Please enable JavaScript.
Coggle requires JavaScript to display documents.
BUỔI 7 - Coggle Diagram
BUỔI 7
quy trình cần
tạo khung nhập liệu
tiền xử lí dữ liệu
làm quen phần mềm thống kê
nạp dữ liệu vào phần mềm thống kê
biên tập dữ liệu
thống kê phân tích và trình bày
thống kê mô tả và trình bày
hồi quy tuyến tính đơn
VD:
dự đoán cân nặng của trẻ dựa trên chiều dài
bảng Model Summary
R^2: hệ số xác định
ý nghĩa của hệ số xác định R^2
: phần trăm sự biến thiên của biến phụ thuộc (y) được giải thích bởi sự biến thiên của biến độc lập (x)
theo VD là 0.509
tức là 50.9% sự biến thiên của cân nặng được giải thích bởi sự biến thiên của chiều dài
R: hệ số tương quan
theo VD là 0.713
x: chiều dài - biến độc lập
y: cân nặng - biến phụ thuộc
bảng ANOVA
kiểm định hệ số xác định R^2
H0: R^2 = 0
H1: R^2 != 0
KHÔNG HỎI RA THI
bảng Coefficients
(quan trọng)
kiểm định hệ số hồi quy b
H0: b = 0
H1: b != 1
nếu p < 0.001 < 0.05
bác bỏ H0 => hệ số hồi quy b có ý nghĩa trong quần thể
phương trình hồi quy tuyến tính đơn: y = a + bx
nhìn ở cột B
chiều dài (x), tương ứng ô giao giữa cột B và hàng chiều dài là giá trị (b), phía trên ô giá trị (b) - cũng nằm trong cột B là giá trị (a)
theo VD thì can nang = -5.412 + chieu dai*0.178
ý nghĩa của hệ số hồi quy b
: khi x tăng 1 đơn vị, y tăng b đơn vị (b>0)
theo VD thì khi chiều dài tăng 1cm thì cân nặng tăng 0.178kg
trình bày giá trị tiên đoán cá thể
VD: 1 bé có chiều dài 50cm, giá trị tiên đoán cân nặng?
ta dùng phương trình hồi quy tuyến tính vừa tìm ra để thế vào
đi kèm với KTC 95%
Analyze => Regression => Linear
cho biến định lượng phù hợp vào ô Dependent và ô Independent(s)
chọn Save
1 more item...
trình bày giá trị tiên đoán quần thể
những bé có cùng chiều dài là 50cm, giá trị tiên đoán cân nặng trung bình?
ta dùng phương trình hồi quy tuyến tính vừa tìm ra để thế vào
đi kèm với KTC 95%
Analyze => Regression => Linear
cho biến định lượng phù hợp vào ô Dependent và ô Independent(s)
chọn Save
1 more item...
Analyze => Regression => Linear
Dependent
(phụ thuộc): cho Can nang (weight) vào
OK
Independent(s)
(độc lập): cho Chieu dai (length) vào
mối liên hệ
cách xác định mối liên hệ và độ mạnh của tương quan giữa
2 định tính
mối liên hệ
kiểm định chi bình phương independence hoặc kiểm định Fisher's Exact
H0: tỷ lệ không có mối liên hệ giữa 2 biến định tính
độ mạnh tương quan
nghiên cứu bệnh chứng: OR
nghiên cứu đoàn hệ: RR
1 định lượng và 1 định tính
tương quan
kiểm định t test
H0: không có mối liên hệ giữa biến định lượng và biến định tính
H1: có mối liên hệ giữa biến định lượng và biến định tính
độ mạnh tương quan
Eta bình phương
Cohen's f
2 định lượng
tương quan tuyến tính (sự ảnh hưởng của x có ảnh hưởng đến sự ảnh hưởng của y hay không)
kiểm định hệ số tương quan tuyến tính
-1 <= ρ(x, y) <= 1
ρ(x, y) > 0
tương quan tuyến tính
thuận
ρ(x, y) < 0
tương quan tuyến tính
nghịch
ρ(x, y) = 0
không có
tương quan tuyến tính
bị ảnh hưởng bởi outliers
độ mạnh tương quan
hệ số tương quan Pearson
x, y đều có phân phối bình thường
hệ số tương quan Spearman
1 trong 2 x, y không có phân phối bình thường
hệ số tương quan Kendall
x, y đều không có phân phối bình thường
Analyze => Correlate (tương quan) => Bivariate
cho 2 biến định lượng vào ô Variables
ở ô Correlation Coefficients chọn tùy theo điều kiện hệ số tương quan phía trên => OK
kết quả độ mạnh
ở hàng Pearson/Spearman/Kendall Correlation
bài tập: mở weight.sav
KIỂM TRA TƯƠNG QUAN (scatter plot)
weight, length
0.713
weight, headc
0.622
length, headc
0.598
không có tương quan tuyến tính thì không cần quan tâm đến độ mạnh
có thể thử bằng biểu đồ Scatter plot (dạng như rời rạc => không có tương quan tuyến tính)