Faktoranalys, Cronbach s Alpha, Risk Ratio, & Odds Ratio
|
|
- Ingrid Lundström
- för 8 år sedan
- Visningar:
Transkript
1 Faktoranalys, Cronbach s Alpha, Risk Ratio, & Odds Ratio med SPSS Kimmo Sorjonen 1. Faktoranalys Innan man utför en faktoranalys kan det vara bra att testa om det finns några outliers i data. Detta kan t.ex. göras genom att beräkna Mahalanobis i regressionsanalysmodulen. Kör in de variabler som skall faktoreras som prediktorer och t.ex. fp-nummer som beroende variabel. Man kan kolla om någon person har en Mahalanobis som är signifikant t.ex. på 0,001-nivån med lika många frihetsgrader som prediktorer. För att utföra en faktoranalys: Analyze Data Reduction Factor. Kör in de variabler som skall faktoreras i rutan Variables. För att testa om data lämpar sig för faktorering: Klicka på Descriptives och välj Antiimage samt KMO and Bartlett s test of sphericity. Klicka på Continue. För hjälp att välja lämpligt antal faktorer: Klicka på Extraction och välj Scree plot. Klicka på Continue. För att få en tydligare faktorstruktur: Klicka på Rotation och välj Varimax (se till att boxen Rotated solution är markerad). Klicka på Continue. Nu är vi redo att köra: Klicka på OK. 1.1 Output I det här exemplet har frågorna i listan nedan fatorerats. Data är insamlade med en enkät där respondenter läser om hur en person (t.ex. Lena) slår ner en annan person (t.ex. Johan) efter att ha blivit provocerad. Respondenterna anger sedan vad de tycker om det inträffade genom att svara på påståenden på en skala från 1 (= instämmer inte alls) till 7 (= instämmer helt). Bartlett s testar om korrelationsmatrisen (för de aktuella itemen) i populationen kan antas vara en identitetsmatris (bara nollor utanför diagonalen). Om det skulle vara så skulle data inte lämpa sig för faktorering, så här vill vi gärna se ett signifikant resultat. KMO står för hur mycket ett items varians överlappar med de andra itemens varians och här anges ett medelvärde för de aktuella itemen. En riktlinje är att detta värde bör vara över 0,6 för en vettig faktorering.
2 2 Här ges kommunaliteter (hur stor andel av variansen som förklaras av alla faktorer). I den initiala lösningen, där antalet faktorer är lika många som antalet item, så förklaras all varians (kolumn 1). I kolumn 2 anges kommunaliteter för den extraherade modellen (i det här fallet med tre faktorer). I diagonalen i denna matris ges KMO för de enskilda itemen. En riktlinje är att värdet inte bör vara mindre än 0,5 (annars kan man fundera på att stryka itemet). Här anges egenvärden för de olika faktorerna (komponenterna) i den initiala lösningen. Även hur stor andel av den totala variansen de förklarar anges (detta är lika med egenvärdet dividerat med antal item). Här anges vilka faktorer som valts ut (de med egenvärden > 1). Här anges egenvärden som faktorerna har efter rotationen. Notera att summan av egenvärden och förklarad varians är den samma som i den initiala lösningen, men att den blivit lite jämnare fördelad mellan de tre faktorerna.
3 3 Scree Plot: Faktornummer på x-axeln och egenvärde på y- axeln. Lutningen avtar markant vid den tredje faktorn, vilket indikerar att en lösning med två faktorer skulle kunna vara lämplig. Oroterade faktorladdningar. Denna kan ignoreras till förmån för den roterade varianten. Roterad faktorlösning. Faktor 3 innehåller bara två höga laddningar, vilket är lite fjuttigt. Detta, tillsammans med Scree Plot, talar för att man skulle kunna testa en lösning med två faktorer (se nedan). Värdena i den här rutan anger hur den roterade faktorlösningen åstadkoms utifrån den oroterade. 1.2 Ändra antalet faktorer Vi gör om analysen, men istället för att låta programmet välja ut alla faktorer med egenvärden > 1 så säger vi till den att extrahera två faktorer. I faktoranalysmodulen: Klicka på Extraction, välj Number of factors och skriv 2 i rutan. Klicka på Continue och sedan på OK. Nedan visas endast de nya roterade faktorladdningarna:
4 4 Faktorladdningarna indikerar att frågorna 23, 25 (negativ laddning), 29, 31, 33 och 34 (negativ laddning) hänger ihop i en faktor. Om man läser innehållet i dessa frågor (se listan nedan) så skulle man kanske kunna tolka det hela som att faktorn mäter Offrets uppfattade samhälleliga värde. Faktor 2, med frågorna 24 (neg), 26, 27, 28 (neg), 30 och 32 skulle kanske kunna döpas till Generellt ogillande av våld. 2. Spegelvändning Om item 25 och 34 samt 24 och 28 skall inkluderas i respektive faktor, så måste de spegelvändas först. Detta innebär att fp med låga värden ges höga värden och fp med höga värden ges låga värden. I det aktuella fallet, där alla item mätts på en skala från 1 till 7, skulle det innebära att alla med värdet 1 får 7, 2 blir 6, 3 blir 5, 4 blir 4, 5 blir 3, 6 blir 2 och 7 blir 1. För att spegelvända: Transform Recode into Same Variables (om du vill ersätta den gamla variabeln med den nya spegelvända) eller Recode into Different Variables (om du vill behålla de ursprungliga variablerna och skapa nya spegelvända). I det här exemplet skapas nya variabler. Kör in variabeln som skall spegelvändas (t.ex. F25) i rutan Numeric variable Output variable. Skriv namnet på den nya spegelvända variabeln (t.ex. F25.rev) i rutan Name. Klicka på Change. Upprepa proceduren för de andra variablerna som skall spegelvändas. Det hela skulle kunna se ut som i figuren till vänster. Klicka på Old and New Values. Skriv 1 i rutan Old values och 7 i rutan New values och klicka sedan på Add. Skriv 2 under Old values och 6 under New values och klicka på Add o.s.v. När man är färdig ser det ut som i figuren till höger. Klicka på Continue och sedan på OK. De nya spegelvända variablerna dyker upp längst ut till höger i databladet. Spegelvändning av item kan även göras med Compute funktionen, som används för att skapa indexvariabler nedan.
5 5 3. Cronbach s Alpha Cronbach s alpha är det vanligaste homogenitetsmåttet och den anger i vilken utsträckning de testade itemen hänger ihop. En riktlinje är att Cronbach s alpha bör vara högre än 0,6 för att det skall vara meningsfullt att slå ihop item till en indexvariabel. För att beräkna Cronbach s alpha: Analyze Scale Reliability Analysis. Kör in de item som skall testas i rutan Items. För nyttig information: Klicka på Statstics och välj Scale if item deleted. Klicka på Continue och sedan på OK. 3.1 Output I det här exemplet har Cronbach s alpha beräknats för de item som ingick i faktor 1 (Offrets uppfattade samhälleliga värde) i faktoranalysen ovan. I den här analysen måste alla item gå åt samma håll (de skall alltså inte vara negativt korrelerade). Så istället för F25 och F34 tar vi med F25.rev och F34.rev. För dessa item är Alpha alltså 0,81 gott så. Kolumnen längst ut till höger fick vi genom vårt tillval av Scale if item deleted. Här anges vad alpha för övriga item skulle bli om respektive item skulle strykas. Om värdet här är högre än det aktuella alpha-värdet så kan homogeniteten alltså ökas genom att stryka detta item. Detta bör man överväga, speciellt om det aktuella alpha-värdet är lite taskigt. OBS: Ta inte bort mer än ett item (det sämsta) åt gången, även om det skulle vara flera item som drar ner alpha. I det här fallet är det inga item som drar ner alpha (alla värden är mindre än 0,805). 4. Skapa indexvariabler En indexvariabel är en sammanslagning av flera item. De item som ingår i en indexvariabel bör hänga ihop, både innehållsmässigt och statistiskt (= vara homogena). Annars blir det väldigt svårt att tolka vad ett värde i indexvariabeln står för. För att skapa en indexvariabel: Transform Compute variable. Skriv namnet på indexvariabeln (t.ex. OUSV för offrets upplevda samhälleliga värde) i rutan Target Variable. I rutan Numeric Expression skriver man vad värdena i denna variabel skall bestå av. Om vi skall slå ihop itemen ovan till ett index så skriver vi följande i rutan Numeric Expression : Mean(F23,F29,F31,F33,F25.rev,F34.rev) På så sätt skapar vi en ny variabel där varje respondent får ett värde som är lika med medelvärdet för den personens värden i F23, F29 o.s.v. I det här exemplet: Ju högre
6 6 värde en person har, desto större samhällelig nytta verkar han/hon tillskriva offret för den våldsamma handlingen (Johan). Den här indexvariabeln skulle nu t.ex. kunna användas som en prediktor i regressionsanalys eller som en beroende variabel i variansanalys. 5. Risk Ratio & Odds Ratio Risk- och odds ratio beräknar sambandet mellan två dikotoma variabler. Inom forskning handlar det ofta om att man vill testa om en grupp som exponerats för någonting, t.ex. svåra barndomsförhållanden, har en högre risk/odds för ett visst utfall, t.ex. missbruk, jämfört med en icke-exponerad grupp. I det aktuella datasetet, där alla respondenter är studenter, finns en variabel som anger ifall respondenten pluggar psykologi eller inte. Dessutom har vikt dikotomiserats till att ange om en person väger mer än 80 kg eller inte. Att dikotomisera en kvotvariabel som vikt i kg är givetvis idiotiskt och ingenting man skulle göra i vanliga fall. För att beräkna risk- och odds ratio: Analyze Descriptive Statistics Crosstabs. Kör in variabeln som skall betraktas som oberoende (om någon) i rutan Row(s) och den andra variabeln (utfallsvariabeln) i rutan Column(s). Programmet ger inte automatiskt odds- eller riskkvoter, så vi klickar på Statistics och väljer Risk samt Cochran s and Mantel- Haenszel statistics. Klicka på Continue och sedan på OK. 5.1Output 1. Risk att väga > 80 kg om man pluggar psykologi = 12 / 77 = 0, Risk att väga 80 kg om man pluggar psykologi = 65 / 77 = 0, Risk att väga > 80 kg om man inte pluggar psykologi = 30 / 172 = 0, Risk att väga 80 kg om man inte pluggar psykologi = 142 / 172 = 0, Odds att väga > 80 kg om man pluggar psykologi = 12 / 65 = 0, Odds att väga 80 kg om man pluggar psykologi = 65 / 12 = 5, Odds att väga > 80 kg om man inte pluggar psykologi = 30 / 142 = 0, Odds att väga 80 kg om man inte pluggar psykologi = 142 / 30 = 4,733
7 7 Risken att väga > 80 kg om man pluggar psykologi dividerat med risken att väga > 80 kg om man inte pluggar psykologi = 0,156 / 0,174 = 0,897. Konfidensintervallet (0,484-1,650) innehåller värdet 1. Vi kan alltså inte med tillräckligt hög säkerhet säga att det finns en skillnad i risk för vikt > 80 kg mellan dem som pluggar psykologi och dem som inte gör det. Risken att väga 80 kg om man pluggar psykologi dividerat med risken att väga 80 kg om man inte pluggar psykologi = 0,844 / 0,826 = 1,022. Konfidensintervallet (0,909-1,151) innehåller värdet 1. Vi kan alltså inte med tillräckligt hög säkerhet säga att det finns en skillnad i risk för vikt 80 kg mellan dem som pluggar psykologi och dem som inte gör det. Odds att väga > 80 kg om man pluggar psykologi dividerat med odds att väga > 80 kg om man inte pluggar psykologi = 0,185 / 0,211 = 0,877 (skillnaden beror på avrundning). Konfidensintervallet för oddskvoten går från 0,421 till 1,815. Detta intervall inkluderar värdet 1. Detta innebär att vi INTE kan utesluta att oddskvoten i populationen är lika med 1 med 95% säkerhet. Vi skulle alltså behålla nollhypotesen: Det finns ingen skillnad i odds för en vikt > 80 kg mellan dem som pluggar psykologi och dem som inte gör det. Här ser vi, återigen, att vår oddskvot inte skiljet sig signifikant från värdet 1 (p = 0,718)
8 8 6. Övningsuppgifter 6.1 Faktoranalys Upprepa stegen ovan för itemen F1-F22. VARNING: Jag har inkluderat två slumpvariabler i datasetet, dessa måste identifieras och elimineras. Lista på items i datasetet F1. Det var fruktansvärt av Lena att attackera Johan. F2. Johans beteende mot Lena var acceptabelt. F3. Lenas attack mot Johan var upprörande. F4. Johan riskerade att få men för livet. F5. Johan var uppkäftigt mot Lena. F6. Lenas handlande mot Johan var rimligt. F7. Lenas attack mot Johan var befogad. F8. Lenas beteende mot Johan var acceptabelt. F9. Lena betedde sig omoraliskt när hon attackerade Johan. F10. Det var förståeligt att Lena attackerade Johan. F11. Johans beteende mot Lena var inget att bli upprörd över. F12. Johans handlande mot Lena var godtagbart F13. Johan fick nog inga skador alls. F14. Lenas handlande mot Johan var chockerande. F15. Våld är trevligt F16. Johan var oförskämd mot Lena. F17. Johan var förmodligen snabbt uppe på benen igen. F18. Johan var i sin fulla rätt att handla som han gjorde. F19. Risken var stor att Johan blev allvarligt skadad. F20. Johans handlande mot Lena var väldigt provocerande. F21. Det var antagligen ingen större fara med Johan. F22. Lena borde ha slagit Johan ännu mer. F23. Om Johan dog eller blev allvarligt skadad så skulle det vara en katastrof för samhället. F24. I vissa situationer kan användandet av våld vara befogat. F25. Johans betydelse för samhället var, på det stora hela, nog rätt så obetydlig. F26. Det är omoraliskt att använda sig av våld. F27. Det är fegt att använda sig av våld mot andra. F28. Våld kan vara den enda lösningen på vissa problem. F29. Johan var en värdefull medlem av samhället. F30. Det är aldrig rätt att använda våld. F31. Det skulle vara en stor förlust för samhället om Johan dog eller blev allvarligt skadad. F32. Våld skapar problem snarare än löser dem. F33. Personer som Johan är väldigt nyttiga för samhället. F34. Samhället skulle nog klara sig bra även utan Johan. 6.2 Risk Ratio & Odds Ratio Beräkna om risken/oddsen för att vara längre än 175 cm (längre.175) skiljer sig åt mellan kvinnor och män (b.kön). Beräkna om risken/oddsen för att vara längre än 175 cm (längre.175) skiljer sig åt mellan dem som pluggar psykologi och dem som inte gör det.
9 9 7. Facit 7.1 Faktoranalys Jag fastnade för en lösning med tre faktorer: Faktor Item Alpha Acceptans av Våldsam Handling F1.rev, F3.rev, F6, F7, F8, F9.rev, F10, 0,895 (AVH) F14.rev, Ingen Större Fara (ISF) F4.rev, F13, F17, F19.rev, F21 0,905 Inte Offrets Fel (IOF) F2, F5.rev, F11, F12, F16.rev, F18, F20.rev 0,816 Item F15, F22 hade låg KMO (0,45 respektive 0,41) och ströks. Dessa två item är alltså inte inkluderade i analyserna. 7.2 Risk Ratio & Odds Ratio Odds för att vara längre än 175 cm är lägre för kvinnor jämfört med män (OR = 0.03, CI: ). Däremot är risken för att vara kortare än 175 cm, kanske inte helt oväntat, högre för kvinnor än för män (RR = 4.05, CI: ). Odds för att vara längre än 175 cm är lägre för psykologistudenter jämfört med dem som inte pluggar psykologi (OR = 0.30, CI: ). Man kan även se att risken för att vara kortare än 175 cm är högre för psykologistudenter jämfört med dem som inte pluggar psykologi (RR = 1.54, CI: ). Detta är ett oomkullrunkeligt bevis för att studier i psykologi är ett djävulens påfund som får människor s.a.s. att sjunka ihop.
Faktoranalys - Som en god cigarr
Innehåll Faktoranalys - Som en god cigarr Faktoranalys. Användningsområde. Krav/rekommen. 3. Olika typer av FA 4. Faktorladdningar 5. Eigenvalue 6. Rotation 7. Laddningar & Korr. 8. Jämförelse av metoder
Läs merIntro till SPSS Kimmo Sorjonen (0811)
1 Intro till SPSS Kimmo Sorjonen (0811) 1. Att mata in data i SPSS 1. Klicka på ikonen för SPSS. 2. Välj alternativet Type in data och klicka på OK. 3. Databladet har två flikar: Data view och Variable
Läs merRegressionsanalys med SPSS Kimmo Sorjonen (2010)
1 Regressionsanalys med SPSS Kimmo Sorjonen (2010) 1. Multipel regression 1.1. Variabler I det aktuella exemplet ingår följande variabler: (1) life.sat, anger i vilket utsträckning man är nöjd med livet;
Läs merT-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen
T-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen 1. One-Sample T-Test 1.1 När? Denna analys kan utföras om man vill ta reda på om en populations medelvärde på en viss variabel kan antas
Läs merRisk Ratio, Odds Ratio, Logistisk Regression och Survival Analys med SPSS Kimmo Sorjonen, 2012
Risk Ratio, Odds Ratio, Logistisk Regression och Survival Analys med SPSS Kimmo Sorjonen, 2012 1. Risk Ratio & Odds Ratio Risk- och odds ratio beräknar sambandet mellan två dikotoma variabler. Inom forskning
Läs merUnder denna laboration kommer regression i olika former att tas upp. Laborationen består av fyra större deluppgifter.
Laboration 5 Under denna laboration kommer regression i olika former att tas upp. Laborationen består av fyra större deluppgifter. Deluppgift 1: Enkel linjär regression Övning Under denna uppgift ska enkel
Läs merIdiotens guide till. Håkan Lyckeborgs SPSS-föreläsning 4/12 2008. Av: Markus Ederwall, 21488
Idiotens guide till Håkan Lyckeborgs SPSS-föreläsning 4/12 2008 Av: Markus Ederwall, 21488 1. Starta SPSS! 2. Hitta din datamängd på Kurs 601\downloads\datamängd A på studentwebben 3. När du hittat datamängden
Läs merKort manual till SPSS 10.0 för Mac/PC
Institutionen för beteendevetenskap Linköpings universitet Kort manual till SPSS 10.0 för Mac/PC 1. Att skapa en ny variabel Inmatning av data sker i det spread sheet som kallas Data View (flik längst
Läs merVariansanalys med SPSS Kimmo Sorjonen (2012-01-19)
1 Variansanalys med SPSS Kimmo Sorjonen (2012-01-19) 1. Envägs ANOVA för oberoende mätningar 1.1 Variabler Data simulerar det som använts i följande undersökning (se Appendix A): Petty, R. E., & Cacioppo,
Läs merStructural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24)
1 Structural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24) 1. Variabler och tänkt modell Data simulerar de som använts i följande studie (se Appendix A): Hull, J. G., & Mendolia, M. (1991). Modeling
Läs merMultilevel Modeling med SPSS Kimmo Sorjonen ( )
1 Multilevel Modeling med SPSS Kimmo Sorjonen (2012-01-21) 1. Tvärsnittsdata, Två nivåer 1.i Variabler Data simulerar de som använts i följande studie (se Appendix A och Appendix B): Andersen, R., & van
Läs merAnvändning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå
Användning Multilevel Modeling (MLM) Var sak på sin nivå Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Kärt barn har många namn: (1) Random coefficient models; () Mixed effect models; (3)
Läs merMata in data i Excel och bearbeta i SPSS
Mata in data i Excel och bearbeta i SPSS I filen enkät.pdf finns svar från fyra män taget från en stor undersökning som gjordes i början av 70- talet. Ni skall mata in dessa uppgifter på att sätt som är
Läs merRegressionsanalys. - en fråga om balans. Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet
Regressionsanalys - en fråga om balans Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Innehåll: 1. Enkel reg.analys 1.1. Data 1.2. Reg.linjen 1.3. Beta (β) 1.4. Signifikansprövning 1.5. Reg.
Läs merLaboration 3. Övningsuppgifter. Syfte: Syftet med den här laborationen är att träna på att analysera enkätundersökningar. MÄLARDALENS HÖGSKOLA
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik Statistik och kvantitativa undersökningar, A 15 p Höstterminen 2016 Laboration 3 Övningsuppgifter Baserade på datasetet energibolag.rdata
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering
Matematikcentrum (7) Matematisk Statistik Lunds Universitet Per-Erik Isberg Laboration Simulering HT 006 Introduktion Syftet med laborationen är dels att vi skall bekanta oss med lite av de olika funktioner
Läs merAnvändning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå
Användning Multilevel Modeling (MLM) Var sak på sin nivå Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Kärt barn har många namn: (1) Random coefficient models; (2) Mixed effect models; (3)
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering
Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT007 Laboration Simulering Grupp A: 007-11-1, 8.15-.00 Grupp B: 007-11-1, 13.15-15.00 Introduktion Syftet
Läs merRichard Öhrvall, http://richardohrvall.com/ 1
Läsa in data (1/4) Välj File>Open>Data Läsa in data (2/4) Leta reda på rätt fil, Markera den, välj Open http://richardohrvall.com/ 1 Läsa in data (3/4) Nu ska data vara inläst. Variable View Variabelvärden
Läs merInstuderingsfrågor till avsnittet om statistik, kursen Statistik och Metod, Psykologprogrammet på KI, T8
1 Instuderingsfrågor till avsnittet om statistik, kursen Statistik och Metod, Psykologprogrammet på KI, T8 Dessa instuderingsfrågor är främst tänkta att stämma överens med innehållet i föreläsningarna,
Läs merInnehåll: 3.4 Parametriskt eller ej 3.5 Life Table 3.6 Kaplan Meier 4. Cox Regression 4.1 Hazard Function 4.2 Estimering (PL)
Innehåll: 1. Risk & Odds 1.1 Risk Ratio 1.2 Odds Ratio 2. Logistisk Regression 2.1 Ln Odds 2.2 SPSS Output 2.3 Estimering (ML) 2.4 Multipel 3. Survival Analys 3.1 vs. Logistisk 3.2 Censurerade data 3.3
Läs merDatorlaboration 1 Deskriptiv statistik med hjälp av MS Excel vers. 2010
v. 2015-01-07 ANVISNINGAR Datorlaboration 1 Deskriptiv statistik med hjälp av MS Excel vers. 2010 Detta häfte innehåller kortfattade anvisningar om hur ni använder Excel under denna laboration. Be om hjälp
Läs merUppgift 1. Produktmomentkorrelationskoefficienten
Uppgift 1 Produktmomentkorrelationskoefficienten Både Vikt och Längd är variabler på kvotskalan och således kvantitativa variabler. Det innebär att vi inte har så stor nytta av korstabeller om vi vill
Läs merRegressions- och Tidsserieanalys - F4
Regressions- och Tidsserieanalys - F4 Modellbygge och residualanalys. Kap 5.1-5.4 (t.o.m. halva s 257), ej C-statistic s 23. Linda Wänström Linköpings universitet Wänström (Linköpings universitet) F4 1
Läs merMatematikcentrum 1(12) Matematisk Statistik Lunds Universitet. SPSS (PASW) 18 for Windows - a guided tour
Matematikcentrum 1(12) Matematisk Statistik Lunds Universitet SPSS (PASW) 18 for Windows - a guided tour VT 2010 2 Introduktion till SPSS (PSAW) Denna övning kommer steg för steg att lära oss de grundläggande
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Analys av korstabeller 2 Innehåll 1 Analys av korstabeller 2 Korstabeller Vi har tidigare under kursen redan bekantat oss med korstabeller. I en korstabell redovisar man fördelningen på två
Läs merimport totalt, mkr index 85,23 100,00 107,36 103,76
1. a) F1 Kvotskala (riktiga siffror. Skillnaden mellan 3 och 5 månader är lika som skillnaden mellan 5 och 7 månader. 0 betyder att man inte haft kontakt med innovations Stockholm.) F2 Nominalskala (ingen
Läs merMarknadsinformationsmetodik Inlämningsuppgift
Marknadsinformationsmetodik Inlämningsuppgift Uppgiften löses med hjälp av SPSS. Klistra in tabeller och diagram från SPSS i ett Worddokument och kommentera där. Använd ett försättsblad till den slutgiltiga
Läs mer34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD
6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller
Läs merLinjär regressionsanalys. Wieland Wermke
+ Linjär regressionsanalys Wieland Wermke + Regressionsanalys n Analys av samband mellan variabler (x,y) n Ökad kunskap om x (oberoende variabel) leder till ökad kunskap om y (beroende variabel) n Utifrån
Läs merEn kort instruktion för arbete i SPSS
En kort instruktion för arbete i SPSS Anpassad till kursen Statistik och kvantitativa undersökningar HT14 Lars Bohlin 1 Innehåll Att lägga in data i SPSS... 3 Att skapa nya variabler... 4 Koda en ny variabel
Läs merEn introduktion till och första övning i @Risk5 for Excel
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg / Lars Wahlgren VT2012 En introduktion till och första övning i @Risk5 for Excel Vi har redan under kursen stiftat bekantskap med Minitab
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merHistogram, pivottabeller och tabell med beskrivande statistik i Excel
Histogram, pivottabeller och tabell med beskrivande statistik i Excel 1 Histogram är bra för att dem på ett visuellt sätt ger oss mycket information. Att göra ett histogram i Excel är dock rätt så bökigt.
Läs merStatistik B Regressions- och tidsserieanalys Föreläsning 1
Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs
Läs merInstruktioner till Inlämningsuppgiften i Statistik Kursen Statistik och Metod Psykologprogrammet (T8), Karolinska Institutet
1 Instruktioner till Inlämningsuppgiften i Statistik Kursen Statistik och Metod Psykologprogrammet (T8), Karolinska Institutet För att bli godkänd på inlämningsuppgiften krävs att man utför uppgiften om
Läs merDatorlaboration 1 Deskriptiv statistik med hjälp av MS Excel
ANVISNINGAR Datorlaboration 1 Deskriptiv statistik med hjälp av MS Excel Detta häfte innehåller kortfattade anvisningar om hur ni använder Excel under denna laboration. Be om hjälp när/om ni tycker att
Läs merI. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska
Innehåll I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser Univariata analyser Univariata analyser
Läs merDifferentiell psykologi
Differentiell psykologi Tisdag 24 september 2013 Confirmatory Factor Analysis CFA Dagens agenda Repetition: Sensitivitet och specificitet Övningsuppgift från idag Confirmatory Factor Analysis Utveckling
Läs merMultivariata metoder
Multivariata metoder F3 Linda Wänström Linköpings universitet 17 september Wänström (Linköpings universitet) Multivariata metoder 17 september 1 / 21 Principalkomponentanalys Syfte med principalkomponentanalys
Läs merLÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29
UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN
Läs mer*****************************************************************************
Statistik, 2p ANVISNINGAR Datorlaboration 1 Deskriptiv statistik med hjälp av MS Excel Detta häfte innehåller kortfattade anvisningar om hur ni använder Excel under denna laboration. Be om hjälp när/om
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel
Läs merLösningsförslag till tentamen på. Statistik och kvantitativa undersökningar STA100, 15 hp. Fredagen den 13 e mars 2015
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik Statistik Lösningsförslag till tentamen på Statistik och kvantitativa undersökningar STA100, 15 hp Fredagen den 13 e mars 015 1 a 13 och 14
Läs merDATORÖVNING 2: STATISTISK INFERENS.
DATORÖVNING 2: STATISTISK INFERENS. START Logga in och starta Minitab. Se till att du kan skriva Minitab-kommandon direkt i Session-fönstret (se föregående datorövning). CENTRALA GRÄNSVÄRDESSATSEN Enligt
Läs merExaminationsuppgifter del 2
UMEÅ UNIVERSITET Institutionen för Matematik och Matematisk statistisk Statistik för ingenjörer, poäng, Anders Lundquist 7-- Examinationsuppgifter del Redovisas muntligt den / (Ö-vik) samt / (Lycksele).
Läs merDATORÖVNING 3: MER OM STATISTISK INFERENS.
DATORÖVNING 3: MER OM STATISTISK INFERENS. START Logga in och starta Minitab. STATISTISK INFERENS MED DATORNS HJÄLP Vi fortsätter att arbeta med datamaterialet från datorävning 2: HUS.xls. Som vi sett
Läs merFACIT (korrekta svar i röd fetstil)
v. 2013-01-14 Statistik, 3hp PROTOKOLL FACIT (korrekta svar i röd fetstil) Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta
Läs merDifferentiell psykologi
Differentiell psykologi Tisdag 20 september 2011 Integrering och frågestund Moment II: Personlighet och intelligens Petter Gustavsson 20 september 20112 Upplägg: Momentansvarig: Petter Första veckan: Intelligens
Läs merLaboration med Minitab
MATEMATIK OCH STATISTIK NV1 2005 02 07 UPPSALA UNIVERSITET Matematiska institutionen Silvelyn Zwanzig, Tel. 471 31 84 Laboration med Minitab I denna laboration skall du få stifta bekantskap med ett statistiskt
Läs merEXAMINATION KVANTITATIV METOD vt-11 (110204)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-11 (110204) Examinationen består av 11 frågor, flera med tillhörande följdfrågor. Besvara alla frågor i direkt
Läs merMatematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 HT Laboration P3-P4. Statistiska test
Matematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 HT-2009 Laboration P3-P4 Statistiska test MH:231 Grupp A: Tisdag 17/11-09, 8.15-10.00 och Måndag 23/11-09, 8.15-10.00 Grupp B: Tisdag
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs merFöreläsning 4. Kap 5,1-5,3
Föreläsning 4 Kap 5,1-5,3 Multikolinjäritetsproblem De förklarande variablerna kan vara oberoende (korrelerade) av varann men det är inte så vanligt. Ofta är de korrelerade, och det är helt ok men beroendet
Läs merMetod och teori. Statistik för naturvetare Umeå universitet
Statistik för naturvetare -6-8 Metod och teori Uppgift Uppgiften är att undersöka hur hjärtfrekvensen hos en person påverkas av dennes kroppstemperatur. Detta görs genom enkel linjär regression. Låt signifikansnivån
Läs merSammanfattning av dugga 2
Sammanfattning av dugga 2 Vad som påverkar svarsfrekvens på en enkät Respondentens dagsform och intresse Dock brukar den överlag följa klockformad kurva - över 20 svar brukar approximativt antas vara normalfördelade
Läs merStatistiska samband: regression och korrelation
Statistiska samband: regression och korrelation Vi ska nu gå igenom något som kallas regressionsanalys och som innebär att man identifierar sambandet mellan en beroende variabel (x) och en oberoende variabel
Läs merKapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA
Kapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA 12.1 ANOVA I EN MULTIPEL REGRESSION Exempel: Tjänar man mer som egenföretagare? Nedan visas ett utdrag ur ett dataset som innehåller information
Läs merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merMatematikcentrum 1(12) Matematisk Statistik Lunds Universitet Per-Erik Isberg. SPSS for Windows 12 - a guided tour
Matematikcentrum 1(12) Matematisk Statistik Lunds Universitet Per-Erik Isberg SPSS for Windows 12 - a guided tour HT 2006 2 Introduktion till SPSS Denna övning kommer steg för steg att lära oss de grundläggande
Läs merDatorövning 2 Statistik med Excel (Office 2007, svenska)
Datorövning 2 Statistik med Excel (Office 2007, svenska) Denna datorövning fokuserar på att upptäcka samband mellan två variabler. Det görs genom att rita spridningsdiagram och beräkna korrelationskoefficienter
Läs merGrunderna i SPSS. 2013 Martin Gellerstedt 0. INTRODUKTION... 2 1. KOM IGÅNG MED INMATNING, KODNING OCH DATATRIXANDE... 3
Grunderna i SPSS 2013 Martin Gellerstedt 0. INTRODUKTION... 2 1. KOM IGÅNG MED INMATNING, KODNING OCH DATATRIXANDE... 3 1.1 ATT DEFINIERA VARIABLER OCH SKAPA EN KOD... 4 1.2 ATT KOPIERA EN KOD... 6 1.3
Läs mer2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer
Datorövning 2 Regressions- och tidsserieanalys Syfte 1. Lära sig skapa en korrelationsmatris 2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna mot varandra 3. Lära sig beräkna
Läs merANOVA Mellangruppsdesign
ANOVA Mellangruppsdesign Envägs variansanlays, mellangruppsdesign Variabler En oberoende variabel ( envägs ): Nominalskala eller ordinalskala. Delar in det man undersöker (personerna?) i grupper/kategorier,
Läs merIntroduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab
Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts
Läs merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merKA RKUNSKAP. Vad vet samhällsvetarna om sin kår? Julius Schmidt, Hannes Jägerstedt, Hanna Johansson, Miro Beríc STAA31 HT14
KA RKUNSKAP Julius Schmidt, Hannes Jägerstedt, Hanna Johansson, Miro Beríc Vad vet samhällsvetarna om sin kår? STAA31 HT14 Handledare: Peter Gustafsson Ekonomihögskolan, Statistiska institutionen Innehållsförteckning
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys
Läs merDatainmatning TÄNKTA BETECKNINGAR. Variabelnamn/kolumnbeteckning, Dummyvärden, som matas in beroende på aktuellt svarsalternativ
Åke Aronsson och Studentlittertur Att komma igång med SPSS 1 Kapitel 7: Att komma igång med SPSS Syftet med detta avsnitt är att ge en introduktion till SPSS 9.0 för Windows 95/98/NT. I det här avsnittet
Läs merSPSS En guidad tur. Vad ska jag göra idag? Följ instruktioner som följer, om du behöver hjälp det är bara att fråga en lärare!
SPSS En guidad tur Mål: På den här introduktionen kommer du att lära dig de elementäraste funktionerna i SPSS, dels genom att mata in eget datamaterial och dels genom en analys av en studentundersökning
Läs mersamma sätt. Spara varje uppgift som separat Excelfil. För att starta Excel med Resampling-pluginet, välj Resampling Stats for Excel i Start-menyn.
LABORATION 1: SANNOLIKHETER Lös Uppgift 1-8 nedan. Första uppgiften har ledning steg för steg, resterande uppgifter löser du på samma sätt. Spara varje uppgift som separat Excelfil. För att starta Excel
Läs merDatorlaboration 2 Konfidensintervall & hypotesprövning
Statistik, 2p PROTOKOLL Namn:...... Grupp:... Datum:... Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta den statistiska
Läs merGranskning av en medarbetarenkät. - En explorativ och konfirmativ faktoranalys
Kandidatuppsats Statistiska institutionen Bachelor thesis, Department of Statistics Nr 2014:19 Granskning av en medarbetarenkät - En explorativ och konfirmativ faktoranalys Evaluating an employee survey
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merLaboration 3: Urval och skattningar
S0004M Statistik 1 Undersökningsmetodik. Laboration 3: Urval och skattningar Denna laboration handlar om slumpmässiga urval. Dessa urval ska användas för att uppskatta egenskaper hos en population. Statistiska
Läs merMarknadsinformationsmetodik Inlämningsuppgift
Marknadsinformationsmetodik Inlämningsuppgift Uppgiften löses med hjälp av SPSS. Klistra in tabeller och diagram från SPSS i ett Worddokument och kommentera där. Använd ett försättsblad till den slutgiltiga
Läs merStatistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs
Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs TE/RC Datorövning 4 Syfte: 1. Lära sig beräkna konfidensintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera
Läs merVägledning till statistisk redovisning i NFTS försöksdokumentation
1(5) Fältforsk 2013-12-09 Vägledning till statistisk redovisning i NFTS försöksdokumentation Inledning Det här dokumentet beskriver hur de statisiska resultat som redovisas i NFTS försöksdokumentation
Läs merStatistiska analyser C2 Bivariat analys. Wieland Wermke
+ Statistiska analyser C2 Bivariat analys Wieland Wermke + Bivariat analys n Mål: Vi vill veta något om ett samband mellan två fenomen n à inom kvantitativa strategier kan man undersöka detta genom att
Läs merMålet för D1 är att studenterna ska kunna följande: Använda några av de vanligaste PROC:arna. Sammanställa och presentera data i tabeller och grafiskt
Datorövning 1 Statistisk teori med tillämpningar Repetition av SAS Syfte Syftet med Datoröving 1 (D1) är att repetera de SAS-kunskaperna från tidigare kurser samt att ge en kort introduktion till de studenter
Läs merKapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN
Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två
Läs merDatorövning 1 Enkel linjär regressionsanalys
Datorövning 1 Enkel linjär regressionsanalys Datorövningen utförs i grupper om två personer. I denna datorövning skall ni använda Excel och Minitab för att 1. få en visuell uppfattning om vad ett regressionssamband
Läs merSänkningen av parasitnivåerna i blodet
4.1 Oberoende (x-axeln) Kön Kön Längd Ålder Dos Dos C max Parasitnivå i blodet Beroende (y-axeln) Längd Vikt Vikt Vikt C max Sänkningen av parasitnivåerna i blodet Sänkningen av parasitnivåerna i blodet
Läs merπ = proportionen plustecken i populationen. Det numeriska värdet på π är okänt.
Stat. teori gk, vt 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 13.1, 13.3-13.4) Or dlista till NCT Nonparametric Sign test Rank Teckentest Icke-parametrisk Teckentest Rang Teckentestet är formellt ingenting
Läs merKapitel 15: Data/Matrix Editor
Kapitel 15: Data/Matrix Editor 15 Översikt över Data/Matrix Editor... 226 Översikt över list-, data- och matrisvariabler... 227 Starta en Data/Matrix Editor-session... 229 Mata in och visa cellvärden...
Läs merDatorövning 5. Statistisk teori med tillämpningar. Lära sig beräkna konfidensintervall och utföra hypotestest för:
Datorövning 5 Statistisk teori med tillämpningar Hypotestest i SAS Syfte Lära sig beräkna konfidensintervall och utföra hypotestest för: 1. Populationsmedelvärdet, µ. 2. Skillnaden mellan två populationsmedelvärden,
Läs merMMA132: Laboration 2 Matriser i MATLAB
MMA132: Laboration 2 Matriser i MATLAB Introduktion I den här labben skall vi lära oss hur man använder matriser och vektorer i MATLAB. Det är rekommerad att du ser till att ha laborationshandledningen
Läs merStatistiska analyser C2 Inferensstatistik. Wieland Wermke
+ Statistiska analyser C2 Inferensstatistik Wieland Wermke + Signifikans och Normalfördelning + Problemet med generaliseringen: inferensstatistik n Om vi vill veta ngt. om en population, då kan vi ju fråga
Läs merHandledning för konstruktion av tabeller och diagram med Excel
Handledning för konstruktion av tabeller och diagram med Excel 26 APRIL 2013 Inledning Excel är inte konstruerat för att i första hand utföra statistiska beräkningar, men en hel del sådant kan ändå göras.
Läs merFÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik
Grundläggande statistik Påbyggnadskurs T1 Odontologisk profylaktik FÖRELÄSNINGSMATERIAL : KORRELATION OCH HYPOTESTESTNING t diff SE x 1 diff SE x x 1 x. Analytisk statistik Regression & Korrelation Oberoende
Läs merKvantitativ strategi Univariat analys 2. Wieland Wermke
+ Kvantitativ strategi Univariat analys 2 Wieland Wermke + Sammanfattande mått: centralmått n Beroende på skalnivån finns det olika mått, som betecknar variablernas fördelning n Typvärde eller modalvärde
Läs merMedicinska Bilder, TSBB31. Lab: Mätvärden på Medicinska Bilder
Medicinska Bilder, TSBB3 Lab: Mätvärden på Medicinska Bilder Maria Magnusson, 22 Senaste updatering: september 25 Avdelningen för Datorseende, Institutionen för Systemteknik Linköpings Universitet Introduktion
Läs merLaboration Fuzzy Logic
BILAGA B Laboration Fuzzy Logic Lär dig simulera ett program! ABB INDUSTRIGYMNASIUM Fuzzy Logic Wikingsons Wåghalsiga Wargar Projekt ABB VT 2006 Västerås Innehåll 1 Introduktion... 3 2 Uppgiften... 3 2.1
Läs merMålet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 2 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs merInstruktioner till Inlämningsuppgiften i Statistik Kursen Statistik och Metod Psykologprogrammet (T8), Karolinska Institutet
1 Instruktioner till Inlämningsuppgiften i Statistik Kursen Statistik och Metod Psykologprogrammet (T8), Karolinska Institutet Uppdaterad: 120113 För att bli godkänd på inlämningsuppgiften krävs att man
Läs merInstruktioner till Examinationen Kursen Introduktion till Multivariat Dataanalys Karolinska Institutet
1 Instruktioner till Examinationen Kursen Introduktion till Multivariat Dataanalys Karolinska Institutet Uppdaterad: 120412 För att bli godkänd skall man utföra alla sex uppgifter som beskrivs nedan. OBS:
Läs merIntroduktion till SPSS
Introduktion till SPSS.. Innehåll 1 Introduktion till SPSS 1 1.1 Data Editor 1 1.2 Viewer 1 2 Variabler och Mätskalor 2 2.1 Kvantitativa variabler (Numeriska variabler) 2 2.2 Kategoriska variabler (Kvalitativa
Läs merDatorlaboration 7. Simuleringsbaserade tekniker
Datorlaboration 7 Simuleringsbaserade tekniker 2. DATORLABORATION 7 Under denna laboration ska ni få prova några enklare datorbaserade statistiska tester. Vi använder PopTools - en så kallad "add-in" till
Läs mer