W tym rozdziale nauczysz się przeprowadzać wnioskowanie statystyczne dla jednego parametru opisującego dane kategoryczne. Omówimy zarówno metody oparte na próbkowaniu, jak i metody aproksymacyjne stosowane dla pojedynczej proporcji.

Ogólne Badanie Społeczne

Eksploracja zmiennej consci

Generowanie metodą bootstrap

Tworzenie przedziału ufności

Dlaczego więcej bootstrapów?

Interpretacja przedziału ufności

Przedziały ufności i poziom ufności

SE przy mniejszej ilości danych

SE przy różnych wartościach p

Skrót aproksymacyjny

Przedział ufności metodą aproksymacji

Porównanie metod

Wnioskowanie dla jednego parametru

Ten rozdział pogłębia wiedzę na temat testowania hipotez i tworzenia przedziałów ufności dla jednego parametru. Następnie nauczysz się przeprowadzać wnioskowanie dla różnicy między dwiema proporcjami. Na koniec rozdziału zbadasz, co się dzieje, gdy hipoteza zerowa jest prawdziwa.

Test hipotezy dla proporcji

Życie po śmierci

Generowanie danych z H0

Weryfikacja hipotezy

Podjęcie decyzji

Przedziały dla różnic

Kara śmierci a płeć

Test hipotezy dotyczący różnicy proporcji

Interpretacja testu

Testy hipotez i przedziały ufności

Błędy statystyczne

Kiedy hipoteza zerowa jest prawdziwa

Gdy hipoteza zerowa jest prawdziwa: decyzja

Proporcje: testowanie i moc testu

Ta część kursu uczy, jak stosować metody resamplingowe i klasyczne do testowania niezależności dwóch zmiennych kategorycznych. Rozdział obejmuje przeprowadzanie testu chi-kwadrat.

Tablice kontyngencji

Polityka i przestrzeń kosmiczna

Rozumienie tabel kontyngencji

Od tidy do tabeli i z powrotem

Statystyka testowa chi-kwadrat

Pojedyncza permutacja Chi-kwadrat

Budowanie dwóch rozkładów zerowych

Czy dane są zgodne z modelem?

Metoda alternatywna: rozkład chi-kwadrat

Sprawdzanie warunków

Geografia szczęścia

Wartość p na dwa sposoby

Przedziały dla rozkładu chi-kwadrat

Porównywanie wielu parametrów: niezależność

Kurs kończy się dwoma studiami przypadków z wykorzystaniem danych wyborczych. Nauczysz się stosować test chi-kwadrat do sprawdzania dobroci dopasowania. Przeanalizujesz wyniki wyborów z Iranu i Iowa oraz sprawdzisz, czy prawo Benforda obowiązuje dla tych zbiorów danych.

Studium przypadku: fałszerstwa wyborcze

Poznajemy dane z Iranu

Kto wygrał?

Analiza wyników według prowincji

Wyodrębnianie pierwszej cyfry I

Dobroć dopasowania

Test dobroci dopasowania

Czy to dowód na fałszerstwo?

A teraz USA

Poznajemy dane z Iowa

Wyodrębnianie pierwszej cyfry II

Testowanie Iowa

Oszustwo w Iowa?

Podsumowanie: fałszerstwa wyborcze w Iranie i Iowa

Porównywanie wielu parametrów: dobroć dopasowania

Iowa election data

GSS data

Iran election data

Dane kategoryczne otaczają nas wszędzie. Znajdziemy je w wynikach najnowszych sondaży opinii publicznej, w danych prowadzących do przełomowych odkryć w genomice oraz w ogromnych zbiorach danych gromadzonych przez firmy internetowe. W tym kursie poznasz techniki wyodrębniania sygnału z szumu – narzędzia pozwalające ocenić, kiedy struktura w danych odzwierciedla rzeczywiste zjawiska, a kiedy jest jedynie przypadkowym szumem.

Foundations of Inference in R

Na tym kursie nauczysz się wykorzystywać techniki statystyczne do pracy z danymi kategorycznymi.

Wnioskowanie dla danych kategorycznych w R

W tym kursie nauczysz się wykorzystywać techniki statystyczne do pracy z danymi kategorycznymi.

Wnioskowanie statystyczne w R

Assistant Professor of Statistics at Reed College

Oszustwa wyborcze w Iranie i Iowa: podsumowanie

Oszustwo wyborcze w Iowa

Co poszło nie tak?

Wniosek końcowy

Metody dla danych kategorycznych

Test hipotezy

Czas na ćwiczenia!

Porównywanie wielu parametrów: dobroć dopasowania - Podsumowanie: fałszerstwa wyborcze w Iranie i Iowa

Podsumowanie: fałszerstwa wyborcze w Iranie i Iowa

Create Your Free Account