: пол влияет на популярность в игре, пол – независимая переменная, популярность – зависимая.  

• В строках лучше располагать независимую переменную, в столбцах – зависимую.  

• Это рекомендация, но не строгое ограничение.  

• Лабораторная работа не проводится, рекомендуемая литература доступна на Европе.