MET 2211 Statistikk og dataanalyse

Presentasjon om: "MET 2211 Statistikk og dataanalyse"— Utskrift av presentasjonen:

1 MET 2211 Statistikk og dataanalyse
Forelesning Kapittel 8: Ikke-parametriske tester

2 Hypoteseprøving i et nøtteskall
Studer testobservatoren T Reflekter over hva det innebærer om T har meget høy eller meget lav verdi Ved ensidig test, må du fokusere på det som er aktuelt. Det er som regel greiest å definere T slik at du ser etter signifikant lave verdier To ekvivalente fremgangsmåter: Finn kritisk verdi og forkast H0 hvis testobservator har en mer ekstrem verdi Beregn p-verdien og forkast H0 hvis den er mindre enn det valgte signifikansnivået Ensidig test: signifikansnivå kalles a. p-verdi = halesannsynligheten fra og med observasjonen Tosidig test: signifikansnivå kalles 2a. p-verdi = 2´halesannsynligheten fra og med observasjonen MET Fred Wenstøp

3 p-verdi og kritisk verdi
p-verdi (areal) T Kritisk verdi for T: c = 3 Hvis p-verdi < a, må også T være mer ekstrem enn c MET Fred Wenstøp

4 Binomisk test Eksempel: tekopper
Data: n Ja/Nei-er 12 tekopper Nullhypotese H0: p = p0 P(bomme) = p = 0,5. Hun gjetter. Alternativ H1: p < ¹ > p0 p < 0,5 Hun kjenner forskjell Signifikansnivå: a , 2a, a a = 5 % (ensidig test) Testobservator T: #JA eller #NEI Min(#JA, #NEI) T = antall bom = 2 (Forkast H0 når T er liten nok) c eller p-verdi: c: tab. 3b, Statark SPSS, Statark =CRITBINOM(12;0,5;0,05)=3 =BINOMDIST(2;12;0,5;1)=0,019 Konklusjon: Forkast H0: T<c, p-verdi < sig.nivå H0 forkastes: T = 2 < c = 3; eller p-verdi = 0,019 < sig.nivå = 0,05 MET Fred Wenstøp

5 Mediantesten Idegrunnlag
Dataene er målinger Nullhypotesen er at populasjonsmedianen er lik et bestemt tall Ideen er at Hvis nullhypotesen er riktig, venter vi at halvparten av observasjonene faller på hver side av Da er vi med andre ord tilbake til et spesialtilfelle av den binomiske test, der p0 = ½ MET Fred Wenstøp

6 Mediantesten Guttepulser H03
C =56 MET Fred Wenstøp

7 Mediantesten Guttepulser (data h03)
n målinger 131 guttepulser Nullhypotese H0: = 70,5 (landsmedianen) Alternativ H1: < 70,5 (de er sprekere enn vanlig) Signifikansnivå: a , 2a, a a = 5 % (ensidig test) Testobservator T: # < eller # > Min(# <, # >) T = antall over = 39 (bruk COUNTIF) (Forkast H0 når T er liten nok) c eller p-verdi: c: tab. 3b, Statark SPSS, Statark =CRITBINOM(131;0,5;0,05)= 56 =BINOMDIST(39;131;0,5;1)=0,00 Konklusjon: Forkast H0: T<c, p-verdi < sig.nivå H0 forkastes: T = 39 < c = 56; eller p-verdi = 0 < sig.nivå = 0,05 MET Fred Wenstøp

8 Hypotesetesting og konfidensintervall
n = 131 observasjoner * ** *** ****** * ** | *** * * ** * * 70,5 T = 39 observasjoner (funnet med countif) 68 ] Høyregrenseintervall x(56) = 68 H0 Enten : forkast H0 hvis det er færre enn 56 observasjoner til høyre for 70,5. Da må konfidensintervallet bomme. SPSS Eller: forkast H0 hvis x(56) ligger til venstre for 70,5. Da bommer konfidensintervallet. Statark MET Fred Wenstøp

9 Fortegnstesten Idegrunnlag
Eksempel: datafil Cornflakes Dataene kommer som regel fra relaterte stikkprøver De er opplysning om hvorvidt hvert enkelt observasjonsobjekt har forbedret seg eller blitt verre n plusser og minuser (nuller telles som en halv hver vei) Nullhypotesen er at medianforbedringen er null Da venter vi omtrent like mange mange plusser som minuser i observasjonene Vi er igjen tilbake til et spesialtilfelle av den binomske test med p = ½ MET Fred Wenstøp

10 Fortegnstesten Eksempel: Cornflakes
Data: n fortegn 13 salgsdifferanser Nullhypotese H0: Hyllehøyde spiller ingen rolle Alternativ H1: Hyllehøyde selger mer Signifikansnivå: a , 2a, a a = 5 % (ensidig test) Testobservator T: # + eller - > Min(# +, # -) T = antall minuser = 3 (Forkast H0 når T er liten nok) Kritisk verdi c c fra tabell 3b 1 –2a = 0,9; c = 4 Konklusjon: Forkast H0: T<c H0 forkastes: T = 3 < c = 4 MET Fred Wenstøp

11 Wilcoxons tegnrangtest Idegrunnlag og eksempel
Er datagrunnlaget målinger, kaster fortegnstesten bort mye informasjon La oss i stedet for fortegnene bruke rangene Da forlater vi binomialfordelingen Men prinsippet blir det samme T- = 2+3,5 = 5,5 T+ = 49,5 MET Fred Wenstøp

12 Wilcoxons tegnrangtest Eksempel: slankekur
Data: n differanser 10 vektforbedringer (før - etter) Nullhypotese H0: = 0 (kuren virker ikke) Alternativ H1: > 0 (man blir slankere) Signifikansnivå: a , 2a, a a = 5 % (ensidig test) Testobservator T: T+ eller T- Min(T+, T-) T - = 5,5 (Statark eller SPSS) (Forkast H0 når T er liten nok) c eller p-verdi: c: tab. 8b, Statark SPSS c = 11 p-verdien finnes kun med SPSS Konklusjon: Forkast H0: T<c, p-verdi < sig.nivå H0 forkastes: T - = 5,5 < c = 11 MET Fred Wenstøp

13 Mann-Whitneytesten Idegrunnlag
Datagrunnlaget er to uavhengige stikkprøver n1 og n2 observasjoner Dataene må kunne sammenlignes Som oftest målinger H0 stikkprøvene trukket fra samme populasjon dvs at populasjonsmedianene er like Testobservatorene MW1 og MW2 Antall ganger verdier i den første stikkprøven er større enn i den andre, og omvendt. I alt n1 ´ n2 sammenligninger Hvis H0 er riktig, venter vi omtrent n1 ´ n2 hver vei MET Fred Wenstøp

14 Mann-Whitneytesten Eksempel: slankekur
Data: n1 og n2 målinger 10 vekter før og 10 vekter etter Nullhypotese H0: (kuren virker ikke) Alternativ H1: (man blir slankere) Signifikansnivå: a , 2a, a a = 5 % (ensidig test) Testobservator T: MW1 eller MW2 Min(MW1 ; MW2) MW2 = 42,5 (Statark eller SPSS) (Forkast H0 når MW2 er liten nok) c eller p-verdi: c: tab. 4b, Statark SPSS c = 28 p-verdien finnes kun med SPSS Konklusjon: Forkast H0: T<c, p-verdi < sig.nivå H0 beholdes: MW2 = 42,5 > c = 28 MET Fred Wenstøp