I den här guiden ska vi:
Fortsätt läsa ”Guide: Testa en fördelning med hjälp av Chi2”
Detta är del två av vår genomgång av heteroskedasticitet. Om du vill veta mer om vad detta är och varför det kan innebära ett problem för din regression, gå genast tillbaka till del ett.
Fortsätt läsa ”Guide: Regressionsdiagnostik – heteroskedasticitet, del 2”
Guide: Stapeldiagram med ”error bars”
I den här guiden ska vi gå igenom:
När man redovisar resultat från statistiska analyser bör huvudmålsättningen vara att det ska vara så enkelt som möjligt för läsaren att förstå vad man har kommit fram till. Ett bra medel för att göra det lätt för läsaren är att använda olika typer av grafiska diagram. Ett diagram som många förstår och snabbt ger en överblick är stapeldiagram. De lämpar sig till exempel väl för at redovisa medelvärden i olika grupper. I experimentella studier är det vanligt att man redovisar medelvärdena i de olika experimentgrupperna med ett stapeldiagram, och så gör man sedan den riktiga analysen med en ANOVA.
Man kan också lägga till ”error bars”, streck som visar konfidensintervallet kring medelvärdena för att ge läsaren en indikation på om det är troligt att medelvärdena är signifikant åtskilda.
I detta inlägg ska vi gå igenom problem med heteroskedasticitet (och inte bara hur svårt det är att stava och uttala). Heteroskedasticitet är ett av de vanligare problemen som kan uppstå i, och försvåra tolkningen av, en regressionsanalys. Heteroskedasticitet innebär i korthet att variansen hos feltermerna inte är konstant; det vill säga att, när värdet på oberoende variabel (x) ökar, så minskar eller /ökar den oförklarade variationen i beroende variabel (y). Är spridningen jämn råder motsatsen homoskedasticitet.
Fortsätt läsa ”Guide: Regressionsdiagnostik – heteroskedasticitet, del 1”
I den här guiden ska vi gå igenom:
Experimentell metod lade grunden för den vetenskapliga revolutionen som ledde fram till fantastiska framsteg inom framförallt naturvetenskap och medicin från 1600-talet och framåt. På senare tid har experimentell metod även vunnit insteg inom samhällsvetenskapen.
Grundprincipen för experimentell metod är att jämföra en kontrollgrupp med en experimentgrupp, som man utsätter för någon behandling. Om experimentgruppen skiljer sig tillräckligt mycket åt från kontrollgruppen förkastar vi den så kallade nollhypotesen – att behandlingen inte haft någon effekt. Vanliga metoder för att pröva skillnaden mellan två eller flera grupper är t-test eller variansanalys. Med hjälp av dessa metoder kan vi avgöra om det är troligt att en skillnad mellan grupperna beror på slumpmässig variation, eller om den kan tillskrivas behandlingen.
Fortsätt läsa ”Guide: Statistisk ”power” och urvalsstorlek i experimentell design”
I den här guiden ska vi gå igenom:
Jag har tidigare skrivit om att jämföra medelvärden med t-test. T-testet är väldigt användbart, då man kan jämföra om två medelvärden skiljer sig signifikant ifrån varandra. Om vi har gjort slumpmässiga urval ur två grupper (till exempel kvinnor och män), och medelvärdena i de två grupperna är signifikant skilda på 95%-nivån, betyder det att vi med 95% säkerhet kan säga att medelvärdena i populationen ur vilken vi gjort urvalet (alltså alla kvinnor och män i Sverige) inte är samma. Vi kan inte vara 95% säkra att skillnaden i den stora populationen är just den vi har uppmätt – bara att det finns en skillnad.
I den här guiden ska vi gå igenom:
I den första delen av den här guiden undersökte vi data om priser på bostadsrätter i Göteborg. Vi fann då att det fanns signifikant variation i pris mellan olika stasdelar (nivå 2-enheterna). Nu ska vi undersöka om nivå 1-variabler, alltså egenskaper för varje enskild lägenhet, kan påverka priset, om stadsdelsegenskaper kan påverka priset, och slutligen om nivå 1-egenskaperna varierar mellan stadsdelarna. Data för den som vill följa med kan laddas ned härifrån.
I den här guiden ska vi gå igenom:
Den absolut vanligaste tekniken för regressionsanalys är den så kallade OLS-tekniken. Med den kan man undersöka samband mellan en beroende variabeln och en eller flera oberoende variabler. I den här guiden tänkte jag försöka gå igenom en annan teknik, flernivåregressionsanalysen (multi-level regression analysis på engelska).
I den här guiden ska vi gå igenom:
I bivariat regressionsanalys kan man undersöka om det finns ett linjärt samband mellan två variabler. Men ofta talar man om att man behöver föra in kontrollvariabler i regressionsanalysen. Anledningen är att om man missar att ta med de relevanta kontrollvariablerna riskerar att dra felaktiga slutsatser om huvudsambandet. I den här guiden ska vi gå igenom de två sätt på vilket man kan dra felaktiga slutsatser, och vad som man kan förvänta sig händer med huvudsambandet när man introducerar olika kontrollvariabler.
Fortsätt läsa ”Guide: Kontrollvariabler i regressionsanalys”
I den här guiden ska vi:
Fortsätt läsa ”Guide: En (i mitt tycke) bra resultatredovisning”
SPSS-AKUTEN 