Kvantitative Metoder Dagens program (på tavle)

Slides:



Advertisements
Lignende præsentationer
Case: Tekst på Call-To-Action link
Advertisements

Forskning, formidling og andre færdigheder
Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Repræsentativitet Opsamling fra sidst Repræsentativitet (χ2-test)
Dagens program Kursusevaluering Information Spørgsmål om eksamen
Dagens program Opsamling (skalaer & deskriptiv analyse)
Eksperimental Design and Anlysis
Repræsentativitet Sandsynligheden for at få krone ved kast med en mønt
Dagens program Teori Øvelser Eksperimentelle design Kausalitet
Anvendt Statistik Lektion 4
Eksperimental Design and Analysis
Dagens program Informationer Opsamling Projekt 3 Regression
Eksperimental Design and Analysis
Forretning og Ledelse lektion 7
Overskrift her Navn på oplægsholder Navn på KU- enhed For at ændre ”Enhedens navn” og ”Sted og dato”: Klik i menulinjen, vælg ”Indsæt” > ”Sidehoved / Sidefod”.
Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
2 Kvalitative og kvantitative metoder
Anvendt Statistik Lektion 5
Sammenligning af to grupper – kapitel 7
1 The Case Research Strategy in Studies of Information Systems Af:Izak Benbasat, David K. Goldstein og Melissa Mead Publiceret: MIS Quaterly i 1987.
Dagens program 1.Information Hvordan går det med projekt 3 Evaluering 2.Opsamling Hvad er forudsætningerne for kausalitet? 3.Om eksperimenter 4.Variansanalyse,
Statistik og kvantitativ metode Politik & Administration og Samfundsfag 3. semester 2007 Lektion 5, tirsdag den 23. oktober Punkt- og intervalestimering.
Case.
Økonometri 1 Mere om dataproblemer Gentagne tværsnit og panel data I.
Dagens program Kursusevaluering Repetition One way hhv. two way anova
Program Korrelation Gamma Pearsons r Regression Kausalitet 1.
Signifikanstest ved (en eller) to stikprøver
Dagens program Præsentation af os Præsentation af kurset samt praktisk info (herunder hjemmeside, køb af kompendium, eksamen m.m.)
Learning Objectives 5 Steps of a Significance Test Assumptions
1 Dagens program 1.Information –Klaus’ frokost: 11:45-12:30, går 13:15. –Winston Churchill –Sidste forelæsning (19/11): Eksamen, kursus- evaluering, eksperimentelt.
Agenda 1.Informationer 1.Excel i fb.m. projekt 2 2.Reserver tid til projekt 2 3.Øvelse: a / b = c 2.Opsamling fra sidst 3.Estimation (konfidensintervaller)
Dagens program Test of Independence (chi-i-anden) Videre med projekt 3
Økonometri 1 Gentagne tværsnit og panel data I. 2 Gentagne tværsnit og paneldata: Oversigt Observationer over individuelle enheder og tid: Wooldridge.
Website-optimering gennem statistisk analyse (med GA Experiments)
Learning Objectives 5 Steps of a Significance Test Assumptions
Simulationsmodeller til vurdering af effekten af risikofaktorintervention Januar 2007 | Henrik Brønnum-HansenSide 1 CEEH ”kick-off”, januar 2007 Simulationsmodeller.
Økonometri 1: Afslutningsforelæsning1 Økonometri 1 Afslutningsforelæsning 19. maj 2003.
Simulation og computerspil Selv-referentialitet og computerspil Bo Kampmann Walther
Økonometri 1 Gentagne tværsnit og panel data I 13. november 2006.
DATATYPER. For at tilpasse hvert felt i databasen til dets formål og dermed øge funktionalitet 1 bit er tilstrækkelig til at angive køn (0/1) men for.
Billeder. grænser. leg. eksamen specialeafhandling 24. juni 2005 it-universitetet stabilitet. mobilitet.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 9. november 2004.
Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber
Forretning og Ledelse lektion 7 Kultur og Strategi.
Økonometri 1: Dummy variable1 Økonometri 1 Dummy variable 24. marts 2003.
Usability ITU, forår 2008 Usability ITU Forår 2008 ’Teori 2’ 3. kursusgang, 14. februar 2008.
Økonometri 1: F151 Økonometri 1 Specifikation og dataproblemer 10. november 2006.
Grundlæggende teoretisk statistik
Interview service in Statistics Denmark Structure and Surveys.
Saint Ambrose High School. Cut cylinders and cones – Standard Grade If you are sitting an SQA Credit paper in Graphic Communication, you will be required.
3. time Her beskæftiger vi os med John F. Sowas forklaring af erfaringsviden. John F. Sowa.
Kvantitative metoder 2: F31 Kvantitative metoder 2 Beskrivende statistik og analyse af kvalitatitive data 12. februar 2007.
KM2: F51 Kvantitative metoder 2 Den simple regressionsmodel 19. februar 2007.
Sted og dato (Indsæt --> Diasnummer) Dias 1 Navn på enhed (Indsæt --> Diasnummer) Davenport et al. (2000) Vs Adelman et. Al (2002) Possible states for.
OPERATIONEL ANALYSE AF WEBADFÆRD OAW – LEKTIONSGANG 4.
2 minutter om tid (og rum) Lisbeth Klastrup 7. kursusgang 23. oktober.
Dansk Data Arkiv Hans Jørgen Marker IASSIST 2005 DDI and Data Hans Jørgen Marker Senior Researcher Dansk Data Arkiv
ANALYSE AF WEBADFÆRD - OAW OAW – LEKTIONSGANG 4. ANALYSE AF WEBADFÆRD - OAW SUMMARY, LECTURE 3 (Extended) Common Log File Format Host, Ident, Authuser,
Learning Set 3 : Lesson 1 : Slide 1 Proteins Move Based on Size lactase tyrosinase.
Mikkel deMib Svendsen Duplicate Content & Multiple Site Issue Mikkel deMib Svendsen
Samarbejde mellem matematik og samfundsfag. Disposition Indledning Hvorfor skal vi bruge 2 i samfundsfag? Hvordan kan matematikken bruges? Eksempel. Oplæg.
Ellen Holm, Forskningscafé
Danmarks Statistiks befolkningsfremskrivninger
Kvalitative metoder, forår kursusgang
Introduction to synopsis writing
Incidence, risk and resilience for suicide attempts among children and youth born in and living in Denmark in 2007 By MSc. Erik Christiansen.
Compositional Design Principles “SemiCiv”
Software Testing Software testing.
Introduktion Grundlæggende statistiske begreber Deskriptiv statistik
Anvendt Statistik Lektion 6
Præsentationens transcript:

Kvantitative Metoder Dagens program (på tavle) Hvem er Klaus og hvem er I? Kursets erhvervsmæssige relevans Om kurset: Læringsmål, indhold, form, opgaver, eksamen og praktik Teori og små opgaver Dagens øvelse

Problemstilling: Konversionsrate www.houseofkids.dk flyttede sit e-mærke op ved siden af indkøbskurven og opnåede et løft i konversionsraten på 32%! (Kilde: www.emaerket.dk) Konversionsraten: Andelen af besøgende, der køber. Hvad med andre ændringer af hjemmesiden?

Værktøj: Google Website Optimizer

Værktøj: Google Website Optimizer

Hvad er gevinsten ved høj brugervenlighed? Profitmaksimerende virksomheder: Giver en høj brugervenlighed et stort salg? Offentlige og private virksomheder: Giver en høj brugervenlighed færre borger- /kundehenvendelser? Hvad giver en høj brugervenlighed? Kursets problemstilling: X → Y eller X Y Y = salg X = brugervenlighed 5

Læringsmål Efter ”kurset” skal I kunne: Udforme et spørgeskema til brug for en undersøgelse. Tilrettelægge og gennemføre spørgeskemaundersøgelser (surveys) og eksperimenter. Analysere data fra observa-tionsstudier og eksperimenter. Vurdere om ændringer på en hjemmeside har en effekt.

Fagligt indhold, form og praktik ECTS-point: 7,5 Pensum Artikler og bøger, der er gratis på nettet Form 4 x 45 min. bestående af forelæsninger, regning af opgaver, databehandling i Excel, projektarbejde med vejledning, besøg 2 skriftlige projektopgaver, inkl. forsvar og kritik og 1 eksamensopgave.

Fagligt indhold, form og praktik Eksamen Mundtlig eksamen (20 min.) med afsæt i præsentation af gruppens projekt 3 Kursushjemmeside Forelæsningsplan Slides Øvelser Projekter Data (kommer) Tid og sted Lokale 2A52 Kl. 14.00 til kl. 17.50.

Forløb af en undersøgelse Problemformulering … Konklusion

Observationsstudier vs. eksperimenter Enheders (units) værdier på responsvariablen og forklar-ende variable observeres, uden at udsætte enhederne for påvirkninger (treatments) Eksempel En brugerundersøgelse, hvor et spørgeskema popper op på en hjemmeside. Eksperiment Enhederne (units) udsættes for påvirkninger (i forsøg) og man observerer effekten på responsvariablen (dens værdi). Påvirkningerne (treatments) udgør de forklarende variable. Eksempler: Undersøgelse af ny medicin. Gr. A får kalktabletter, Gr. B får en nyudviklet medicin. Skibe males med maling A på den ene side og maling B på den anden side. Antal m2 rust på hver side måles efter 3 år. Population Sample

Population og stikprøve Stikprøveenhed (subject / unit)

Parameter og Statistik En parameter er en numerisk opsummering af en population, fx. andelen, der svarer ”Ja” til et spørgsmål. Statistik En statistik er en numerisk opsummering af en stikprøve. Fx andelen af folk, der angiver at de vil stemme på Frank Jensen i forbindelse med en rundringning. Problemstilling: Vi vil gerne kende en parameter, men har kun en statistik. Hvor sikkert (pålideligt) kan vi udtale os om parameteren på baggrund af statikken? De 3 krav til en stikprøve: Dens størrelse, udvælgelses-metoden og repræsentativitet.

Stikprøvestørrelse Population, N 5% af N Simpel tilfældig udvælgelse * Difference 1.000 50 278 -228 2.000 100 322 -222 5.000 250 357 -107 7.500 375 365 10 10.000 500 370 130 15.000 750 20.000 377 623 30.000 1.500 379 1.121 * Estimation af en forventet andel på 50 %, fejlmargin 5 %, sikkerhed 95 %.

Udvælgelsesmetoder Simpel tilfældig udvælgelse (simple random sampling} Simpel lodtrækning, hvor alle individer har lige stor sandsynlighed for at blive udvalgt. Systematisk udvælgelse Hvert n’te individ (fx hvert 3.} udtages systematisk. Stratificeret udvælgelse Populationen Inddeles i delpopulationer (strata}, og der udtages (lige store) stikprøver fra hvert stratum. Fx. inddeling af befolkningen efter køn og alder i 10 strata. Klyngeudvælgelse Der udvælges et antal klynger, fx. skoleklasser til PISA test, fremfor individer.

Concepts Know the definition of variable Know the definition and key features of a categorical versus a quantitative variable Know the definition of a discrete versus a continuous quantitative variable Know the definition of frequency, proportion (relative frequencies), and percentages Create Frequency Tables

Variable A variable is any characteristic that is recorded for the subjects in a study Examples: Eye color, Number of siblings, Height A variable can be classified as either Categorical (kategoriseret / kvalitativ), or Quantitative (Discrete, Continuous) Give examples from the ”usability world” ∙ Population ∙ ∗ ∗ ∙ ∙ ∙ ∙ ∗ ∙ ∙ ∙ ∙ ∗ ∗ ∙ ∙

Categorical Variable A variable can be classified as categorical if each observation belongs to one of a set of categories, Examples: Gender (Male or Female) Religious Affiliation (Catholic, Jewish, …) Type of residence (Apt, Condo, …) Belief in Life After Death (Yes or No) Give examples from the DDK world

Quantitative Variable A variable is called quantitative if observations on it take numerical values that represent different magnitudes of the variable Examples: Age Number of siblings Annual Income Give examples from the DDK world

Main Features of Quantitative and Categorical Variables For Quantitative variables: Key features are the center and spread (variability) For Categorical variables: A key feature is the percentage of observations in each of the categories

Discrete Quantitative Variable A quantitative variable is discrete if its possible values form a set of separate numbers, such as 0,1,2,3,…, Discrete variables have a finite number of possible values Examples: Number of pets in a household Number of children in a family Number of foreign languages spoken by an individual Give examples from the DDK world

Continuous Quantitative Variable A quantitative variable is continuous if its possible values form an interval Continuous variables have an infinite number of possible values Examples: Height/Weight Age Blood pressure Give examples from the DDK world

Opgave #1 Identify the variable type as either categorical or quantitative Number of siblings in a family County of residence Distance to school Marital status 1 quantitative 2 categorical 3 quantitative 4 categorical

Opgave #2 Identify each of the following variables as continuous or discrete Length of time to take a test Number of people waiting in line Number of speeding tickets received last year Your dog’s weight 1, Continuous 2, Discrete 3, Discrete 4, Continuous

Dagens øvelse: Giv en vurdering af spørgeskemaet fra www Dagens øvelse: Giv en vurdering af spørgeskemaet fra www.bedstpaanettet.dk 24