Minun ongelmanani on opinnäytetyön tilastollinen käsittely, sillä kukaan ei joko tahdo tai sitten ne eivät vain osaa auttaa ongelmassani. Suorittamistani tilastotieteen kursseista on jo historiallisen pitkä aika, joten en muista niistä yhtään mitään.
Opinnäytetyössäni mittasin neljältä eläimeltä asiaa X. Näytteitä kerättiin 1-3 kertaa päivässä 30-50 päivän ajan. Opinnäytetyössäni kehitin mittaus- ja laskutavan asialle X (pitoisuus).
Minun olisi tarkoitus saada tieto, muuttuuko asian X pitoisuus tilastollisesti merkitsevästi näytteidenkeruujakson aikana ja jos muuttuu, niin missä vaiheessa. Kuinka se tehdään? Tässä vaiheessa en vielä tarkastele eläinten välisiä eroja, vaan yksilöiden. Oletuksena on, että tämän X-asian pitoisuudet ovat matalat keruujakson alkuvaiheessa, mutta nousevat sitten lopussa korkeampiin pitoisuuksiin.
Please help me! Sukulaiset jo kyselevät valmistumispäivämäärääni mutta minä edelleen tuskailen tilastollisen analyysin kimpussa!
Opinnäytetyössäni mittasin neljältä eläimeltä asiaa X. Näytteitä kerättiin 1-3 kertaa päivässä 30-50 päivän ajan. Opinnäytetyössäni kehitin mittaus- ja laskutavan asialle X (pitoisuus).
Minun olisi tarkoitus saada tieto, muuttuuko asian X pitoisuus tilastollisesti merkitsevästi näytteidenkeruujakson aikana ja jos muuttuu, niin missä vaiheessa. Kuinka se tehdään? Tässä vaiheessa en vielä tarkastele eläinten välisiä eroja, vaan yksilöiden. Oletuksena on, että tämän X-asian pitoisuudet ovat matalat keruujakson alkuvaiheessa, mutta nousevat sitten lopussa korkeampiin pitoisuuksiin.
Please help me! Sukulaiset jo kyselevät valmistumispäivämäärääni mutta minä edelleen tuskailen tilastollisen analyysin kimpussa!
Vastaukset 6
Vanhimmat
Sinulla on siis kaksi muuttujaa, joiden välistä riippuvuutta haluat tutkia.
Toinen, selitettävä muuttuja on tuo muuttujasi X ja toinen, selittävä muuttuja on aika, merk. esim. T.
Jos etsit trendiä aineistostasi, niin yksinkertaisin tapa on laskea muuttujien välinen korrelaatiokerroin ja testata se tilastollisesti.
Lisätietoja löydät Googlettamalla sanoilla:
Korrelaatiokertoimen tilastollinen testaaminen
Kyseessä on aikasarja. Tilastolllinen testaaminen voi mennä vaikeaksi. Esim. X:n pitoisuus päivänä n saattaa olla riippuvainen X:n pitoisuudesta päivänä n-1.
http://fi.wikipedia.org/wiki/Autokorrelaatio
Kiitos vastauksestasi. Jotain tällaista minä vähän pelkäsinkin..
Eikös tilastollisessa päättelyssä ollut aina tärkeää tietää aineiston normaalijakautuneisuus? Pitoisuudenko? Kuinkahan esittämässäni tapauksessa normaalijakautuneisuus testattaisiin ja minkä asian normaalijakautuneisuuden tarvitsen??
Lisäksi ainut korrelaatiokertoimen testaus joka tulee mieleen sisälsi ristiintaulukointia. Kuinkahan selittävä muuttuja (keruuaika) voidaan luokitella?
En ole tilasmatemaatikko, mutta näin lähtisin: Jos aluksi tutkisi yhtä eläintä kerrallaan.
Muuttuuko muuttujan X arvo ajan t funktiona, kun on annettu mittaustulokset (X1,t1)....(Xn,tn). Lienee helpointa tehdä vastaoletus asettaen nollahypoteesiksi että X on vakio. Tästä sitteen selviää pitääkö nollahypoteesi tietyllä luotettavuustasolla paikkansa vai ei. Jos tulokset ovat yhtenevät kaikilla neljällä, asia on todistettu. Jollei, meneekin monimutkaisemmaksi. Silloin pitäisi olla mitattu paljon useampia eläimiä jotta saataisiin luotettava tulos.
Minä tekisin regresioanalyysin (selittävänä muuttujana aika) ensin koko aineistolle ja sitten tuloksen täsmentämiseksi noille neljälle tapaukselle erikseen.
Yllämainitun autokorrelaation saa selville esim. Durbin-Watson testillä. Sen testisuureen tulkinta on vähän omituinen: pitäisi olla mahdollisimman lähellä kakkosta, jolloin autokorrelaatiota ei ole.
Lisäksi pitäisi testata muutakin, jos rakentaa mallin viimeisen päälle:
* Virhetermin normaalijakautuneisuus (Kolmogorov-Smirnovin testi).
* Heteroskedastisuus eli korreloiko virhetermi muuttujien kanssa (Spearmanin järjestyskorrelaatio sen merkitsevyys).
Nuo löytyvät kaikista vähänkin kehittyneemmistä ohjelmistoista SAS, SPSS jne.) Oma temppuilunsa sitten alkaa, jos autokorrelaatiota tai heteroskedastisuutta löytyy tai virhetermi ei ole normaalijakautunut. Konsteja löytyy ekonometrian oppikirjoista. Usein auttaa jos estimoi mallin alkuperäisten muuttaja-arvojen sijasta niiden logaritmeilla, tai korvaa (tässä tapauksessa) selittettävän muuttujan arvot differesseillä. Log-muunnos myös "oikoo" käyräviivaisen riippuvuuden ja yleensä malli kannataakin estimoida sekaä alkuperäisillä että log-arvoilla ja katsoa, kumpiko tuottaa paremman selityskertoimen.