Soumettre la recherche
Mettre en ligne
T検定と相関分析概要
•
Télécharger en tant que PPTX, PDF
•
6 j'aime
•
7,828 vues
J
Junko Yamada
Suivre
北海道大学 2016年度 行動科学実験実習資料 (※学部生向け授業、スライド中の統計値などは適当)
Lire moins
Lire la suite
Formation
Signaler
Partager
Signaler
Partager
1 sur 42
Télécharger maintenant
Recommandé
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
1 2.t検定
1 2.t検定
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート
Kenji Hiranabe
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布
logics-of-blue
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Recommandé
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
1 2.t検定
1 2.t検定
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート
Kenji Hiranabe
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布
logics-of-blue
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Word2vecの理論背景
Word2vecの理論背景
Masato Nakai
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
hagino 3000
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
データ入力が終わってから分析前にすること
データ入力が終わってから分析前にすること
Masaru Tokuoka
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Shuyo Nakatani
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
Kei Nakagawa
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
「生物統計学」演習問題集
「生物統計学」演習問題集
Keiji Miura
基本統計量について
基本統計量について
wada, kazumi
Contenu connexe
Tendances
Word2vecの理論背景
Word2vecの理論背景
Masato Nakai
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
hagino 3000
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
データ入力が終わってから分析前にすること
データ入力が終わってから分析前にすること
Masaru Tokuoka
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
Yusuke Kaneko
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
Shuyo Nakatani
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
Kei Nakagawa
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
Tendances
(20)
Word2vecの理論背景
Word2vecの理論背景
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
データ入力が終わってから分析前にすること
データ入力が終わってから分析前にすること
ベイズファクターとモデル選択
ベイズファクターとモデル選択
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
重回帰分析で交互作用効果
重回帰分析で交互作用効果
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
変分ベイズ法の説明
変分ベイズ法の説明
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
グラフィカルモデル入門
グラフィカルモデル入門
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
無限関係モデル (続・わかりやすいパターン認識 13章)
無限関係モデル (続・わかりやすいパターン認識 13章)
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
ブラック・リッターマン法を用いたリスクベース・ポートフォリオの拡張
質的変数の相関・因子分析
質的変数の相関・因子分析
En vedette
「生物統計学」演習問題集
「生物統計学」演習問題集
Keiji Miura
基本統計量について
基本統計量について
wada, kazumi
2013年度秋学期 統計学 第13回「不確かな測定の不確かさを測る ― 不偏分散とt分布」
2013年度秋学期 統計学 第13回「不確かな測定の不確かさを測る ― 不偏分散とt分布」
Akira Asano
胃と腸10月号2011
胃と腸10月号2011
Sakata Masatoshi
R in life science2
R in life science2
Yoshiki Tomita
Risk assessment
Risk assessment
Hussnia Wali
3.9 - same sport, different school
3.9 - same sport, different school
Vasili K Andrews
עיצוב ויזואלי של מידע ליזי כהן שיעור 2
עיצוב ויזואלי של מידע ליזי כהן שיעור 2
lizicohen
Horror themes:narratives
Horror themes:narratives
Hussnia Wali
New World of Work
New World of Work
Albert Esplugas
第4回関東ゼロからはじめるR言語勉強会(t検定を勉強してみよう)
第4回関東ゼロからはじめるR言語勉強会(t検定を勉強してみよう)
Iida Keisuke
1 1.はじめに
1 1.はじめに
logics-of-blue
Historia de la tegnologia arquitectura maya
Historia de la tegnologia arquitectura maya
'Gene Cardenas
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
Tokyo r30 anova
Tokyo r30 anova
Takashi Minoda
エニグマ暗号とは何だったのか
エニグマ暗号とは何だったのか
Takahiro (Poly) Horikawa
Creative activities week 2
Creative activities week 2
HCEfareham
ランダムフォレスト
ランダムフォレスト
Kinki University
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
Daisuke Yoneoka
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
Ken'ichi Matsui
En vedette
(20)
「生物統計学」演習問題集
「生物統計学」演習問題集
基本統計量について
基本統計量について
2013年度秋学期 統計学 第13回「不確かな測定の不確かさを測る ― 不偏分散とt分布」
2013年度秋学期 統計学 第13回「不確かな測定の不確かさを測る ― 不偏分散とt分布」
胃と腸10月号2011
胃と腸10月号2011
R in life science2
R in life science2
Risk assessment
Risk assessment
3.9 - same sport, different school
3.9 - same sport, different school
עיצוב ויזואלי של מידע ליזי כהן שיעור 2
עיצוב ויזואלי של מידע ליזי כהן שיעור 2
Horror themes:narratives
Horror themes:narratives
New World of Work
New World of Work
第4回関東ゼロからはじめるR言語勉強会(t検定を勉強してみよう)
第4回関東ゼロからはじめるR言語勉強会(t検定を勉強してみよう)
1 1.はじめに
1 1.はじめに
Historia de la tegnologia arquitectura maya
Historia de la tegnologia arquitectura maya
1 3.分散分析 anova
1 3.分散分析 anova
Tokyo r30 anova
Tokyo r30 anova
エニグマ暗号とは何だったのか
エニグマ暗号とは何だったのか
Creative activities week 2
Creative activities week 2
ランダムフォレスト
ランダムフォレスト
第三回統計学勉強会@東大駒場
第三回統計学勉強会@東大駒場
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
基礎からのベイズ統計学 輪読会資料 第1章 確率に関するベイズの定理
Dernier
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
inspirehighstaff03
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
inspirehighstaff03
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
inspirehighstaff03
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
inspirehighstaff03
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
inspirehighstaff03
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
Dernier
(20)
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
What I did before opening my business..pdf
What I did before opening my business..pdf
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「なぜ議会への関心が低いのか?」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
T検定と相関分析概要
1.
2016年度 行動科学実験実習 ―t 検定と相関分析― 2016年10月31日 北海道大学
行動科学実験実習(第1ターム) 担当:山田(TF) 1
2.
有意性検定について ちょっとおさらい 2
3.
統計=法則性の数量的な表現 • ある現象についての傾向や関係を、数値を用い て表現する • 数値を用いることで「程度」が分かる! この間のTOEIC かなりできた! この間のTOEIC 850点だった! •
85%正答した! • TOEIC受験者の平均 点より高く、上位 10%に入っている! • “かなり”ってどの位? • 例えばほかの人と比 べてどのくらい良く できた? 比較可能! 3
4.
有意性検定とは • 有意性検定 • 帰無仮説
(H0) と対立仮説 (H1) 否定したい仮説 検証したい仮説 4
5.
“有意である”とは? • 有意確率 (p)=正しいはずの帰無仮説を棄却す る確率 •
H0: A大学とB大学のTOEICスコアに差はない • H1: A大学とB大学のTOEICスコアに差がある • p < .05 で、A大学とB大学のスコアに有意差あり → H0が正しいにも関わらず棄却する可能性は5% TOEICスコア 700点 TOEICスコア 550点 5
6.
t 検定 (t
- Test) ―集団の平均の違いを検討 6
7.
t 検定とは? • その平均値の差は偶然の誤差範囲か? •
同じ集団 (例:日本人) であっても、そのデータに は散らばり (誤差) が存在する • 例:平均身長 • ある集団の中にも、身長はさまざま • たまたま持ってきた標本集団が、実際の母平均より も高い (低い) 方に偏ることはしばしばある 7
8.
誤差を数値化する • t 値 •
2つの集団の平均値がどのくらいずれているかを数 値化する示標 • 平均の標準誤差で割る=標準化 → 平均0, 分散1の正規分布をとるように値を変換 8 集団Aの平均 集団Bの平均 平均の標準誤差 BA BA XX BA XX XX t
9.
t 検定=t 値のズレは偶然か? •
t 値=2つの集団の平均値のズレ • 集団A, Bの平均値のズレは、単なる偶然なのか、あ るいは意味のある違いなのか? 90 + t- t
10.
意味のない誤差を見分ける • 集団Aと集団Bが等しい (=同じ母集団)
場合… • 2つの集団A, Bの違いは単なる偶然に過ぎない 100 + t- t 2つの集団が等しいなら、 t 値は95%この範囲に収まる
11.
何%なら“意味がある”? • 有意確率 (5%) •
集団A, Bの平均値がズレる確率は5%以下 110 両側
12.
何%なら“意味がある” ? • 有意確率
(5%) • 両側検定:差の方向が未定 • 片側検定:差の方向を予測済み 120 片側
13.
具体例 13 誰かと一緒にいる人の方が、 沢山寄付してくれる気がする…
14.
具体例 • H0(帰無仮説) • 誰かと一緒にいても寄付額は変わらない •
H1(対立仮説) • 誰かと一緒にいると寄付額が増える • 片側測定 • 実験計画 • 友人と一緒にいる人、または一人でいる人を対象に 募金活動を行う (参加者間要因) 14
15.
具体例 • 誰かと一緒にいる人 (N
= 15) • 平均寄付額 800円, SD = 34.56 • 一人でいる人 (N = 15) • 平均寄付額 500円, SD = 21.03 • 条件を独立変数, 寄付額を従属変数とした t 検 定を行った結果… t (28) = 3.59, p =.02 15 標準化した 集団間の平均のズレ BA BA XX BA XX XX t 条件 (他者あり・なし) 𝑑𝑓 = 𝑛1 − 1 + 𝑛2 − 1
16.
レポートでの書き方 16 誰かと一緒にいる条件 (M =
800, SD = 34.56) と一人の 条件 (M = 500, SD = 21.03) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のない t 検定を行ったところ、有意差 がみられた (t (28) = 3.59, p = .02)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が多いことが分かった。
17.
レポートでの書き方 17 誰かと一緒にいる条件 (M =
800, SD = 34.56) と一人の 条件 (M = 500, SD = 21.03) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のない t 検定を行ったところ、有意差 がみられた (t (28) = 3.59, p = .02)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が多いことが分かった。 ポイント① 記述統計量を含め、統計量はきっちり書く
18.
レポートでの書き方 18 誰かと一緒にいる条件 (M =
800, SD = 34.56) と一人の 条件 (M = 500, SD = 21.03) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のない t 検定を行ったところ、有意差 がみられた (t (28) = 3.59, p = .02)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が多いことが分かった。 ポイント② 分析の目的、独立変数と従属変数を明確にする ポイント③ どんな検定を行ったかをしっかり明記する
19.
レポートでの書き方 19 誰かと一緒にいる条件 (M =
800, SD = 34.56) と一人の 条件 (M = 500, SD = 21.03) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のない t 検定を行ったところ、有意差 がみられた (t (28) = 3.59, p = .02)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が多いことが分かった。 ポイント➃ 結果の方向性を明確に示し、分かりやすく言い換える
20.
新たな仮説の浮上 20 誰かと一緒の人と一人の人だと 性格とか別の違いがありそう… 同じ人を対象にして 誰かと一緒にいることの 効果を見たい…
21.
具体例 • H0(帰無仮説) • 誰かと一緒にいても募金額は変わらない •
H1(対立仮説) • 誰かと一緒にいると募金額が増える • 片側測定 • 実験計画 • 友人と一緒に寄付してもらう条件と、一人で寄付し てもらう条件を作り、同じ人でも条件間で寄付額に 差が出るかを検証する (参加者内要因) 21
22.
具体例 • 参加者は計15名 • 誰かと一緒にいる条件 •
平均寄付額 900円, SD = 87.56 • 一人でいる条件 • 平均寄付額 650円, SD = 37.03 22 対応無しのt検定を そのままやればOK?
23.
対応のあるデータ=ペア • 対応のないデータでは平均の差をとった • 対応のあるデータでは…? •
対応するデータをペアにして、ペアごとに各条 件下でのデータの差分をとる 23 D D tD 各ペア内の得点差の平均 標準誤差でスコアを標準化
24.
具体例 • 誰かと一緒にいる条件 • 平均寄付額
900円, SD = 87.56 • 一人でいる条件 • 平均寄付額 650円, SD = 37.03 • 条件を独立変数, 寄付額を従属変数とした t 検 定を行った結果… t (14) = 2.95, p = .01 24 𝑑𝑓 = 𝑛 − 1 (n = サンプルサイズ)
25.
レポートでの書き方 25 誰かと一緒にいる条件 (M =
900, SD = 87.56) と一人の 条件 (M = 650, SD = 37.37) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のある t 検定を行ったところ、有意差 がみられた (t (14) = 9.95, p = .01)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が高いことが分かった。
26.
ちなみに… • もし有意差がなかった場合… 26 誰かと一緒にいる条件 (M
= 900, SD = 87.56) と一人の 条件 (M = 650, SD = 37.37) で寄付額が増加するかを検 証するため、他者が傍にいるかを独立変数、寄付額を従 属変数とする対応のある t 検定を行ったところ、有意差 がみられた (t (14) = 9.95, p = ns.)。 このことから、誰かと一緒にいる方が、一人の時よりも 有意に寄付額が高いことが分かった。 Non significant (有意ではない)の略
27.
対応あり or なし? 27 •
検定力 • H0 が誤りであることを正しく棄却できる確率 → 正しく有意差を検出できる確率 • 検定力=1 − 𝛽 • 第1種のエラー (α):差がないのに見誤る確率 • 第2種のエラー (β):差があるのに見過ごす確率 対応ありデータは第2種のエラーを回避できる! → 検定力が高い!
28.
なぜ検出力が高い? • なぜ検定力が高い? • ペアデータは独立変数以外の条件が“等しい” →
差の標準誤差が小さくなる (個人差がない!) • 標準誤差が小さいほど 信頼区間の幅が狭い → 真の値を推測しやすい 28 対応あり 対応なし 同じ推定値でも 信頼区間の幅によって 有意かどうかが変わる
29.
対応あり or なし? 29 •
対応ありデータの短所 • 順序効果が出やすい(同一参加者内) → 先にやった条件が 後の条件に影響する →疲労度、慣れ • 完全にマッチするペアの作成が困難(異なる参加者 間でのペア)
30.
相関分析 (Correlation analysis) 30
31.
変数間の関連を見たい… 31 平等志向が強い人ほど より寄付するのかもしれない…
32.
変数間の関連を見る • 変数1: 平等志向
(パーソナリティ) • 変数2: 寄付額 32平等志向 寄 付 額
33.
平等志向の高低でぶつ切り? • 平等志向が高い人はより寄付をする、という関 連があるのかを見たい… • 平等志向の高低±1SDで参加者を分けて分析? •
もったいない! • せっかくリッチなデータがあるのに、データを捨て てしまう… 33
34.
相関分析 (Correlation analysis) •
相関分析 • 変数間の関連を直線的に表現 • 相関分析も t 検定と同じく2つの仮説を検証 • H0: 2つの変数間に関連はない • H1: 2つの変数間に関連がある 34
35.
最もよく当てはまる直線を引く • 2つの変数間の関係を、もっともうまく記述で きるように直線を引く 35
36.
相関係数=関連の方向と強さ 36 変数xと母平均 との差 変数yと母平均 との差 変数xと母平均 との差の2乗 変数yと母平均 との差の2乗 𝑖=1 𝑛 (𝑥𝑖 − 𝑥)
(𝑦𝑖 − 𝑦) 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) 2 𝑖=1 𝑛 (𝑦𝑖 − 𝑦) 2
37.
相関係数=関連の方向と強さ 37 𝑖=1 𝑛 (𝑥𝑖 − 𝑥)
(𝑦𝑖 − 𝑦) 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) 2 𝑖=1 𝑛 (𝑦𝑖 − 𝑦) 2 変数xと変数yの 共分散 この値で相関の方向が分かる 標準偏差の積 → 共分散を平均化する → 平均化することで相関の強さが分かる
38.
ちなみに… • 相関係数は、必ず 1
≤ 𝑟 ≤ 1 の間をとる 38 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) (𝑦𝑖 − 𝑦) 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) 2 𝑖=1 𝑛 (𝑦𝑖 − 𝑦) 2 = 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) 𝑖=1 𝑛 (𝑥𝑖 − 𝑥) 2 𝑖=1 𝑛 (𝑦𝑖 − 𝑦) 𝑖=1 𝑛 (𝑦𝑖 − 𝑦) 2 標準偏差(データのばらつき) を使ってデータを標準化 →平均0、分散1 取りうる値が-1から1の間だから どうやっても相関係数は -1から1の間に収まる! −1~ ≤ ≤ 1 の範囲に収まる
39.
具体例 • 参加者の平等志向と寄付金の額を調べたところ、 次のようなデータが得られた 39 ID 平等志向
寄付金額 1 7 700 2 3 100 3 8 900 4 2 150 5 6 450 … … …
40.
具体例 • 平等志向と寄付金額の関係について相関分析を 行ったところ… r =
0.83, p = .000000001 40 相関の強さの目安 ⇨ | r | = 0.7~1 かなり強い相関がある ⇨ | r | = 0.4~0.7 やや相関あり ⇨ | r | = 0.2~0.4 弱い相関あり ⇨ | r | = 0~0.2 ほとんど相関なし
41.
レポートでの書き方 41 個人の平等志向と寄付金額の間に関連がみられるかを検 証するため、平等志向と寄付金額について相関分析を 行ったところ、有意な正の相関がみられた (r =
0.83, p < .001)。 このことから、平等志向が高い人は、寄付金額も多めで ある傾向が示された。 ポイント➃…のリマインド 結果の方向性を明確に示し、分かりやすく言い換える ポイント➄ p値が 0.001 以下の場合は、p < .001 と表現する
42.
相関分析を解釈するうえで… • 平等志向と寄付金額が正相関していたとき… • 「平等志向の強さが、多額の寄付を生み出してい る!」といってよいか…? 42 あくまで相関は“関連”でしかない →
因果関係の推論はできない では因果関係の推論には? → 回帰分析 (Regression analysis)
Notes de l'éditeur
検定力:1-β(正しく有意差を検出できる確率) 第1種のエラー(α):実際には差があるのに、差がないとしてしまう確率 第2種のエラー(β):実際には差がないのに、差があるとしてしまう確率
Télécharger maintenant