NELINEARNA REGRESIJA

Nelinearna regresija: Povezivanje nelinearnih modela sa njihovim formulama:

Logistički Y = 1 / (1/u + (b0 * (b1**x)))
Power Y= b0 * (x**b1)
Logaritamski Y = b0 + (b1 * ln(x))
Eksponencijalni Y = b0 * e(b1x)
eksponencijalni sa osnovnom Y = b0(b1x)
b0(compound) model
Model rasta (Growth) Y = e**(b0 + (b1 * x))
S kriva Y = e**(b0 + (b1/x))
Inverzni model Y= b0 + (b1 / x)

Nelinearna regresija: Povezivanje fenomena sa funkcijom kojom je predstavljen.

fenomen funkcije:
1. Bistabilna stanja,
2. cirkadijalni ritam, polinomska (periodična) (2)
3. verovatnoća davanja tačnog odgovora binarna logistička (3)
na stimulus (otprilike),
4. optimalni nivo i još nekoliko; kvadratna 4 moţda
5. kubna

Povežite oblik funkcije sa odgovarajućim fenomenom:

Postojanje optimalnog nivoa X za funkcionisanje u Y Zvono (u drugoj verziji kaţu S kriva)
Opisuje reakciju sistema u jednom smeru zatim još jači odgovori sistema kao zvono samo ima plato sa desne
u suprotnom smeru do uspostavljanja ravnoteţe (povratna sprega) strane
Odnos izmeĎu jačine stimulusa i verovatnoće njegove detekcije obična linearna prava kao strela
Cirkadialni ritmovi neki talasi što idu gore dole (periodična)
Bistabilna stanja dva platoa (funkcija četvrtog stepena)

Označi tačne tvrdnje:

1) Bimodalna funkcija je funkcija četvrtog stepena DA
2) Predznak najvišeg člana u nelinearnoj regresiji odreĎuje koji smer će funkcija imati DA
3) U članovima regresione jednačine višeg reda udeo varijanse greške se smanjuje. DA

4) Odluka za koji oblik regresione funkcije ćemo se odlučiti zavisi od parcijalnih regresionih koeficijenata (ili parcijalnih
korelacija) kada su u jednačinu uključeni članovi niţeg reda, a ne od izvornih korelacija pojedinih članova sa
kritetijumom. – ovo nisam sigurna

5) Nelinearnost odnosa dve varijable zapravo znači da je nagib regresione f-je iz X u Y različit za različite nivoe
varijable X pa jeste različit nagib ali nema nivoa jer je X numerička varijabla (NE)
6) Što je neki član u regresionoj jednačini višeg reda ( ima veću potenciju) on manje utiče na oblirek regresione krive
odreĎujući joj ekstrema NE
7) Uzorak od 15 entiteta unosti ,,ufitovati‚‚ polinomom 14 reda NE
8) Nehomogenost reziduala nakon linearne regresije je jedan od indikatora nelinearnosti nema veze homogenost
reziduala oni samo moraju nezavisni da budu
9) Oblik regresione krive kod nelinearne regresije dosta je otporan na uticaj iznimaka (outliera). NE
10) Nelinearnu regresiju moţemo promatrati kao hijerarhijsku regresiju u kojoj se u jednačinu uvode članovi niţeg reda.
NE
11) Jedan od načina povećavanja kolinearnosti u nelinearnoj regresiji je centriranje prediktora. NE
ANCOVA
Analiza kovarijansi: Povezivanje opisa tipa specifikovanja sume kvadrata sa odgovarajućim tipom (I, II, III, IV)
Tip 1 Poznat kao hierarhijska dekompozicija sume kvadrata.
Svaki efekat je prilagođen samo za efekat koji mu prethodi.
Obično se koristi kod:
1) Balansirane ANOVE gde su glavni efekti specifikovani pre interakcije, a interakcije niţeg reda pre
interakcija višeg reda.
2) Polinomijalnih modela gde su članovi niţeg reda specifikovani pre članova višeg reda.
3) Ponovljenih merenja (tzv. čistih ugneţdenih modela) gdje je prvi nivo unutar drugog, drugi unutar trećeg
i tako redom (dostupan samo kroz sintaksu).
Tip 2 Metod računa sume kvadrata odstupanja za neki efekat u modelu tako što ga koriguje (adjused) za sve druge
efekte koji ne sadrže efekat koji je predmet izračunavanja.
Najčešće se koristi kod
1) Balansiranih ANOVA modela,
2) Anova modela gde su nam interesanti samo glavni efekti,
3) Čistih ugneţdenih modela (dostupan samo kroz sintaksu).
Tip 3 Ako se ne specifikuje kontrast je podrazumevan.
Glavna prednost mu je neosetljivst na nebalansiranost ćelija.
Računa sumu kvadrata efekta, tako da se parcijalizuje odnosno ortogonalizuje za sve efekte koji nisu taj efekat.
Sve modele nabrojani pod Tipom I i II, Sve balansirane i nebalansirane modele bez praznih ćelija.
Tip 4 Ovaj metod je dizajniran za slučajeve kada postoje prazne ćelije.
Koristi se za: sve modele pod Tip1 i Tip2, bilo koji balansirani ili nebalansirani model sa praznim ćelijama.

Vrste kontrasta: poveţi opis sa pravim imenom / Primena (nesto da se tretman i placebo uporede sa necim novim)
poredi aritmetičku sredinu svakog poduzorka
Deviacioni (Deviation) sa opštim prosekom uzorka.
Nije bitan poredak nivoa faktora.
Jednostavni (Simple) sa uzorkom koji je specifikovan kao referentni (prvi ili zadnji).
Koristan kada imamo kontrolnu grupu.
Diferencijalni (Difference) (osim prvog) sa prethodnim nivoom
(ponekad se zove reverzni Helmert).
Helmert (osim poslednjeg) sa sledećim nivoom
kod ponovljenih merenja se označava kao (Repeated)
Polinomski (Polynomial) Poredi prvo linearni pa kvadratni kubni etc. efekat.
Koristan je za nelinearne trendove

Na zaokruzivanje uslovi za primenu analize kovarijansi

uslovi za primenu posebni uslovi
 nezavisnost reziduala od tretmana  linearnost regresije,
 normalnost uzoračke distribucije zavisne varijable u  nezavisnost kovarijata od faktora tretmana,
okviru subpopulacija,  meĎusobna nezavisnost kovarijata,
 homogenost varijabli  homogenost regresionih koeficijenata homoscedastičnost

Uslovi za primenu analize kovarijansi – ponuĎeni koji su netačni

Visoka povezanost kovarijata NE
Linearnost regresije faktor kovarijat NE (kriterijum kovarijat je tačno)
Različitost regresionih koeficijenata- tj. heteroscedastičnost NE

- kovarijat I nezavisna varijabla su nezavisne (kovarijat vrši isti uticaj na ZV na svakom nivou nezavisne varijable)
- linearnost regresije – kovarijat I zavisna varijabla su linearno povezani (napravi se scatter plot I očekuješ elipsu)

Označite tačne tvrdnje:

1) ANCOVA je zapravo ANOVA na rezidualima zavisne varijable. Ne (u drugoj bazi kaţe da)
2) F statistik raste kada se smanjuje varijansa greske unutar grupa. DA (izmeĎu je netačno)
3) Analiza kovarijanse se koristi da bi se smanjila varijansa greške unutar grupa. DA (izmeĎu je netačno)
4) ANCOVA sluţi radi smanjivanja efekta intervenišućih varijabli. DA (za intervenišućih netačno)
5) Nulte hipoteze se odnose na povezanost tretmana i ishoda, dok je efekat intervenišućih varijabli isključen. DA
6) U analizi kovarijanse hipoteze se primarno odnose na vezu tretmana i efekata tretmana dok se intervenišuće varijable
drţe pod kontrolom. DA
7) Potpuni faktorijalni model podrazumeva sve glavne efekte faktora i kovarijata i sve faktor x faktor interakcije i sve
interakcije kovarijat x factor

UZORKOVANJE
1) Na sistematskom uzorku se za sve ispitanike koristi princip slucajnosti?
(NE, jer se prvi ispitanik bira po slucaju, a drugi po onoj formuli koja se dodaje za svakog sledeceg ispitanika)
2) Na neverovatnosnim uzorcima se mogu izvoditi statistički postupci (ako je deskriptivna statistika statistički postupak DA)
3) Na neverovatnosnim uzorcima se ne mogu izvoditi parametrijski ili inferencijalni postupci. DA
4) Da li je potreban kompletan spisak populacije (popis) kod sistematskog slučajnog uzorkovanja – DA
5) Klastersko uzrokovanje opravdano je koristiti samo ako (uslov) svaki član populacije moţe pripadati samo jednom
klasteru. DA
6) Količnik n/N (N veličina populacije, n veličina uzorka, a / oznaka deljenja) predstavlja proporciju uzrokovanja ili frakciju biranja. DA
7) Periodičnost u spisku kod sistematskog slučajnog uzorkovanja ne sme da bude. DA
8) Ako postoji periodicnost u spisku, nije opravdano koristiti sistematsko slucajno uzorkovanje. DA
9) Kod višeetapnog uzorkovanja u svim etapama uzorka se radi sa istim jedinicama uzorka (NE jer u prvoj etapi moţeš
da izdvojiš škole a u drugoj ljude, to nisu iste jedinice)
10) Jedinice posmatranja u istraţivanju su uvek jednake jedinicama uzorokovanja NE, iz istog razloga kao gore
11) Jedinica uzrokovanja (jedinice koje uzrokujemo) uvek se poklapaju sa jedinicama posmatranja (jedinicama koje
posmatramo, tj. na kojima prikupljamo podatke) NE
12) Snaga testa raste povećavanjem veličine uzorka (ako su svi ostali uslovi ispunjeni). DA
13) Ako ţelimo da povećamo snagu statističkog testa za testiranje hipoteza potrebno je (pod ostalim jednakim uslovima)
da povećamo veličinu uzorka. DA

Snaga
Da-Ne pitanja
1) Prihvatanje Fisherovske nulte hipoteze (značajnost iznad 0.05) ne znači da je ona tačna, to znači da se ne moţe
odbaciti zaključak da ona nije tačna.
2) Snaga testa će porasti ako se poveća uzorak, pod uslovom da su svi ostali uslovi ispunjeni. DA (negde bilo valjda ne)
3) Odbacivanje nulte hipoteze sa pridruţenom verovatnoćom od 0.05 ne znači da se radi o verovatnoći od 0.05 da ona
bude tačna. DA (to nije verovatnoća istinitosti Ho obzirom na podatke, već verovatnoća podataka obzirom na hipotezu)
*Bonferoni - broj korelacija na kvadrat, pa značajnost podeljna sa kvadratom (u ovom slučaju 0.05/10^2 = 0.0005)

Koja reč ispravno dopunjava tvrdnju:

- Kad se smanjuje alfa greška, za istu veličinu efekta beta greška Opada/ Raste
- Kad veličina efekta raste, za istu vrednost alfa greške, beta greška Opada/ Raste
- Kad varijansa greške opada, za istu vrednost alfa greške beta greška Opada/ Raste
alfa i beta greška su obrnuto proporcionalne, a beta greška i snaga se sabiraju do 1

zaokruži: Ukoliko dobijemo značajnost koja je veća od 0.05, šta znači prihvatanje nulte hipoteze:
a) Da se ne može odbaciti mogućnost da je ona netačna
b) Da se ne moţe odbaciti mogućnost da je ona tačna d) Da je ona tačna
c) Da je šansa da je ona tačna premala e) Da je ona netačna
Strukturni modeli (SEM)
Da-Ne pitanja
1) Latentne varijable su predstavljene krugom (prikazane preko KRUŢNIH oblika) DA (manifestne NE)
2) Manifestne varijable u SEM modelu su varijable koje su direktno ispitivane preko odreĎenog instrumenta DA (mada
ne mora instrument da bude?)
3) Path modelom (ili model relacija) su predstavljeni odnosi izmeĎu latentnih varijabli. DA
4) Model merenja u SEM analizi se odnosi na relacije izmeĎu latentnih varijabli i konstrukata. DA (i manifestnih NE)
5) Fiksni parametri u SEM su oni oni čija je vrednost data na početku. DA
(Oni na koje je fiksirana naša paţnja prilikom proračuna parametara – nisam sigurna)
6) Varijable koje imaju kauzalni uticaj na druge varijable u modelu nazivamo egzogene varijable. DA (endogene mogu
da imaju uticaj ali ne na egzogene zato je u tom slučaju NE)
7) Egzogene varijable deluju na sve ostale. DA (egzogene vrše uticaj na ostale a ništa na njih)

zaokruži
1) Ako SEM analiza pokaţe da se predikcija na osnovu modela ne razlikuje statistički značajno od dobijenih podataka iz
toga se moţe izvesti sledeći zaključak:
(Šta se dešava kada nema statistički značajne razlike izmeĎu predviĎenog modela i empirijski dobijenog)
a) Da je dati model jedan od modela koji može da objasni dobijene podatke (jedan od mogućih)
b) Da je dati model jedini model koji moţe da objasni dobijene podatke (jedini mogući)
c) Da dati model treba da bude odbačen u celini
d) Da dati model ne moţe da objasni dobijene podatke
e) Da treba povećati uzorak da bi se dobile razlike ako ih ima

2) Svrha SEM modela je:

a) da ispita valjanost modela,
b) da prilagodi podatke modelu, c) da vidi koji model najbolje odgovara podacima (tako nešto) i još dva ponuĎena

Vremenske serije
računanje druge diference ili primena diferenciranja (diferentovanja) drugog reda
vremenske serije 12, 15, 20, 25 vremenske serije 5 10 15 25 45
 prva 15-12; 20-15; 25-20; = 3 5 5  prva 10-5; 15-10; 25-15; 45-25; = 5 5 10 20
 druga 5-3; 5-5; = 2; 0  druga 5-5; 10-5; 20-10; = 0; 5; 10

Adekvatnost matematičke funkcije (modela) za opis trenda vremenske serije moţe se odrediti
- poreĎenjem vrednosti statistika Multiple R (korelacija predviĎenih modelom i empirijskih vrednosti vremenske
serije) i Standard Error (standardna devijacija distribucije reziduala) za različite modele kao i
- pregledanjem grafika- na osnovu ispitivanja koliko je kriva, definisana modelom, blizu empirijskim tačkama
*Što je korelacija veća a standardna greška manja to je model adekvatniji.

Isključivanje komponente trenda se radi tako što

- Za multiplikativni model – (empirijska vrednost) vremenske serije se deli ocenjenim trendom
- Za aditivni model – od (empirijske vrednosti) vremenske serije se oduzima ocenjeni trend

Označite tačne odgovore:

1) Operator docnje (lag operator) pomera vrednost vremenske serije u trenutku t za odreĎeni broj k perioda unazad. DA (
ako piše unapred to je netačno)
2) Ako je vrednost vremenske serije u vremenskoj tački t jednaka Xt, a vrednost vremenske serije u narednom
vremenskom trenutku t+1 jednaka Xt+1 tada je vrednost operatora prve diferenca jednaka Xt+1-Xt. DA (ako daju Xt -
Xt+1 to je netačno)
3) Postupak predviĎanja vremenske serije izvan ispitivanog raspona vremenskih tačaka zove se ekstrapolacija - DA
(Ekstrapolacija je predviĎanje vrednosti koje se nalaze van opsega vremenske serije *tako nekako* u budućem
trenutku DA)
4) Kao mera podesnosti modela koristi se standardna devijacija predvidjenih vrednosti serije (meni je bilo ovako cini mi
se formulisano, a kod Tenjovica pise da se koristi SD distribucije reziduala) gore ima odgovor
5) Standardna devijacija distribucije reziduala vremenske serije koristi se kao pokazatelj adekvatnosti tj. podesnosti
odreĎenog matematičkog modela kao modela date vremenske serije. DA (ako piše predviĎenih vrednosti onda NE)
6) Serija broja tačno reprodukovanih reči posle jednog sata. dva sata , itd. Od trenutka kada su naučene predstavlja
primer momentne vremenske serije DA,
(momente su kad uzimaš vrednost u posebnim trenucima a intervalne kada meriš sve vreme, tipa vadiš prosek neki u
odreĎenom intervalu)
7) Pri eksponencijalnom izravnavanju (smoothing) u analizi vremenskih serija veći ponder za računanje pokretnih
sredina daje se novijim, a manji starijim podacima u seriji. DA
8) Postupak pokretnih sredina (moving average) u analizi vremenskih serija koristi se da se lakše uoči osnovna
tendencija, tj. trend vremenske serije. DA (sve metode izravnjavanja sluţe tome)

Robustne mere Označite tačne odgovore:

1) Medijansko apsolutno odstupanje (MAD) računa se na osnovu medijane apsolutnih odstupanja rezultata od medijane
DA (od aritmetičke sredine nije tačno)
2) Ako snaga statističkog testa za testiranje hipoteza nije bitno promenjena kada se naruše pretpostavke za primenu tog
testa kaţemo da je taj test robustan u efikasnosti DA (kriterijmska robustnost je vezana za parametre, efikasnost za snagu)
3) Ako ispitanik ima neuobičajeno niske rezultate na obema varijablama meĎu kojima postoji pozitivna povezanost tada
je reč o strukturnom autlajeru (iznimku) NE, moţe da bude samo onaj pomeren ako su baš neuobičajeno niski
4) Ocenitelji korelacija dveju varijabli koji se računaju na osnovu 50% tačaka koje u dijagramu rasprašenja daju
najmanju elipsu robustni su na strukturne autlajere. DA, ovo je korelacija O tipa I ona je robustn na strukturne outliere
5) Robustni ocenitelji korelacije tipa M robustni su (nisu osetljivi) na strukturne autlajere (autlajere) NE (na one druge su)
6) Postriţena aritmetička sredina M na 10% (i sa leve i sa desne strane) na nizu 10, 5, 7, 6, 1, 6, 5, 6, 6, 7 iznosi 5.25. DA
(skloni se jedan gore I jedan dole I normalno računaš aritmetičku sredinu i dobije se 5.25(42/8))
7) Medijana kao ocenitelj lokacije ima veću tačku za konačni uzorak od aritmetičke sredine. DA
(potrebne su veće promene da bi se ona promenila)
8) Parametar je robustan ako mu je funkcija uticaja ograničena. DA (netačno je ako piše neogranicena)
(funkcija uticaja ukazuje na to da li je parametar robustan, kada je ograničena onda se pri maloj promeni distribucije
vrednost parametra neće neverovatno mnogo promeniti)
9) Najveća proporcija rezultata koji se mogu neograničeno menjati a da promena u vrednosti ocenitelja bude
ograničena zove se funkcija uticaja datog ocenitelja da? 46.slajd
10) Statistički testovi za testiranje hipoteza robusnosti su ako im je tačka otkaza veća od 0. NE
11) Korelacije M tipa su otporne na pomerene autlajere. DA (korelacije O tipa su otporne na strukturne)
12) Ako ispitanik ima izrazito niske rezultate na obe varijable koje su pozitivno povezane to bi bio strukturni autlajer. NE,
on nije outlier uopšte

Ispitivanje na n=1:
1) Trajanov pojednostavljeni postupak analize vremenskih serija (C statistik) kada se koristi u analizi podataka za
jednog ispitanika najgore funkcioniše kada je potrebno ustanoviti da li se isti trend koji postoji u osnovnoj situaciji
nastavlja i u fazi tretmana DA (ako piše najbolje to je netačno)
2) Randomizirani testovi se mogu primenjivati i u ispitivanju normalne populacije. DA
3) Istraţivanja na jednom ispitaniku ni na koji način ne uključuju ispitivanje intersubjektne već samo ispitivanje
intrasubjektne varijabilnosti ( NE, mogu ukljucivati i intersubjektivne)
4) U eksperimentima sa jednim ispitanikom koji koriste nacrt sa višestrukom osnovom (multiple baseline) moţe se
ustanoviti efekat tretmana (intervencije) bez povlačenja tretmana. DA (samo se uklj u ≠ vreme)
5) Ukoliko poredimo rezultat jednog ispitanika na jednom testu sa postignućem neke referentne grupe nije dozvoljeno
koristiti postupke statističkog zaključivanja. (ne zna mislim da je dozvoljeno jer se upravo oni postupci uporeĎivanja
rezultata jednog ispitanika sa kontrolnom grupom zasnivaju na statističkom zaključivanju)
6) Ključni postupak za utvrĎivanje uopštljivosti (generalizabilnosti) rezultata dobijenih u istraţivanjima na jednom
ispitaniku je replikacija istraţivanja na pojedinačnim slučajevima (netačno - statističko utvrĎivanje tipičnosti tog ispitanika)
7) Uopštljivost (generalizabilnost) rezultata iz istraţivanja na jednom ispitaniku postiţe se spajanjem (agregiranjem)
podataka za više ispitanika pri čemu je istraţivanje izvedeno replikacijom. DA (ne ako piše na svakom od njih posebno)
8) Postupci vizualne analize rezultata eksperimenata sa jednim ispitanikom u principu smanjuju verovatnoću greške tipa
1 u statističkom zaključivanju. DA
9) Istraţivanja pokazuju da je slaganje vizuelnih i statističkih analiza podataka iz istraţivanja na jednom ispitaniku u
najvećem broju slučajeva veoma visoko. NE
10) Ima velike razlike izmedju statisticke analize i vizuelne analize. DA
11) Randomizacioni testovi mogu se koristiti samo u analizama podataka iz istraţivanja na jednom ispitaniku a ne i u
analizama podataka iz grupnih istraţivanja. NE (у међугрупним истраживањима чак и када узорковање јединица
посматрања није случајно da)

Kanonička i kvazikanonička
1) Koeficijent strukture ima značenje analogno regresionom koeficijentu u regresionoj analizi NE, nego
koeficijent structure je STANDARDIZOVANI regresioni koeficijent (beta) a
kanonički koeficijent je kao nestandardizovano b.

Kanonički koeficijent isto što i beta ponder. DA (Koeficijent strukture je isto što i beta ponder u regresionoj analizi. NE )
a. prepokrivanje u kka je isto što i multiplo R u regresiji
b. kanonički koeficijenti su isto što i beta ponderi
c. kanonički faktori su isto što i parcijalne korelacije u regresiji

1) (Kvazi)kanonicke korelacije postoje/javljaju se meĎu varijablama iste grupe (prostora), pa mi na osnovu toga
zaključujemo da varijansa jeste/nije aditivna. (ovo mi se vise puta i svim mogucim kombinacijama javilo)
2) (Kvazi)kanoničkih korelacija/faktora mora biti koliko i kanoničkih (nisam sigurna kako je glasilo) mislim ne mora
3) Koeficijent kvazikanoničke korelacije ima vrednosti u intervalu od -1 do +1. NE
koeficijent kanoničke korelacije je od 0 do 1 (jer linearnu jednačinu i jedne i druge kanoničke varijable čine standardizovani
ponderi) a mislim da verovatno isto vaţi i za kvazikanoniku.
Raspon od -1 do +1 je za koeficijent strukture
4) Broj značajnih kanoničkih i kvazikanoničkih komponenti je uvek isti. NE ne znam
5) Kanoničke komponente su ortogonalne, sledi da varijanse koje objašnjavaju pojedine komponente jesu aditivne. DA
6) Kao i kod obične korelacione analize i kanoničke komponente imaju jednak udeo u objašnjnju ukupne varijanse. NE
mislim da ne jer je to upravo ono po čemu se kka razlikuje od korelacije obične
7) Ako u manjem skupu imamo samo jednu varijablu standardizovani koeficijenti kanoničke funkcije su identični beta
ponderima u regresiji valjda DA, ako u manjem skupu imamo samo jednu varijablu to i jeste regresija
8) Korelacije izmeĎu kvazikanoničkih komponenti unutar jednog skupa su dozvoljene iz čega sledi da varijanse koje
komponente objašnjavaju nisu aditivne. DA
9) Ako samo jedna varijabla ima skoro jedinične projekcije na kanoničku komponentu, tada su koeficijenti strukture i
krosstrukture pribliţno jednaki izvornim korelacijama date varijable i ostalih varijabli i iz jednog i iz drugog seta
mislim da da ako je samo jedna
10) Kanoničkih korelacija moţe biti koliko i značajnih kroskorelacija izmeĎu skupova varijabli (varijabli u manjem
skupu) NE ne znam da li je broj korelacija I kroskorelacija povezan
11) Varijanse koju objašnjavaju pojedinačne kanoničke komponente su aditivne. DA
12) Kvazikanonička korelacija se nuţno smanjuje sa svakim sledećim parom linearnih kombinacija (NE vazi za
korelacije)