tumatud muutujad korreleeruvad omavahel - tekib võimalus “vahendatud korrelatsiooniks” - kinganumber ja tarbitud toit – teame, mis mõjut - kehasuurus ja mao suurus – ei tea, mis mõjutab; aks pidevat muutujat; idev ja kategooriline; aks kategoorilist - mittetasakaaluline ANOVA: mustad valged isased 20 vaatlust 2 vaatlust emased 3 vaatlust 24 vaatlust
25
Embed
Sõltumatud muutujad korreleeruvad omavahel - tekib võimalus “vahendatud korrelatsiooniks”
mustad. valged. isased. 20 vaatlust. 2 vaatlust. emased. 3 vaatlust. 24 vaatlust. Sõltumatud muutujad korreleeruvad omavahel - tekib võimalus “vahendatud korrelatsiooniks” - kinganumber ja tarbitud toit – teame, mis mõjutab; - kehasuurus ja mao suurus – ei tea, mis mõjutab; - PowerPoint PPT Presentation
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Sõltumatud muutujad korreleeruvad omavahel
- tekib võimalus “vahendatud korrelatsiooniks”- kinganumber ja tarbitud toit – teame, mis mõjutab;- kehasuurus ja mao suurus – ei tea, mis mõjutab;
- kaks pidevat muutujat;- pidev ja kategooriline;- kaks kategoorilist - mittetasakaaluline ANOVA:
mustad
valged
isased
20 vaatlust
2 vaatlust
emased
3 vaatlust
24 vaatlust
Taime pikkus sõltuvana
1) temperatuurist;2) niiskusest
Mängime, et temperatuur ja niiskus korreleeruvad omavahel,nt elame kuskil kõrbe lõunaserval:
0 10 20 30 40 50 60 70 80 90
niiskus
15
20
25
30
temperatuur
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0n i is kus
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
taim
Ühekaupa asja uurides pole kahtlust, et taime pikkus sõltubnii niiskusest kui ka temperatuurist,
aga kas niiskusel on sellist mõju, mis pole temperatuuri mõjuga seletatav?
aga kas temperatuuril on sellist mõju, mis pole niiskusemõjuga seletatav?
.... paneme nad nüüd ühte ANOVA mudelisse sõltumatuteks muutujateks, aga mitu eri varianti.... SS jagamine….
- mida järeldame?- funktsiooni enda omadused, mitte andmete omad.- kirjeldamaks OK.
Enamasti piisab, kui uurime, kas hälbib lineaarsusest.- kaasame ruutliikme: positiivne ja negatiivne;- sobitame parabooli.
0 2 4 6 8 10 12
x
0
6
12
18
y
y = 0,27x2+1,55x+3,6
II tüüpi regressioon:
- kui tahame järeldada midagi tõusu väärtusest;- esimest tüüpi regressioon ennustamise tarbeks, mitte tõenäoseima seose hindamise tarbeks;- eri pidi ennustamiseks erinevad sirged!
Võrrand ei sõltu sellest, kumb muutuja on kummal teljel!
Geometric mean regression- mõlematpidi tõusude geomeetriline keskmine;
- kui huvitab vaid seose olemasolu, pole vahet, milline regressioon!
-ANOVA variatsioonid:
- hierahiline;
- juhuslike faktoritega;
- korduvmõõtmistega;
Hierarhiline ANOVA
ühe faktori mõjudel “lubatakse” erineda teise faktori eri tasemetel - klass ja kool;
üks faktor on teisele allutatud - nested. sulgudesse: B(A), klass(kool)
Kas sabasule pikkus sõltub soost:tavaliselt:
DF Type III SS F P sugu 1 0.333 0.05 0.82liik 1 0.333 0.05 0.82
aga nüüd sugu allutatud (... nested) liigile
liik 1 0.333 0.16 .69sugu(liik) 2 40.66 9.76 .0071
juhuslik (random) faktor on selline muutuja, mille katses esindatud tasemed on vaadeldavad valimina suurest tasemete populatsioonist.
- pesakond
Fikseeritute kõik tasemed on katses esindatud:- treatment;- sugu.
Juhusliku puhul on juhuhajuvus mitmetasandiline:- üksikvaatluste hajuvus ümber pesakonna keskmise;- pesakondade hajuvus ümber pesakondade keskmise.
Uurime tamme lehe suuruse sõltuvust uurimisala temperatuurist.
Millised on juhuslikud:- puu isend;- oks puus;- aastaaeg;- metsatukk;- biotoop (mets/ avamaa);- aasta.
Võib sõltuda probleemipüstitusest:kas uurime erinevust just nende populatsioonide vahel või
tahame tulemusi üldistada kõigile populatsioonidele.
Kui on random, on üldistatav!
I ja II tüüpi ja mixed ANOVA
ühefaktorilise puhul pole vahet;
Kahefakroriline (üks juhuslik ja üks fixed)
vahe on enamasti väike, kui koosmõjusid pole;
koosmõjudega läheb vahe suureks!
- 6 pesakonda, 2:4, kuidas kogu populatsioonis? Ei tea.
erinevus puudutab pigem just seda, mis ise pole juhuslik!
manipulatsioon
pesakond a b
mõju
1 1 2 +1
2 1 -4 -5
3 3 3,7 +0,7
4 3 4,3 +1,3
5 4 -0,3 -4,3
6 4 5 +1
pesakond fikseeritud: Type 3 Tests of Fixed Effects Num Den Effect DF DF F Value Pr > F trea 1 24 6.10 0.0211pesa 5 24 23.70 <.0001trea*pesa 5 24 11.12 <.0001
manipulatsioon
pesakond a b
mõju
1 1 2 +1
2 1 -4 -5
3 3 3,7 +0,7
4 3 4,3 +1,3
5 4 -0,3 -4,3
6 4 5 +1
pesakond juhuslik: Type 3 Tests Num Den Effect DF DF F Value Pr > F trea 1 24 0.55 0.4924pesa 5 24 2.13 0.213trea*pesa 5 24 11.12 <.0001
manipulatsioon
populatsioon a b
mõju
1 1 2 +1
2 1 2 +1
3 3 3,7 +0,7
4 3 4,3 +1,3
5 4 4 0
6 4 5 +1
pesakond fikseeritud: Type 3 Tests of Fixed Effects Num Den Effect DF DF F Value Pr > F trea 1 24 7.76 0.0103pesa 5 24 12.31 <.0001trea*pesa 5 24 0.39 0.8486
pesakond juhuslik: Type 3 Tests Num Den Effect DF DF F Value Pr > F trea 1 24 19.74 0.0067pesa 5 24 31.32 0.0009trea*pesa 5 24 0.39 0.8486
manipulatsioon
populatsioon a b
mõju
1 1 2 +1
2 1 2 +1
3 3 3,7 +0,7
4 3 4,3 +1,3
5 4 4 0
6 4 5 +1
- ei ole alati õiget ja valet;
- peaks olema palju;
- peab ikka grupeerima üksikvaatlusi, mitte vaatlus ise olema!
kaal populatsioon (random)
treatment (fixed)
3,2 a X
4,8 a Z
5,9 a X
4,6 b Z
5,6 b X
9,8 b Z
3,3 b X
8,4 b Z
6,6 c X
5,8 c Z
2,7 c X
Korduvmõõtmistega ANOVA
- ühte isendit (või muud asja) on mõõdetud mitu korda;Ei tohi tavaliselt:
- hindame vabadusastmeid üle – pseudoreplikatsioonid!;- ei võta individuaalsust arvesse.
Mõlema vastu aitab REPEATED measurements ANOVA:
1. Sõltuvate valimite t-test
2. Täide kaalu sõltuvus karu karvkatte paksusest.
3. Linde söödetakse eri taimedega ja uuritakse parasiitide ohtrust,
iga lindu neli korda mõõdetakse, time*trea koosmõju huvitab.