matmetody / старые ответы / Podgotovka
.doc-
Две выборки являются зависимыми, если они образованы путем повторных измерений (каждому испытуемому из одной выборки поставлен в соответствие по опред критерию испытуемый из другой выборки).
-
Гипотеза исследования это утверждение о связи двух явлений, в генеральной совкупности.
-
Если 1-я выборка – преподаватели ВУЗа, а 2-я выборка – их студенты, то 2-я выборка по отношению к 1-й является независимой
-
Основной способ обеспечения репрезентативности выборки относительно генеральной совокупности это обеспечение принципа случайности отбора (рандомизированный и/или стратофицированный случайный отбор.).
-
Основное свойство выборки, определяющее ее качество – это: репрезентативность.
-
Цифра, обозначающая номер испытуемого в списке – это измерение в шкале номинативной.
-
Упорядочивание испытуемых по времени решения тестовой задачи – это измерение в шкале рангов.
-
Время простой сенсомоторной реакции (в мс) – это измерение в шкале – абсолютной (отношений)
-
Кодирование испытуемых по воинскому званию (лейтенант, капитан, майор…) для оценки должностного статуса – это измерение в шкале ранговой.
-
Одна из перечисленных характеристик не относится к шкалам (уровням) измерения С.Стивенса: независимая (любой вариант ответа кроме: номинативная (наименований), ранговая (порядковая), интервальная, отношений (абсолютная))
-
Для деления выборки на несколько независимых выборок обычно используется следующая переменная: номинативная.
-
Если по времени решения тестовой задачи трем испытуемым (из 20) присвоены ранги 1 (самый быстрый), 2, 5, то справедливо следующее утверждение: ни одно из 3-х других утверждений не верно (1 решил быстрее, чем 2 и 5)
-
Мода как мера центральной тенденции не пригодна для переменных в следующих шкалах: пригодна для всех перечисленных
-
Медиана как мера центральной тенденции не пригодна для переменных в следующих шкалах: номинативных
-
Среднее как мера центральной тенденции не пригодна для переменных в следующих шкалах: порядковых (и/или номинативных)
-
Графики распределения частот значений признака для группы юношей (1) и группы девушек (2): Чем правее центр графика, тем М больше, чем график шире, тем D больше.
-
Из всех мер центральной тенденции крайние значения (выбросы) в наибольшей степени влияют на среднее.
-
Абсолютная величина каждого отдельного значения не учитывается для определения значений следующих мер центральной тенденции: мода и медиана.
-
Если для выборки численностью 200 чел., 60-й процентиль некоторого признака равен 12, то справедливо следующее утверждение: 120 человек имеют значение признака <12, а 80 человек > 12.
-
Такое значение признака, измеренного на группе испытуемых, меньше которого имеют ровно половина этих испытуемых, называется медиана (50 процентиль, 2 квартиль).
-
50-й процентиль соответствует: медиане, 2 квартилю.
-
Какой из показателей характеризует степень разнообразия испытуемых по значениям переменной: сигма (дисперсия).
-
Чему равна медиана ряда значений 1, 2, 2, 2, 3, 7, 6, 5, 9, 5: =4 (не забываем упорядочивать значения!)
-
Как соотносятся меры центральной тенденции для данного ряда значений 0, 0, 2, 2, 6, 6, 6, 5, 9: среднее меньше медианы (мода 6, медиана 5, среднее 4)
-
Как соотносятся стандартные отклонения (сигмы) двух рядов чисел: 1) 9, 15, 12, 24, 21 и 2) 3, 9, 6, 18, 15: = 1:1 (*прибавление одного и того же числа к каждому значению переменной не меняет дисперсию, а значит и сигму, ибо дисперсия равна сигме в квадрате)
-
Как соотносятся дисперсии двух рядов чисел:
1) 5, 8, 10, 12, 11 и 2) 1, 4, 6, 8, 7: = 1:1 (*прибавление одного и того же числа к каждому значению переменной не меняет дисперсию)
-
Как соотносятся стандартные отклонения возраста выборки детей 2-6 лет (N = 30), выраженные в годах и месяцах: в месяцах отклонения будут больше в 12 раз (*вариант значений в месяцах есть вариант значений в годах умноженный на 12, а т.к. если умножить на константу, то дисперсия увеличится в константу в квадрате, а ст.откл. в константу, то имеем такой ответ).
-
В группах 1 и 2 измерена некоторая переменная. D1 = D2=10, M1=20, M2=30. После объединения этих групп дисперсия: увеличится (но не известно на сколько именно!).
-
В группах 1 и 2 измерена некоторая переменная. D1 = D2=5, M1=6, M2=12. После объединения этих двух групп дисперсия увеличится. (но не известно на сколько именно!)
-
Если распределение переменной соответствует нормальному виду, то 90% всех ее значений находится: М±1,64сигма
-
Если распределение признака соответствует нормальному виду, то 99% всех ее значений находится: М±2,58сигма
-
Если распределение переменной соответствует нормальному виду, то 90% всех ее значений находится: м±1,64сигма
-
Если распределение переменной соответствует нормальному виду, то в диапазоне М±1,96σ: 95%
-
Если распределение переменной соответствует нормальному виду, то 95% всех ее значений находится: М±1,96сигма
-
Некоторое свойство измеряется при помощи тестовой шкалы CEEB (М=500, σ=100). Какая приблизительно доля генеральной совокупности имеет балл от 600 до 700? 13,5% (*Расстояние между сигмой 1 и сигмой 2 и будет равно 13,59%. Это определяется свойствами нормального распределения и нужно запомнить)
-
Некоторое свойство измеряется при помощи тестовой шкалы Бине (М=100, σ =16). Какая приблизительно доля генеральной совокупности имеет балл ниже 84? 16% (Расстояние от 0 до 1 сигмы 34,13% => мы из 50% (что соответствует половине графика норм.распределения) должны вычесть 34,13% = 16%)
-
Для изучения каких связей коэффициенты корреляции не применимы : немонотонных.
-
Для каких переменных допустимо применение коэффициентов корреляции: измеренных в количественной шкале.
-
Если коэффициент корреляции Пирсона r = – 0,5, то коэффициент детерминации равен: 0,25 (*коэф. детерминации = r в квадрате)
-
Если y – зависимая, а x – независимая переменные, то R2xy (коэффициент детерминации) это часть дисперсии у, обусловленная влиянием х.
-
После z-преобразования выборочных значений переменной среднее и сигма М=0, σ=1
-
Если Rxy=1 и обе переменные xi и yi представлены в z-значениях, то уравнение регрессии ŷi=bxi+a принимает вид: y=x
-
Если Rxy=0, то уравнение регрессии ŷi=bxi+a принимает вид: y=My
-
Если Rxy= 0, и обе переменные xi и yi представлены в z-значениях, то уравнение регрессии ŷi=bxi+a принимает вид: y=0
-
Если объем выборки N=21, ковариация между двумя признаками Cov12=8, а стандартные отклонения σ1=4; σ2=8, то коэффициент корреляции R12 Пирсона равен 0.25 (r=Cov/(σ1σ2))
-
Если изучается взаимосвязь между двумя признаками (σ1=5; σ2=6; N = 21), то величина ковариации (Cov12) может быть: от -30 до 30
-
Какая корреляция основана на подсчете разности рангов: r-Спирмена
-
Какая корреляция основана на подсчете произведений отклонений от средних: r-Пирсона
-
Какая корреляция основана на подсчете пар испытуемых: τ-Кендалла
-
Коэффициент корреляции Спирмена основан на подсчете разностей рангов.
-
Если при переборе всех пар испытуемых в выборке вероятность однонаправленного изменения X и Y (совпадений) составила Р = 0,8, то величина τ-Кенделла равна: 0,6
-
Если при переборе всех пар испытуемых в выборке вероятность разнонаправленного изменения X и Y (инверсий) составила Q = 0,8, то величина τ-Кенделла равна: -0,6
-
При подсчете τ -Кенделла на выборке N = 6 число совпадений составило P=10; τ –Кенделла равно 0,33
-
Чему равна корреляция Спирмена и Кендалла для двух переменных:
№ |
X |
Y |
а) 0 б) -1 в) 1 г) 0,5
|
1 |
32 |
2 |
|
2 |
16 |
6 |
|
3 |
20 |
4 |
|
4 |
8 |
10 |
|
5 |
11 |
8 |
(*сначала упорядочим для наглядности: 32 2, 20 4, 16 6, 11 8, 8 10 => большее значение одной переменной соответствует меньшему второй, поэтому корреляция =-1, если большее соответствует большему (32 10 - 8 2), то =+1)
*(при значениях корреляции 1 и -1 тау и ро-Спирмена равны) .
-
Проверяемая содержательная (научная) гипотеза подтверждается, если (при ά = 0,05): p≤0.05
-
Чем больше значение р-уровня, тем ниже статистическая значимость.
-
Вероятность того, что в генеральной совокупности нулевая гипотеза верна, есть показатель уровня статистической значимости.
-
Результат проверки гипотезы признается статистически достоверным, если меньше ошибки первого рода.
-
Уровень статистической значимости это вероятность того, что обнаруженная связь носит случайный характер.
-
Может ли одно и то же численное значение корреляции для разных выборок иметь разную статистическую значимость? Да (например, разный объем выборок)
-
Для 1-ой выборки корреляция Rxy=0,35 (p=0,06), для 2-ой выборки Rxy=0,35 (p=0,03). Почему p-уровень разный? численность 2-ой выборки больше, чем 1-ой.
-
При сравнении двух средних (М1=5, М2=7) значение р-уровня будет тем меньше, чем меньше дисперсия переменной (другие варианты: чем больше величина связи, больше объём выборки, меньше дисперсия (изменчивость) => запомнить!).
-
При сравнении двух распределений частот с использованием критерия Хи-квадрат значение р-уровня больше, если численность выборок меньше (+варианты как в предыдущем вопросе)
-
Гомогенность (равенство) дисперсий проверяется перед: сравнением средних для независимых выборок (t-Стьюдента, ANOVA(дисперсионный анализ))
-
Если при сравнении средних для 2-х независимых выборок неравной численности дисперсии статистически значимо различаются, то следует: применить непараметрический критерий Манна-Уитни.
-
Если при сравнении средних для нескольких независимых выборок неравной численности дисперсии статистически достоверно различаются, то следует: применить Н критерий Краскала-Уоллеса.
-
Если при проверке статистической достоверности корреляции (при α = 0,05) р > 0.1, то корректен вывод, что статистически значимая связь не обнаружена.
-
Если при проверке статистической достоверности корреляции (при α = 0,05) р < 0.05, то корректен вывод, что обнаружена статистически достоверная связь.
-
Если при проверке статистической значимости различий двух средних р > 0.1, то делают вывод о том, что статистически значимые различия не обнаружены.
-
Если при проверке статистической значимости различий двух средних (при α = 0,05) р < 0.05, то делают вывод о том, что обнаружены статистически значимые различия.
-
Для проверки достоверности различия двух независимых групп, члены которых ранжированы по степени выраженности «тревожности», применяют критерий U-Манна-Уитни
-
Для проверки достоверности различия двух повторных измерений, члены которых ранжированы по степени выраженности «тревожности», применяют критерий T-Вилкоксона
-
Для проверки достоверности различий студентов 1 и 5 курсов по переменной «семейное положение» (холост – нет) следует применить критерий X2 Пирсона
-
Для проверки достоверности различий 2-х выборок по переменной «пол» (муж - жен) следует применить критерий X2 Пирсона
-
Для сравнения преподавателей и студентов по «доминантности» (метрическая шкала), следует применить критерий t-Стьюдента для независимых
-
Для сравнения двух независимых выборок по количественной переменной, имеющей заметные выбросы, применяют критерий U-Манна-Уитни
-
Для проверки различия самочувствия (метрическая шкала) до и после терапии применяют критерий t-Стюдента для зависимых.
-
Если необходимо сравнить два повторных измерения количественной переменной, имеющей заметные выбросы, то применяют критерий Т-Вилкоксона
-
Для проверки достоверности различия двух зависимых выборок по переменной, измеренной в ранговой шкале, применяют критерий Т-Вилкоксона
-
Для проверки достоверности различия старших (1-я выборка) и их младших (2-я выборка) братьев по уровню доминантности, измеренной в метрической шкале, применяют критерий t-Стьюдента для зависимых выборок.
-
Гипотезу о взаимосвязи номинативной (2 градации) и ранговой переменных целесообразно проверять при помощи U-Манна-Уитни (менее вероятно, но возможно - критерий Вилкоксона).
-
Гипотезу о взаимосвязи номинативной (2 градации) и метрической переменных целесообразно проверять при помощи Т-Стьюдента
-
Статистическая значимость улучшения состояния (ранговая шкала) до и после терапии определяется по критерию Т-Вилкоксона
-
Гипотезу о взаимосвязи ранговой и номинативной переменной, имеющей две градации (напр., пол), целесообразно изучать при помощи критерия U-Манна-Уитни (менее вероятно, но возможно - Т-Вилкоксона)
-
Для проверки достоверности различия 2 групп, каждый член которых определен в одну из трех категорий («правый», «левый», «центрист»), применяют критерий X2 Пирсона (таблицы сопряженности с градацией больше двух)
-
Для проверки гипотезы о различии 2 групп по степени индивидуальной изменчивости (дисперсии) применяют критерий F-Фишера.
-
Гипотезу о взаимосвязи метрической и номинативной переменной, имеющей две градации (напр., пол), целесообразно изучать при помощи критерия t –Стьюдента
-
Гипотезу о взаимосвязи метрической и номинативной переменной, имеющей 5 градаций (например, хобби), целесообразно проверять при помощи однофакторного ANOVA
-
Гипотезу о взаимосвязи порядковой и номинативной переменной, имеющей 4 градации (напр., должность), целесообразно изучать при помощи критерия H-Краскала-Уоллеса
-
Гипотезу о взаимосвязи метрической и порядковой переменной, имеющей 15 градаций, целесообразно изучать при помощи r-Спирмена (τ-Кендалла)
-
Гипотезу о взаимосвязи 2-х количественных переменных, имеющих заметные выбросы (асимметрии) целесообразно проверять при помощи r-Спирмена, τ-Кендалла
-
Для проверки гипотезы о взаимосвязи одной метрической переменной и двух номинативных переменных целесообразно применять: дисперсионный анализ (многофакторный ANOVA)
-
Для проверки гипотезы о взаимосвязи одной метрической переменной и одной номинативной переменных с 3 и более значениями целесообразно применять: ANOVA однофакторный
-
Для проверки гипотезы о взаимосвязи одной метрической переменной и трех номинативных переменных целесообразно применять: многофакторный ANOVA
-
Но об идентичности зависимых выборок по уровню выраженности переменной, измеренной в ранговой шкале (при α = 0,05) отклоняется, если: вилкоксон p≤0,05
-
Но об идентичности независимых выборок по уровню выраженности переменной, измеренной в ранговой шкале (при α = 0,05) отклоняется, если: манна-уитни p≤0,05
-
Но об идентичности зависимых выборок по уровню выраженности переменной, измеренного в метрической шкале (при α = 0,05) отклоняется, если: стьюдента p≤0,05
-
Но об идентичности независимых выборок по уровню выраженности переменной, измеренного в метрической шкале (при α = 0,05) отклоняется, если: стьюдент p≤0,05
-
Но об отсутствии взаимосвязи двух номинативных переменных (при α = 0,05) отклоняется, если: хи квадрат p≤0,05
-
Но об отсутствии взаимосвязи двух номинативных переменных (при α = 0,05) не отклоняется, если: хи квадрат p>0,05
-
Но об отсутствии взаимосвязи двух порядковых переменных (при α = 0,05) не отклоняется, если: тау p>0,05
-
Но об отсутствии взаимосвязи двух порядковых переменных (при α = 0,05) отклоняется, если: r-Спирмена или тау p≤0,05
-
Статистическая гипотеза Но о равенстве двух средних значений (N1=60; N2=70) не отклоняется (при α = 0,01), если: стьюдента p>0,01
-
Но об отсутствии различий двух распределений номинативного признака отклоняется (при α = 0,05), если: хи квадрат p≤0,05
-
Но об отсутствии различий дисперсий двух независимых выборок (при α = 0,05) отклоняется, если: фишер p≤0,05
-
Но об отсутствии различий дисперсий двух независимых выборок (при α = 0,05) не отклоняется, если: фишер p>0,05
-
Статистическая гипотеза Но о равенстве двух средних значений (N1=60; N2=70) отклоняется (при α = 0,01), если: стьюдент p≤0,01
-
Статистическая гипотеза Но о корреляции двух переменных (N = 18) отклоняется (при α = 0,01), если: p≤0,01
-
Статистическая гипотеза Но о корреляции двух переменных (N = 18) не отклоняется (при α = 0,01), если: p>0,01
-
Если при сравнении 2-х средних при помощи компьютера получен следующий результат: t=2,48; p=0,045, то различие между соответствующими группами по измеренному признаку (при α = 0,05) – статистически достоверно
-
Если при сравнении 2-х средних при помощи компьютера получен следующий результат: t=2,56; p=0,036 (α = 0,05), то различие между соответствующими группами по измеренному признаку - статистически достоверно
-
Если при вычислении корреляции на компьютере получен результат: r34=0,49; p=0,11, то взаимосвязь между перменными 3 и 4 (при α = 0,05): статистически не достоверно
Часть 2
-
Взаимодействие факторов в дисперсионном анализе обозначает, что влияние одного из этих факторов на зависимую переменную зависит от уровней другого фактора.
-
Взаимодействие факторов «Пол» и «Группа» в ANOVA обозначает, что различия между группами проявляются по-разному в зависимости от пола.
-
Отсутствие взаимодействия факторов в дисперсионном анализе обозначает, что влияние одного из этих факторов на зависимую переменную не зависит от градаций другого фактора.
-
ANOVA предполагает предварительную проверку на равенство дисперсий при неравной численности выборок
-
Средний квадрат (MS) в ANOVA это частное от деления суммы квадратов на соотв.число степеней свободы (SS/df).
-
В ANOVA межгрупповая SS это разность общей SS и внутригрупповой SS.(показатель изменчивости между к-группами)
-
В ANOVA внутригрупповая SS это разность общей SS и межгрупповой SS (разность общей и межгрупповой дисперсии).
-
В ANOVA внутригрупповая (случайная) сумма квадратов вычисляется как: разность общей и межгрупповой дисперсии.
-
Стандартная таблица результатов ANOVA содержит следующую последовательность столбцов : Источник, SS, df, MS, F, p.
-
ANOVA предполагает следующую последовательность вычисления показателей: SS, df, MS, F, p.
-
Коэффициент детерминации (R2, RSQ) в дисперсионном анализе это отношение межгрупповой SS к общей SS (доля общей дисперсии зависимой переменной, обусловленная влиянием фактора).
-
Для проверки равенства (гомогенности) дисперсий в ANOVA применяется критерий Ливена
-
Перед проведением ANOVA с неравной численностью выборок необходимо проверить гомогенность дисперсий с помощью критерия Ливена
-
Для множественного сравнения средних в рамках дисперсионного анализа не применяют Т-Стьдента.
-
Для множественного сравнения средних в рамках дисперсионного анализа применяют Post Hoc, Шеффе, контрастов
-
Метод множественного сравнения средних который требует (не требует) предварительного получения статистически значимого результата дисперсионного анализа это метод Post Hoc (и его разновидности, в т.ч. Шеффе) (Не требует - метод контрастов).
-
Метод Post Hoc – это метод парного сравнения средних (после отклонения нулевой гипотезы).
-
Метод контрастов – это метод сравнения различных комбинаций средних (для оценки различий между сочетаниями средних значений для разных уровней фактора)
-
В ANOVA F-отношение – это частное от деления: межгруппового MS на внутригрупповой MS.
-
При помощи 4-факторного ANOVA проверяется: 15 гипотез
-
Сколько гипотез о взаимодействии проверяется при помощи 4-факторного ANOVA: 11
-
Ковариата в дисперсионном анализе это количественный фактор.
-
Многомерный дисперсионный анализ предназначен для изучения влияния факторов на множество зависимых переменных.
-
Модель многомерного дисперсионного анализа включает одномерный и многомерный этапы (или: несколько* факторов и многомерную зависимую переменную).
*(насчет существования варианта MANOVA с одним факторои не уверен, пусть будет несколько факторов)
-
Многомерный этап многомерного дисперсионного анализа предполагает проверку гипотез о влиянии факторов на всю совокупность зависимых переменных .
-
Многомерные критерии След Пиллая и Лямбда Вилкса применяются в многомерном дисперсионном анализе для проверки гипотез о влиянии факторов (и их взаимодействия) на многомерную зависимую переменную.
-
Аналогом критерия Ливина в многомерном дисперсионном анализе (на многомерном этапе) является – М тест Бокса
-
Если применение критерия М-Бокса дает статистически достоверный результат, то многомерный дисперсионный анализ не применим.
-
Одномерный этап многомерного дисперсионного анализа проводится для детализации статистически достоверных результатов многомерных тестов, для проверки гипотез о влиянии факторов на каждую зависимую переменную.
-
Дисперсионный анализ с повторными измерениями позволяет изучать влияние на зависимые переменные внутригруппового и межгруппового факторов.
-
Внутригрупповым (ВГ) и межгрупповым (МГ) факторам в дисперсионном анализе с повторными измерениями соответствуют выборки: зависимые и независимые (не перепутайте порядок!). (зависимые ВГ могут обозвать повторными измерениями, что верно, но МГ — не повторные измерения!)
-
Сходство этих двух многомерных методов заключается в том, что анализируются различия (сходства) между объектами: кластерный и шкалирование.
-
Сходство этих двух многомерных методов заключается в их назначении – классификации объектов: кластерный и дискриминантный.
-
Сходство этих двух многомерных методов заключается в их назначении – предсказании значений зависимой переменой: регрессионный и дискриминантный.
-
Сходство этих двух многомерных методов заключается в их назначении – анализе структуры с целью выделения латентных переменных: факторный и шкалирование.
-
Различие этих двух многомерных методов заключается в том, в какой шкале представлена зависимая переменная (в первом – метрическая, во втором – номинативная): регрессионный и дискриминантный.
-
Различие этих двух методов классификации заключается в том, что в первом задано число классов и принадлежность некоторых объектов к этим классам, а во втором – не задано ни то ни другое: дискриминантный и кластерный.
-
Сходство этих двух многомерных методов заключается в том, что анализируются корреляции между признаками: регрессионный и факторный.
-
Часть дисперсии «зависимой» переменной, обусловленная влиянием «независимых» переменных – это коэффициент множественной детерминации R2 (в многомерное регрессионном анализе)
-
Если независимая переменная х в множественном регрессионном анализе коррелирует с другими независимыми переменными, то ее вклад в дисперсию зависимой переменной меньше r2xy
-
Если независимая переменная х в множественном регрессионном анализе не коррелирует с другими независимыми переменными, то ее вклад в оценку зависимой переменной равен r2xy.
-
Если в многомерном регрессионном анализе (y – зависимая переменная, x1, x2 – независимые переменные) r12=0,4; r1y = 0,8; r2y = - 0,5; β1 = 0,5; β2 = - 0,2, то коэффициент множественной детерминации R2 равен: 0,5*0,8+(-0,2)*(-0,5)=0,5
-
Метод «полной связи» («дальнего соседа») в кластерном анализе, по сравнению с методом «одиночной связи» («ближайшего соседа») дает большее количество мелких кластеров.
-
Метод «средней связи» (СС) по сравнению с методами «дальнего соседа» (ДС) и «ближнего соседа» (БС) обычно позволяет получить число кластеров: среднее между БС и ДС (и более точные результаты классификации).
-
Иерархический кластерный анализ за (N – 1) шагов кластеризации (N – число объектов кластеризации) дает объединение: всех объектов
-
Статистическая значимость вклада каждой переменной в различении классов определяется по критерию F-Фишера (по модели дисперсионного анализа). (если такого варианта нет, то - структурным коэффициентом канонической функции — хотя это и не совсем верно будет)
-
Показателем принадлежности объекта к классу является апостериорная вероятность в дискриминантном анализе (расстояние до центроида).
-
Основной мерой качества решения в многомерном шкалировании является стресс (RSQ тоже мера, но не основная).
-
Несколько матриц различий одновременно позволяет анализировать а)взвешенная модель индивидуальных различий (в многомерном шкалировании) или:
б) групповое психологическое пространство стимулов в осях общих для данной группы существенных признаков (+индивидуальные веса признаков)