Præsentation er lastning. Vent venligst

Præsentation er lastning. Vent venligst

Kvantitativ metode del 2 MAP efterår 2006 Lørdag den 8

Lignende præsentationer


Præsentationer af emnet: "Kvantitativ metode del 2 MAP efterår 2006 Lørdag den 8"— Præsentationens transcript:

1 Kvantitativ metode del 2 MAP efterår 2006 Lørdag den 8
Kvantitativ metode del 2 MAP efterår 2006 Lørdag den 8. december Analyse

2 Indhold Datafangst Data og datakvalitet Kodning og ’kodebog’ Analysestrategi Analysemetoder Analyse af enkeltvariable/univariat analyse Bivariat analyse Kontrol og specificering (eller elaborering)

3 Datafangst Stikprøven liste over personer er udgangspunkt
Indsamlingsmetoder, f.eks.: Post Telefon CAPI og CATI Internet Rykkerprocedure Oplæring af interviewere og andre metoder til forøgelse af svarprocent og den pålidelighed Fortrolighed og anonymitet Analyserammen: stikprøven minus bortfald

4 Data og datakvalitet Data og datasæt, f.eks. i:
Excel SPSS SAS STATA Survey Exact MLwiN Kodebog, med angivelse af bl.a.: Struktur Variabelnavne labels/formater måleniveau Bortfald Svarprocent Bortfaldsanalyse vejning/poststratificering

5 Datamatricen i et tværsnitsdesign (her i form af spørgeskemaundersøgelse og SPSS-format)
Variable Respon-denter

6 Variable og deres måleniveau (repetition)
En variabel er en egenskab eller karakteristik, der kan knyttes til de enkelte analyseenhederne, og som varierer mellem disse. Til en variabel er knyttet et bestemt måleniveau. Spørgsmålet om måleniveau er vigtigt, da dette bestemmer, hvilke analysemetoder der er mulige. Normalt typologiseres måleniveauerne i: Nominel skala (forskelle mellem kategorier) Ordinær skala (kategorierne kan rangordnes) Intervalskala (afstanden mellem kategorier/værdier er kendt) Forholdstal-/ratioskala (ud over kendt afstand også et naturligt nulpunkt) De to sidste betragtes som oftest sammenhængende. Endvidere betragter man ofte to-delte mål som en speciel type, jævnfør pensum.

7 Kodning Sædvanligvis knytter man til hvert muligt svar i en spørgeskemaunder-søgelse en talværdi. Denne talværdi kan så fungere blot som en kode eller som en meningsfuld rang eller værdi, alt afhængig af variablens måleniveau. I visse tilfælde benyttes selve svaret som kode/værdi – f.eks. hvis respondenten bedes notere sin indkomst i kroner. Men i langt de fleste tilfælde bliver respondentens svar konverteret fra et kryds ud for et fortrykt svar til en talkode, som i eksemplet: Hvor tilfreds er du med folkeskole-området i din kommune? (sæt ét kryds) Meget tilfreds Noget tilfreds Hverken eller Noget utilfreds Meget utilfreds Ved ikke Vil ikke svare Irrelevant 1 2 3 4 5 6 8 9

8 Omkodning/rekodning samt beregning af nye variable
Som oftest forestår der efter endt kodning og før analysen (eller side-løbende med analysen) et større arbejde med omkodninger/rekodninger. En af de mest hyppigt forekomne rekodninger er forening af kategorier, sådan at den nye, rekodede variabel indeholder færre kategorier end den oprindelige, som i eksemplet her: Meget tilfreds Noget tilfreds Hverken eller Noget utilfreds Meget utilfreds Ved ikke Vil ikke svare Irrelevant 1 2 3 4 5 6 8 9 Missing Tilfreds Utilfreds Ud over rekodninger vil der ofte også være behov for beregninger af nye variable ud fra en eller flere eksisterende variable – f.eks ifm. dannelse af indeks/skala.

9 Skalaer/indeks kan forbedre såvel pålidelighed som gyldighed
Mange begreber, som f.eks. køn, alder, stilling, partistemme osv. er ret ukomplicerede at finde mål for gennem en enkelt variabel, sådan at målet bliver både pålideligt og gyldigt. Ved mere abstrakte begreber som f.eks. depression, politisk deltagelse, demokratisk sindelag og konservatisme kan det være en stor fordel at benytte en serie af spørgsmål/variable til at indfange begrebet bedst muligt. Ofte vil man inden den egentlige analyse af skillelinjer og årsagssammenhænge samle serien af sådanne variable til en enkelt variabel. I sin mest simple (og meget benyttede) form beregnes den nye variabel til at være lig med summen eller gennemsnittet af den serie af variable, der prøver at indfange begrebet.

10 Analysestrategi Univariat analyse Analyse ifm. dannelse af nye variable Bivariat analyse Elaborering samt andre typer af multivariat analyse Opsummering og konklusion

11 Analysemetoder Univariate præsentationer af fordelinger (diagrammer og frekvenstabeller). Univariate statistiske mål (for typisk værdi og spredning). Krydstabelanalyse med tilhørende statistiske mål. Lineær regression, variansanalyse og kovariansanalyse. Logistisk, multinomial og ordinal regression. Klyngeanalyse. Faktoranalyse. Korrespondanceanalyse. Etc.

12 Hvad bestemmer den specifikke kombination af strategi og metoder?
Problemstilling Hypoteser Variablenes måleniveau Rapportens målgruppe Vaner, tradition og evner/viden

13 Analyse af enkeltvariable - Frekvenstabeller
Før de egentlige analyser af sammenhænge mellem variable er det en god ide at foretage univariat analyse. Til variable, der kan antage forholdsvis få forskellige værdier, benyttes ofte frekvenstabeller. Det drejer sig typisk om nominelt eller ordinalt skalerede variable. Nedenstående variabel (alder) er oprindelig ratioskaleret, men er her i en omkodet (ordinalskaleret) version.

14 Analyse af enkeltvariable - Figurer
Aldershistogram Hvis variablen kan antage forholdsvis mange forskellige værdier, som f.eks. alder i oprindelig form, er det ofte en fordel at printe et histogram eller søjlediagram i stedet for. Samtidigt kan i øvrigt beregnes forskellige statistiske mål. I eksemplet er beregnet gennem-snit og standardafvigelse. Også stikprøvestørrelsen fremgår.

15 Statistiske mål for centraltendens og spredning
Gennemsnit Median Typisk værdi/Modus Spredning Modalprocent Variationsbredde Kvartilafvigelse Varians (ikke nævnt i pensum) Standardafvigelse

16 Statistiske skøn 95 pct. sikkerhedsinterval for gennemsnit: 95 pct. sikkerhedsinterval for andele:

17 Eksempel: Højere skat på el?
Der er et flertal i stikprøven, der går ind for betale mere for elektriciteten, hvis det hjælper i kampen mod den globale opvarmning, men hvordan med populationen?

18 Sikkerhedsinterval for andele på eksemplet med elpriser
Meningsmålingen fra Gallup, februar 2007, viser altså, at 58 pct. i en stikprøve på personer, tilfældigt udvalgt blandt den danske befolkning på 18 år og derover, går ind for at betale mere for elektriciteten, hvis det hjælper i kampen mod den globale opvarmning. Undersøgelsesspørgsmål: Indenfor hvilket interval ligger denne andel i populationen med 95 pct. sikkerhed (selv under den ’konservative’ antagelse, at alle ’ved ikke’-svarerne vil ende med at gå imod højere skat? 95 pct. sikkerhedsinterval hvor indenfor populationens andel ligger: Med 95 pct. sikkerhed ligger andelen i populationen altså over 50 pct.

19 Endnu et eksempel: Valgbarometer
SF er ifølge valgbarometeret gået frem siden valget i Men hvordan med sikkerheden i konklusionen om at SF er gået frem i populationen? Jeg antager, at dem, der har svaret ’ved ikke’ enten ikke vil stemme eller vil fordele sig som de øvrige.

20 Sikkerhedsinterval for andele på eksemplet med valgbarometeret
95 pct. sikkerhedsinterval for tilslutning til SF: Hvilket også kan skrives således: På baggrund af barometret kan man altså med 95 pct. sikkerhed sige, at tilslutningen til SF ligger højere end ved valget i 2005. Vær imidlertid opmærksom på, at dette er et sikkerhedsinterval, ikke en formel test for forskel fra valgets 6 pct. Når det drejer sig om andele, kan der i sjældne tilfælde forekomme forskel i konklusion, afhængigt af om man benytter sikkerhedsinterval eller formel hypotesetest.

21 Bivariat fordeling - krydstabel
To enkeltvariables fordeling Fordelingen af ’Tro på Gud’ betinget af vær-dien på kønsvariablen (kun ’rå’ frekvenser)

22 Hvilke procenter skal som hovedregel angives i den bivariate fordeling?
Hvis man, som det ofte er tilfældet, kan udpege den ene variabel som den afhængige og den anden som den uafhængige, så er det standard, at vise procentfordeling af den afhængige variabel, opdelt på den uafhængige variabels værdier (forklaring følger). En sådan procentuering kaldes også for den betingede fordeling af den afhængige variabel. Her den betingede fordeling af Gudstro. Det fremgår af den betingede fordeling, at der er sammenhæng i stikprøven: kvinder har større tendens til at tro på Gud end mænd. Spørgsmålet er, om det også gælder for populationen som helhed.

23 Betingede og marginale fordelinger
Betingede fordelinger (betinget af værdien på kønsvariablen) Marginal fordeling/randfordeling

24 Et andet eksempel med tydelig sammenhæng
Jo højere uddannelse, jo mere er man uenig i, at arbejde blot er for pengenes skyld.

25 Eksemplet er ikke nær så let at tolke ved de ’rå’ frekvenser

26 Kolonneprocenter er heller ikke gode, når variablene er placeret i tabellen på denne måde

27 Ofte vil man bede SPSS om at printe både de rå frekvenser og en procentstørrelse ud
På den måde kan man nemmere bedømme, om de forskellige betingede fordelinger kunne være opstået pga. tilfældigheder.

28 Man kan også nemt omstrukturere tabellen i SPSS, så den bliver mere overskuelig:
Det gøres i SPSS ved først at dobbeltklikke på tabellen. Dernæst højreklikkes, og man vælge ’Pivoting Trays’. Herefter kan tabellen omstruktureres ved at flytte rundt på ’pile-firkanterne’.

29 Man kan selvfølgelig også vælge at præsentere sammenhængen grafisk
Arbejde er blot for at tjene penge, opdelt på uddannelsesniveau

30 Chi2-testen for uafhængighed mellem to variable
Det er tydeligt, at der i stikprøven er forskel i troen på Gud mellem mænd og kvinder. Men kan hvor sikker kan man være på, at der også i populationen eksisterer en forskel? Kan forskellen i stikprøven blot skyldes tilfældig skævhed i stikprøveudtrækningen?

31 Grundtræk i Chi2-test for uafhængighed mellem to variable
To variable er uafhængige, hvis de betingede fordelinger er ens i populationen. Chi2-testen går ud på at teste en nul-hypotese om uafhængighed mellem to kategoriske variable på baggrund af stikprøvedataene: H0: Variablene er statistisk uafhængige HA: Variablene er statistisk afhængige

32 Chi2-testen benytter antal forventede og observerede værdier i beregningerne
Det forventede antal observationer i hver tabelcelle er det antal observationer, som man kunne forvente, hvis der var uafhængighed mellem variablene, og givet at de marginale fordelinger er som i tabellen. Man ville altså ved uafhængighed forvente, at der for både mænd og kvinder gjaldt, at 43,3 pct. sagde ’nej’, mens 56,7 pct. sagde ’ja’.

33 Fra SPSS får man resultaterne af chi2 -testen nedenunder krydstabellen
Signifikansniveauet eller p-værdien (’p’ for probability), som er resultatet af Chi2-testen angives i dette tilfælde til 0,000 (dvs. < 0,0005). P-værdien er sandsynligheden for, i en stikprøve med den givne størrelse, at finde mindst lige så store forskelle mellem de betingede fordelinger som i den aktuelle tabel, hvis der i popula-tionen ingen forskel er (dvs. hvis nulhypotesen er korrekt). Her forkastes nulhypotesen, fordi hvis den var korrekt, så ville det i praksis være umuligt at trække en så skæv stikprøve blot ved tilfældigheder. Den alternative hypotese accepteres derfor (’proof by contradiction’)

34 Endnu et eksempel Erhvervsvariablen kan antage flere end to forskellige værdier, samtidig med at den er nominelt skaleret. Derfor kan der ikke benyttes Gamma korrelations-koefficient. Chi2 kan derimod stadigvæk benyttes.

35 Nogle karakteristika ved chi2-testen
Testen angiver ikke noget om sammenhængens styrke, men kun om der ser ud til at være sammenhæng eller ej. For at være en gyldig test kræves som minimum mere end én forventet observation i hver celle, og helst ikke mere end 20 pct. af cellerne må have mindre end fem forventede observationer. Testen benytter ikke oplysninger om eventuel rangorden i kategorierne, hvilket i nogle tilfælde er en fordel og i andre en ulempe: Det er en fordel i de tilfælde, hvor der enten ikke er nogen rangorden på kategorierne, eller hvor sammenhængen i hvert fald ikke er rangordensmæssig. Det er en ulempe i de tilfælde, hvor der er en rangordensmæssig sammenhæng. I det tilfælde findes der andre test-størrelser, der er stærkere.

36 Korrelationskoefficienten Gamma
Hvis man har at gøre med rangordnede data (ordinalskalerede variable), og man samtidig har en hypotese om, at sammenhængen mellem de to variable er rangordensmæssig (monoton), bør man benytte en rang-korrelationskoefficient. En rang-korrelationskoefficient fortæller om sammenhængens retning (fortegn) og styrke – med værdier mellem –1 og +1. Desuden benyttes en sådan koefficient ofte ifm. hypotesetest, hvor H0 lyder, at værdien af koefficienten i populationen er lig med 0. Dikotome variable kan altid, uanset måleniveau, benyttes ifm. rangkorrelationskoefficienter Der findes en del af disse – Kendall’s tau b og c, Sommers’ d, Spearman, Gamma osv. Der ses alene på Gamma i det følgende.

37 Gamma koefficientens styrke
+1,00 Perfekt positiv sammenhæng Dette er én tolkning. Der er langt fra enighed om, hvordan man kan karakterisere forskellige værdier af Gamma. Stærk positiv sammenhæng +0,30 Moderat positiv sammenhæng +0,20 Svag positiv sammenhæng +0,10 0,00 Ingen nævneværdig sammenhæng -0,10 Svag negativ sammenhæng -0,20 Moderat negativ sammenhæng -0,30 Stærk negativ sammenhæng Fra Nielsen & Kreiner (1998): SPSS. Introduktion til databehandling & statistisk analyse. Jurist- og Økonomforbundets Forlag. -1,00 Perfekt negativ sammenhæng

38 Eksempel på positiv sammenhæng
Jo højere uddannelse, jo mere er man typisk uenig i, at man arbejder blot for at tjene penge. Gamma-koefficienten viser også en stærk og statistisk signifikant sammenhæng: P-værdien tolkes substantielt på samme måde som ved Chi2-testen. Der er derfor her tale om en meget sikker sammenhæng.

39 Eksempel på negativ sammenhæng
Jo højere værdi på urbaniseringsvariablen, jo mere tendens er der til lav værdi på variablen for tro på Gud

40 Endnu et eksempel på rangordensmæssig sammenhæng

41 SPSS output til krydstabellen med bl.a. Gamma
Gamma-værdien fortæller, at der er tale om en moderat til stærk sammenhæng mellem de to variabler. Dette er imidlertid et deskriptivt mål og angår alene stikprøvens data. Hvad gælder så for populationen? Som nævnt i foregående slide, kan man tolke på p-værdien for at sige noget om, hvor sikkert der i populationen er en sammenhæng. Man kan imidlertid også beregne et sikkerhedsinterval for Gamma. Ved et 95 pct. sikkerhedsinterval angives et interval, hvorom det kan siges, at Gamma i populationen med 95 pct. sikkerhed ligger indenfor. Et sådan sikkerhedsinterval fås ved at gå ca. to standardfejl på hver side af Gamma-estimatet fra stikprøven.

42 Beregning af 95 pct. sikkerhedsinterval for Gamma
Estimeret Gamma: 0,305 95 pct. sikkerhedsinterval Populationens Gamma-værdi ligger med 95 pct. sikkerhed her inden for.

43 Hypotesetest med Gamma
SPSS foretager automatisk en hypotesetest for os, hvor nulhypotesen lyder, at Gamma i populationen er lig med nul. I dette tilfælde forkastes nulhypotesen. Testen har denne form: Men vær opmærksom på, at standardfejlen ved hypotesetest er anderledes end ved beregning af sikkerhedsinterval (fremgår af note b til tabellen)! Som oftest vil forskellen dog være marginal.

44 Gamma kan i visse situationer bedre ’spotte’ sammenhænge end Chi2
Lavere p-værdi for Gamma-testen, selvom det er samme krydstabel

45 Men i nogle situationer er det omvendt!
Læg i tabellen mærke til den kurveagtige sammen-hæng! Læg dernæst mærke til Cramer’s V og Gamma! (Cramer’s V er baseret på Chi2)

46 Et lignende eksempel, blot kraftigere tendens

47 Eksempel på trivariat analyse (A1)
Først bivariat: Procent-difference på ca. 20 Signifikant Gamma i forventet positiv retning

48 Eksempel på trivariat analyse (A2)
Kontrol for egen skoleuddannelse (’Lav’ udtaget pga. pladshensyn)

49 Eksempel på trivariat analyse (A3)
Den fulde tabel frekvenser og rækkeprocenter

50 Eksempel på trivariat analyse (A4)
’Lokale’ Gammakoefficienter I tolkningen bør man se efter følgende: Markante forskelle mellem de lokale Gamma’er (interaktion/specificerende tredje-variabel) Markant ændring fra bivariat til kontrolleret Gamma-værd (forklaring) Det mest afgørende i dette eksempel er ændringen fra bivariat til kontrolleret Gamma (se nærmere på næste planche!). Bivariat Kontrolleret

51 Eksempel på trivariat analyse (A5)
Grafisk illustration af sammenhænge. Her er der tale om forklaring. Bivariat: Faders uddannelse Selv- placering Faders uddannelse Egen Selv- placering Trivariat: Denne effekt er fundet ved at se på den bivariate sammenhæng ml. Faders uddannelse og Egen uddannelse. Denne effekt er fundet ved at se på sammenhængen ml. Egen uddannelse og Selvplacering, kontrolleret for Faders uddannelse.

52 Eksempel på trivariat analyse (A6)
Konklusion: Effekten fra faderens uddannelse på respondentens selvplacering i samfundspyramiden er for i hvert fald langt den største part en indirekte effekt gennem respondentens egen uddannelse. Respondentens egen uddannelse er altså en mellemkommende variabel i dette tilfælde.

53 Er den partielle Gamma signifikant forskellig fra den bivariate Gamma?
Den partielle og den bivariate Gamma vil aldrig være nøjagtig lig med hinanden. Men hvor meget skal den partielle Gamma være forskellig fra den bivariate, førend man kan sige, at de er signifikant forskellige, og at forskellen altså ikke blot skyldes tilfældigheder? Det kan man ikke bestemme statistisk, og man kan ikke blot beregne konfidensintervaller for henholdsvis den partielle og den bivariate for at se, om de rager ind over hinanden. Dette er ikke et optimalt stærkt test. Hvis den partielle Gamma er statistisk signifikant forskellig fra nul, er spørgsmålet om, hvorvidt der er sket en vis forklaring, en subjektiv vurdering.

54 Eksempel på trivariat analyse (B1)
Uddannelsesgrad og seksuelle relationer med andre end partner

55 Eksempel på trivariat analyse (B2)
Kontrol for alder i tre kategorier:

56 Eksempel på trivariat analyse (B3)
De tre lokale Gamma’er plus bivariat (’Zero-Order’) og partial Gamma (’First-Order’ fordi der er én kontrolvariabel):

57 Eksempel på trivariat analyse (B4)
Konklusion: Om man helt eller delvist bifalder utroskab afhænger tilsyneladende af uddannelsesgrad, sådan at jo højere uddannelse, jo mere bifalder man typisk utroskab. Sammenhængens styrke afhænger imidlertid af ens alder, sådan at stigende alder betyder stærkere effekt fra uddannelse. Der er altså interaktion mellem alder og uddannelse. Man kan også sige, at alder specificerer sammenhængen mellem uddannelse og synet på utroskab. Det skal tilføjes, at ovenstående stadigvæk kun kan betragtes som en indledende analysekonklusion.

58 Eksempel på trivariat analyse (B5)
Grafisk illustration af sammenhænge. Her er der tale om interaktion. Uddannelse Syn på utroskab Bivariat Uddannelse Syn på utroskab Trivariat Alder

59 Hvornår kan man tale om interaktion?
Interaktion i tabelanalyse betyder, at sammenhængen mellem den uafhængige og den afhængige variabel varierer signifikant mellem de forskellige lokale tabeller. I Gamma-analyse betyder det altså, at de lokale Gammaer ikke er ens/homogene. De lokale Gammaer kan rent statistisk testes for homogenitet.* Man kan også vurdere spørgsmålet om interaktion lidt mindre formelt statistisk og lidt mere teoretisk. Hermed menes, at hvis det ikke ud fra de lokale Gamma-værdier med tilknyttede standardfejl og p-værdier er åbenlyst, at de lokale Gamma-værdier er forskellige, så kan man vurdere, om mønstret for forskelle stemmer overens med ens teoretiske forhånds-antagelser (hypoteser). Eventuelt kan sådanne overvejelser suppleres med at lave sikkerhedsinterval omkring hver enkelt lokal Gamma for at se, om disse intervaller overlapper hinanden. Gør de det, kan de ikke dømmes forskellige. Husk her at gange standardfejlen med 1,4 i stedet for 1,96 som vanligt ved 95 pct. sikkerhedsniveau. * Se f.eks. Sven Kreiner (1999): ”Statistisk problemløsning”. Jurist- og Økonomforbundets Forlag.

60 Paradokser i kontrollerede analyser
Nogle gange kan kontrollerede analyser virke ikke blot overraskende, men ligefrem paradoksale. Der kan således ske følgende: Den bivariate analyse viser, at der ikke er sammenhæng mellem de to variable, X og Y. Efter kontrol for en tredje variabel, Z, ’fremvaskes’ en signifikant sammenhæng mellem X og Y. Den bivariate analyse viser en signifikant positiv sammenhæng mellem to variable, X og Y. Efter kontrol for en tredje variabel, Z, fremstår imidlertid en signifikant negativ sammenhæng mellem X og Y. Den modsatte bevægelse kan selvfølgelig så også forekomme, altså hvor der ses en negativ bivariat sammenhæng. Fænomenet kaldes for Simpson’s paradoks. Der vises et eksempel på begge paradokser i det følgende.

61 Bivariat sammenhæng mellem uddannelse og indkomst (fra A&F, eksempel 10.5)

62 Kontrol for alder

63 Hvorfor viser den bivariate ingen sammenhæng?
Uddannelse + Løn + Alder Der er ganske vist en tendens til, at højere uddannelse alt andet lige typisk også giver en højere løn. Men samtidig gælder, at der blandt de lavtuddannede er en overrepræsentation af ældre, og alt andet lige gælder samtidig, at ældre får en højere løn end unge pga. deres højere ancienitet. I den bivariate tabel bliver alderseffekten blandet sammen med uddannelseseffekten.

64 Kontrol er altså nogle gange relevant på trods af manglende bivariat sammenhæng
Når der forekommer suppressor-variabel er kontrol relevant, på trods af at der ikke ses nogen bivariat sammenhæng. I dette tilfælde fungerer aldersvariablen som suppressor-variabel, fordi den i den bivariate situation undertrykker sammenhængen mellem uddannelse og løn. Fænomenet kaldes også for ’spuriøs ikke-sammenhæng’.

65 Simpson’s paradoks Endnu et paradoks, der kan forekomme lige så mærkværdigt, er det, der ofte kaldes for ’Simpsons paradoks’. Her ses en bivariat sammenhæng, men efter kontrol sker der ikke blot det, at effekten svinder ind, men at den ligefrem skifter fortegn. Først den bivariate sammenhæng (mellem morders hudfarve og dom): (Eksemplet er fra Kreiner (1999): Statistisk problemløsning.) OBS! Ikke det samme eksempel som Agresti & Finlay ex. 10.6, som ganske vist ligner, men som drejer sig om interaktion.

66 Kontrol for offerets hudfarve

67 + + Kausaldiagram Morder sort Dødsdom Offer sort
Den indirekte, negative effekt gennem offerets farve er stærkere end den direkte, positive effekt. Derfor ses der en negativ effekt fra sort morder til dødsdom (eller det samme, men formuleret i overensstemmelse med tabellen: en negativ effekt fra hvid morder til ikke dødsdom).

68 Partial Gamma i SPSS I SPSS kan man ved en simpel tilføjelse til en syntax for kontrolleret krydstabel få beregnet denne størrelse. Eksempel på syntax i SPSS: CROSSTABS variables fme_udd3 (1,3) selvpla3 (1,3) e_uddan3 (1,3) /TABLES=fme_udd3 BY selvpla3 BY e_uddan3 /FORMAT= AVALUE TABLES /STATISTIC=GAMMA /CELLS= COUNT ROW /COUNT ROUND CELL . CROSSTABS /TABLES=fme_udd3 BY selvpla3 BY e_uddan3 /FORMAT= AVALUE TABLES /STATISTIC=GAMMA /CELLS= COUNT ROW /COUNT ROUND CELL . Tilføjelse. Tallene i parentes indikerer min- og max-værdier for variablene.


Download ppt "Kvantitativ metode del 2 MAP efterår 2006 Lørdag den 8"

Lignende præsentationer


Annoncer fra Google