PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně Michalčákové Jaký je podíl bílých a barevných srdíček v balení? Simulace binomického rozložení Histogram Výběr ­ od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným výběrem tj. výběr jedince splňuje podmínky náhodného pokusu není-li výběr v pravém slova smyslu náhodný, uvažujeme, v čem se p-dobně liší od náhodného AJ: statistical description, inference, population, sample, data, statistics, inference, parameters, random sample (sampling) Statistiky a parametry Na vzorku (datech) počítáme statistiky Hodnotě statistiky v celé populaci říkáme parametr. Pro parametry používáme odpovídající písmena řecké abecedy např. průměr: statistika m, parametr (mí) další: s ­ s (sigma), r ­ r (ró), d ­ d (delta - rozdíl) Statistiky jsou odhady parametrů tj. jsou vždy zatíženy chybou ­ výběrovou chybou chyby náhodné ­ umíme spočítat, známe-li výběrové rozložení chyby systematické ­ nevhodné statistiky, špatné měření, špatný způsob výběru vzorku (metodologie) Jak dobré jsou tyto odhady? AJ: estimates, sampling error. random error, systematic error, sampling distribution Estimační kvality statistik I Kvality statistiky jako prostředku odhadu ,,skutečné" hodnoty v populaci AJ: statistics as estimators, estimation upraveno dle Glass, Hopkins Estimační kvality statistik II Nezkreslenost tj. že systematicky nenad(pod)hodnocuje např. s podhodnocuje Konzistence s velikostí vzorku roste přesnost odhadu Relativní účinnost jak rychle roste přesnost s velikostí vzorku zde vítězí M nad Md a strhává s sebou i další momentové statistiky jejich výhodou je i snadné počítání s nimi AJ: unbiasedness, consistency, relative efficiency Výběrové rozložení a sm. chyba Spočítáme-li tutéž statistiku na mnoha nezávislých náhodných vzorcích získáme mnoho různých odhadů parametru tyto odhady mají nějaké rozložení - výběrové rozložení http://onlinestatbook.com/stat_sim/sampling_dist/index.html Výběrové rozložení obvykle můžeme popsat průměrem ­ ten se u dobrých statistik blíží hodnotě parametru směrodatnou odchylkou ­ říkáme jí směrodatná chyba ((odhadu) parametru) nebo také střední chyba a obecněji i výběrová chyba Čím je velikost vzorku/ů větší, tím je směrodatná chyba menší AJ: sampling distribution, standard error (of the mean) Výběrové rozložení (odhadu) průměru Odhad průměru má přibližně normální rozložení, jehož průměr je se směrodatnou chybou ..................... Platí to i tehdy, když rozložení proměnné není normální. a to ,,díky" centrálnímu limitnímu teorému Jenomže my obvykle neznáme s... Neznáme-li s, musíme použít s průměr zůstává , směrodatná chyba je nyní ...................... výběrové rozložení není normální, jde o Studentovo t -rozložení jako normální s těžšími konci (t je pro t-rozložení totéž, co z pro normální rozložení) má různé tvary pro různá n : stupně volnosti ­ n (ný) zde n = N-1; čím vyšší N, tím se t-rozložení blíží normálnímu AJ: central limit theorem, Student's t-distribution, degrees of freedom (d.f.) N x s s N s sx Studentovo t -rozložení Výběrové rozložení dalších statistik Nyní je tedy třeba ke každé popisné statistice znát ještě další vlastnost ­ její teoretické výběrové rozložení relativní četnost ­ přibližně normální - Hendl 156 rozptyl ­ po transformaci 2-rozložení (chí kvadrát) - Hendl 159 Pearsonova r ­ po Fisherově transformaci normální ­ Hendl 252 Teoretická výběrová rozložení různých statistik jsou různá Statistika je obvykle transformována do podoby, která má jedno z běžných teoretických rozložení: normální, chí-kvadrát rozložení (Pearsonovo), trozložení (Studentovo), F-rozložení (Fisherovo, Snedecorovo) Netřeba je znát z hlavy, programy je používají za vás, ale stojí za to vědět, že existují přehledy ­ např. Receptář Oseckých nebo Sheskin ISBN 1584884401 Pro interpretační potřeby si obvykle vystačíme s představou výběrového rozložení průměru Pozor, centrální limitní teorém se týká pouze výběrového rozložení průměru! AJ: chi-square distribution, F-distribution Bodové vs. intervalové odhady Parametr se můžeme snažit odhadnout... bodovým odhadem ­ tj. odhadujeme přímo hodnotu parametru, např. průměr. Kvalita bodového odhadu viz Hendl 169. intervalovým odhadem ­ tj. odhadnutím intervalu, který parametr s určitou p-ností zahrnuje výsledkem intervalového odhadu je interval spolehlivosti interval spolehlivosti tvoříme z bodového odhadu a znalosti jeho výběrového rozložení, tj. (bododchylka) intervalový odhad lepší - více informací té p-nosti se v tomto kontextu říká hladina spolehlivosti (1-a) typicky se používá 95% a 99% hladina spolehlivosti pak říkáme, že hledaný parametr je s 95% p-ností v intervalu spolehlivosti Zkuste si sami: http://onlinestatbook.com/stat_sim/conf_interval/index.html AJ: point estimate, interval estimate, confidence interval (CI), level of confidence, consistency, unbiasedness, relative efficiency, resistence X zXCI saa 2/1)1( a je p-nost chyby a proto je hladina spolehlivosti 1-a, tj. 95% spolehlivost znamená 5% chybovost: (1-0,05) Příklad konstrukce intervalu spolehlivosti pro průměr 1 Na vzorku dětí (N=100) s různobarevnýma očima jsme spočítali průměrné IQ 130, přičemž víme, že s =15. bodový odhad průměrného IQ v populaci dětí s různobarevnýma očima (tj. parametru, ) je 130 intervalový odhad Známe-li s, výběrové rozložení průměru má normální rozložení... ...se středem v . neznáme, a tak použijeme bodový odhad m = 130 ... se směrodatnou chybou odhadu průměru sm = s /N = 15/ 100 = 1,5. Zvolíme-li hladinu spolehlivosti 1-a = 95%, pak v tabulkách/Excelu zjistíme, že 95% normálního rozl. je mezi hodnotami z= -1,96 a 1,96 ,tj. 1-a/2z = 0,975z = 1,96 , Excel: =NORMSINV(0,975) interval spolehlivosti: (m - 1,96sm; m + 1,96sm) = (127,1 ; 132,9), tj. s 95% pravděpodobností 127,1 132,9 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 90 100 110 120 130 140 150 160 170 IQ průměr IQ Příklad konstrukce intervalu spolehlivosti pro průměr 2 Na vzorku dětí (N=100) s různobarevnýma očima jsme spočítali průměrné IQ 130 a s =15. bodový odhad průměrného IQ v populaci dětí s různobarevnýma očima (tj. parametru, ) je 130 intervalový odhad střed intervalu spolehlivosti bude na bodovém odhadu, tj. m = 130 víme, že výběrové rozložení průměru má t­rozložení se stupni volnosti n = N-1 = 99 zvolíme-li hladinu spolehlivosti 1-a =95%, pak v tabulkách (Excelu) zjistíme, že 95% t-rozložení je mezi hodnotami t=-1,98 a 1,98 (tj. 1-a/2t (n)= 0,975t (99) = 1,98 excel: TINV(0,05;99)) směrodatná chyba odhadu průměru sm = s /n = 15/ 100 = 1,5 interval spolehlivosti: (m - 1,98sm; m + 1,98sm) = (127,0 ; 133,0), tj. s 95% pravděpodobností 127,0 133,0 pozor na tento rozdíl: ve středu intervalu je m, někde v intervalu je v 95% případů Interpretace intervalu spolehlivosti ... je prostá, avšak zrádná 95% interval spolehlivosti znamená, že sestrojujeme-li tento interval dle výše uvedených instrukcí, v 95% případů sestrojení intervalu tento interval zahrnuje odhadovaný parametr, tj. v 95% případů je závěr, že je mezi čísly a a b, správný. V tomto smyslu to také znamená, že máme subjektivní 95% jistotu, že parametr je v námi určeném intervalu. V konkrétním případě, kdy jsme spočetli konkrétní interval spolehlivosti (127 133), to neznamená, že v 95% případech je v intervalu od 127 do 133. To proto, že je konstanta; při opakovaných výzkumech se nemění. Díky omylnému výběru v každém výzkumu vychází poněkud jiný interval sestrojený podle jiného výběrového průměru. Jinými slovy, trefujeme se obručí na kolík a ne kolíkem do obruče. O čem tohle slovíčkaření je? O rozdílu mezi četnostním a subjektivním (Bayesovským) pojetím pravděpodobnosti. Shrnutí Na vzorcích počítáme statistiky, které jsou odhadem populačních parametrů. K posouzení přesnosti takového odhadu musíme znát výběrové rozložení statistiky, kterou k odhadu používáme, zejména jeho variabilitu směrodatnou chybu. Směrodatná chyba klesá především s velikostí vzorku. Přesnost odhadu parametru sdělujeme prostřednictvím intervalu spolehlivosti.