Presentasjon lastes. Vennligst vent

Presentasjon lastes. Vennligst vent

Ronny Klæboe Transportøkonomisk institutt Signifikanstesting.

Liknende presentasjoner


Presentasjon om: "Ronny Klæboe Transportøkonomisk institutt Signifikanstesting."— Utskrift av presentasjonen:

1 Ronny Klæboe Transportøkonomisk institutt Signifikanstesting

2 Hva vi går igjennom  Diskrete og kontinuerlige ssh fordelinger  Litt om enkle binomiske forsøk  Deretter mer formalisert om:  Type I og Type II feil  Signifikansnivå  Effektstørrelse – Bare såvidt  Teststyrke – Bare såvidt  Ensidig/tosidig test  Regneark for p-test, t-test og homogenitetstest

3 Sannsynlighet  Sannsynlighet – tall mellom 0 og 1  Diskret fordeling:  Et antall mulige alternativer: m  Et antall av disse er gunstige: g  Alle valg like sannsynlige:  Sannsynligheten for å velge riktig p = g/m  Sannsynligheten for å ”misse” er 1 – p = 1 – g/m siden sannsynligheten av alle begivenheter  1

4 Kast med mynt og kron – Ulike kombinasjoner Metodekurs utvalgsteori 13. mai 2011

5 Sannsynligheten for en spesifikk sekvens  La oss si det ikke er akkurat men K=0.55 M=0.45  Da er sjansen for først å få 3 mynt og deretter 3 kron som følger:  0.45x0.45x0.45x0.55x0.55x0.55= x =  Sjansen for først å få 3 kron og deretter 3 mynt tilsvarende:  0.55x0.55x0.55x0.45x0.45x0.45= x = Metodekurs utvalgsteori 13. mai 2011

6 Kast med mynt og kron – antall kombinasjoner Metodekurs utvalgsteori 13. mai 2011

7 Diskrete fordelinger  Binomisk fordeling (ett av to utfall)  Forventet gjennomsnitt = n x p

8 Velge et forkastnings område

9 Metodekurs utvalgsteori 13. mai 2011

10 Miljø og Klima: Sabatt Tolfa September 15-18

11 Test av to prosent-tall med regneark

12 Homogenitetstest

13 Kontinuerlige ssh-fordelinger  Integralet må være = 1  Mest kjente bygger på Normalfordelingen  Normalfordelingen  Sum av normalfordelte er selv normalfordelt  Gjennomsnitt dermed normalfordelt  Differenser: X 2 -X 1 normalfordelt  Kji-kvadratfordeling  T-fordeling (Students t)  Fisherfordeling  Logitfordeling, probit, ekstremverdi (Gumbel), negativ binomialfordeling, rektangulærfordeling...

14 Sentralgrenseteoremet Metodekurs utvalgsteori 13. mai 2011

15

16 t-test  A common situation in psychology is when an experimenter randomly assigns people to an “experimental” group or a “control” group to study the effect of the manipulation on a continuous outcome.  In this situation, we are interested in the mean difference between the two conditions.  The significance test used in this kind of scenario is called a t-test. A t-test is used to determine whether the observed mean difference is not within the range that would be expected if the null hypothesis were true.

17 t-test example  We are interested in whether caffeine consumption improves people’s happiness.  We randomly assign 25 people to drink decaf and 25 people to drink regular coffee.  Subsequently we measure how happy people are.  Note: The independent variable is categorical (you’re in one group or the other), and there are only two groups.  The dependent variable is continuous—we measure how happy people are on a continuous metric.

18 Neyman & Pearson  Vi skal ta en avgjørelse i valget mellom to konkurrerende hypoteser  H 0 Nullhypotesen og  H 1 Den alternative hypotesen (at noe ”virker”)  Enten: Vi kan ikke forkaste H 0  Eller: Vi forkaster H 0

19 Alternativene vi står overfor

20 Feiltyper  Vi forkaster ikke H 0 | H 0 gjelder (1-  )   Vi forkaster H 0 | H 0 gjelder (  ) Type I feil (falsk positiv)   Vi forkaster ikke | H 1 gjelder Type II feil  (gir ikke beh)   Vi forkaster H 0 | H 1 gjelder (1-  ) (ekte positiv) 

21

22 Sjansen for type I feil  og type II feil 

23 Statistisk teststyrke (power)  Sjansen for å Forkaste H 0 | H 1 gjelder = (1-  ) Kan beregnes på forhånd når en kjenner utvalgsstørrelsen, valgt  og størrelsen på effekten en vil teste (fra tidligere undersøkelser eller fra teori)

24 Sjansen for type I feil  og type II feil 

25 Betydning av n for samplingfordeling Metodekurs utvalgsteori 13. mai 2011

26

27 t-test example  Let’s say we find that the control group has a mean score of 3 (SD =1) and the experimental group has a mean score of 3.5 (SD =.9).  Thus, there is a.50 difference between the two groups. [3.5 – 3.0 =.5]  Two possibilities  The.5 difference between groups is due to sampling error, not a real effect of caffeine. In other words, the two samples are drawn from populations with identical means and variances.  The.5 difference between groups is due to the effect of caffeine, not sampling error. In other words, the two samples are drawn from populations with different means (and maybe different variances).

28 t-test example  As before, then, we need to specify (a) the mean of the sampling distribution and (b) the SD of the sampling distribution (SE).

29 T-test - regneark

30 Enkelttester kontra mange  Bonferroni Gitt y uavhengige tester hvor hver test har signifikansnivå x og hvor vi vil ha en garanti på 5% for ikke H1 ikke velges i noen av testene (gitt at H0 gjelder). x må da velges=

31 Meta-analyse Publikasjonsskjevhet

32 Kritiske kommentarer til opprinnelig formulering av signfikanstester

33 Fokus på feil sted

34 Ofte brukt feil


Laste ned ppt "Ronny Klæboe Transportøkonomisk institutt Signifikanstesting."

Liknende presentasjoner


Annonser fra Google