Coursera Learner working on a presentation with Coursera logo and
Coursera Learner working on a presentation with Coursera logo and

С помощью преференциальной статистики вы пытаетесь прийти к решениям, которые протягивают руку помощи одной только быстрой информации. Например, мы используем статистику, чтобы попытаться предположить на примере информации, что может подумать население. Или, с другой стороны, мы используем льготную статистику, чтобы принять решение о вероятности того, что наблюдаемое различие между собранными данными является надежным или случайным в данном исследовании. Следовательно, мы используем преимущественное понимание, чтобы сделать выводы из нашей информации для постепенного расширения условий; мы используем просветительские измерения в основном, чтобы изобразить то, что происходит в нашей информации.

Здесь я фокусируюсь на льготных статистики, которые являются полезными в испытаниях и полутестовой структуры исследования или в оценке результатов программы. Может быть, один из наименее сложных льготный тест используется, когда вы должны думать о нормальном выполнении двух сборок на одиночной меры, чтобы проверить, есть ли различия. Вы должны знать, различаются ли результаты математического теста в восьмом классе юношей и девушек, или программа сбора варьируется на результат меры от контрольного сбора. В какой бы точке вы не задумывались о нормальном выполнении между двумя собраниями, вы должны рассмотреть t-тест на контрасты между собраниями.

Большая часть основных предпочтительных представлений происходит от общей группы измеряемых моделей, известных как общая линейная модель. Это включает в себя t-тест, анализ вариаций (ANOVA), анализ ковариаций (ANCOVA), исследование рецидивов, и значительное количество многомерных методов, таких как факторное исследование, многомерное масштабирование, групповое исследование, дискриминантное исследование работы и т.д. Учитывая важность Общей Линейной Модели, для любого настоящего социолога это умная мысль – комфортно работать с ней. Говорить о Всеобщей Линейной Модели здесь крайне примитивно, и речь идет только о наименее сложной прямой модели. Как бы то ни было, она познакомит вас с возможностью прямой модели и поможет настроить вас на более сложные обследования, изображенные под ней.

Одним из ключей к тому, чтобы увидеть, как продумываются сборки, является идея “фиктивной” переменной. Название не предполагает, что мы используем переменные, которые не являются хитрыми или, далеко идущими и более страшными, что эксперт, который их использует, является “манекеном”! Может быть, эти переменные лучше изобразить как “промежуточные”. По сути, фальшивая переменная – это переменная, которая использует дискретные числа, обычно 0 и 1, чтобы говорить с различными собраниями в вашей экспертизе. Фальшивые переменные – это простая мысль, которая дает возможность совершать действительно запутанные вещи. Например, включив в модель простую фиктивную переменную, я могу отобразить две отдельные строки (по одной для каждого сбора препаратов) с одиночным состоянием. Чтобы понять, как это работает, посмотрите на обмен на фиктивные переменные.

Одно из наиболее значимых исследований в оценке результатов программы включает в себя сравнение программы и непрограммной группы на переменную результата или факторы. Как мы это делаем, зависит от используемой нами структуры исследования. Планы исследования разделены на два существенных типа структур: тестовая и полутестовая. Так как исследования различаются для каждого из них, они отображаются независимо друг от друга.

Исследовательский анализ. Простое, состоящее из двух блоков, рандомизированное исследование, как правило, проводится с помощью базового t-теста или однонаправленного ANOVA. Факториальные структуры исследования, как правило, исследуются с помощью модели анализа вариаций (ANOVA). В рандомизированных блочных конструкциях используется необычный тип блокирующей модели ANOVA, которая использует фиктивные закодированные факторы для разговора с квадратиками. В анализе экспериментального проектирования ковариаций используется, как и следовало ожидать, анализ ковариаций, измеряемых моделью.

Полуэкспериментальный анализ. Полуэкспериментальные структуры отличаются от тестовых структур тем, что в них не используются произвольные задачи по распределению единиц (например, индивидуумов) для программных сборок. Отсутствие произвольной задачи в этих планах будет в целом впечатляюще свернуто их изучение. Например, для расчленения проектирования неэквивалентных групп (NEGD) необходимо модифицировать предварительные баллы на ошибку оценки в том, что регулярно называется надежно-корректированным анализом ковариационной модели. При проектировании регрессионной неточности мы должны быть особенно обеспокоены кривизнальностью и неправильной спецификацией модели. Поэтому, в целом, мы будем использовать метод исследования методом консервации, который зависит от полиномиального рецидива, который начинается с переопределения предполагаемой действительной способности и после этого уменьшает модель в зависимости от результатов. Проект по регрессионному смещению точки регрессии имеет только одиночную обработку. К и к, изучение конфигурации RPD напрямую зависит от обычной модели ANCOVA.

В тот момент, когда вы исследовали эти различные диагностические модели, вы увидите, что все они происходят из одного и того же семейства – общей линейной модели. Понимание этой модели пойдет далеко, познакомит вас со сложностями исследования информации в условиях прикладных и социальных исследований.