Hypotestest Om datamaterialet är väldigt osannolikt givet en viss idé (hypotes), kan man dra slutsatsen att idén faller på sin egen orimlighet… Om A så.

En presentation över ämnet: "Hypotestest Om datamaterialet är väldigt osannolikt givet en viss idé (hypotes), kan man dra slutsatsen att idén faller på sin egen orimlighet… Om A så."— Presentationens avskrift:

1 Hypotestest Om datamaterialet är väldigt osannolikt givet en viss idé (hypotes), kan man dra slutsatsen att idén faller på sin egen orimlighet… Om A så B. Om ej B så Ej A. Om A så förmodligen B, Om ej B så…?

2 Hur ska materialet analyseras?
Ett stickprov kvantitativa data: z-test Födelsevikt för pojkar, mammor med högt BMI Pojke Vikt 1 3655 2 3465 3 3900 4 3410 5 3720 6 4300 7 3570 8 4000 9 3625 10 4925 11 4190 12 4280 Hur ska materialet analyseras?

3 Ett stickprov kvantitativa data: z-test Födelsevikt för pojkar, mammor med högt BMI
Pojke Vikt 1 3655 2 3465 3 3900 4 3410 5 3720 6 4300 7 3570 8 4000 9 3625 10 4925 11 4190 12 4280 Nollhypotes H0: =3600 gram Alternativhypotes H1:   3600 gram Känt  = 400 Deskriptiv statistik: Inferens: Konfidensintervall 3694<  <4146 (95%) Hypotestest (z-test): z= 2,77 p=0,006 Beräkningar: mg_statistics_calculator

4 Förutsättningar för z-test och motsvarande konfidensintervall
Kvantitativa data med känd standardavvikelse Om stickprovet är litet måste variabeln som studeras vara normalfördelad Om stickprovet är stort fungerar analys trots avvikelse från normalfördelning (ju större stickprov desto större avvikelse kan accepteras).

5 Ett stickprov kvantitativa data: t-test Födelsevikt för pojkar, mammor med högt BMI
Nollhypotes H0: =3600 gram Alternativhypotes H1:   3600 gram Deskriptiv statistik: Inferens: Konfidensintervall 3639<  <4201 (95%) Hypotestest (t-test): t= 2,51 p=0,029 Pojke Vikt 1 3655 2 3465 3 3900 4 3410 5 3720 6 4300 7 3570 8 4000 9 3625 10 4925 11 4190 12 4280 Beräkningar: mg_statistics_calculator eller spss

6 Förutsättningar för t-test och motsvarande konfidensintervall
Kvantitativa data, okänd standardavvikelse (om känd används z-test) Om stickprovet är litet måste variabeln som studeras vara normalfördelad Om stickprovet är stort fungerar analys trots avvikelse från normalfördelning (ju större stickprov desto större avvikelse kan accepteras).

7 Två stickprov - ”parade observationer” Tio rafflande Ruzzle-matcher mellan två spelare…
margell motståndare diff 3251 3311 -60 2254 2171 83 3199 3090 109 2972 2836 136 3650 3540 110 3750 3771 -21 3850 3420 430 2480 2290 190 3111 2908 203 2458 2139 319 Beräkningar: mg_statistics_calculator eller spss

8 Förutsättningar: Parat t-test
Kvantitativa data Fungerar om differenserna är normalfördelade eller stickprovet stort

9 Två oberoende stickprov – häl eller framfot vid löpning…?

10 Förutsättningar för t-test mellan två oberoende stickprov
Kvantitativa data, två oberoende stickprov Om stickproven är små måste variabeln vara normalfördelad i respektive population (ju större stickprov desto större avvikelse kan accepteras) De två studerade populationerna ska vara lika homogena (samma standardavvikelse). Detta antagande är inte viktigt om stickproven är ungefär lika stora (tumregel ena stickprovet max 1.5 ggr större än det andra). Om villkoret ej är uppfyllt kan Welsh test användas (beräknas automatiskt i SPSS ”anra raden”)

11 Transformer... Vanligast är att logaritmera data.
Transformen kan ge mindre skevhet samt mindre skillnader i varians.

12 Dikotoma data - ett stickprov
rösta på Obama i kommande valet.. Resultat:

13 Dikotoma data - två stickprov
Om np(1-p)>5 i båda stickproven gäller: Under samma villkor; testfunktion (för att testa hypotesen att proportionerna är lika):

14 Dikotoma data - två stickprov
Test: z= , p=0.12