Войти в систему
Войти с помощью соц. сетей:
Как найти: Анализ –> Непараметрические критерии –> Устаревшие диалоговые окна –> Для двух связанных выборок.
Что вводить: переместите пары переменных, обозначающих связанные выборки, в поле «Тестовые пары».
Дополнительные опции: если хотите, можете посмотреть различия по другим критериям. Например, по критерию знаков.
Куда смотреть: смотрим в таблицу «Статистические критерии». T-критерия Вилкоксона вы в ней не найдете – вместо него так называемая Z-статистика, рассчитанная на основе этого критерия. Ее вполне можно вставлять в вашу работу.
P-уровень значимости можно найти в строчке «Асимптотическая значимость (2-сторонняя)». Если он меньше 0,05, ваши выборки значимо различаются. Если же больше 0,05, то таких различий обнаружено не было.
Как найти: Анализ –> Непараметрические критерии –> Устаревшие диалоговые окна –> Для K связанных выборок.
Что вводить: переместите переменные, обозначающие связанные выборки, в поле «Проверяемые переменные».
Дополнительные опции: ничего интересного.
Куда смотреть: смотрим в таблицу «Статистические критерии». Абсолютное значение критерия скрывается в строчке «Хи-квадрат». Если «Асимптотическая значимость меньше 0,05», то влияние фактора можно считать значимым.
Как найти: Анализ –> Корреляции –> Парные.
Что вводить:
1. Переместите переменные, между которыми вы хотите найти взаимосвязи, в поле «Переменные».
2. Выберите нужный коэффициент корреляции.
Дополнительные опции: ничего интересного.
Куда смотреть: программа выдаст вам корреляционную матрицу (таблица «Корреляции» или «Непараметрические корреляции»). Чтобы посмотреть в ней коэффициент корреляций между переменными А и Б, нужно найти строчку с переменной А и столбик с переменной Б и посмотреть, где они пересекаются.
Сверху будет коэффициент корреляции, а чуть ниже – уровень значимости (двухсторонний). Если он ниже 0,05, то связь между переменными действительно присутствует.
Как найти: Анализ –> Регрессия –> Линейная…
Что вводить:
1. Переместите целевую переменную в поле «Зависимая переменная».
2. Переместите переменные-факторы в «Независимые переменные».
Дополнительные опции: на главном окне вы можете выбрать метод линейной регрессии. Как правило, «Ввод» и «Пошагово».
Нажав на кнопку «Статистики», вы сможете выбрать некоторые дополнительные коэффициенты, которые выдаст вам программа.
Куда смотреть: смотрим в таблицу «Коэффициенты». Там нас будут интересовать два столбца – «B» и «Значимость». В первом из них – регрессионные коэффициенты. Во втором – p-уровень значимости. Если он меньше 0,05, то данный фактор является значимым.
Вторая интересующая нас таблица – сводка для модели. Смотрим столбец «Скорректированный R-квадрат». В нем – коэффициент детерминации, который скажет, какой процент ваших данных объясняет модель. R-квадрат, равный 0,92, обозначает, что 92 % ваших данных объясняется вашей моделью.
Как найти: Анализ –> Регрессия –> Логистическая…
Что вводить:
1. Переместите целевую переменную в поле «Зависимая переменная».
2. Переместите переменные-факторы в «Ковариаты».
Дополнительные опции: на главном окне вы можете выбрать метод логистической регрессии. По умолчанию установлен «Ввод» (или «Enter»).
Нажав на кнопку «Параметры», вы сможете выбрать некоторые дополнительные статистики и графики. Также я очень рекомендую поставить галочку в графе «На последнем шаге».
Куда смотреть: пролистываем вывод вниз (до Блок 1) и смотрим в таблицу «Переменные в уравнении». Интересуют нас два столбца: «B» и «Значимость». Первый содержит регрессионные коэффициенты. Второй – p-уровень значимости. Если он меньше 0,05, то данный фактор является значимым.
Вторая таблица – «Сводка для модели». Смотрим столбец «R-квадрат Нэйджелкерка». Этот коэффициент показывает, сколько процентов ваших данных объясняет полученная модель. R-квадрат, равный 0,92, обозначает, что 92 % ваших данных объясняется вашей моделью.
И последнее – «Таблица классификации». Она позволяет сравнить, насколько результаты, предсказываемые моделью, совпадают с реальными.
Как найти: Анализ –> Классификация –> Дискриминантный анализ.
Что вводить:
1. Переместите переменную, делящую ваши объекты на группы, в поле «Группировать по». Далее – задайте диапазон, в котором находятся ваши группы (допустим от 1 до 3, если группы обозначаются как 1, 2 и 3).
2. Переместите остальные переменные в поле «Независимые».
3. Нажмите кнопку «Статистики» и отметьте «Однофакторный дисперсионный анализ».
4. Нажмите кнопку «Классифицировать» и отметьте «Итоговая таблица».
Дополнительные опции: на главном окне вы можете выбрать метод дискриминантного анализа («Принудительное включение» или «Шаговый отбор»).
В окне «Статистики» вы также можете выбрать «Средние», что даст описательную статистику по каждой из групп.
Куда смотреть: в таблице «Критерии равенства групповых средних» можно посмотреть, какие переменные значимо разделяют ваши объекты на группы (столбцы «F» и «Значимость»). Если значимость меньше 0,05, то разделяет.
Значения коэффициентов стандартизованной канонической дискриминантной функции можно найти в одноименной таблице (если это действительно необходимо).
Что касается меры качества, то таковой может служить таблица «Результаты классификации». В ячейках [0,0] и [1,1] находятся правильно классифицированные объекты, а в остальных – ошибочно определенные.
Войти с помощью соц. сетей: