KISTERV2_ANOVA_

Hasonló dokumentumok
BIOMETRIA_ANOVA_2 1 1

PhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats

Több laboratórium összehasonlítása, körmérés

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ANOVA ( ) 2. χ σ. α ( ) 2. y y y p p y y = + + = + + p p r. Fisher-Cochran-tétel

Esetelemzés az SPSS használatával

LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests

Critical mix. 15. példa. 2 égh. anyag. 1 oxigén. 3 ég-e. 2 van nincs 0 3 nincs van 0 4 van van 1. 1 nincs nincs 0

Minőségjavító kísérlettervezés

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Nonparametric Tests. Petra Petrovics.

1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit.

Shainin-kísérlettervezés

4. példa: részfaktorterv+fold-over, centrumponttal

ANOVA. Egy faktor szerinti ANOVA. Nevével ellentétben nem szórások, hanem átlagok összehasonlítására szolgál. Több független mintánk van, elemszámuk

Esetelemzések az SPSS használatával

Correlation & Linear Regression in SPSS

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.

Sztochasztikus kapcsolatok

WIL-ZONE TANÁCSADÓ IRODA

MARKETINGKUTATÁS II. Oktatási segédanyag. Budapest, február

Statisztikai szoftverek esszé

Normál eloszlás. Gyakori statisztikák

Correlation & Linear Regression in SPSS

TAGUCHI ÉS SHAININ. Taguchi módszere a minőség kísérletes javítására

Statisztika II. feladatok

You created this PDF from an application that is not licensed to print to novapdf printer (

Diszkriminancia-analízis

Motivációs diasor Ha megéri, nem baj, hogy nehéz!

Statistical Dependence

Statisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák

Az R statisztikai programozási környezet: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig

Bevezetés az ökonometriába

Biológiai anyagok hatásának értékelése, ha közvetlen fizikai vagy kémiai analízis nem alkalmazható.

1. melléklet A ciklodextrin hatásának jellemzése mikroorganizmusok szaporodására Murányi Attila

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Regression

A JOHNSON NEYMAN-MÓDSZER BEMUTATÁSA ÉS ALKALMAZÁSA

2 p típusú teljes faktoros kísérleti tervek. Kísérlettervezés. Mit akarunk megtudni? mátrix-terv. a változók egyenkénti változtatása. x 3 x 2.

STATISZTIKA PRÓBAZH 2005

Statistical Inference

Minőségjavító kísérlettervezés TAGUCHI ÉS SHAININ

Supporting Information

GyőrBike a győri közösségi bérkerékpár rendszer első éve

SPSS ÉS STATISZTIKAI ALAPOK II.

4. példa: részfaktorterv+fold-over, centrumponttal

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Logistic regression. Quantitative Statistical Methods. Dr.

A Hat Szigma bevezetésének tapasztalatai a Siemens Erőműtechnika Kft-nél

Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések

Logisztikus regresszió október 27.

y ij e ij BIOMETRIA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 7. Előad Variancia-anal Lineáris modell ltozó bontását t jelenti.

Kabos Sándor. Térben autokorrelált adatrendszerek

Minőség-képességi index (Process capability)

Magyarországon személysérüléses közúti közlekedési balesetek okozóik és abból alkoholos állapotban lévők szerinti elemzése. Rezsabek Tamás GSZDI

A problémamegoldás lépései

1. (Sugár Szarvas fgy., 186. o. S13. feladat) Egy antikvárium könyvaukcióján árverésre került. = x = 6, y = 12. s y y = 1.8s x.

Esettanulmány. A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre. Tartalomjegyzék. 1. Bevezetés... 2

X PMS 2007 adatgyűjtés eredményeinek bemutatása X PMS ADATGYŰJTÉS

Nem. Cumulative Percent 1,00 férfi ,9 25,9 25,9 2,00 nı ,1 73,1 99,0 99,00 adathiány 27 1,0 1,0 100,0 Total ,0 100,0

Idősoros elemzés. Ferenci Tamás, január 7.

Varianciaanalízis 4/24/12

Idősoros elemzés minta

Miért akartunk új könyvet írni?

Krónikus gyártási problémák (minőségi hibák) okainak felderítésére. Sajátossága: clue generation, hagyjuk az alkatrészeket beszélni

Bevezetés a Korreláció &

Választási modellek 3

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis

A biostatisztika alapfogalmai, konfidenciaintervallum. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

Independent Samples Test Levene's Test for Equality of t-test for Equality of Means. Mean. Difference

2012. április 18. Varianciaanaĺızis

Szıdy Noémi Fekete Öves Tóth Csaba László Fekete Öves április 12.

Dr. Szőke Szilvia Dr. Balogh Péter: Nemparaméteres eljárások

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis

Kerékpáros közösségi kölcsönző rendszer működésének szabályszerűségei

PDF created with FinePrint pdffactory Pro trial version Adott egy X folytonos változó, ami normális eloszlású.

Fényderítő hatású-e a megélt tapasztalat a kimenetelre?

Regresszió számítás az SPSSben

Logisztikus regresszió

Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos

Statisztika II előadáslapok. 2003/4. tanév, II. félév

VARIANCIAANALÍZIS (ANOVA) véletlen faktorok esetén

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)

Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

STATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat

Standardizálás, transzformációk

Adatok 2 dimenzio s megjelení te se STATISTICA 10 programcsomagban

Biostatisztika Hipotézisvizsgálatok, egy- és kétoldalas próbák, statisztikai hibák, ANOVA

y ij e ij STATISZTIKA let A variancia-anal telei Alapfogalmak 2. Alapfogalmak 1. ahol: 12. Előad Variancia-anal Lineáris modell ltozó

Feltesszük, hogy a mintaelemek között nincs két azonos. ha X n a rendezett mintában az R n -ik. ha n 1 n 2

Korreláció, regresszió. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

Logisztikus regresszió

π = P(y bekövetkezik)

Variancia-analízis (ANOVA) Mekkora a tévedés esélye? A tévedés esélye Miért nem csinálunk kétmintás t-próbákat?

Fogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P

Több valószínűségi változó együttes eloszlása, korreláció

Hipotézis vizsgálatok

Az önkormányzati beruházási hajlandóság becslése a magyar kistelepülések körében OTKA KUTATÁS. A kutatást lezáró beszámoló

Logisztikus regresszió

Minitab 18 eszköztára

Miért akartunk új könyvet írni?

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

Átírás:

Két faktor szerinti ANOVA Az A faktor minden szintjét kombináljuk a B faktor minden szintjével, minden cellában azonos számú ismétlés (kiegyensúlyozott terv). A terv szerkezete miatt a faktorok hatását egymásétól függetlenül vizsgálhatjuk. KISTERV_ANOVA_ 156 156

. példa (Box-Hunter-Hunter: Statistics for Experimenters, J. Wiley, 1978, p. 165) poison.sta treatment A B C D I 0.310 0.80 0.430 0.450 0.450 1.100 0.450 0.710 0.460 0.880 0.630 0.660 0.430 0.70 0.760 0.60 poison II 0.360 0.90 0.440 0.560 0.90 0.610 0.350 1.00 0.400 0.490 0.310 0.710 0.30 1.40 0.400 0.380 III 0.0 0.300 0.30 0.300 0.10 0.370 0.50 0.360 0.180 0.380 0.40 0.310 0.30 0.90 0.0 0.330 KISTERV_ANOVA_ 157 157

1.4 1. 1.0 0.8 0.6 0.4 1 0. 0.0 1 3 4 TREATMEN 3 KISTERV_ANOVA_ 158 158

Modell i=1,,r; j=1,,q, k=1,,p yijk ij ijk N rqp 3 4 4 48 ismétlés (k) méreg (i) kezelés (j) yijk ij ijk átlag-modell H 0 : 11 1 34 (mind azonos) KISTERV_ANOVA_ 159 159

yijk i j ij ijk az i-edik méreg a j-edik kezelés kölcsönhatás hatása hatása yijk i j ij ijk hatás-modell A H 0 : i 0, i 1,..., r B H 0 : j 0, j 1,..., q AB H 0 : ij 0, i 1,..., r; j 1,..., q KISTERV_ANOVA_ 160 160

ANOVA-táblázat Az eltérés forrása A hatása eltérés- -négyzetösszeg (sorok közötti) S qp y y A i B hatása (oszlopok közötti) AB kölcsönhatás i S rp y y S B AB j j p y y y y i j ij i j szabadsági fok r-1 q-1 (r-1) (q-1) s AB szórásnégyzet F s s A B S A s A s r 1 SB sb s q 1 S AB r 1 q 1 s R R AB sr Maradék (csoportokon belüli) Teljes S R yijk yij i j k S0 yijk y i j k rq(p-1) rqp-1 s R S R rq p 1 34(4-1)=36 KISTERV_ANOVA_ 161 161

SURVIVAL 1.6 1.4 1. 1.0 0.8 0.6 POISON*TREATMEN; Weighted Means Current effect: F(6, 36)=1.8743, p=.115 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals Statistics> Advanced Linear/Nonlinear Models> >General Linear Models>Factorial ANOVA> Means fülön: Observed, weighted, Plot 0.4 0. 0.0 1 3 4 TREATMEN POISON 1 POISON POISON 3 Summary fülön: All effects Effect Intercept POISON TREATMEN POISON*TREATMEN Error Univariate Tests of Significance for SURVIVAL (Poison) Sigma-restricted parameterization Effective hypothesis decomposition SS Degr. of MS F p Freedom 11.0304 1 11.0304 495.9194 0.000000 1.03301 0.51651 3.17 0.000000 0.911 3 0.30707 13.8056 0.000004 0.5014 6 0.04169 1.8743 0.1151 0.80073 36 0.04 KISTERV_ANOVA_ 16 16

Homoszkedaszticitás e konst? More results>assumptions fülön: Homogeneity of variances Tests of Homogeneity of Variances (Poison) Effect: POISON*TREATMEN Hartley F-max Cochran C Bartlett Chi-Sqr. df p SURVIVAL 678.6000 0.43741 45.13689 11 0.000005 Levene's Test for Homogeneity of Variances (Poison) Effect: POISON*TREATMEN Degrees of freedom for all F's: 11, 36 MS Effect MS Error F p SURVIVAL 0.04601 0.005069 4.853537 0.000144 KISTERV_ANOVA_ 163 163

A reziduumok vizsgálata Residuals1 fülön: Pred. & resid. 0.5 Dependent variable: SURVIVAL 0.4 0.3 0. 0.1 Raw Residuals 0.0-0.1-0. -0.3-0.4 0.1 0. 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Predicted Values KISTERV_ANOVA_ 164 164

3 P-Plot: SURVIVAL Effect: POISON*TREATMEN (Plot of within-cell residuals) All Groups Expected Normal Value 1 0-1 - -3-0.4-0.3-0. -0.1 0.0 0.1 0. 0.3 0.4 0.5 Observed Value KISTERV_ANOVA_ 165 165

Box-Cox transzformáció y ~ y Var dy dy tr tr y y y dy dy tr tr y konst dy tr Var ha y konst dy dy tr ky dy y tr 1 y ha 1 y dy ln y ha 1 KISTERV_ANOVA_ 166 166

y tr 1 y ha 1 y dy ln y ha 1 =1- transzformáció -1 1/ y 1.5-0.5 1/ y 1 0 ln y 0.5 0.5 y 0 1 (nincs transzformáció) KISTERV_ANOVA_ 167 167

y ~ y ln y k ln y egyenest kell illeszteni -0.5 lnsd = -0.958+1.977*x -1.0-1.5 lnsd -.0 -.5-3.0 y ~ y -3.5-4.0-4.5-1.8-1.6-1.4-1. -1.0-0.8-0.6-0.4-0. 0.0 lnmean KISTERV_ANOVA_ 168 168

Box-Cox transzformáció y tr y File>Open: (Program Files>StatSoft>Statistica8>Examples>Macros> >Analysis Examples>BoxCox) 6 Lambda versus SSE(lambda) Dependent variable: SURVIVAL Indep.: The intersection of the 95% C.I line with the SSE line marks the 95% confidence limits For the best lambda 5 4 3 S 1 1 95% C.I. 0 -.5 -.0-1.5-1.0-0.5 0.0 0.5 1.0 1.5.0.5 Lambda KISTERV_ANOVA_ 169 169

3 Lambda=1 (No Transformation) Normal Probability Plots of Residuals Dependent Variable: SURVIVAL Indep.: 3 Lambda=-1 1 1 0 0 z -1 z-value -1 - - -3-0.4-0. 0.0 0. 0.4 0.6 0.8 1.0-3 -.5 -.0-1.5-1.0-0.5 0.0 0.5 1.0 1.5.0 Residual Residual KISTERV_ANOVA_ 170 170

y helyett 1/y 6 Box Plot of multiple variables grouped by TREATMEN Spreadsheet1 5v*16c Median; Box: 5%-75%; Whisker: Non-Outlier Range 5 4 3 1 0 1 3 4 TREATMEN 1.000.000 3.000 KISTERV_ANOVA_ 171 171

4.5 TREATMEN; LS Means Current effect: F(3, 36)=8.343, p=.00000 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals 4.0 3.5 recsurv: =1/survival 3.0.5.0 1.5 1.0 1 3 4 TREATMEN 4.5 POISON; LS Means Current effect: F(, 36)=7.635, p=.00000 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals 4.0 3.5 recsurv: =1/survival 3.0.5.0 1.5 1.0 1 3 POISON KISTERV_ANOVA_ 17 17

7 POISON*TREATMEN; Weighted Means Current effect: F(6, 36)=1.0904, p=.38673 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals 6 5 recsurv: =1/survival 4 3 1 0-1 1 3 4 TREATMEN POISON 1 POISON POISON 3 KISTERV_ANOVA_ 173 173

Effect Intercept POISON TREATMEN POISON*TREATMEN Error Univariate Tests of Significance for Recsurv (Poison) Sigma-restricted parameterization Effective hypothesis decomposition SS Degr. of MS F p Freedom 330.089 1 330.089 1374.881 0.000000 34.8771 17.4386 7.635 0.000000 0.4143 3 6.8048 8.343 0.000000 1.5708 6 0.618 1.090 0.386733 8.6431 36 0.401 A hatások még kifejezettebbek (F értékei nagyobbak), a kölcsönhatáshoz tartozó p 0.11 helyett 0.387 lesz. KISTERV_ANOVA_ 174 174

A reziduumok vizsgálata Raw Residuals Dependent variable: Recsurv 1.4 1. 1.0 0.8 0.6 0.4 0. 0.0-0. -0.4-0.6-0.8-1.0 0.5 1.0 1.5.0.5 3.0 3.5 4.0 4.5 5.0 5.5 Predicted Values Expected Normal Value Dependent variable: Recsurv 3.0.5.0 1.5 1.0 0.5 0.0-0.5-1.0-1.5 -.0 -.5-3.0-1.0-0.8-0.6-0.4-0. 0.0 0. 0.4 0.6 0.8 1.0 1. 1.4 Residual KISTERV_ANOVA_ 175 175.99.95.75.55.35.15.05.01

Összehasonlítások Különbözik-e az 1. és. méreg? Planned comparisons fülön Compute KISTERV_ANOVA_ 176 176

Between Contrast Coefficients (Poison) Coefficients for each cell in the selected effect Cell No. POISON TREATMEN Cell N CNTRST1 1 3 4 5 6 7 8 9 10 11 1 Source Effect Error becsült hatás 1 1 1 4 1 1 4 1 1 3 4 1 1 4 4 1 1 4-1 4-1 3 4-1 4 4-1 3 1 4 0 3 4 0 3 3 4 0 3 4 4 0 Univariate Test of Significance for Planned Comparison (Poison) Dependent variable: recsurv Sum of Degr. of Mean F p Squares Freedom Square 1.756997 1 1.756997 7.31809 0.01036 8.643083 36 0.40086 Contrast Estimates (Poison) Dependent variable: recsurv Estimate Std.Err t p -95.00% +95.00% Contrast Cnf.Lmt Cnf.Lmt CNTRST1-1.87457 0.69944 -.705 0.01036-3.799-0.46910 KISTERV_ANOVA_ 177 177