1. Katseandmete analüüs II
2015
Kui osaled vähemalt neljas praktikumis, siis ei pea analüüsimiseks kasutatud programmi valdamist eraldi tõestama!

2. Hii-ruut test (2) Seoste leidmine diskreetsete tunnuste vahel
Andmetabel võiks
välja näha selline:
Analüüsini jõudmiseks:
Vajuta siia ja vali oma andmetest vajalikud tunnused

3.  Percentages of total count  Pearson Chi-square Vajuta Summary
Options, valige:
 Expected frequences
 Percentages of total count
 Pearson Chi-square
Vajuta Summary
Tulemus ilmub kahe tabelina:
Reaalsed sagedusjaotused:
Ja oodatavad sagedusjaotused, kui seost ei oleks:
Sellest tabelist saate ka Hii-ruut testi väärtused

4. Riskide suhte (odds ratio) arvutamine:
Hii-ruut test (2)
Riskide suhte (odds ratio) arvutamine:
(juhuks, kui peaks vaja minema)
Sinine
Punane
Emane
20(a)
7(b)
Isane
5(c)
18(d)
Riskide suhe = = 10.3
a/b
c/d
S.t. emaste risk olla sinine on palju kõrgem kui isaste risk olla sinine

5. Logistiline regressioon
Binaarse tunnuse sõltuvus pidevast tunnusest
Advanced Linear/Nonlinear Models > Nonlinear estimation >
Quick Logit Regression
OK > Vali binaarne sõltuv ja pidev sõltumatu tunnus
OK > Summary
> Fitted 2D function (graafik + regressioonivõrrand)

6. Logistiline regressioon
Binaarse tunnuse sõltuvus pidevast tunnusest 2 1
Jäta meelde – log.regressiooni puhul on sõltuv tunnus binaarne (nagu sageli on seda faktortunnused), sõltumatu tunnus on aga pidev! 3

7. Logistiline regressioon4
Sel real on näidatud, kuidas binaarne tunnus kodeeritakse (oluline joonise mõistmisel).
Siin on testi tulemus 5
Siit saab joonise koos võrrandiga

8. Logistiline regressioon
Binaarse tunnuse sõltuvus pidevast tunnusest
Selline joonis pole väga informatiivne ja tavaliselt sellist teadustöös ei esitata

9. Logistiline regressioon
Binaarse tunnuse sõltuvus pidevast tunnusest
Selline joonis on informatiivne ja vajadusel on selle esitamine õigustatud

10. Tüüp I vs III: Options > I või III
Mitmese regressiooni võimalused
General Linear Models > Multiple regression
Regressioonisirge läbi 0-punkti:
Options > No intercept (aktiveerub peale tunnuste valimist)
Tüüp I vs III: Options > I või III

11. ANOVA võimalused General Linear Models > Factorial ANOVA
Jäägid: Factorial Anova > Resids >
Save 11

12. ANOVA võimalused General Linear Models > Factorial ANOVA
Gruppide paarikaupa võrdlused:
More results >
Post-hoc >
Tukey HSD
Siit vali grupid, mida tahad võrrelda 12

13. ANOVA võimalused
General Linear Models > Factorial ANOVA
Juhuslikud ja fikseeritud
faktorid:
General Linear Models >
Factorial ANOVA >
Options > Tüüp III SS-id
> Random factors
(vali juhuslik faktor)
Juhusliku faktori saab määrata vaid eelnevalt valitud tunnuste hulgast! 13

14. Korduvmõõtmistega ANOVA
ANOVA > Repeated measures ANOVA
Variables: vali sõltuvad ja grupeeriv tunnus
Whithin effects: 4 (s.t. korduvmõõtmiste arv)
Andmetabel peab välja nägema selline (iga rida on üks isend):
parasiitide hulk
(sõltuvad tunnused)
Grupeeriv tunnus
isend
isend
jne

15. Korduvmõõtmistega ANOVA
ANOVA > Repeated measures ANOVA
Variables: vali sõltuvad ja grupeeriv tunnus
Whithin effects: 4 (s.t. korduvmõõtmiste arv)
Korduvmõõtmiste arvu määramine
Siia võid kirjutada korduvmõõdetava faktori nime (nt aeg, eksperiment, jne).
Kui sa seda ei määra, siis ilmub tulemustesse R1 faktor, mis pole iseenesest vale.
Siia korduvmõõtmiste arv (nt 4)

16. Korduvmõõtmistega ANOVA
ANOVA > Repeated measures ANOVA
Tulemuste tabel:
All Effects:
e.(R1)

17. Korduvmõõtmistega ANOVA
ANOVA > Repeated measures ANOVA
All Effects/Graphs:

18. Mittelineaarsed seosed
Võta teiseks sõltumatuks tunnuseks võta x2 või GLM > Polynomial regressioon (teeb seda automaatselt).
Valemi saad: - More results > Report > Print pred. Equation
Joonise saad: Graphs>Scatterplot>Advanced>Fit=Polynomial
Korrekselt vormistatud valem näeb välja selline:
y = 0,62+2,31x-0,20x2
Kumer seos x ja y vahel
Pildile käib x mitte x2!

19. Peakomponentanalüüs Multivariate exploratory techniques >
Principal components > (Vali tunnused, mida ühendada) > OK
> Factor scores (peakomponentide uued väärtused)
> Cases > Save case statistics (peakomponent otse
andmetabelisse)
> Variables > Eigenvectors (uue sirge parameetrid)

20. Peakomponentanalüüs 1 2
Vali tunnused, mille kohta tahad peakomponenti (Pc) arvutada

21. Peakomponentanalüüs 3
Eigenvalue – näitab, kui suur on uute Pc’de osakaalud. Reeglina pole mõtet tegeleda Pc’ga mille väärtus <1. Antud näites oleks mõistlik tegeleda vaid Pc1’ga.
Siit saate detailsemat infot eigenvalue kohta
Eigenvector – näitab, mis pidi seostuvad algandmed Pc’de väärtustega. Seda on oluline teada, et hiljem oleks võimalik sisuliselt analüüse tõlgendada ja need on vaja esitada reeglina ka artiklite metoodika osas.
Factor 1 = Pc1, Factor2 = Pc2, jne.

22. Peakomponentanalüüs
Edasisteks analüüsideks on vaja Pc väärtustega, need saad nupu Factor scores alt.
Sellest tabelist võid Copy-Paste abil väärtused enda andmetabelisse kopeerida.
Kui oled laisk, siis võid kasutada nuppu Save case statistics, mis salvestab Pc’de väärtused koos sinu poolt valitud tunnustega eraldi tabeliks.
Tee siia linnuke! 4

23. Poisson’i jaotus Jaotuse testimine: Statistics >
Distribution fitting >
Discrete distributions:
Poisson
*Väga väikese N puhul
testimine mõttetu!
Kui p<0,05, siis jaotus erineb Poissoni omast oluliselt
Grupikeskmiste võrdlemine Poissoni jaotuse puhul:
Advanced lin/nonlin. models >
Generalized linear models >
ANOVA (distribution: Poisson)

24. … palun koosmõju mudelisse mitte panna …
Peale tunnuste valimist klõpsa siia
GLM analüüsi aken
1.Tee linnuke siia
2. Vali siit tunnused, mida tahad analüüsi kaasata
3. Vajuta siia
4. Vali interaktsioon ja vajuta siia