Professional Documents
Culture Documents
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
- 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)
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)
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
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.
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)