Program. Tosidet variansanalyse og forsøgsplanlægning. Repetition: ensidet variansanalyse. Eksempel: data fra Collinge et al
|
|
- Malene Andreasen
- 7 år siden
- Visninger:
Transkript
1 Program Tosidet variansanalyse og forsøgsplanlægning Helle Sørensen I formiddag: Ensidet ANOVA: repetition og Collinge eksempel. Additiv tosidet ANOVA (blokforsøg) Tosidet ANOVA med vekselvirkning I eftermiddag: Forsøgstyper og forsøgsplanlægning Evt. BK.16 (og BK.15) StatBK (Uge 4, torsdag) Tosidet ANOVA 1 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 2 / 27 Repetition: ensidet variansanalyse Eksempel: data fra Collinge et al n observationer fra r grupper (n i obs. fra gruppe i) Interesseret i at sammenligne niveauet i grupperne. Statistisk model: y ij erne uafhængige y ij normalfordelt med middelværdi α i og spredning σ Alternative men identiske formuleringer af N-antagelsen: y ij = α i + ε ij, ε ij N(0,σ) y ij = µ + α i + ε ij, ε ij N(0,σ) Flere muligheder for analyser Sædvanlig ensidet variansanalyse med fire grupper Sammenligning af spredninger Sammenligning af (alle fire) middelværdier Konfidensintervaller for interessante forskelle To trinsanalyse: først sammenligning af de tre kontrolgrupper, dernæst sammenligning af kontroller mod gruppe 4. (Den anden analyse er gennemført i Variansanalyse i SAS 1 ) Fortolkningerne af α i er: forventede værdier vs. forventede forskelle. Test for H 0 : α 1 = = α r baseret på MSB og MSW: variation mellem grupper og indenfor grupper. StatBK (Uge 4, torsdag) Tosidet ANOVA 3 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 4 / 27
2 Eksempel: vægttab Additiv tosidet ANOVA: notation og model Data fra eksempel 12.7 side 332. Formål: Vægttab i løbet af 6 måneder for 30 kvinder Tre behandlinger/programmer: diæt, motion, diæt og motion To arbejdssteder: kontor og fabrik 15 kvinder fra hhv. kontor og fabrik inddeles tilfældigt i tre grupper svarende til programmerne. Taber kvinder sig mere på nogle programmer end på andre? Ikke specielt interesseret i forskellen mellem arbejdsstederne (men kunne være det). Blokforsøg. Bliver under alle omstændigheder nødt til at tage højde for en eventuel forskel mellem kontor og fabrik tosidet variansanalyse. Notation: y ijk : observation k i behandlingsgruppe i, blok j. Statistisk model: y ijk = µ + α i + β j + ε ijk hvor ε ijk er normalfordelt med middelværdi 0 og spredning σ (fælles). Dvs. y ijk er normalfordelt med middelværdi µ + α i + β j og spredning σ. ε ijk beskriver afvigelsen fra den forventede værdi (middelværdien). Parametre: µ beskriver niveauet af y (på passende måde) α 1,...,α r beskriver forskelle mellem behandlinger β 1,...,β c beskriver forskelle mellem blokke σ er spredningen indenfor kombination af behandling og blok StatBK (Uge 4, torsdag) Tosidet ANOVA 5 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 6 / 27 Vægttab: notation mm. Opdeling af total variation Notationen for eksempel 12.7: Hvad er r? Hvad er c? Hvad er m? Hvad er n? Hvad er middelværdien for vægttabet for en kvinde der kun er på diæt og arbejder på kontoret, udtrykt ved µ, α, β? Hvad er middelværdien for vægttabet for en kvinde både er på diæt og motion og som arbejder på fabrikken, udtrykt ved µ, α, β? Hvad er forskellen i middelværdien mellem to kvinder der begge arbejder på fabrikken men får både diæt og motion hhv. kun motion? Hvad er forskellen i middelværdien mellem to kvinder der begge arbejder på fabrikken men får både diæt og motion hhv. kun motion? Hvad er den interessante hypotese? Som i ensidet variansanalyse opdeles den totale variation efter de forskellige variationskilder: SST = SSR + SSC + SSW hvor SST: total variation (y ijk ȳ...) SSR: variation mellem behandlinger eller rows (ȳ i.. ȳ...) SSC: variation mellem blokke eller columns (ȳ. j. ȳ...) SSW: resten, variationen indenfor kombination af behandling of blok Frihedsgrader, SS, MS samles i variananalyseskema, side 335. StatBK (Uge 4, torsdag) Tosidet ANOVA 7 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 8 / 27
3 Test af behandlingseffekt Vægttab: behandlingsforskelle Hypotesen om ingen forskel på behandlingerne, H 0 : α 1 = α 2 = = α r Som i ensidet variansanalyse måler vi hvor meget af variationen der skyldes behandlingen i forhold til restvariationen, F = MSR MSW F r 1,n r c+1 Hypotesen forkastes for store værdier af F. Eksemplet: F = 137.4/18.3 = 7.51 der skal vurderes i F 2,26. Dette giver en p-værdi på Hypotesen forkastes: vi har med stor sikkerhed påvist en forskel på behandlingerne (p = 0.003). Vi har altså påvist en forskel på behandlingerne. Men hvad består forskellen i? Interesseret i estimater og konfidensintervaller for forskelle mellem α er. Tukey-korrigerede konfidensintervaller: motion vs. diæt : ˆα 2 ˆα 1 = 4.1 ( 8.85,0.65) begge vs. diæt : ˆα 3 ˆα 1 = 3.3 ( 1.45,8.05) begge vs. motion : ˆα 3 ˆα 2 = 7.4 (2.66,12.15) Hovedkonklusion: kombination af diæt og motion virker bedre end motion alene. Kunne i princippet også teste for en forskel mellem fabrik og kontor, men knapt så interessant som testet for en behandlingseffekt. StatBK (Uge 4, torsdag) Tosidet ANOVA 9 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 10 / 27 Vægttab: SAS Eksempel: effekt at lærebog og uv-metode proc glm data=eks12_7; class program site; model weight = site program / solution; means program / tukey cldiff; run; solution giver parameterestimater SAS vælger en gruppe site=2 (fabrik) og program=1 (diæt) som referencegruppe. Estimater for site og program angiver så forskelle til referencegruppen. proc glm giver som default både Type I vs. type III test: Ens når data er balancerede dvs. lige mange obs. per kombination Kan være forskellige når data er ubalancerede mere om det senere Data fra Eksempel 12.8 side 336. Formål: Forbedring af testresultat efter fire ugers undervisning 36 studerende inddelt i 6 grupper, 6 studerende per gruppe Tre lærebøger (1, 2, 3) To undervisningsmetoder (forelæsning, diskussion) Grupper svarer til kombination af lærebog og uv-metode. giver lærebøgerne forskelligt udbytte for de studerende? giver uv-metoderne forskelligt udbytte for de studerende? Er forskellen mellem undervisningsmetoderne den samme for alle tre lærebøger? Eller egner den ene uv-metode sig bedre til ene bog? Vil undersøge effekten af flere faktorer og deres indbyrdes virkning i samme forsøg. StatBK (Uge 4, torsdag) Tosidet ANOVA 11 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 12 / 27
4 Effekt af lærebog og uv-metode: model Effekt af lærebog og uv-metode: test for vekselv. Notation: y ijk : obs. k for lærebog i og uv-metode j. r = 3 lærebøger (rows), c = 2 uv-metoder (columns), m = 6 observationer per kombination af lærebog og uv-metode. n = rcm = 36 observationer i alt Additiv model: y ijk = µ + α i + β j + ε ijk hvor ε ijk er normalfordelt med middelværdi 0 og spredning σ (fælles). Med den additive model antages det at (ækvivalente udsagn): forskellen mellem uv-metoderne er den samme for alle tre lærebøger forskel mellem lærebøger er den samme for begge uv-metoder Men dette behøver jo ikke at være tilfældet! Der kan være vekselvirkning. Se figur 12.3 side 339. Model med vekselvirkning: y ijk = µ + α i + β j + γ ij + ε ijk NB: I bogen kaldes γ ij for αβ ij (uheldig notation!?) Denne model svarer til en ensidet variansanalyse med seks grupper. Opdeler den totale variation i variation mellem lærebæger, mellem uv-metoder, mellem grupper (de seks kombinationer), og indenfor grupper. Variansanalyseskema side 338. Starter med at teste for om vekselvirkningen er signifikant, dvs. H 0 : alle γ ij = 0 F = 0.17 der skal vurderes i F 2,30 -fordelingen. Dette giver p = 0.84 altså ingen tegn på vekselvirkning. StatBK (Uge 4, torsdag) Tosidet ANOVA 13 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 14 / 27 Effekt af lærebog og uv-metode: flere test Effekt af lærebog og uv-metode: konklusion Ny model er den additive: Mulige hypoteser: y ijk = µ + α i + β j + ε ijk Ingen forskel på lærebøger, dvs. H 0 : α 1 = α 2 = α 3 Ingen forskel på uv-metoder, dvs. H 0 : β 1 = β 2. Testene giver: lærebøger: F = 1.75, F 2,32, p = Konklusion? uv-metoder: F = 9.29, F 1,32, p = Konklusion? Fitter derfor også modellen kun med effekt af uv-metode: Hvilken model er dette? y ijk = µ + β j + ε ijk Hypotese om igen effekt af uv-metoder, H 0 : β 1 = β 2. Test: F = 8.90, F 1,34, p = tæt på værdierne fra før. Altså: vi har med stor sikkerhed påvist en forskel på uv-metoderne. Den forventede forskel mellem diskussion og lecture er 10.1 med 95% konfidensinterval (3.2, 16.9). StatBK (Uge 4, torsdag) Tosidet ANOVA 15 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 16 / 27
5 Effekt af lærebog og uv-metode: konklusion Effekt af lærebog og uv-metode: SAS Startmodel: Så hvad laver vi egentlig her... proc glm data=ex12_8; class instruct text; model test = instruct text instruct*text; run; (Og hvorfor er jeg i gang med at skrive en lærebog...) Slutmodel og estimater: proc glm data=ex12_8; class instruct text; model test = instruct / solution; means instruct / tukey cldiff; run; StatBK (Uge 4, torsdag) Tosidet ANOVA 17 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 18 / 27 Effekt af lærebog og uv-metode: opsummering Forsøgstyper Fittede model med vekselvirkning, og testede for vekselvirkning Fittede additiv model (uden vekselvirkning), testede for hovedeffekter Fjernede en ikke-signifikant hovedeffekt, fittede modellen igen Testede for den anden hovedeffekt Angav estimater og konfidensintervaller i slutmodellen Brugte type III test overalt. Kunne også have benyttet type I test fra modellen med vekselvirkning fordi data er pænt balancerede. Pas på med type I test hvis data er ubalanceret. SAS kan sagtens finde ud af ubalancerede data vi skal bare bruge udskrifterne rigtigt! Den sikre metode: kun et test per modelfit fjern en ikke-signifikant effekt og kør igen. Fjern aldrig en hovedeffekt hvis der er en vekselvirkning i modellen! Skelner ofte mellem observationelle studier og designede eksperimenter. Observationelle studier (surveys): stikprøve udtages tilfældigt fra en population registrerer diverse variable fra stikprøven information om sammenhængen mellem disse variable i populationen ingen intervention Designede eksperimenter Formålet er som regel at sammenligne grupper: forskellige behandlinger, celletyper, køn, alder, osv. Behandlinger allokeres tilfældigt til forsøgsenheder Flere faktorer kan undersøges i samme eksperiment Forsøgsenhederne skal være repræsentative. Ekstrapolation. StatBK (Uge 4, torsdag) Tosidet ANOVA 19 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 20 / 27
6 Eksempel: fuldstændigt randomiseret forsøg Fuldstændigt randomiseret forsøg Data fra Sommer , opgave 2: kvælstofindhold i protein fra hønseæg fem foderblandinger observationer fra i alt 37 høns, allokeret tilfældigt til de fem grupper 7 9 høns per gruppe Formålet er at undersøge om kvælstofindholdet varierer med foderblandingerne. Hvilken type analyse ville du bruge? Engelsk: Completely randomized design. n forsøgsenheder til rådighed (personer, celleprøver, planter,...) r forskellige behandlinger Forsøgsenhederne allokeres tilfældigt til behandl. lodtrækning Evt. balanceret: lige mange forsøgsenheder per behandling Randomiseringen skal sikre imod selection bias, fx. ulige aldersfordeling i hjertestudie, kønseffekter effekter af andre variable, også ikke-observerede variable Sammenligning af populationer: Grupper svarer til delpopulationer, ikke behandlinger. Ingen intervention. StatBK (Uge 4, torsdag) Tosidet ANOVA 21 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 22 / 27 Blokforsøg Fuldstændigt randomiseret blokforsøg Forsøgsenhederne samles i blokke således at forsøgsenheder fra samme blok formodes at ligne hinanden mere end forsøgsenheder fra forskellige blokke. Typiske blokvariable: laboratorium, hospital, mark, kuld,... Afprøver de forskellige behandlinger i alle blokke. Ofte vil forsøgsenhederne i nogle blokke generelt ligge højt, i andre lavt. Skal tage hensyn til blokvariablen i analysen også selvom vi ikke er specielt interesseret i en eventuel blokeffekt. Hvis vi ikke tager højde for det i analysen vil behandlingsforskellene ofte blive sløret af eventuelle blokforskelle. Eksempel: data om vægttab. Arbejdssted kan opfattes som en blok-variabel. Engelsk: Completely randomized block design Balanceret, med m gentagelser. r forskellige behandlinger c blokke hver med plads til k r forsøgsenheder i hver blok allokeres de r behandlinger tilfældigt til forsøgsenhederne således at alle behandlinger bruges m gange per blok. m = 1: uden gentagelser, hver behandling afprøves een gang per blok. Ubalanceret: alle behandlinger optræder ikke lige mange gange i hver blok: ikke plads til alle behandlinger i hver blok, andre praktiske hensyn Manglende observationer, fx. pga. dødsfald eller tekniske fejl StatBK (Uge 4, torsdag) Tosidet ANOVA 23 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 24 / 27
7 Eksempel: flerfaktorforsøg Eksempel: flerfaktorforsøg Flere faktorer undersøges i et eksperiment (eller en dataindsamling). To faktorer undersøges i et eksperiment (eller en dataindsamling). Eksempel: effekt af bøger og uv-metoder. Interesseret i effekten af begge faktorer samt deres indbyrdes virkning. Eksempel (fra notatet Flerfaktormodeller af Julie Lyng Forman): Iltoptag for 72 krabber To arter, tre temperaturer, to køn 6 krabber for hver kombination af art, temperatur og køn Interesseret i forskel mellem arterne, forskel mellem hanner og hunner og effekten af temperatur. Kan undersøge effekten af flere faktorer og deres indbyrdes virkning i samme forsøg. StatBK (Uge 4, torsdag) Tosidet ANOVA 25 / 27 StatBK (Uge 4, torsdag) Tosidet ANOVA 26 / 27 Resumé Forsøgstyper: fuldstændigt randomiserede forsøg fuldstændigt randomiserede blokforsøg tofaktorforsøg og flerfaktorforsøg Modeller: ensidet variansanalyse tosidet variansanalyse med og uden vekselvirkning Trin i den statistiske analyse: modelkontrol residualplot. Kommer på mandag! test for vekselvirkning og hovedeffekter afrapportering af estimater og konfidensintervaller Mandag: residualanalyse, forsøg med mere end to faktorer. StatBK (Uge 4, torsdag) Tosidet ANOVA 27 / 27
Program. Forsøgsplanlægning og tosidet variansanalyse. Eksempel: fuldstændigt randomiseret forsøg. Forsøgstyper
Program Forsøgsplanlægning og tosidet variansanalyse Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Forsøgstyper og forsøgsplanlægning Analyse af data fra fuldstændigt randomiseret blokforsøg: tosidet
Læs mereProgram. Residualanalyse Flersidet variansanalyse. Opgave BK.15. Modelkontrol: residualplot
Program Residualanalyse Flersidet variansanalyse Helle Sørensen Modelkontrol (residualanalyse) i tosidet ANOVA med vekselvirkning. Test og konklusion i tosidet ANOVA (repetition) Tresidet ANOVA: the works
Læs mereEnsidet variansanalyse
Ensidet variansanalyse Sammenligning af grupper Helle Sørensen E-mail: helle@math.ku.dk StatBK (Uge 47, mandag) Ensidet ANOVA 1 / 18 Program I dag: Sammenligning af middelværdier Sammenligning af spredninger
Læs mereProgram. Ensidet variansanalyse Sammenligning af grupper. Statistisk model og hypotese. Eksempel: Aldersfordeling i hjertestudie
Program Ensidet variansanalyse Sammenligning af grupper Helle Sørensen E-mail: helle@math.ku.dk I dag: Sammenligning af middelværdier Sammenligning af spredninger Parvise sammenligninger To eksempler:
Læs mereProgram. Flersidet variansanalyse og hierarkiske modeller. Eksempel: iltoptag for krabber. Eksempel: iltoptag for krabber.
Program Flersidet variansanalyse og hierarkiske modeller Helle Sørensen E-mail: helle@math.ku.dk StatBK (Uge 50, mandag) Flersidet ANOVA 1 / 19 StatBK (Uge 50, mandag) Flersidet ANOVA 2 / 19 Eksempel:
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereProgram. 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12
Program 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12 Ensidet variansanalyse: analyse af grupperede data Nedbrydningsrate for tre typer af opløsningsmidler (opgave 13.8 side 523) Sorption
Læs mereProgram. Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve I SAS. Øvelse: effekt af diæter
Program Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Øvelse: effekt af diæter. Repetition fra sidst... Parrede og ikke-parrede
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereProgram. Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering. Test for ens spredninger
Program Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Analyse af ikke-parrede stikprøver: repetition of rettelse af fejl! Lidt
Læs mereTo-sidet varians analyse
To-sidet varians analyse Repetition En-sidet ANOVA Parvise sammenligninger, Tukey s test Model begrebet To-sidet ANOVA Tre-sidet ANOVA Blok design SPSS ANOVA - definition ANOVA (ANalysis Of VAriance),
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereVariansanalyse i SAS. Institut for Matematiske Fag December 2007
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Institut for Matematiske Fag December 2007 Variansanalyse i SAS 2 Tosidet variansanalyse Residualplot Tosidet variansanalyse
Læs mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereIndhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9
Indhold 1 Ensidet variansanalyse 2 1.1 Estimation af middelværdier............................... 3 1.2 Estimation af standardafvigelse............................. 3 1.3 F-test for ens middelværdier...............................
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 12: Variansanalyse. Per Bruun Brockhoff. Envejs variansanalyse - eksempel
Kursus 02402 Introduktion til Statistik Forelæsning 12: Variansanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereModelkontrol i Faktor Modeller
Modelkontrol i Faktor Modeller Julie Lyng Forman Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for Biokemikere 2003 For at konklusionerne på en ensidet, flersidet eller hierarkisk
Læs mereKursus Introduktion til Statistik. Forelæsning 12: Variansanalyse. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 12: Variansanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereProgram. Modelkontrol og prædiktion. Multiple sammenligninger. Opgave 5.2: fosforkoncentration
Faculty of Life Sciences Program Modelkontrol og prædiktion Claus Ekstrøm E-mail: ekstrom@life.ku.dk Test af hypotese i ensidet variansanalyse F -tests og F -fordelingen. Multiple sammenligninger. Bonferroni-korrektion
Læs mereProgram. Sammenligning af grupper Ensidet ANOVA. Case 3, del II: Fiskesmag i lammekød. Case 3, del I: A-vitamin i leveren
Faculty of Life Sciences Program Sammenligning af grupper Ensidet ANOVA Claus Ekstrøm E-mail: ekstrom@life.ku.dk Sammenligning af to grupper: tre eksempler Sammenligning af mere end to grupper: ensidet
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereProgram. 1. Flersidet variansanalyse 1/11
Program 1. Flersidet variansanalyse 1/11 To-sidet variansanalyse Eksempel: (opgave 14.2 side 587) vitamin indhold i frossen juice målt for ialt 9 kombinationer af mærke (Rich food, Sealed-sweet, Minute
Læs meremen nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Læs mereModul 11: Simpel lineær regression
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 11: Simpel lineær regression 11.1 Regression uden gentagelser............................. 1 11.1.1 Oversigt....................................
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereVejledende besvarelse af eksamen i Statistik for biokemikere, blok
Opgave 1 Vejledende besvarelse af eksamen i Statistik for biokemikere, blok 2 2006 Inge Henningsen og Niels Richard Hansen Analysevariablen i denne opgave er variablen forskel, der for hver af 10 kvinder
Læs mereStatistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 6. november 2007 Forsøgsplanlægning Stikprøvestørrelse 1 41 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs merePlot af B j + ǫ ij (Y ij µ α i )): σ 2 : within blocks variance. σb 2 : between blocks variance
Plot af B j + ǫ ij (Y ij µ α i )): Program: res 4 2 0 2 B1 B2 B3 B4 B5 1. vi starter med at gennemgå opgave 3 side 513. 2. nyt: to-sidet variansanalyse 1 2 3 4 5 block σ 2 : within blocks variance σb 2
Læs mereTo-sidet variansanalyse
Program 1. To-sidet variansanalyse 2. Hierarkisk princip 3. Tre (og flere) sidet variansanalyse 4. Variansanalyse med blocking 5. Flersidet variansanalyse med tilfældige faktorer 6. En oversigtsslide til
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereIkke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mere02402 Vejledende løsninger til Splus-opgaverne fra hele kurset
02402 Vejledende løsninger til Splus-opgaverne fra hele kurset Vejledende løsning SPL3.3.1 Der er tale om en binomialfordeling med n =10ogp=0.6, og den angivne sandsynlighed er P (X =4) som i bogen også
Læs mereEksempel , opg. 2
Faktorer En faktor er en gruppering/inddeling af målinger/observationer pga. Tilsigtede variationer i en eller flere forsøgsparametre Nødvendige (potentielle) blok-effekter såsom gentagne målinger på samme
Læs mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereSidste gang: One-way(ensidet)/one-factor ANOVA I dag: Two-factor ANOVA (Analysis of variance) Two-factor ANOVA med interaktion
VARIANSANALYSE 2 Sidste gang: One-way(ensidet)/one-factor ANOVA I dag: (Analysis of variance) med interaktion Problem: Hvordan håndterer vi forsøg, hvor effekten er forårsaget af to faktorer og en evt.
Læs mereModel. k = 3 grupper: hvor ǫ ij uafhængige og normalfordelte med middelværdi nul og varians σi 2, i = 1,2,3.
Model Program (8.15-10): 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. Bruger nu to indices: i = 1,...,k for gruppenr. og j = 1,...,n i for observation indenfor gruppe. k = 3 grupper: µ 1
Læs mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Læs mereBasal statistik Esben Budtz-Jørgensen 4. november Forsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 4. november 2008 Forsøgsplanlægning Stikprøvestørrelse 1 46 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereEnsidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese
Kursus 02402 Introduktion til Statistik Forelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup). 7.4-7.6 Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereSide 1 af 19 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 15. december 2007 Kursus navn og nr: Introduktion til Statistik, 02402
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 15. december 2007 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mereProgram. 1. Varianskomponent-modeller (Random Effects) 2. Transformation af data. 1/12
Program 1. Varianskomponent-modeller (Random Effects) 2. Transformation af data. 1/12 Dæktyper og brændstofforbrug Data fra opgave 10.43, side 360: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt
Læs mereLøsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs merek normalfordelte observationsrækker (ensidet variansanalyse)
k normalfordelte observationsrækker (ensidet variansanalyse) Lad x ij, i = 1,...,k, j = 1,..., n i, være udfald af stokastiske variable X ij og betragt modellen M 1 : X ij N(µ i, σ 2 ). Estimaterne er
Læs mereStatistik Lektion 4. Variansanalyse Modelkontrol
Statistik Lektion 4 Variansanalyse Modelkontrol Eksempel Spørgsmål: Er der sammenhæng mellem udetemperaturen og forbruget af gas? Y : Forbrug af gas (gas) X : Udetemperatur (temp) Scatterplot SPSS: Estimerede
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereOvenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.
Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder
Læs mereTovejs-ANOVA (Faktoriel) Regler og problemer kan generaliseres til mere end to hovedfaktorer med tilhørende interaktioner
Tovejs-ANOVA (Faktoriel) Regler og problemer kan generaliseres til mere end to hovedfaktorer med tilhørende interaktioner I modsætning til envejs-anova kan flervejs-anova udføres selv om der er kun én
Læs mere(tæt på N(0,1) hvis n ikke alt for lille). t i god til at checke for outliers som kan have stor indflydelse på estimaterne s 2 og ˆσ 2 e i
Da er r i = e i ˆσ ei t(n 3) (tæt på N(0,1) hvis n ikke alt for lille). Program 1. lineær regression: opgave 3 og 13 (sukker-temperatur). 2. studentiserede residualer, multipel regression. Tommelfinger-regel:
Læs mereModule 12: Mere om variansanalyse
Mathematical Statistics ST06: Linear Models Bent Jørgensen og Pia Larsen Module 2: Mere om variansanalyse 2. Parreded observationer................................ 2.2 Faktor med 2 niveauer (0- variabel)........................
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereMultipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).
Program 1. multipel regression 2. polynomiel regression (og andre kurver) 3. kategoriske variable 4. Determinationkoefficient og justeret determinationskoefficient 5. ANOVA-tabel 1/13 Multipel regression
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereModel. (m separate analyser). I vores eksempel er m = 2, n 1 = 13 (13 journalister) og
Model M 0 : X hi N(α h + β h t hi,σ 2 h ), h = 1,...,m, i = 1,...,n h. m separate regressionslinjer. Behandles som i afsnit 3.3. (m separate analyser). I vores eksempel er m = 2, n 1 = 13 (13 journalister)
Læs mereStatistik for Biokemikere Projekt
Statistik for Biokemikere Projekt Institut for Matematiske Fag Inge Henningsen og Helle Sørensen Københavns Universitet November 2008 Formalia Dette projekt udgør en del af evalueringen i kurset Statistik
Læs mereDagens Emner. Likelihood-metoden. MLE - fortsat MLE. Likelihood teori. Lineær regression (intro) Vi har, at
Likelihood teori Lineær regression (intro) Dagens Emner Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 1 ) = ( 2πσ 2)n/2 e 1 2 P n (xi µ)2 er tætheden som funktion af
Læs mereModule 3: Statistiske modeller
Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1 Tag-hjem prøve 1. juli 2010 24 timer Alle hjælpemidler er tilladt. Det er tilladt at skrive med blyant og benytte viskelæder,
Læs mere1 Multipel lineær regression
Indhold 1 Multipel lineær regression 2 1.1 Regression med 2 eksponeringsvariable......................... 2 1.2 Fortolkning og estimation................................ 3 1.3 AnovaTabel og multipel R
Læs mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 8. november 2011 Videnskabelig hypotese Planlægning af et studie Endpoints Forsøgsplanlægning Stikprøvestørrelse 1 51 Instrumentelle/eksponerings variable Variationskilder
Læs mere1 Multipel lineær regression
1 Multipel lineær regression Regression med 2 eksponeringsvariable Fortolkning og estimation AnovaTabel og multipel R 2 Ensidet variansanalyse: Dummy kodning Kovariansanalyse og effektmodifikation Tosidet
Læs mereOpgaver til ZAR II. Afdeling for Anvendt Matematik og Statistik Michael Sørensen Oktober Opgave 1
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for biokemikere Inge Henningsen Michael Sørensen Oktober 2003 Opgaver til ZAR II Opgave 1 Et datasæt består af 20 observationer.
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereResumé: En statistisk analyse resulterer ofte i : Et estimat θˆmed en tilhørende se
Epidemiologi og biostatistik. Uge, torsdag 5. februar 00 Morten Frydenberg, Institut for Biostatistik. Type og type fejl Statistisk styrke Nogle speciale metoder: Normalfordelte data : t-test eksakte sikkerhedsintervaller
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereOpgavens formålet er at undersøge variationen mellem to laboratoriers bestemmelse af po 2 i blod.
1-stikprøve t-test (Eksamen 2005 opgave 1) Opgavens formålet er at undersøge variationen mellem to laboratoriers bestemmelse af po 2 i blod. I nedenstående tabel betragtes blodprøver fra 9 patienter. Hver
Læs mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs mereForelæsning 11: Tovejs variansanalyse, ANOVA
Introduktion til Statistik Forelæsning 11: Tovejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereStatistik Lektion 16 Multipel Lineær Regression
Statistik Lektion 6 Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk
Læs meret-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t.
t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program (8.15-10): 1. repetition: fordeling af observatorer X, S 2 og t. 2. konfidens-intervaller, hypotese test, type I og type II fejl, styrke,
Læs mereSide 1 af 17 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402
Danmarks Tekniske Universitet Side 1 af 17 sider. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs mere1 Sammenligning af 2 grupper Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver... 2
Indhold 1 Sammenligning af 2 grupper 2 1.1 Responsvariabel og forklarende variabel......................... 2 1.2 Afhængige/uafhængige stikprøver............................ 2 2 Sammenligning af 2 middelværdier
Læs mere1 Statistisk inferens: Hypotese og test Nulhypotese - alternativ Teststatistik P-værdi Signifikansniveau...
Indhold 1 Statistisk inferens: Hypotese og test 2 1.1 Nulhypotese - alternativ.................................. 2 1.2 Teststatistik........................................ 3 1.3 P-værdi..........................................
Læs mereHvad skal vi lave? Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver
Hvad skal vi lave? 1 Sammenligning af 2 grupper Responsvariabel og forklarende variabel Afhængige/uafhængige stikprøver 2 Sammenligning af 2 middelværdier Uafhængige stikprøver Uafhængige stikprøver -
Læs mereOpgave I.1 II.1 II.2 II.3 III.1 IV.1 IV.2 IV.3 V.1 VI.1 Spørgsmål (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) Svar
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 30. maj 2006 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs mereBesvarelse af vitcap -opgaven
Besvarelse af -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Beskriv fordelingen af vital capacity og i de 3 grupper ved hjælp af summary statistics.
Læs mereProgram. t-test Hypoteser, teststørrelser og p-værdier. Hormonkonc.: statistisk model og konfidensinterval. Hormonkoncentration: data
Faculty of Life Sciences Program t-test Hypoteser, teststørrelser og p-værdier Claus Ekstrøm E-mail: ekstrom@life.ku.dk Resumé og hængepartier fra sidst. Eksempel: effekt af foder på hormonkoncentration
Læs mere12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse
. september 5 Epidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mere