INTRODUKTION TIL dele af SAS
|
|
- Lars Bjerre
- 8 år siden
- Visninger:
Transkript
1 INTRODUKTION TIL dele af SAS Der er flere forskellige angrebsvinkler ved statistiske analyser i SAS. Vi skal her kun beskæftige os med to af disse, nemlig Direkte programmering. Brug af SAS ANALYST Hvilken af metoderne, man vælger at benytte, afhænger af flere forskellige forhold, såsom: tidligere programmeringserfaring karakter og omfang af det statistiske behov personlighed. For en nybegynder vil det formentlig være lettest at starte med at anvende ANA- LYST. Det er en menu-overbygning på SAS (version 8.1 eller 8.2), der indeholder store dele (men ikke alle) af de basale SAS-procedurer. Den indeholder desuden visse ting, som ikke findes i den direkte programmering, f.eks. noget grafik. Brug af ANALYST kræver ingen udenadslære, da menuerne er rimeligt selvforklarende, og der opstår ikke syntaksfejl. ANALYST har desuden den facilitet, at den skriver programmer for en, medens man peger og klikker. Når ANALYST ikke længere slår til, har man således råskitsen til et program, der derefter kan udbygges. Dette er ofte en større fordel end man umiddelbart skulle tro, idet datahåndteringen i SAS ofte er det, der falder brugeren sværest. Benytter man SAS meget, og især hvis man ofte udfører den samme slags analyser, vil det i længden virke meget tungt at anvende ANALYST. Der skal peges og klikkes mange gange for at indlæse, beskære, sortere, tabellere og analysere data, og det er vanskeligt bagefter at dokumentere (og huske) hvad der er foretaget. SAS i relation til andre programpakker Ved planlægningen af dette og lignende kurser er vi i en svær situation m.h.t valg af programmel. Der findes på markedet mange forskellige programpakker, der kan meget nær det samme, og ved valget af SAS vil vi ikke signalere, at andre muligheder er inferiøre. På basalkurset har vi i mange år benyttet programmet R. Dette er på mange måder væsentligt bedre end SAS, men har sine begrænsninger (endnu). F.eks. er der endnu ingen menuoverbygning og virker derfor lidt utilgængelig for en del. På enkelte andre kurser har vi benyttet SPSS, men på de fleste har vi benyttet SAS i en eller anden form. 1
2 Om fordele og ulemper ved SAS kan vi sammenfatte: Fordele: 1. kan klare store datamængder 2. har meget alsidige muligheder for datahåndtering 3. kan udføre langt de fleste statistiske analyser 4. fungerer på mange platforme 5. er rimelig billig 6. udleveres gratis, når man er ph.d. studerende ved fakultetet 7. er i mange sammenhænge blevet standard, således at man kan tillade sig at referere til den i metodesammenhænge Ulemper: 1. er noget gammeldags i sin opbygning 2. kan virke lidt tung 3. indeholder ingen lommeregnerfunktion 4. har ikke nogen flot grafik Brug af ANALYST Efter at have startet SAS 8.1 eller 8.2, klikker man på Solutions Analysis Analyst. Herefter får man et vindue bestående af et tomt dataark samt begyndelsen til en liste over, hvad man har foretaget sig (et såkaldt project tree, projekttræ). Man kan få data ind på flere måder ved at indtaste direkte i dataarket ved at importere allerede eksisterende SAS-filer ved at importere ASCII-filer (flade tekstfiler, f.eks. intastet i notepad) ved at importere datafiler fra andre systemer Vi skal se på import af ASCII-filer, f.eks. T:/bp.txt (mere om denne senere). Man klikker på File Open og klikker derefter på den relevante fil og svarer på spørgsmålene i den Dialog Box, der kommer frem (hvorvidt en eller flere af de øverste linier indeholder variabelnavne - det gør den første her - og hvilket symbol, der er benyttet som separator - her er det et blanktegn). Når man har fået data ind i dataarket, kan man gå i gang med at tegne, definere nye variable, analysere mv. Den letteste måde at lære ANALYST at kende på, er helt klart at forsøge sig frem, helst med et datasæt, der er overskueligt eller et, man kender godt. Der findes på maskinerne en del faste datasæt, man kan lege med, og der vil desuden, efterhånden som kurset skrider frem, (på N-drevet) blive indlagt nogle mere relevante datasæt, som vi skal beskæftige os med i øvelserne. 2
3 Direkte programmering Når man bliver en smule fortrolig med SAS eller når man får brug for at gøre tingene lidt hurtigere, f.eks. flere lignende analyser i træk, vil det være en fordel at gå over til direkte indtastning af programmer. Dette gøres i Editor-vinduet, og når man er færdig, køres programmet ved at bruge Submit under Run. Det er en god ide at gemme programmet under et letgennemskueligt navn, f.eks. projekt.sas, så det senere kan hentes ind igen og evt. modificeres. Bemærk dog, at så længe man er i gang med at rette et program til, bliver det stående i Editor-vinduet. Skulle det alligevel blive væk, tastes F4. Og hvordan skriver man så et SAS-program? Først skal man have data ind i systemet. Som regel vil man foretrække at lave en fil indeholdende alle data. Det kan gøres i Program Editor eller i et hvilketsomhelst andet system, der kan lave en ASCII-fil (en såkaldt flad fil, eller tekstfil). Typisk skal en sådan data-fil indeholde en linie for hvert individ (person, unit), og i denne linie står så alle oplysninger om dette individ, adskilt af blanktegn. Linierne kunne f.eks. se således ud: sexnr obese bp Der ville da være oplysning om 4 individer, og oplysningerne er (i rækkefølge fra venstre) køn (1:mænd, 2:kvinder), fedme (vægt divideret med idealvægt) samt blodtryk. Det er vigtigt at oplysningerne står i den samme rækkefølge for alle individer. Vi forestiller os nu, at disse 4 linier (samt header ) er gemt i datafilen bp.txt (dat for data). Man skriver nu sit SAS-program til indlæsning: data bp; infile T:\bp.txt firstobs=2; input sexnr obese bp; Bemærk, at første linie navngiver et temporært (midlertidigt) datasæt, der kun eksisterer indenfor det program, der er tale om. Hvis man vil have et permanent datasæt lagret, skal der i stedet stå data sasuser.bp; Anden linie fortæller, hvorfra data skal læses. Her angives, at man skal begynde læsningen ved observation nr. 2 (idet første linie jo indeholder variabelnavnene). Tredie linie fortæller, hvilke oplysninger, der ligger i hver linie. Her dannes altså 3 variable, sexnr, obese og bp, som har følgende betydning: sexnr Numerisk variabel, der angiver personenes køn, 1: mænd, 2: kvinder, 3
4 obese Personens fedmegrad, defineret som vægt divideret med idealvægt for given køn, alder og højde. bp Systolisk blodtryk Øvelse: Filen T:\bp.sas indeholder et SAS-program til indlæsning af disse tal på et permanent SAS-datasæt, sasuser.bp. Dog skal anden linie muligvis modificeres, så der står infile T:\bp.txt ; 1. Klik på programvinduet og hent SAS-programmet ind i dette vindue. 2. Kør programmet (evt. efter passende modifikationer) ved hjælp af Submit under Run. 3. Gå nu ind i ANALYST og find det permanente datasæt frem (klik File Open By SAS Name). Bemærk, at dette indeholder en variabel sex, som er en karaktervariabel, der angiver personenes køn (F: kvinder, M: mænd). Hvordan er denne fremkommet? 4. Benyt ANALYST til grafisk at illustrere fordelingen af blodtrykket for mænd resp. kvinder. Prøv jer frem! 5. Se den af SAS genererede kode ved at dobbeltklikke på Code -node n i projekttræet. Vælg Edit ProgramEditor for at få koden over i Editor-vinduet til videre redigering. Studer denne kode. Struktur Et SAS-program består groft sagt af to dele 1. Datahåndtering (data-steppet). Her indlæser man sine tal, definerer nye variable, f.eks. ved logaritmetransformation eller sammenlægning. Data-steppet afsluttes med 2. Procedurekald, herunder grafik. Når data foreligger på den rigtige facon, kan analyserne udføres ved hjælp af PROC et-eller-andet Hvert procedurekald afsluttes af 4
5 Datahåndtering SAS er meget alsidigt med hensyn til datahåndtering, og det vil føre alt for vidt på dette kursus at lære mere end det mest nødvendige. Nedenfor er vist nogle eksempler på definition af nye variable, som forhåbentligvis er selvforklarende. Bemærk, at den naturlige logaritme betegnes med log i SAS, medens 10-tals logaritmen benævnes log10. data a1; set sasuser.bp; if sexnr=1 then sex= male ; if sexnr=2 then sex= fem ; logbp=log(bp); Ved brug af ANALYST, skal man i stedet for ovenstående orderer benytte Data Transform Recode Ranges eller Data Transform Compute Log(Y) Procedurekald Når vi taler om de indbyggede SAS procedurer, er det bekvemt at skelne mellem 3 forskellige slags, nemlig 1. De helt basale, såsom udskrivning, sortering og udregning af basale størrelser som gennemsnit og spredning mv. 2. De egentlige statistiske analyser 3. Grafikken Der vil nedenfor blive givet en ganske kort introduktion til visse af disse procedurer. De basale procedurer 1. Udskrivning, PRINT (Reports List Data). proc print data=sasuser.bp; var sex bp; I linierne ovenfor behøver man kun at skrive det med fedt angivne, altså simpelthen proc print;. Det nyligst dannede datasæt vil da blive udskrevet i sin helhed. I stedet kan man som ovenfor angive hvilket datasæt, man vil have udskrevet og hvilke af de variable, man vil have med (og i hvilken rækkefølge). Tilføjelsen i sidste linie er strengt taget heller ikke nødvendig, hvis der følger andre procedurekald efter dette, men kan stærkt anbefales efter hvert 5
6 procedurekald, da den såkaldte log-fil (indeholdende oplysninger om hvordan kørslen er forløbet, fejlmeddelelser mv.) herved bliver væsentlig lettere at læse. 2. Sortering, SORT. data a1; set sasuser.bp; proc sort data=a1; by obese; 3. Tabellering, FREQ. Benyttes til at tabellere diskrete variable (i SAS kaldet CLASS-variable), som f.eks. sex. proc freq data=a1; tables sex; I ANALYST klikkes Statistics Descriptive Frequency Counts Udregning af basale stikprøvestørrelser, MEANS. For at se hvad denne procedure foretager sig, er det lettest at forsøge sig frem. Prøv f.eks. at skrive: proc sort; by sex; proc means; by sex; eller proc means; class sex; Bemærk, at man ved at skrive som ovenfor by sex; får udført den angivne procedure for hvert køn for sig (konstruktionen virker for stort set alle SASprocedurer), men man er nødt til at sortere observationerne først, hvis de ikke allerede står i den rigtige rækkefølge). I ANALYST klikkes Statistics Descriptive Summary Statistics Udregning af korrelationer, CORR: proc corr; var obese bp; Hvis man ikke medtager var-sætningen, får man korrelationer mellem alle variable i datasættet (hvilket ofte er ret irrelevant). I ANALYST klikkes Statistics Descriptive Correlations... 6
7 6. Uddybende oplysninger om en variabels fordeling, UNIVARIATE: proc univariate plot normal; by sex; var obese; Dette vil give os uddybende viden om fordelingen af FEDME i vores stikprøve, opdelt efter køn. De to options plot og normal bevirker hhv. et Box-plot samt et test for normalitet. I ANALYST klikkes Statistics Descriptive Distributions... De egentlige statistiske procedurer Vi skal naturligvis i dette kursus kun se på en ganske lille del af de eksisterende procedurer, f.eks. (nogle af) de, der omhandler varians- og regressionsanalyse. Her skal vi kun lige kort berøre to af dem, nemlig REG og GLM. 1. REG er designet til at udføre (multipel) regressionsanalyse i tilfældet, hvor alle kovariater er kontinuerte (dvs. ikke CLASS-variable). Notationen er: data a1; set sasuser.bp; logobese=log(obese); proc reg; model bp=obese logobese; I ANALYST klikkes Statistics Regression Linear... Hertil kommer en masse options, der kan benyttes til yderligere udskrivninger, modelkontrol og modifikationer af analysen. Nyttige udvidelser kunne være: proc reg; model bp=obese logobese / selection=backward corrb r influence; plot residual.*predicted.; Vi har her tilføjet nogle options efter model... / - og betydningen af disse er: selection=backward: Der foretages automatisk udsmidning af en kovariat ad gangen efter nærmere fastsatte kriterier (som man også selv kan styre). corrb: Herved får man udskrevet korrelationen mellem parameterestimaterne. r: Herved bliver predikterede (fittede) værdier, residualer, normerede residualer mv. udskrevet. 7
8 influence: Herved udskrives oplysninger vedrørende de enkelte observationers indflydelse på estimationen. At studere disse kendes under navnet Diagnostics. Herudover er der tilføjet en plot-sætning, der angiver, at vi gerne vil tegne residualplot for check af konstant varians. Ved hjælp af sådanne plot-sætninger kan man også konstruere f.eks. prediktionsgrænser i en simpel lineær regressionsmodel (med kun 1 kovariat). Disse grænser er givet ved variabelnavnene l95. hhv u95. (bemærk, at punktummet hører med til variabelnavnet). Vi kunne altså skrive proc reg; model bp=obese; plot (predicted. l95. u95.)*obese / overlay; Grafikken ved disse plot-sætninger er dog ikke overvældende god, og jeg foretrækker at skrive de relevante størrelser ud i et datasæt og derefter regne videre på dem, inclusive at lave grafik. Dette kan gøres ved proc reg; model bp=obese; output out=ud predicted=yhat residual=resid l95=lower u95=upper; Herved har vi dannet et nyt (temporært) datasæt, kaldet ud (egentlig work.ud), der indeholder alle de variable, der var i det oprindelige datasæt samt 4 nye, nemlig yhat, resid, lower og upper. Bemærk, at man i output-sætningen angiver, hvilke variable, der skal medtages, ved at specificere et keyword, efterfulgt af = og et navn, man selv bestemmer (men som gerne må være det samme som keyword et). 2. GLM er ligesom REG designet til at udføre multipel regression, men kan desuden håndtere diskrete variable, altså variable af typen CLASS. Dette er selvfølgelig ekstremt nyttigt i situationer, hvor der foreligger en eller flere grupperinger af individerne i materialet, f.eks. køn, social klasse, rygestatus mv. Så længe der kun er tale om variable på 2 niveauer, kan man stadig benytte REG (hvis man f.eks. inkluderer køn som kontinuert variabel i REG, vil den tilhørende regressionskoefficient blot være estimatet for forskellen mellem de to køn (overvej hvorfor!). Variable med mere end 2 niveauer kan også godt håndteres i REG, men så er man nødsaget til selv at definere såkaldte dummy variable, hvilket kan være en ganske vanskelig (og vovelig) affære, og man står sig ved i stedet at gå over til at benytte GLM. Her kan man f.eks skrive: proc glm; class sex; model bp=sex obese sex*obese / solution; 8
9 hvorved man vil få estimeret to linier for bp som funktion af obese, nemlig en for hvert køn (man har dog her antaget at variationen omkring linien er den samme for de to køn, så der er ikke tale om to helt separate analyser). I ANALYST klikkes Statistics ANOVA Linear Models... I modelformlen ovenfor indgår 3 led, hvis fortolkning er som følger: sex: Der er forskel på niveauet af blodtrykket for de to køn. obese: Blodtrykket afhænger lineært af fedmegraden. Hvis der ikke var medtaget flere end de første to led i modelformlen, ville modellen svare til to parallelle regressionslinier. sex*obese: Dette led udtrykker en såkaldt vekselvirkning (interaktion) mellem køn og fedmegrad. Den indebærer, at blodtrykkets afhængighed af fedmegraden (hældningen af linien) er forskellig for de to køn, eller sagt med andre ord: Forskellen på kønnene afhænger af, hvilken fedmegrad, man betragter. Option solution, som er anført i modelsætningen angiver, at vi gerne vil have skrevet estimaterne ud. Hvis denne ikke medtages, får man kun et variansanalyseskema med diverse tests. Grafik. Der kan skrives (er faktisk blevet skrevet) tykke bøger om at lave grafik ved hjælp af SAS. Den umiddelbart letteste tilgang hertil er at anvende ANALYST, men netop indenfor grafikken er ANALYST ikke særlig fleksibel, og man nødsages altså hurtigt til selv at foretage noget programmering. Selv for erfarne SAS-programmører kan det imidlertid være vanskeligt at huske alle finesser og options, og min personlige løsning på dette er at have en tegne-skabelon (en lille programstump), som jeg kopierer ind i nye programmer og retter til efter aktuelle data. En sådan programstump følger her proc gplot data=ud; plot bp*obese yhat*obese / overlay haxis=axis1 vaxis=axis2 frame; axis1 order=(0.9 to 1.5 by 0.1) length=12 cm value=(h=2) minor=none label=(h=3 obesity ); axis2 length=12 cm value=(h=2) minor=none label=(a=90 R=0 H=3 blood pressure ); 9
10 symbol1 v=circle i=none c=black l=1 w=2; symbol2 v=none i=join c=black l=1 w=2; title1 h=3 obesity and blood pressure ; I ANALYST klikkes Graphs Scatter Plot Two-Dimensional... Vi bemærker her følgende options: overlay: Dette bevirker, at de to specificerede plots bliver tegnet på samme tegning. I første plot benyttes symbolerne som angivet i symbol1 -sætningen, osv. haxis=axis1: specificerer den horisontale akse som axis1 order=(0.9 to 1.5 by 0.1)+: specificerer inddelingen af den horisontale akse length=12cm: specificerer længden af den pågældende akse value=(h=2): specificerer højden af de tal, der kommer til at stå på aksen minor=none: specificerer ingen små tickmarcks label=(h=3 obesity ): specificerer aksetekst, samt hvor stor denne skal være. For den vertikale akse angives desuden, at teksten skal roteres (A=90 R=0). 10
Opgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) Spørgsmål 1 Data er indlagt på T:/Basalstatistik/brain.txt og kan indlæses direkte i Analyst med
Læs mereMPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme
MPH specialmodul i epidemiologi og biostatistik. SAS Introduktion til SAS. Display manager (programmering) Vinduer: program editor (med syntaks-check) log output reproducerbart (program teksten kan gemmes
Læs mereKommentarer til øvelser i basalkursus, 2. uge
Kommentarer til øvelser i basalkursus, 2. uge Opgave 2. Vi betragter målinger af hjertevægt (i g) og total kropsvægt (målt i kg) for 10 normale mænd og 11 mænd med hjertesvigt. Målingerne er taget ved
Læs mereØvelser til basalkursus, 2. uge
Øvelser til basalkursus, 2. uge Opgave 1 Vi betragter igen Sundby95-materialet, og skal nu forbedre nogle af de ting, vi gjorde sidste gang. 1. Gå ind i ANALYST vha. Solutions/Analysis/Analyst. 2. Filen
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 mereIntroduktion til SPSS
Introduktion til SPSS Øvelserne på dette statistikkursus skal gennemføres ved hjælp af det såkaldte SPSS program. Det er erfaringsmæssigt sådan, at man i forbindelse af øvelserne på statistikkurser bruger
Læs mereAfdeling for Anvendt Matematik og Statistik Januar Regressionsanalyse i SAS 2. Regressionsanalyse med GLM Sammenligning af regressionslinier
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik Januar 2007 2 Regressionsanalyse med GLM Sammenligning af regressionslinier
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
Læs mereVi ønsker at konstruere normalområder for stofskiftet, som funktion af kropsvægten.
Opgavebesvarelse, Resting metabolic rate I filen T:\rmr.txt findes sammenhørende værdier af kropsvægt (bw, i kg) og hvilende stofskifte (rmr, kcal pr. døgn) for 44 kvinder (Altman, 1991 og Owen et.al.,
Læs mereRegressionsanalyse i SAS
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 Regressionsanalyse uden gentagelser Regressionsanalyse
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Regressionsanalyse. Lene Theil Skovgaard 5. februar 2018 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Indlæsning og
Læs mereFaculty of Health Sciences. Basal Statistik. Begreber. Parrede sammenligninger. Lene Theil Skovgaard. 6. september 2016
Faculty of Health Sciences Basal Statistik Begreber. Parrede sammenligninger. Lene Theil Skovgaard 6. september 2016 1 / 88 APPENDIX Programbidder svarende til diverse slides: Indlæsning af vitamin D datasæt,
Læs mereSPSS introduktion Om at komme igang 1
SPSS introduktion Om at komme igang 1 af Henrik Lolle, oktober 2003 Indhold Indledning 1 Indgang til SPSS 2 Frekvenstabeller 3 Deskriptive statistikker gennemsnit, standardafvigelse, median osv. 4 Søjlediagrammer
Læs mereØVELSE 2B. Formål Det primære formål med denne øvelse er at prøve nogle vigtige procedurer til statistisk og grafisk analyse.
ØVELSE 2B I denne øvelse gennemgår vi: Udskrivning ved hjælp af PUT. Procedurerne FREQ, UNIVARIATE og CORR. Overførsel af procedure-uddata til et datasæt. Fremstilling af histogrammer og XY-plots. Formål
Læs mereIntroduktion til SAS. Faculty of Health Sciences
Faculty of Health Sciences Introduktion til SAS Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Eksempel: Blodtryk og fedme OBESE: vægt/idealvægt,
Læs mereØkonometri 1 Efterår 2006 Ugeseddel 11
Økonometri 1 Efterår 2006 Ugeseddel 11 Program for øvelserne: Gruppearbejde og plenumdiskussion Introduktion til SAS øvelser SAS øvelser Øvelsesopgave: Paneldata estimation Sammenhængen mellem alder og
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Kovariansanalyse. Lene Theil Skovgaard 3. oktober 2017 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Bland-Altman plot,
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Kovariansanalyse. Lene Theil Skovgaard 1. oktober 2018 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Bland-Altman plot,
Læs mereSPSS appendix SPSS APPENDIX. Box plots. Indlæsning. Faculty of Health Sciences. Basal Statistik: Sammenligning af grupper, Variansanalyse
Faculty of Health Sciences SPSS APPENDIX SPSS appendix Basal Statistik: Sammenligning af grupper, Variansanalyse Lene Theil Skovgaard 12. september 2017 med instruktioner til SPSS-analyse svarende til
Læs mereFaculty of Health Sciences. SPSS appendix. Basal Statistik: Sammenligning af grupper, Variansanalyse. Lene Theil Skovgaard. 22.
Faculty of Health Sciences SPSS appendix Basal Statistik: Sammenligning af grupper, Variansanalyse Lene Theil Skovgaard 22. januar 2018 1 / 20 SPSS APPENDIX med instruktioner til SPSS-analyse svarende
Læs mereSPSS appendix SPSS APPENDIX. Box plots. Indlæsning. Faculty of Health Sciences. Basal Statistik: Sammenligning af grupper, Variansanalyse
Faculty of Health Sciences SPSS APPENDIX SPSS appendix Basal Statistik: Sammenligning af grupper, Variansanalyse Lene Theil Skovgaard 11. februar 2019 med instruktioner til SPSS-analyse svarende til nogle
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 mereBasal Statistik - SPSS
Faculty of Health Sciences APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Basal Statistik - SPSS Den generelle lineære model. Lene Theil Skovgaard 24. oktober 2017 Biokemisk iltforbrug,
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Den generelle lineære model. Lene Theil Skovgaard 26. februar 2018 1 / 28 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Biokemisk
Læs mereMPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme
MPH specialmodul i epidemiologi og biostatistik. SAS Introduktion til SAS. Display manager (programmering) Vinduer: program editor (med syntaks-check) log output reproducerbart (program teksten kan gemmes
Læs mereFaculty of Health Sciences. Basal statistik. Lille SAS Manual. Lene Theil Skovgaard. 31. januar 2017
Faculty of Health Sciences Basal statistik Lille SAS Manual Lene Theil Skovgaard 31. januar 2017 1 / 42 Selve sproget Siderne 9-18 Indlæsning (9-12) Definition af nye variable (13) Missing values / Manglende
Læs mereBasal statistik. Selve sproget. Grafik. Basale procedurer. Faculty of Health Sciences. Lille SAS Manual
Faculty of Health Sciences Selve sproget Basal statistik Lille SAS Manual Lene Theil Skovgaard 5. september 2017 Siderne 9-18 Indlæsning (9-12) Definition af nye variable (13) Missing values / Manglende
Læs mereLøsning til opgave i logistisk regression
Løsning til øvelser i logistisk regression, november 2008 1 Løsning til opgave i logistisk regression 1. Først indlæses data, og vi kan lige sørge for at danne en dummy-variable for cml, som indikator
Læs mereStatistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar
Århus 6. februar 2014 Morten Frydenberg Statistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar Til disse øvelser har I brug for fishoil1.dta, der indeholder data fra det fiskeolie forsøg vi så på ved
Læs mereVejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013
Vejledende besvarelse af hjemmeopgave i Basal statistik for lægevidenskabelige forskere, forår 2013 I forbindelse med reagensglasbehandling blev 100 par randomiseret til to forskellige former for hormonstimulation.
Læs mereLøsning til øvelsesopgaver dag 4 spg 5-9
Løsning til øvelsesopgaver dag 4 spg 5-9 5: Den multiple model Vi tilføjer nu yderligere to variable til vores model : Køn og kolesterol SBP = a + b*age + c*chol + d*mand hvor mand er 1 for mænd, 0 for
Læs mereSAS systemet SAS. SAS vinduer. 2012 Janne Petersen
SAS systemet SAS 2012 Janne Petersen February 7, 2012 Styrken i SAS er dets evne til at håndtere store datasæt. Det er hurtigt og har mange statistiske og ikke-statistiske muligheder. Kan "alt", så det
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 mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Begreber. Parrede sammenligninger. Lene Theil Skovgaard 5. september 2017 1 / 16 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
Læs mereKort intro til SAS. Efterår 2015. Janne Petersen Judith L Jacobsen Lene Theil Skovgaard
Kort intro til SAS Efterår 2015 Janne Petersen Judith L Jacobsen Lene Theil Skovgaard 1 Hvorfor SAS Kan alt Alle ph.d. studerende har gratis adgang Fra universitetet eller hospitalerne Kode --- hjælp fra
Læs mereLineær regression i SAS. Lineær regression i SAS p.1/20
Lineær regression i SAS Lineær regression i SAS p.1/20 Lineær regression i SAS Simpel lineær regression Grafisk modelkontrol Multipel lineær regression SAS-procedurer: PROC REG PROC GPLOT Lineær regression
Læs mereFilen indeholder variablenavne i første linie, og de ligger i rækkefølgen
Opgavebesvarelse, Resting metabolic rate I filen T:\Basalstatistik\rmr.txt findes sammenhørende værdier af kropsvægt (bw, i kg) og hvilende stofskifte (rmr, kcal pr. døgn) for 44 kvinder (Altman, 1991
Læs mereØkonometri 1 Forår 2006 Ugeseddel 11
Økonometri 1 Forår 2006 Ugeseddel 11 Program for øvelserne: Gruppearbejde og plenumdiskussion Introduktion til SAS øvelser SAS øvelser Øvelsesopgave 5: Paneldata estimation af indkomstligninger på danske
Læs mereOpgavebesvarelse, korrelerede målinger
Opgavebesvarelse, korrelerede målinger I 18 familier bestående af far, mor og 3 børn (i veldefinerede aldersintervaller, med child1 som det ældste barn og child3 som det yngste) har man registreret antallet
Læs mereBesvarelse af opgave om Vital Capacity
Besvarelse af opgave om Vital Capacity hentet fra P. Armitage & G. Berry: Statistical methods in medical research. 2nd ed. Blackwell, 1987. Spørgsmål 1: Indlæs data og konstruer en faktor (klassevariabel)
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 mereHvorfor SAS Kort intro til SAS
Hvorfor SAS Kort intro til SAS Efterår 2015 Janne Petersen Judith L Jacobsen Lene Theil Skovgaard Kan alt Alle ph.d. studerende har gratis adgang Fra universitetet eller hospitalerne Kode --- hjælp fra
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Multipel regression. Lene Theil Skovgaard 10. oktober 2017 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Figurer: s.
Læs mereFaculty of Health Sciences. Logistisk regression: Kvantitative forklarende variable
Faculty of Health Sciences Logistisk regression: Kvantitative forklarende variable Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Sammenhæng
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 mereMPH specialmodul Epidemiologi og Biostatistik
MPH specialmodul Epidemiologi og Biostatistik Kvantitative udfaldsvariable 23. maj 2011 www.biostat.ku.dk/~sr/mphspec11 Susanne Rosthøj (Per Kragh Andersen) 1 Kapitelhenvisninger Andersen & Skovgaard:
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Kapitel 7 Introduktion til statistik Organisering af data Diskrete variabler Kontinuerte variabler Beskrivende statistik Fraktiler Gennemsnit Empirisk varians og spredning Empirisk korrelationkoe
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 mereOpgavebesvarelse, brain weight
Opgavebesvarelse, brain weight (Matthews & Farewell: Using and Understanding Medical Statistics, 2nd. ed.) For 20 nyfødte mus er der i tabellen nedenfor anført oplysning om kuldstørrelsen (fra 3 til 12
Læs mereSAS formater i Danmarks Statistik
Danmarks Statistik, Forskningsservice og Kundecenter 9. januar 2012 SAS formater i Danmarks Statistik 1. Indledning... 1 2. Hvor findes formater og øvrige datafiler?... 2 3. Hvordan bruges formater i SAS-programmet?...
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 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 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 mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereStatistik i GeoGebra
Statistik i GeoGebra Peter Harremoës 13. maj 2015 Jeg vil her beskrive hvordan man kan lave forskellige statistiske analyser ved hjælp af GeoGebra 4.2.60.0. De statistiske analyser svarer til pensum Matematik
Læs mereBasal statistik. 25. september 2007
Basal statistik 25. september 2007 Korrelation og regression Simpel lineær regression Todimensionale normalfordelinger Korrelation vs. regression Modelkontrol Diagnostics Lene Theil Skovgaard, Biostatistisk
Læs mereHjemmeopgave. I bedes benytte sidste side fra denne opgavetekst i udfyldt stand som forside på jeres opgavebesvarelse. Siden findes også på nettet.
Hjemmeopgave Basal statistik for sundhedsvidenskabelige forskere, efterår 2012 Udleveret 2. oktober, afleveres senest ved øvelserne i uge 44 (30. oktober-1. november) I Secher et al. (1986) estimeres referencekurver
Læs mereAppelsiner, bananer og citroner
Appelsiner, bananer og citroner Af: Peter Kellberg Danmarks Statistik Sejrøgade DK-00 København Ø pke@dstdk SAS og øvrige SAS Institute Inc-produkter samt navngivne serviceydelser er registrerede varemærker
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereAdgangsgivende eksamen (udeladt kategori: Matematisk student med matematik på niveau A)
Økonometri 1 Forår 2003 Ugeseddel 13 Program for øvelserne: Gruppearbejde Opsamling af gruppearbejdet og introduktion af SAS SAS-øvelser i computerkælderen Øvelsesopgave 6: Hvem består første årsprøve
Læs mereBasal statistik. 21. oktober 2008
Basal statistik 21. oktober 2008 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Parametriseringer Kovariansanalyse Esben Budtz-Jørgensen, Biostatistisk Afdeling
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 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 mereFaculty of Health Sciences. Basal Statistik. Logistisk regression mm. Lene Theil Skovgaard. 5. marts 2018
Faculty of Health Sciences Basal Statistik Logistisk regression mm. Lene Theil Skovgaard 5. marts 2018 1 / 22 APPENDIX vedr. SPSS svarende til diverse slides: To-gange-to tabeller, s. 3 Plot af binære
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 mereStatistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Introduktion Kursusholder: Kasper K. Berthelsen Opbygning: Kurset består af 5 blokke En blok består af: To normale
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 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 mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Korrelerede målinger. Lene Theil Skovgaard 8. april 2019 1 / 21 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Plots: s. 3, 4,
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences APPENDIX Basal Statistik - SPSS Korrelerede målinger. Lene Theil Skovgaard 8. april 2019 med instruktioner til SPSS-analyse svarende til nogle af slides Plots: s. 3, 4, 7, 11-12
Læs mereLineære sammenhænge, residualplot og regression
Lineære sammenhænge, residualplot og regression Opgave 1: Er der en bagvedliggende lineær sammenhæng? I mange sammenhænge indsamler man data som man ønsker at undersøge og afdække eventuelle sammenhænge
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 mereDet kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.
1. Indlæs data. * HUSK at angive din egen placering af filen; data framing; infile '/home/sro00/mph2016/framing.txt' firstobs=2; input id sex age frw sbp sbp10 dbp chol cig chd yrschd death yrsdth cause;
Læs mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april
Århus 8. april 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april Opgave 1 ( gruppe 1: sp 1-4, gruppe 5: sp 5-9 og gruppe 6: 10-14) I denne opgaveser vi på et
Læs mereBasal statistik for lægevidenskabelige forskere, forår 2014 Udleveret 4. marts, afleveres senest ved øvelserne i uge 13 (25.
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2014 Udleveret 4. marts, afleveres senest ved øvelserne i uge 13 (25.-27 marts) Garvey et al. interesserer sig for sammenhængen mellem
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 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 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 mereHOFTEALLOPLASTIK - DATAUDTRÆK OG IMPORT TIL EXCEL
HOFTEALLOPLASTIK - DATAUDTRÆK OG IMPORT TIL EXCEL Når man er logget på KMS systemet, vælges Dataudtræk under punktet Vælg modul, hvorefter der klikkes på Gå til: På næste side klikkes på knappen Opret:
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 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 mereAPPENDIX A INTRODUKTION TIL DERIVE
APPENDIX A INTRODUKTION TIL DERIVE z x y z=exp( x^2 0.5y^2) CAS er en fællesbetegnelse for matematikprogrammer, som foruden numeriske beregninger også kan regne med symboler og formler. Det betyder: Computer
Læs mereBasal statistik. 30. oktober 2007
Basal statistik 30. oktober 2007 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer Lene Theil Skovgaard, Biostatistisk Afdeling
Læs mereBasal statistik for lægevidenskabelige forskere, forår 2012 Udleveret 6.marts, afleveres senest ved øvelserne i uge 15 (
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2012 Udleveret 6.marts, afleveres senest ved øvelserne i uge 15 (10.-12. april) I et randomiseret forsøg sammenlignes vitamin D behandling
Læs mereBasal statistik. 30. oktober Den generelle lineære model
Basal statistik 30. oktober 2007 Den generelle lineære model Repetition af variansanalyse og multipel regression Interaktion Kovariansanalyse Parametriseringer Lene Theil Skovgaard, Biostatistisk Afdeling
Læs mereMan indlæser en såkaldt frequency-table i SAS ved følgende kommandoer:
1 IHD-Lexis 1.1 Spørgsmål 1 Man indlæser en såkaldt frequency-table i SAS ved følgende kommandoer: data ihdfreq; input eksp alder pyrs cases; lpyrs=log(pyrs); cards; 0 2 346.87 2 0 1 979.34 12 0 0 699.14
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 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 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 mereBasal statistik for lægevidenskabelige forskere, forår Udleveret 12. marts, afleveres senest ved øvelserne i uge 14 (2.-4.
Hjemmeopgave Basal statistik for lægevidenskabelige forskere, forår 2013 Udleveret 12. marts, afleveres senest ved øvelserne i uge 14 (2.-4.april) I forbindelse med reagensglasbehandling blev 100 par randomiseret
Læs mereKom godt i gang med I-bogen
Kom godt i gang med I-bogen At åbne bogen Det allerførste, du skal gøre, for at kunne arbejde med i-bogen, er at aktivere den. Det gøres ved at oprette en konto på systime.dk og derefter aktivere bogen
Læs mereEasy Guide i GallupPC
Easy Guide i GallupPC Version. 6.00.00 Gallup A/S Masnedøgade 22-26 DK 2100 København Ø Telefon 39 27 27 27 Fax 39 27 50 80 Indhold SÅDAN KOMMER DU I GANG MED AT ANVENDE GALLUPPC... 2 TILFØJELSE AF UNDERSØGELSER
Læs mereØkonometri: Lektion 5. Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol
Økonometri: Lektion 5 Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol 1 / 35 Veksekvirkning: Motivation Vi har set på modeller som Price
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 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 merePostoperative komplikationer
Løsninger til øvelser i kategoriske data, oktober 2008 1 Postoperative komplikationer Udgangspunktet for vurdering af den ny metode må være en nulhypotese om at der er samme komplikationshyppighed, 20%.
Læs mereStastistik og Databehandling på en TI-83
Stastistik og Databehandling på en TI-83 Af Jonas L. Jensen (jonas@imf.au.dk). 1 Fordelingsfunktioner Husk på, at en fordelingsfunktion for en stokastisk variabel X er funktionen F X (t) = P (X t) og at
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 mere