Anna Kock Maj Bilag 7: Interview med Anders Rene Jensen, indkøbs- og marketingchef i Rema 1000
|
|
- Alfred Christoffersen
- 7 år siden
- Visninger:
Transkript
1 Bilag Bilag 1: Oversigt over bilag på CD Bilag 7: Interview med Anders Rene Jensen, indkøbs- og marketingchef i Rema 1000 Bilag 8: Interview med Alexander Jensen, købmand i Rema 1000 Bilag 9: Bilag 10: Bilag 11: Bilag 12: Bilag 13: Bilag 14: Bilag 15: Bilag 16: Bilag 17: Bilag 18: Spørgsmål i spørgeskemaet sammenholdt med de originale spørgsmål Vurdering af histogrammer Vurdering af linearitetsforudsætning ved logistisk regression Regression: TPB (holdninger, subjektive normer, PBC) intention Regression: TPB (holdninger, subjektive normer, PBC) adfærd Regression: Baggrundsfaktorer intention Regression: Holdninger, subjektive normer, PBC, baggrundsfaktorer adfærd Output i forbindelse med opgavens demografi Store checks Omvendt skalering, summated scales samt nye variable Bilag 19: Korrelationsmatrice til bilag 4 Side 1 af 21
2 Bilag 2: Oversigt over spørgsmål i spørgeskema Spm-nr. Spørgsmål Skalering Spm. 1 Spm. 2 Spm. 3 Spm. 4 Spm. 5 Spm. 6 Spm Hvor handler din husholdning oftest fødevarer ind? Hvor ofte handler I ind i din husholdning i løbet af en måned? Hvor ofte laver I selv mad i din husholdning i løbet af en måned? Jeg læser supermarkedernes tilbudsaviser og planlægger mine indkøb efter dem Jeg sammenligner priser for at få mest mængde for pengene (value for money) Jeg lægger mærke til, om produkter, som jeg regelmæssigt køber, ændres i pris Hvilke kriterier er vigtigst for dig, når du køber fødevarer? prioritet 15 forskellige supermarkeder samt en andet mulighed 1: 5 eller færre gange, 2: 6-10 gange, 3: gange, 4: gange, 5: gange, 6: gange, 7: flere end 30 gange 1: 5 eller færre gange, 2: 6-10 gange, 3: gange, 4: gange, 5: gange, 6: gange, 7: flere end 30 gange 1: smag, 2: kvalitet, 3: det er let, 4: pris, 5: sundhed, 6: kendskab, 7: reklame, 8: varens udseende, 9: økologi, 10: holdbarhed, 11: andet Spm. 13 Eksempel 1,1: Hvilket af de to alternativer ville du vælge? 0: Alternativ 1, 1: Alternativ 2 Spm. 14 Eksempel 1,2: Hvilket af de to alternativer ville du vælge? 0: Alternativ 1, 1: Alternativ 2 Spm. 15 Eksempel 2: Hvilket af de to alternativer ville du vælge? 0: Alternativ 1, 1: Alternativ 2 Spm. 16 Spm. 17 I hvilken grad er du villig til at betale en højere kilopris for en mængde svarende til dit behov i forhold til en større pakke med en lavere kilopris, men hvor den samlede pris stadig er højere? Din egen vurdering af: din viden om hvor store mængder fødevarer, du har behov for at købe: Jeg ved meget om, hvilke mængder jeg skal bruge 1: Meget uvillig 7: Meget villig Side 2 af 21
3 Spm. 18 Spm. 19 Spm. 20 Spm. 21 Spm. 22 Spm. 23 Spm. 24 Spm. 25 Spm. 26 Din egen vurdering af: din viden om hvor store mængder fødevarer, du har behov for at købe: I min vennekreds er jeg en af dem, der ved mest om, hvilke mængder, der skal indkøbes Din egen vurdering af: din viden om hvor store mængder fødevarer, du har behov for at købe: Sammenlignet med de fleste ved jeg mindre om hvilke mængder, der skal indkøbes Din egen vurdering af: din viden om råvarer og deres anvendelse madlavning: Jeg er ret god til at skabe retter ud fra det, jeg har til rådighed Din egen vurdering af: din viden om råvarer og deres anvendelse madlavning: I min vennekreds er jeg en af de bedste til at få brugt mine madvarer Din egen vurdering af: din viden om råvarer og deres anvendelse madlavning: Sammenlignet med de fleste er jeg dårligere til at få brugt mine madvarer Din egen vurdering af: din viden om, hvornår en fødevare ikke længere er anvendelig i madlavning: Jeg ved ret meget om holdbarhed på forskellige fødevarer Din egen vurdering af: din viden om, hvornår en fødevare ikke længere er anvendelig i madlavning: I min vennekreds er jeg en af dem, der ved mest om holdbarhed på fødevarer Din egen vurdering af: din viden om, hvornår en fødevare ikke længere er anvendelig i madlavning: Sammenlignet med de fleste ved jeg mindre om holdbarhed på fødevarer Din egen vurdering af: din evne til at gennemskue supermarkedernes flerstykstilbud: Jeg er ret god til at gennemskue, om der er tale om et godt tilbud Side 3 af 21
4 Spm. 27 Spm. 28 Spm. 29 Spm. 30 Spm. 31 Spm. 32 Spm. 33 Din egen vurdering af: din evne til at gennemskue supermarkedernes flerstykstilbud: I min vennekreds er jeg en af dem, der er bedst til at vurdere, om der er tale om et godt tilbud Din egen vurdering af: din evne til at gennemskue supermarkedernes flerstykstilbud: Sammenlignet med de fleste er jeg dårligere til at gennemskue, om der er tale om et godt tilbud Hvor sandsynligt er det, at du vil købe flerstykstilbud på fødevarer i den kommende måned? Hvor sandsynligt er det, at du laver en madplan for de næste par dage? Hvor sandsynligt er det, at du laver en indkøbsliste over det, du skal købe ind? Hvor sandsynligt er det, at du køber et par varer mere, end du har planlagt? (impulskøb) Hvor sandsynligt er det, at du vil forsøge at reducere din husstands madspild fremover? 1: Meget usandsynligt 7: Meget sandsynligt 1: Meget usandsynligt 7: Meget sandsynligt 1: Meget usandsynligt 7: Meget sandsynligt 1: Meget usandsynligt 7: Meget sandsynligt 1: Meget usandsynligt 7: Meget sandsynligt Spm. 34 Jeg bliver påvirket af, hvad andre siger om en fødevare Spm. 35 Spm. 36 Spm. 37 Spm. 38 Spm. 39 Hvis mange mennesker forsøger at reducere madspildet, vil jeg også forsøge Mange mennesker forsøger at reducere madspildet, fordi det er oppe i tiden Vi nærmer os grænsen for, hvor mange mennesker Jorden kan rumme Mennesker har ret til at opfylde egne behov på bekostning af miljøet Menneskers opfindsomhed vil sikre, at Jorden ikke bliver ubeboelig Spm. 40 Mennesker misbruger miljøet Spm. 41 At reducere madspild er.. 1: Særdeles dårligt 7: Særdeles godt Spm. 42 Jeg går meget ind for at reducere madspild Side 4 af 21
5 Spm. 43 Jeg har det godt med at reducere madspild Spm. 44 Jeg er medansvarlig for madspildet i Danmark Spm. 45 Jeg føler mig personligt forpligtet til at mindske madspildet så meget som muligt Spm. 46 Jeg føler mig skyldig, når jeg smider mad ud Spm. 47 Køn 0: Mand, 1: Kvinde Spm. 48 Spm. 49 Spm. 50 Spm. 51 Spm. 52 Hvor mange personer bor der I din hustand I følgende aldersgrupper (inkl. dig): 0-6 år Hvor mange personer bor der I din hustand I følgende aldersgrupper (inkl. dig): 7-18 år Hvor mange personer bor der I din hustand I følgende aldersgrupper (inkl. dig): år Hvor mange personer bor der I din hustand I følgende aldersgrupper (inkl. dig): 66 + år. Hvad er din sidst gennemførte uddannelse? 0: Ingen personer, 1: 1 person, 2: 2 personer, 3: 3 personer, 4: 4 personer eller flere 0: Ingen personer, 1: 1 person, 2: 2 personer, 3: 3 personer, 4: 4 personer eller flere 0: Ingen personer, 1: 1 person, 2: 2 personer, 3: 3 personer, 4: 4 personer eller flere 0: Ingen personer, 1: 1 person, 2: 2 personer, 3: 3 personer, 4: 4 personer eller flere 1: Folkeskole, 2: Ungdomsuddannelse, 3: Kort videregående uddannelse, 4: Mellemlang videregående uddannelse, 5: Lang videregående uddannelse Side 5 af 21
6 Bilag 3: Oversigt over variable Indsamlede variable samt deres betegnelser Variabel (Variablens navn) (Variablens forkortelse) Villighed til at betale en højere kilopris for en mængde, der er tilpasset behovet (Omvendt_Villighed) (Y1 / I1) (Anvendes omvendt, som intentionen til at købe prisreducerede varer) Køber prisreducerede varer eller ej (Adfærd_købe_prisreducerede_varer_binær) (Y2) Holdninger til pris (SummatedScale_holdninger_pris) (H1) Prisbevidsthed (Prisbevidsthed_kriterier) (H2) Holdninger til miljø (SummatedScale_holdninger_miljø) (H3) Holdninger til madspild (SummatedScale_holdninger_madspild) (H4) Subjektive normer (SummatedScale_SN) (SN1) Viden om mængde ift. behov (SummatedScale_PBC_mængde) (PBC1) Viden om råvarers anvendelse i madlavning (SummatedScale_PBC_anvendelse) (PBC2) Viden om fødevarers holdbarhed (SummatedScale_PBC_holdbarhed) (PBC3) Evne til at gennemskue tilbud (SummatedScale_PBC_tilbud) (PBC4) Individets husholdningsstørrelse (Familiestørrelse_ny) (BF1), (kategorisk, (1) Singlehusholdning (2) Par + lille familie (3) Stor familie) Operationalisering 7-punkts skala*** Køber prisreducerede varer, køber ikke prisreducerede varer Tre spørgsmål, 7-punkts skala* Er prisbevidst, er ikke prisbevidst Fire spørgsmål, 7-punkts skala* Tre spørgsmål, 7-punkts skala**** Tre spørgsmål, 7-punkts skala* Tre spørgsmål, 7-punkts skala* Tre spørgsmål, 7-punkts skala* Tre spørgsmål, 7-punkts skala* Tre spørgsmål, 7-punkts skala* Singlehusholdning, par + lille familie, stor familie Individet handler discount eller ej (Handler_discount) (BF2) Handler discount, handler ikke discount Antal supermarkeder individet handler i (antal_indkøbssteder) (BF3) 1, sted, 2 steder op til 7 steder Individet handler i Rema 1000 eller ej (Rema1000) (BF4) Handler i Rema 1000, handler ikke i Rema 1000 Uddannelsesniveau (Uddannelse) (BF5), (kategorisk, (1) Folkeskole, (2) Ungdomsuddannelse (3) Kort videregående uddannelse (4) Mellemlang videregående uddannelse (5) Lang videregående uddannelse) Køn (Køn1) (BF6) Madlavningshyppighed (Madlavningshyppighed) (BF7) Indkøbshyppighed (Indkøbshyppighed) (BF8) Sandsynlighed for at foretage impulskøb (Intention_impulskøb) (BF9) Folkeskole, ungdomsuddannelse, kort videregående uddannelse, mellemlang videregående uddannelse, lang videregående uddannelse Kvinde, mand 7-punkts skala***** 7-punkts skala***** 7-punkts skala** * 7-punkts skala afgrænset mellem 1 = 'Meget uenig' til 7 = 'Meget enig' ** 7-punkts skala afgrænset mellem 1 = 'Meget usandsynligt' til 7 = 'Meget sandsynligt' *** 7-punkts skala afgrænset mellem 1 = 'Meget villig' til 7 = 'Meget uvillig' **** Målt på skalaerne i * samt en 7-punkts skala afgrænset mellem 1 = 'Særdeles negativt' til 7 = 'Særdeles positivt' ***** 7-punkts skala: 1 = '5 eller færre gange', 2 = '6-10 gange', 3 = '11-15 gange', 4 = '16-21 gange', 5 = '22-26 gange', 6 = '26-30 gange ',7 = 'Flere end 30 gange' Side 6 af 21
7 Bilag 4: Regression - Holdninger, SN, PBC, baggrundsfaktorer intention Modelformulering 1 Da det ønskes at undersøge hvorvidt baggrundsfaktorer som køn, uddannelse, indkøbshyppighed, tendens til impulskøb med videre kan øge TPB-modellens forklaringsgrad, som det tidligere er argumenteret for, testes en udvidet TPB-model, hvor disse er inddraget jf. opgavens analyseramme (afsnit 3.3). Den sande model: Y 1 = β 0 + β 1 H 1 + β 2 H 2 + β 3 H 3 + β 4 H 4 + β 5 SN 1 + β 6 PBC 1 + β 7 PBC 2 + β 8 PBC 3 + β 9 PBC 4 + β 10 BF 1 + β 11 BF 2 + β 12 BF 3 + β 13 BF 4 + β 14 BF 5 + β 15 BF 6 + β 16 BF 7 + β 17 BF 8 + β 18 BF 9 + ε Den estimerede model: Y 1 = b 0 + b 1 H 1 + b 2 H 2 + b 3 H 3 + b 4 H 4 + b 5 SN 1 + b 6 PBC 1 + b 7 PBC 2 + b 8 PBC 3 + b 9 PBC 4 + b 10 BF 1 + b 11 BF 2 + b 12 BF 3 + b 13 BF 4 + b 14 BF 5 + b 15 BF 6 + b 16 BF 7 + b 17 BF 8 + b 18 BF 9 + ε Vurdering af forudsætninger Simpel tilfældig udvælgelse (STU) og sande svar Vurderingen af disse, er den samme som i bilag 12. Disse forudsætninger antages som opfyldt, for yderligere diskussion se bilag 12. Linearitet Da der er tale om den samme afhængige variabel og uafhængige variable, der svarer til regressionerne i bilag 12 og 14, er denne forudsætning vurderet der. Konklusionen på dette må være, at det er problematisk, at der ikke er tydelige tendenser til lineære sammenhænge mellem de uafhængige og den afhængige variabel. Variation i x Ud fra (x,y)-plotsene for de uafhængige og den afhængige variabel, (se bilag 12 og 14) kan det generelt ses, at der er en fornuftig spredning i x-værdierne. Endvidere ses det ligeledes i minimum og maksimum værdierne for residualerne nedenfor. 1 Se desuden bilag 3 for variabeloversigt samt bilag 18 for yderligere oplysninger om summated-scales og beregnede variable. Side 7 af 21
8 Normalfordelte fejlled Ses på residualplottet ser det ud til, at residualerne er pænt fordelt henholdsvis over og under 0-linjen, hvilket tyder på, at fejlleddene er tilnærmelsesvis normalfordelte. På histogrammet over residualerne ses dog, at der er en lille tendens til, at der ligger flere observationer til venstre for 0-punktet, hvilket betyder, at fordelingen er en anelse højreskæv. Da dette dog er marginalt, antages denne forudsætning for værende opfyldt. Nulforventning på fejlled Her er der en tendens til, at afstanden til nulpunktet er større over 0-linjen, hvilket tyder på, at der kan være et brud på denne forudsætning. Det ser dog relativt ud til, at de fleste af fejlledene udligner hinanden tilnærmelsesvist, og derfor vurderes det, at denne forudsætning tilnærmelsesvis er opfyldt. Når det ønskes at estimere modellen (som i denne opgave), og udelukkende se på koefficienterne, er et brud på denne forudsætning desuden acceptabelt (Field 2013). Homoskedasticitet Da residualernes afstand til 0-linjen har tendens til at skifte, er der brud på denne forudsætning. Et brud på denne forudsætning vil typisk have konsekvenser for konfidensintervaller for koefficienterne samt p-værdien i t-testen, da fejlledene anvendes i beregningen af disse (Field 2013). Da det ikke Side 8 af 21
9 ønskes at lave et konfidensinterval, og det accepteres, at p-værdien i t-testet er upræcis, accepteres dette brud på forudsætningerne, og regressionen fortsættes. Uafhængige fejlled Da der typisk kun vil være brud på denne forudsætning, hvis data er målt over tid, og denne opgaves datasæt er cross-sectional, vurderes det ikke, at denne forudsætning er et problem. Se desuden bilag 12 for uddybning. Ingen perfekt multikolinearitet Da ingen af de forklarende variable korrelerer med over 64,1 %, er denne forudsætning opfyldt, da perfekt multikolinearitet kræver en korrelation på over 90 % (Field 2013). Se bilag 19 for korrelationsmatrice. Estimering og fortolkning af modellen Modellens koefficienter aflæses i outputtet Variables in the Equation, og modellen bliver som følgende: Y = 3, ,089 H 1 + 0,219 H 2 + 0,038 H 3 + 0,240 H 4 0,363 SN 1 0,046 PBC 1 0,077 PBC 2 0,109 PBC 3 + 0,176 PBC 4 + 0,153 BF 1 + 0,170 BF 2 + 0,037 BF 3 0,087 BF 4 0,038 BF 5 0,030 BF 6 + 0,073 BF 7 0,056 BF 8 0,085 BF 9 Konstantleddet fortæller, at som udgangspunkt til individets intention til at købe prisreducerede varer være 3,432 (t=3,113; p=0,002). Desuden ses det, at jo mere prisbevidst individet er (H1), jo større er intentionen til at købe prisreducerede varer. For hver enhed ekstra individet scorer øges intentionen med 0,089 (t=1,241; p=0,216). Det samme ses for variablen H2, der ligeledes måler på individets prisbevidsthed. Hvis individet er prisbevidst øges intentionen til at købe prisreducerede varer med 0,219 (t=0,917; p=0,360) i forhold til, hvis individet ikke var prisbevidst. Begge led er insignifikante og har derfor ikke med en lineær sammenhæng med den afhængige variabel. På grund af de høje p-værdier, er det en meget sikker konklusion. Individers miljøbevidsthed (H3) påvirker ligeledes intentionen til at købe prisreducerede varer positivt, forstået således, at for hver enhed ekstra individet scorer, øges intentionen med 0,038 (t=0,302; p=0,763). Det samme gør sig gældende for individets holdninger til madspild, hvor det gør sig gældende, at jo højere score individet har, jo mere for madspildsreduktion er individet. For hver Side 9 af 21
10 enhed ekstra individet scorer på variablen H4, øges intentionen med 0,240 (t=1,641; p=0,102). Begge led er insignifikante og har derfor ikke en lineær sammenhæng med den afhængige variabel. Konklusionen er meget sikker for b 3 å grund af den høje p-værdi. For b 4 er konklusionen ikke nær så sikker, da p-værdien ligger forholdsvis tæt på α-værdien. De subjektive normer om madspild, som individet oplever, påvirker individets intention til at købe prisreducerede varer negativt. Jo højere individet scorer på de subjektive normer, jo mere påvirket er individet af andres holdninger/normer i forbindelse med madspildsreduktion. For hver enhed ekstra individet scorer, reduceres intentionen med 0,363 (t= -3,460; p=0,001). Dette led er signifikant og har derfor en lineær sammenhæng med den afhængige variabel. Denne konklusion er desuden meget sikker på grund af det lave p-niveau. Den oplevede viden, som individet har om, hvilke mængder, der skal indkøbes i forhold til behovet (PBC1) påvirker intentionen til at købe prisreducerede varer negativt. For hver enhed ekstra individet scorer - hvilket betyder, at individet mener, at have en større viden mindskes intentionen med 0,046 (t= -0,413; p=0,680). Det samme gør sig gældende for individets oplevede viden om anvendelse af råvarer i madlavningen (PBC2), hvor intentionen mindskes med 0,077 (t= -0,770; p=0,442) for hver enhed ekstra individet scorer. Ligeledes påvirker individets viden om fødevarers holdbarhed (PBC3) intentionen til at købe prisreducerede varer negativt. For hver enhed, som individets scorer højere, reduceres intentionen med 0,109 (t= -0,934; p=0,351). Alle tre led er insignifikante og har derfor ingen lineær sammenhæng med den afhængige variabel. Konklusionen er for alle tre led desuden meget sikker, da p-værdien er meget høj. Som den eneste af de fire PBC-variable påvirker individets subjektive opfattelse, af egen evne til at gennemskue tilbud (PBC4) intentionen til at købe prisreducerede varer positivt. For hver enhed individet scorer ekstra - hvilket betyder, at individet mener at have en bedre evne øges intentionen med 0,176 (t=1,566; p=0,119). Dette led er også insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. P-værdien er relativt høj og konklusionen bliver derfor forholdsvis sikker. Jo større familie/husholdning individet har (BF1), jo større vil individets intention til at købe prisreducerede varer være. Hvis der er tale om en stor familie (scorer værdien 3), vil intentionen øges med 3*0,153, hvis der er tale om et par/lille familie (scorer 2), vil intentionen stige med 2*0,153, og hvis der er tal om en singlehusholdning (scorer 1), vil intentionen stige med 0,153 Side 10 af 21
11 (t=0,986; p=0,325). Dette led er ligeledes insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Konklusionen er meget sikker på baggrund af den høje p-værdi. Såfremt individet foretager sine indkøb i discountforretninger (BF2), vil individets intention til at købe prisreducerede varer stige med 0,170 (t=0,599; p=0,550). Det samme gør sig gældende for det antal indkøbssteder, som individet handler i (BF3). For hvert ekstra sted individet handler, vil intentionen stige med 0,037 (t=0,501; p=0,617). Begge led er insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Konklusionen ved begge led er ligeledes meget sikker på grund af den høje p-værdi. Hvis individet handler ind i Rema 1000 (BF4) påvirkes intentionen til at købe prisreducerede varer negativt med 0,087 (t= -0,365; p=0,715) i forhold til et individ, som ikke handler ind i Rema Leddet er insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Konklusionen er desuden meget sikker, da p-værdien er meget højere end α-niveauet. Endvidere ses det, at jo højere uddannelsesniveau (BF5) individet har, jo mindre er intentionen til at købe prisreducerede varer. For hver enhed individet scorer højere falder intentionen med 0,038 (t= - 0,410; p=0,682). Dette led er ligeledes insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. På grund af den høje p-værdi er konklusionen ligeledes meget sikker. Desuden ses det, at hvis individet er en kvinde (BF6), falder intentionen med 0,030 (t= -0,118; p=0,906) i forhold til, hvis individet var en mand. Leddet er ligeledes insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Denne konklusion er meget sikker, da p-værdien er meget høj. Det ses desuden, at jo oftere individets husholdning laver mad (BF7), jo større er intentionen til at købe prisreducerede varer. For hver enhed individet scorer højere, påvirkes intentionen med 0,073 (t=0,729; p=0,467). Endvidere ses det, at jo oftere individets husholdning foretager indkøb (BF8), jo mindre er intentionen til at købe prisreducerede varer. For hver enhed individet scorer højere falder intentionen med 0,056 (t= -0,791; p=0,430). Begge disse led er insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Konklusionen for dem begge er meget sikker, da p-værdien er høj. Jo større sandsynlighed individet selv mener at have for at impulskøbe (BF9), jo mindre er intentionen til at købe prisreducerede varer. For hver ekstra enhed individet scorer, vil intentionen falde med Side 11 af 21
12 0,085 (t= -1,245; p=0,215). Dette led er ligeledes insignifikant og har derfor ikke en lineær sammenhæng med den afhængige variabel. Denne konklusion er relativt sikker, da p-værdien ligger relativt langt fra α-værdien. Modellens forklaringsgrad R 2 er på 11,8 %. Hvilket betyder, at de indtastede forklarende variable kan forklare 11,8 % af y-variablene. Hvis forklaringsgraden justeres for antallet af forklarende variable er forklaringsgraden dog 4,8 %. Modellens validitet For at teste modellens validitet foretages en F-test, som uddybet i bilag 12. I dette tilfælde er observatorværdien F OBS = 1,680 og den kritiske grænse f 18;227;0,05 = 1,65. Da det ønskes at forkaste H 0 /sandsynliggøre H 1, ønskes det, at ligge uden for den kritiske grænse, hvilket også er tilfældet her. Dette betyder, at mindst én af modellens β-koefficienter er forskellig fra 0, hvilket Side 12 af 21
13 betyder, at modellen er valid i nogen grad. Da F-værdien ikke er særlig høj i forhold til den kritiske grænse, tyder det dog på, at der er en stor del af uforklaret variation i y-variablen. Desuden er p- værdien = 0,044, hvilket er meget tæt på α-niveauet, og derfor er denne konklusion meget usikker (hvilket betyder, at modellen let kan være invalid). Side 13 af 21
14 Bilag 5: Regression - Intention, PBC adfærd Formuler problemet 2 Det ønskes at finde ud at, hvorvidt intentionen til at købe prisreducerede varer samt individets oplevede kontrol (PBC) kan forklare, hvorvidt individet køber prisreducerede varer eller ej. Ud fra TPB-teorien, der siger, at netop intentionen og PBC kan/bør kunne forklare adfærden. PBC bør jf. teorien kun have en direkte indflydelse, såfremt den er tæt på den faktiske kontrol. Logit-modellen bliver som følgende: logit(y 2 ) = β 0 + β 1 I 1 + β 2 PBC 1 + β 3 PBC 2 + β 4 PBC 3 + β 5 PBC 4 + ε Vurdering af forudsætninger Indledningsvis er foretaget en grafisk inspektion over data, hvor det ses, at data generelt er pænt fordelt, for yderligere se bilag 10. Linearitet Jævnfør bilag 11, ses det, at der er en lineær sammenhæng mellem x-variablene, og y-variablen, og derfor anses denne forudsætning for opfyldt. Der kan dog være et brud, da p-værdien for variablen PBC2 er en anelse lavere end normalt accepteret. Dette er diskuteret yderligere i bilag 11, men i det følgende medtages alle variable. Ingen perfekt multikolinearitet Den højeste korrelation mellem to uafhængige variable er på 56,4 % (PBC2 og PBC1), og derfor er der ikke nogen perfekt multikorrelation, hvilket betyder, at denne forudsætning er opfyldt. 2 Se desuden bilag 3 for variabeloversigt samt bilag 18 for uddybning af summated scales og beregning af nye variable Side 14 af 21
15 Fejlleddet er binomialfordelt Denne forudsætning er opfyldt, da den afhængige variabel, Y2 er binær, hvor der kun er to mulige udfald; køber prisreducerede varer eller køber ikke prisreducerede varer. n > 10 for hver gruppe Det ses i det nedenstående output, at der for de 10 grupper falder 25 eller 21 observationer i hver gruppe, hvilket altså bevidner, at denne forudsætning er opfyldt. n > 400 forudsætning for Hosmer & Lemeshow Da opgavens datasæt kun indeholder 246 respondenter, kan denne forudsætning ikke opfyldes, og dermed vil Hosmer & Lemeshow testet for modellens fit ikke være sikkert (Field 2013). Side 15 af 21
16 Estimer modellen Modellen estimeres og Omnibus-testet viser, at modellen er signifikant og derved har nogen forklarende kraft. Modellen kan aflæses i outputtet Variables in the Equation, og ud fra dette ses det, at modellen bliver som følgende: logit(y 2 ) = 1, ,642 I 1 0,163 PBC 1 0,221 PBC 2 + 0,175 PBC 3 + 0,339 PBC 4 Side 16 af 21
17 Determiner modellens fit For at vurdere modellens fit anvendes Pseudo R 2, Nagelkerke R 2, Hosmer & Lemeshow samt hitratio. Block 0: Block 1: Pseudo R 2 angiver den procentvise ændring fra 0-modellen til den fulde model. Pseudo R 2 = 2LL Null ( 2LL Model ) 208, ,409 = = 0,1436 = 14,36 % 2LL Null 208,319 Pseudo R 2 viser, at modellen er forbedret med 14,36 % ved at tilføje intention og PBC-variablene. Nagelkerke R 2 er 20 %, hvilket betyder, at 20 % af variationen i adfærden bliver forklaret af modellen. Hosmer & Lemeshow Dette test tester på, hvorvidt den forventede og den faktiske værdi er ens (H 0 ), derfor ønskes, at acceptere H 0, da dette betyder, at den værdi, som modellen forudsiger, at observationen vil tage, er 2 2 tæt på den faktiske værdi. Den kritiske grænseværdi χ ν;α/2 = χ 8;0,025 = 17,53, og 2 observatorværdien er χ OBS = 4,150 jf. nedenstående output. Dette betyder, at nulhypotesen ikke kan afvises, og da p-værdien = 84,3 %, er der tale om en meget sikker konklusion. Side 17 af 21
18 Dermed viser dette test, at vores model er god til at forudsige forventede værdier. Det skal dog haves in mente, at forudsætningen om mindst 400 observationer ikke er opfyldt, og testet derfor ikke er stærkt. Hitratio Her ønskes det, at modellen mindst er 25 % bedre end det bedste gæt (maximum chance-criterion). Maximum chance criterion = (5+204) ( ) = 84,96 % Hitrationen, der angiver hvor stor en procentdel af observationerne/respondenterne, modellen klassificerer korrekt, ønskes som tommelfingerregel 25 % bedre end maximum chance criterion (Malhotra, Birks & Wills 2012). I dette tilfælde vil det betyde, at den ønskede hitratio skal være 84,96 % 1,25 = 106,19 %, men det er dog ikke muligt, at have en hitratio på over 100 %. Hitratioen = (3+204) ( ) = 84,15 % Hitratioen lever dermed ikke op til tommelfingerreglen om en 25 % forbedring i forhold til maximum chance criterion/det bedste gæt. Det ses i nedenstående output, at modellen ikke er god til at forudsige, når respondenten ikke køber prisreducerede varer, men er ret god, når respondenten køber prisreducerede varer. Iterationshistorien for block 1 (der ses nedenfor) viser, hvor mange forsøg SPSS-programmet har brugt på, at beregne regressionsmodellen. I dette tilfælde har SPSS anvendt seks forsøg, hvilket er Side 18 af 21
19 meget fint. Hvis programmet havde brugt mange flere forsøg, ville det tyde på, at det havde problemer med at finde en model. Ud fra ovenstående vurderinger ses det (ud fra Hosmer & Lemeshow og hitratio), at modellen er god til at forudsige forventede værdier korrekt. Det ses dog også, at modellens forklaringsgrad og forbedring i forhold til 0-modellen ikke er særlig høj. Test parametrenes signifikans Ud fra outputtet Variables in the Equation ses det, at ved et α-niveau på 5 % er det kun intentionen (I1) til at købe prisreducerede varer, der er signifikant i modellen, mens de resterende variable (PBC1-4) er insignifikante. Hvis et α-niveau på 10 % havde været tolereret, ville individets evne til at gennemskue tilbud (PBC4) ligeledes have været signifikant. Fortolkning Ud fra dette bliver modellen følgende: logit(y 2 ) = 1, ,642 I 1 0,163 PBC 1 0,221 PBC 2 + 0,175 PBC 3 + 0,339 PBC 4 Fortolkning af odds: Intentionen (I1), viden om fødevarers holdbarhed (PBC3) samt evne til at gennemskue tilbud (PBC4) øger alle sandsynligheden for at købe prisreducerede varer, da oddsene (Exp(B)) for disse er større end 1. De resterende variable; viden om mængde i forhold til behov (PBC1), viden om råvares anvendelse i madlavningen (PBC2), samt kontantleddet reducerer alle sandsynligheden for at købe prisreducerede varer, da oddsene er mindre end én for disse. Side 19 af 21
20 Hvis individets intention til at købe prisreducerede varer stiger med en enhed, vil sandsynligheden for, at individet køber prisreducerede varer stige med (1,901-1 =) 90,1%. Hvis individets viden om hvilken mængde, der skal indkøbes i forhold til behovet stiger med én enhed, vil sandsynligheden for, at individet køber prisreducerede varer falde med (0,850-1 =) 15 %. Det samme gør sig gældende for individets viden om anvendelse af råvarer i madlavningen, hvor sandsynligheden for, at individet køber prisreducerede varer falder med (0,802-1 =) 19,8 % for hver ekstra enhed individet scorer (på PBC2). Hvis individets viden om holdbarheden på fødevarer stiger med én enhed, vil sandsynligheden for, at individet køber prisreducerede varer stige med (1,191-1 =) 19,1 %. Dette gør sig også gældende for individets evne til at gennemskue tilbud. Hvis denne variabel (PBC4) stiger med én enhed, vil sandsynligheden for, at individet køber prisreducerede varer stige med (1,404-1 =) 40,4 %. Side 20 af 21
21 Bilag 6: Link til spørgeskema Undersøgelsens spørgeskema kan tilgås via følgende link: Side 21 af 21
Bilag 12 Regressionsanalysens tabeller og forklaringer
Bilag 12 Regressionsanalysens tabeller og forklaringer Regressionsanalysens tabeller og forklaringer Regressionsanalysen vil være delt op i 2 blokke. Første blok vil analysere hvor meget de tre TPB variabler
Læs mereFokus på Forsyning. Datagrundlag og metode
Fokus på Forsyning I notatet gennemgås datagrundlaget for brancheanalysen af forsyningssektoren sammen med variable, regressionsmodellen og tilhørende tests. Slutteligt sammenfattes analysens resultater
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 mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
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 mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereLøsninger til kapitel 14
Opgave 14.1 a) Linjetilpasningsplottet bliver: Løsninger til kapitel 14 Idet datapunkterne ligger tæt på og jævnt fordelt omkring den rette linje, så ser det ud til, at der med rimelighed er tale om en
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
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 mereEksamen i Statistik og skalavalidering
Eksamen i Statistik og skalavalidering 2009-studieordning Til aflevering d. 22. december 2010 Efterårssemestret 2010, Kandidatuddannelsen i Folkesundhedsvidenskab Opgaven er udarbejdet af: Eksamensnummer
Læs mere1 Regressionsproblemet 2
Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation
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 mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
Læs mereMindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning
1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3
Læs mereSammenhængen mellem elevernes trivsel og elevernes nationale testresultater.
Sammenhængen mellem elevernes trivsel og elevernes nationale testresultater. 1 Sammenfatning Der er en statistisk signifikant positiv sammenhæng mellem opnåelse af et godt testresultat og elevernes oplevede
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 mereEksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
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 mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
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 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 mereBenchmarking af kommunernes sagsbehandling antagelser, metode og resultater
Benchmarking af kommunernes sagsbehandling antagelser, metode og resultater Anna Amilon Materiel vurdering Ved vurderingen af en afgørelses materielle indhold vurderes afgørelsens korrekthed i forhold
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
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 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 mereEksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T Eksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab Eksamensnummer: 16, 23
Læs mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
Læs mereTo samhørende variable
To samhørende variable Statistik er tal brugt som argumenter. - Leonard Louis Levinsen Antagatviharn observationspar x 1, y 1,, x n,y n. Betragt de to tilsvarende variable x og y. Hvordan måles sammenhængen
Læs mereØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression
! ØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression Eksempel 1 AT OPSTILLE EN SIMPEL LINEÆR REGRESSIONSMODEL - GENNEMGÅS AF JAKOB Et stort lager måler løbende sine
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 mereUNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER
UNDERVISNINGSEFFEKT-MODELLEN 2006 METODE OG RESULTATER Undervisningseffekten udregnes som forskellen mellem den forventede og den faktiske karakter i 9. klasses afgangsprøve. Undervisningseffekten udregnes
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 mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
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 mereMorten Frydenberg 26. april 2004
Introduktion til Logistisk Regression Morten Frydenberg, Inst. f. Biostatistik RESUME: 2 2. gang: 2002 Institut for Biostatistik, Århus Universitet MPH. studieår Specialmodul 4 Cand. San. uddannelsen.
Læs mereØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression // SVAR
! ØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression // SVAR Eksempel 1 AT OPSTILLE EN SIMPEL LINEÆR REGRESSIONSMODEL - GENNEMGÅS AF JAKOB Et stort lager måler løbende
Læs mereØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression
! ØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression Eksempel 1 AT OPSTILLE EN SIMPEL LINEÆR REGRESSIONSMODEL - GENNEMGÅS AF JAKOB Et stort lager måler løbende sine
Læs mereKapitel 11 Lineær regression
Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),
Læs mereBilag 11: Svarfordeling i forhold til indsamlingssted og produktkategori
Bilag 11: Svarfordeling i forhold til indsamlingssted og produktkategori 469 Bilag 12: Argumentation for ekskludering af prisinvolveringsitems Items med lave og/eller tvetydige komponentladninger blev
Læs mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
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 mere02402 Løsning til testquiz02402f (Test VI)
02402 Løsning til testquiz02402f (Test VI) Spørgsmål 4. En ejendomsmægler ønsker at undersøge om hans kunder får mindre end hvad de har forlangt, når de sælger deres bolig. Han har regisreret følgende:
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereAppendiks A. Entreprenørskabsundervisning i befolkningen, specielt blandt unge
Appendiks A. Entreprenørskabsundervisning i befolkningen, specielt blandt unge Redegørelsen ovenfor er baseret på statistiske analyser, der detaljeres i det følgende, et appendiks for hvert afsnit. Problematikken
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1
Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006 Økonometri 1: F8 1 Dagens program Opsamling om asymptotiske egenskaber: Asymptotisk normalitet Asymptotisk efficiens Test af flere lineære
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 mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
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 mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2 -test [ki-i-anden-test] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk
Eksempel: Systolisk blodtryk Udgangspunkt: Vi ønsker at prædiktere det systoliske blodtryk hos en gruppe af personer. Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Afdeling for Biostatistik.
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Eksamensopgave E05 Socialklasse og kronisk sygdom Data: Tværsnitsundersøgelse fra 1986 Datamaterialet indeholder: Køn, alder, Højest opnåede
Læs mereOpsamling Modeltyper: Tabelanalyse Logistisk regression Generaliserede lineære modeller Log-lineære modeller
Opsamling Modeltyper: Tabelanalyse Logistisk regression Binær respons og kategorisk eller kontinuerte forklarende variable. Generaliserede lineære modeller Normalfordelt respons og kategoriske forklarende
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
Læs mereProgram. Logistisk regression. Eksempel: pesticider og møl. Odds og odds-ratios (igen)
Faculty of Life Sciences Program Logistisk regression Claus Ekstrøm E-mail: ekstrom@life.ku.dk Odds og odds-ratios igen Logistisk regression Estimation og inferens Modelkontrol Slide 2 Statistisk Dataanalyse
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
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 mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse
Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser
Læs mereSkriftlig eksamen i samfundsfag
OpenSamf Skriftlig eksamen i samfundsfag Indholdsfortegnelse 1. Introduktion 2. Præcise nedslag 3. Beregninger 3.1. Hvad kan absolutte tal være? 3.2. Procentvis ændring (vækst) 3.2.1 Tolkning af egne beregninger
Læs mere- Panelundersøgelse, Folkeskolen, februar 2013 FOLKESKOLEN. Undersøgelse om syn på kønnets betydning for fag- og uddannelsesvalg
FOLKESKOLEN Undersøgelse om syn på kønnets betydning for fag- og uddannelsesvalg 2013 Udarbejdet af Scharling Research for redaktionen af Folkeskolen, februar 2013 Formål Scharling.dk Side 1 af 14 Metode
Læs mereAppendiks Økonometrisk teori... II
Appendiks Økonometrisk teori... II De klassiske SLR-antagelser... II Hypotesetest... VII Regressioner... VIII Inflation:... VIII Test for SLR antagelser... IX Reset-test... IX Plots... X Breusch-Pagan
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 mereDansk Erhvervs gymnasieeffekt - sådan gør vi
Dansk Erhvervs gymnasieeffekt - sådan gør vi FORMÅL Formålet har været at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge blot ved at
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 mereDe socioøkonomiske referencer for grundskolekarakterer
De socioøkonomiske referencer for grundskolekarakterer Baggrund Den enkelte skoles faktiske karaktergennemsnit i 9. klasse har sammenhæng med mange forskellige forhold. Der er både forhold, som skolen
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 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 mereOpgave 11.4 side 316 (7ed: 11.4, side 352 og 6ed: 11.2, side 345)
Kursus 4: Besvarelser til øvelses- og hjemmeopgaver i uge 11 Opgave 11.4 side 316 (7ed: 11.4, side 35 og 6ed: 11., side 345) Opgaven består i at foretage en regressionsanalse. Først afbildes data som i
Læs mereSynopsis til eksamen i Statistik
Synopsis til eksamen i Statistik Kandidatuddannelsen i Folkesundhedsvidenskab Københavns Universitet december 2010 Eksamensnummer: 12 Antal anslag: 23.839 (svarende til 9,9 normalsider) - 1 - Indholdsfortegnelse
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereResidualer i grundforløbet
Erik Vestergaard www.matematikfysik.dk 1 Residualer i grundforløbet I dette lille tillæg til grundforløbet, skal vi kigge på begreberne residualer, residualplot samt residualspredning. Vi vil se, hvad
Læs mereSynopsis til kursus i Statistik og skalavalidering på Folkesundhedsvidenskab
Synopsis til kursus i Statistik og skalavalidering på Folkesundhedsvidenskab Eksamensnr. 26, 41 og 11 Anslag (uden tabeller og figurer): 23.933 1 1. Indledning...3 2. Deskriptiv statistik...3 3. Indledende
Læs mereOpgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) For 20 musekuld er der i tabellen nedenfor anført oplysning om kuldstørrelsen (fra 3 til 12 mus
Læs merePersonlig stemmeafgivning
Ib Michelsen X 2 -test 1 Personlig stemmeafgivning Efter valget i 2005 1 har man udspurgt en mindre del af de deltagende, om de har stemt personligt. Man har svar fra 1131 mænd (hvoraf 54 % har stemt personligt
Læs mereOpgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1)
Kursus 02402: Besvarelser til øvelsesopgaver i uge 9 Opgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1) Som model benyttes en binomialfordeling, som beskriver antallet, X, blandt
Læs mereSkriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00
Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Forskningsenheden for Statistik IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt.
Læs merePerspektiver i Matematik-Økonomi: Linær regression
Perspektiver i Matematik-Økonomi: Linær regression Jens Ledet Jensen H2.21, email: jlj@imf.au.dk Perspektiver i Matematik-Økonomi: Linær regression p. 1/34 Program for i dag 1. Indledning: sammenhæng mellem
Læs mereTema: Kommunal variation i tilkendelse af førtidspension i 2008
Tema: Kommunal variation i tilkendelse af førtidspension i 2008 Der er stor variation i, hvor mange førtidspensioner kommunerne har tilkendt i 2008. Nogle kommuner har tilkendt én eller derunder pr. 1.000
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereLogistisk regression. Statistik Kandidatuddannelsen i Folkesundhedsvidenskab
Logistis regression Statisti Kandidatuddannelsen i Folesundhedsvidensab Multipel logistis regression Antagelser: Binære observationer (Y i, i=,.,n) f.es Ja/Nej Høj/Lav Død/Levende Kodet: / 0 Y i uafhængige
Læs merePsykisk arbejdsmiljø og stress
Psykisk arbejdsmiljø og stress - Hvilke faktorer har indflydelse på det psykiske arbejdsmiljø og medarbejdernes stress Marts 2018 Konklusion Denne analyse forsøger at afklare, hvilke faktorer der påvirker
Læs mereDansk Erhvervs gymnasieanalyse Sådan gør vi
METODENOTAT Dansk Erhvervs gymnasieanalyse Sådan gør vi FORMÅL Formålet med analysen er at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge
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 mereLars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ 2 -test og Goodness of Fit test.
Lars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ -test og Goodness of Fit test. Anvendelser af statistik Statistik er et levende og fascinerende emne, men at læse om det er alt
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 18 sider. Skriftlig prøve: 14. december 2009 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Læs mereVejledende løsninger kapitel 9 opgaver
KAPITEL 9 OPGAVE 1 a) Hypoteser H 0 : Der er uafhængighed (ingen sammenhæng) i kontingenstabellen H 1 : Der er afhængighed (sammenhæng) i kontingenstabellen Observerede værdier Ny metode Gammel metode
Læs mereKvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereReferat : af Gruppearbejde Økonometri1 øvelsestime ugeseddel 7 dato 26/3 2003, Hold 4
Referat : af Gruppearbejde Økonometri1 øvelsestime ugeseddel 7 dato 26/3 2003, Hold 4 Spm1 Den udvidede model med de to strukturelle variable sk og sh: g i (60-00) = B 0 + B 1 *log(y i ) + B 2 [ log(sk
Læs mereReeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Reeksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 13-08-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereINDLEDNING...2 DATAMATERIALET... 2 KARAKTERISTIK AF POPULATIONEN... 4
Indholdsfortegnelse INDLEDNING...2 DATAMATERIALET... 2 KARAKTERISTIK AF OULATIONEN... 4 DELOGAVE 1...5 BEGREBSVALIDITET... 6 Differentiel item funktionsanalyser...7 Differentiel item effekt...10 Lokal
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 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 mereTest nr. 6 af centrale elementer 02402
QuizComposer 2001- Olaf Kayser & Gunnar Mohr Contact: admin@quizcomposer.dk Main site: www.quizcomposer.dk Test nr. 6 af centrale elementer 02402 Denne quiz angår forståelse af centrale elementer i kursus
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
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 mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
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 mere