Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

1 Cíle: Cíle: 1.Vysvětlíme co je mnohorozměrná analýza a k čemu jsou dobré její aplikace. 2.Vymezíme specifické techniky mnohorozměrné analýzy. 3.Určíme.

Podobné prezentace


Prezentace na téma: "1 Cíle: Cíle: 1.Vysvětlíme co je mnohorozměrná analýza a k čemu jsou dobré její aplikace. 2.Vymezíme specifické techniky mnohorozměrné analýzy. 3.Určíme."— Transkript prezentace:

1 1 Cíle: Cíle: 1.Vysvětlíme co je mnohorozměrná analýza a k čemu jsou dobré její aplikace. 2.Vymezíme specifické techniky mnohorozměrné analýzy. 3.Určíme pro jaké úkoly jsou vhodné jednotlivé techniky. 4.Diskutujeme podstatu měření, typy proměnných a vztah k mnohorozměrným technikám. 5.Popisujeme koncepční a statistické aspekty mnohorozměrné analýzy. 1 Úvod

2 2 Základní informace: Základní informace: 1.Povinnosti – úkoly, prezentace, zkouška 2.Sylabus 3.Literatura – viz dále 4.Související kurzy JSM031 a JSM152 5.Organizace kurzu Analýza kvantitativních dat

3 3 Hendl J. Přehled statistických metod zpracování dat. 2.vyd. Praha: Portál, Hendl J. Přehled statistických metod zpracování dat. 2.vyd. Praha: Portál, Hebák, P. a kol. Vícerozměrné statistické metody 1-3. Praha : Informatorium, Hebák, P. a kol. Vícerozměrné statistické metody 1-3. Praha : Informatorium, Urbánek T. (2000): Strukturální modelování v psychologii. Psychologický ústav AV ČR a Nakladatelství Pavel Křepela, Brno. Urbánek T. (2000): Strukturální modelování v psychologii. Psychologický ústav AV ČR a Nakladatelství Pavel Křepela, Brno. Tarling, R. 2009: Statistical modeling for social researchers. Routledge. Tarling, R. 2009: Statistical modeling for social researchers. Routledge. Norusis SPSS 13. Statistical procedures companion. Prentice Hall. Norusis SPSS 13. Statistical procedures companion. Prentice Hall. StatSoft, Inc. (2004). Electronic Statistics Textbook. Tulsa, OK: StatSoft. StatSoft, Inc. (2004). Electronic Statistics Textbook. Tulsa, OK: StatSoft. Další nepřeberné množství knih a článků a WWW stránek (články budou průběžně doporučovány) LiteraturaLiteratura

4 4 Co to je? Mnohorozměrná analýza dat (Multivariate Data Analysis ) = jsou všechny statistické metody, které simultánně analyzují více proměnných měřených na jedincích nebo objektech sledování. Co to je? Mnohorozměrná analýza dat (Multivariate Data Analysis ) = jsou všechny statistické metody, které simultánně analyzují více proměnných měřených na jedincích nebo objektech sledování. Proč je používat? Proč je používat? Měření Měření Explanace & predikce Explanace & predikce Testování hypotéz Testování hypotéz Co je mnohorozměrná analýza?

5 5 Proměnná Proměnná Škály měření Škály měření Nemetrické Nemetrické Metrické Metrické Mnohorozměrná měření Mnohorozměrná měření Chyba měření Chyba měření Druhy technik Druhy technik Základní koncepty mnohorozměrné analýzy

6 6 Typy dat a škál měření Data Metrická neboKvantitativní Nemetrická neboKvalitativní Nominální škála Ordinální škála Interval. škála Poměr. škála

7 7 Nemetrické škály Nemetrické škály oNominální – označení číslem nemá vztah k žádné velikosti. oOrdinální – existuje řazení. Metrické škály Metrické škály oIntervalové– má vlastnosti ordinální škály a jsou zde stejné diference mezi jednotlivými body škály. oPoměrové – má vlastnosti intervalové škála+přirozená nula. Poznámka: Typ škály je mnohdy kritický při určování správné statistické techniky Škála měření

8 8 Všechny proměnné jsou zatížen nějakou chybou. Jaké jsou zdroje chyb? Všechny proměnné jsou zatížen nějakou chybou. Jaké jsou zdroje chyb? Chyba měření = zkresluje pozorovaný vztah a znehodnocuje výsledky analýzy. Chyba měření = zkresluje pozorovaný vztah a znehodnocuje výsledky analýzy. Výzkumníci používají součtové škály a vytvářejí kompositní reprezentace konceptů. Výzkumníci používají součtové škály a vytvářejí kompositní reprezentace konceptů. Chyba měření

9 9 Při posuzování chyb měření si všímáme dvou charakteristik měření: Validita = stupeň, jak dobře měří proměnná to, co má měřit. Validita = stupeň, jak dobře měří proměnná to, co má měřit. Reliabilita = stupeň, jak postup měří spolehlivě (bez náhodné chyby). Reliabilita = stupeň, jak postup měří spolehlivě (bez náhodné chyby). Chyba měření

10 10 Statistická významnost a síla testu Chyba I. druhu. Hodnota  je pravděpodobnost zamítnutí nulové hypotézy za předpokladu, že ona platí. Chyba I. druhu. Hodnota  je pravděpodobnost zamítnutí nulové hypotézy za předpokladu, že ona platí. Chyba II. druhu. Hodnota  je pravděpodobnost nezamítnutí nulové hypotézy za předpokladu, že ona neplatí. Chyba II. druhu. Hodnota  je pravděpodobnost nezamítnutí nulové hypotézy za předpokladu, že ona neplatí. Síla testu nebo-li 1-  je pravděpodobnost zamítnutí nulové hypotézy za předpokladu, že ona neplatí. Síla testu nebo-li 1-  je pravděpodobnost zamítnutí nulové hypotézy za předpokladu, že ona neplatí. H 0 platí H 0 neplatí Nezamítne H 0 1-   Chyba II. druhu Zamítne H 0  Chyba I. druhu 1-  Síla

11 11 Síla je určena třemi faktory: Velikostí účinku (ES): aktuální hodnota efektu (např. rozdíl mezi průměry nebo velikost korelace mezi proměnnými).Velikostí účinku (ES): aktuální hodnota efektu (např. rozdíl mezi průměry nebo velikost korelace mezi proměnnými). Alfa (  ): nasadíme malou hodnotu, čím menší tak zmenšujeme sílu. Typicky  = 0.05.Alfa (  ): nasadíme malou hodnotu, čím menší tak zmenšujeme sílu. Typicky  = Velikost výběru: jak rozsah výběru se zvětšuje, tak se zvětšuje síla. Při velkých výběrech i malou odchylku hodnotíme jako statisticky významnou.Velikost výběru: jak rozsah výběru se zvětšuje, tak se zvětšuje síla. Při velkých výběrech i malou odchylku hodnotíme jako statisticky významnou.

12 12 Na obrázku je vztah mezi silou (Y) a velikostí výběru (X)

13 13 Síla testu, statistická významnost, nesprávné užívání Literatura : částečně viz HendlLiteratura : částečně viz Hendl Článek: Soukup 2010 (http://archiv.soc.cas.cz/articles/cz/73/Data-a- vyzkum.html#artID413) a pomůcky na st_clanek/Článek: Soukup 2010 (http://archiv.soc.cas.cz/articles/cz/73/Data-a- vyzkum.html#artID413) a pomůcky na st_clanek/http://archiv.soc.cas.cz/articles/cz/73/Data-a- vyzkum.html#artID413 st_clanek/http://archiv.soc.cas.cz/articles/cz/73/Data-a- vyzkum.html#artID413 st_clanek/

14 14 Typy mnohorozměrných technik Techniky analýzy závislostí: proměnná nebo více proměnných se považují za závisle proměnné. Vysvětlují se pomocí množiny nezávislých proměnných. Techniky analýzy závislostí: proměnná nebo více proměnných se považují za závisle proměnné. Vysvětlují se pomocí množiny nezávislých proměnných. oMnohonásobná regrese oMnohonásobná diskriminační analýza oLogitová/logistická regrese oMnohonásobná analýza rozptylu a kovariance oKanonická korelační analýza oStrukturální modelování (SEM)

15 15 Techniky pro hledání podobností (interrelací) bez rozlišení na závislé a nezávislé proměnné, více proměnných. Techniky pro hledání podobností (interrelací) bez rozlišení na závislé a nezávislé proměnné, více proměnných. oMetoda hlavních komponent a faktorová analýza oShluková analýza oMnohorozměrné škálování oKorespondenční analýza Typy mnohorozměrných technik

16 16 Výběr technik mnohorozměrné analýzy 1.Jaký typ vztahu se zkoumá– závislosti nebo interrelace? 2.Vztah závislosti: Kolik proměnných se predikuje? Jaká je škála proměnných závisle proměnných? Jaká je škála proměnných závisle proměnných? Jaká je škála nezávisle proměnných? Jaká je škála nezávisle proměnných? 3.Interdependence: Zkoumáme vztahy (podobnosti) mezi proměnnými, respondenty nebo objekty?

17 17 Mnohonásobná regrese Jednoduchá metrická závisle proměnná predikovaná několika nezávisle proměnnými (metrickými). Jednoduchá metrická závisle proměnná predikovaná několika nezávisle proměnnými (metrickými). Bude v kurzu JSM 034

18 18 Nemetrická (nominální) závisle proměnná je predikována několika metrickými nezávisle proměnnými. Bude v kurzu JSM 034 Bude v kurzu JSM 034 Příklady Pohlaví – Muž resp. žena Těžký případ nemoci, lehký případ nemoci Kreditní důvěra, kreditní nedůvěra Člen nebo nečlen Diskriminační analýza

19 19 Logistická regrese Jednoduchá závisle nemetrická proměnná je predikovaná několika metrickými nezávisle proměnnými. Tato technika je podobná diskriminační analýze, ale výpočty jsou trochu jiné, podobné regresi. Jednoduchá závisle nemetrická proměnná je predikovaná několika metrickými nezávisle proměnnými. Tato technika je podobná diskriminační analýze, ale výpočty jsou trochu jiné, podobné regresi. Bude v kurzu JSM 034

20 20 MANOVA Několik metrických proměnných je predikováno několika kategoriálními nezávisle proměnnými (nemetrickými).

21 21 Kanonická korelační analýza Několik metrických závisle proměnných je predikováno několika metrickými nezávisle proměnnými.

22 22 Strukturální modelování (SEM) Hodnotí se několik provázaných závislostí, vychází se ze dvou modelů: 1.Strukturální model 2.Model měření Bude v kurzu JSM 034

23 Analyzují se struktury vztahů mezi velkou množinou proměnných, aby bylo možno určit společné faktory. De facto hledáme podobné proměnné. (viz JSB 029 a JSM031).... Analyzují se struktury vztahů mezi velkou množinou proměnných, aby bylo možno určit společné faktory. De facto hledáme podobné proměnné. (viz JSB 029 a JSM031) Faktorová analýza

24 Skupina objektů (respondenti, produkty, firmy atd.) se analyzuje pomocí měr vzdáleností a určují se kategorie objektů (shluky). De facto hledáme podobné případy. (viz JSM 031).... Skupina objektů (respondenti, produkty, firmy atd.) se analyzuje pomocí měr vzdáleností a určují se kategorie objektů (shluky). De facto hledáme podobné případy. (viz JSM 031) Shluková analýza

25 25 Mnohorozměrné škálování... Identifikují se nerozpoznané dimenze, které diferencují objekty zájmu pomocí:... Identifikují se nerozpoznané dimenze, které diferencují objekty zájmu pomocí: podobností nebo podobností nebo preferencí preferencí Opět hledáme podobné případy (viz JSM 031)

26 26 Korespondenční analýza... Používá nemetrická data a vyhodnocuje lineární nebo nelineární vztahy, aby bylo možné nalézt asociace mezi objekty a určit popisné charakteristiky objektů.... Používá nemetrická data a vyhodnocuje lineární nebo nelineární vztahy, aby bylo možné nalézt asociace mezi objekty a určit popisné charakteristiky objektů. Hledáme vazby mezi řádky a sloupci kontingenční tabulky (viz JSM 152).

27 27 Pokyny pro provedení mnohorozměrné analýzy Určujeme věcné a statistické významnosti Určujeme věcné a statistické významnosti Velikost souboru určuje výsledek (nadto potřebujeme zpravidla dostatečně velká data) Velikost souboru určuje výsledek (nadto potřebujeme zpravidla dostatečně velká data) Poznáváme data Poznáváme data Hledáme úsporný popis Hledáme úsporný popis Posouzení chyb a opomenutí Posouzení chyb a opomenutí Validizace výsledků Validizace výsledků

28 28 Fáze 1: Určíme výzkumný problém, cíle a mnohorozměrnou techniku Fáze 2: Navrhneme plán analýzy Fáze 3: Vyhodnotíme předpoklady techniky Fáze 4: Odhadujeme parametry modelu a vyhodnocujeme kvalitu proložení Fáze 5: Interpretujeme získané výsledky Fáze 6: Validizujeme získaný model Poznámka: Často zpracováváme sekundárně data, pak odpadá bod 2. Strukturovaný přístup k MA při tvoření modelu

29 29 Kontrolní otázky 1. Co je mnohorozměrná analýza? 2. Proč používáme mnohorozměrnou analýzu? 3. Proč je znalost škály důležitá v mnohorozměrné analýze? 4. Jaké základní aspekty musíme posuzovat v mnohorozměrné analýze? 5. Popište proces aplikace mnohorozměrné analýzy ?


Stáhnout ppt "1 Cíle: Cíle: 1.Vysvětlíme co je mnohorozměrná analýza a k čemu jsou dobré její aplikace. 2.Vymezíme specifické techniky mnohorozměrné analýzy. 3.Určíme."

Podobné prezentace


Reklamy Google