心理統計学スレ
■ このスレッドは過去ログ倉庫に格納されています
心理学は元々文系科目だけあって統計が苦手な人も多いことだろう
色々情報交換しよう 以下にあげる統計的処理に関する語句をそれぞれ100字以内で説明せよ。
(1)φ係数
(2)因子分析における斜交回転(斜交解)
(3)測度の信頼性、α係数
(4)段階的重回帰分析
(5)偏相関係数
簡単すぎるぞ。
大学院の入試レベルだな。
このレベルなら、臨床心理士の資格試験の統計の問題の方が引っ掛けがあるからまだ難しいぞw
>>4
正解。
お茶女の院試問題。
臨床心理士試験は院卒者対象だからもっと難しいのが当然。 優位確率がさっぱりなんだ、低脳ですまん
水準って自分で設定しちゃっていいの? >>8
「有意」だ。
漢字から違ってるぞ。
.05だとほぼ有意水準ありと認められる。 有意水準あり
ってのもかなり日本語に難あり
だと思うがな。 統計専門にしてる人いる?
聞きたいんですが,重回帰分析やるか分散分析やるかについて,
独立変数が量的か質的か以外の判断基準を教えてください。 >>11
そんな事は自分で考えろ。
他人をあてにするな。 >>11
重回帰分析は分散分析、分散分析は重回帰分析って習った。
同じ分析法で、独立変数が量的か質的かで呼び名が違うだけ。 >>11
指導教官に従う
学会誌を眺めて決める
ソフトのお勧めに従う
JMPを使えばどちらでも同じ
要因が少なければ分散分析、多ければ回帰分析
入れ子、枝分かれがあれば、分散分析の方がやりやすかろう
ソフトによっては、出力される統計量の種類が異なるので、必要な統計量が出される方
予測や推定は回帰分析
交互作用を見たければ分散分析
本質的には同じものだから、上に書いたように、指導に従うか、慣習によっとけばよい
リサーチャー見習いです。
表側にタレントが20人、表頭にイメージワードが30個あるGT表からタレントイメージのコレポンマップを作る案件で、
各タレントのイメージを回答してるのはそのタレントを知ってる人に絞りこんでるからタレントによって回答者の母数がバラバラ。
だから表のスコアが同じパーセントでも実数はタレントによって違っちゃう。
こういうときは実数でコレポンしないとおかしなことになると思うので実数でやったらパーセントでやれってクライアントに言われた。
実数でやるべき理由を説明しても、クライアントは時系列の分析をしてるらしく、前回もパーセントでやってるから合わせてくれとのこと。
知見のある方、正しい対応はどうすればよいか、ご教示くださいませ。 見習いとは言え、リサーチャーと名乗る人が、回答者の母数がバラバラなんて訳のわからない言葉を使ってはいけませんな。
で、正解はクライアントの言う方法で間違いはない。
>>17
あ、回答ありがとうございます!
要は各タレント認知者ベースなのでパーセントじゃ異なるはずのサンプルのウエイト同じになっておかしいかなと思ったのですが、そうではないのですか? >>18
横から。
あなたの言う方が正しい。(母数=回答者数だとして)
ただ、コレスポンデンスってのは、そんなに厳密なものではないので、ちょっとくらい違ってもそんなに大きな差は出て来ないはず。
手元にある参考書籍に載っている数値でやってみたけど。(回答者数の最大は120、最小は80人)
とにかく両方やってみて比較してみては?
ところでGT表って知らなかったから、調べてみたら、「単純集計表」らしいんだけど、あなたの言うのはクロス表ですよね。
>>19
ありがとうございます!やはり%ではおかしいですよね?。
実は%表、n表試したら微妙に違いが出てしまいまして、それでクライアントに突っ込まれたのです。おっしゃる通り、そんなに極端な差はないのですが、
クライアントは特にイメージ戦略を変えてないのに前回とポジショニングが少しずれたことをとても気にされています。
お気持ちは理解できるので、みんなが納得できるいい方法はないかなと考えていました。
各タレントのベースは30〜120とかなりのバラツキがありまして、やっぱり%じゃ施策を間違えてしまいそうですね。
社内の先輩方も人によって見解が違い、何か開けてはいけないフタを開けてしまった気持ちです。
あと、GT表ですが、見た目は確かにクロス集計表なのですが、各タレントごとに回答者全体ベースのスコアが集めてあるだけで、
性別とか職業別とかでブレイクダウンしてないので単純集計表のいちバリエーションでこう呼ぶようです。 >>20
ごめんなさい。
君山由良『コレスポンデンス分析の利用法』に「横パーセント表の分析」という節があります。
「性別・年齢別などの集計表の場合、性別、年齢別の度数の大小には意味がないことが多いので、回答比率を比較する」
「要因別に集計されたクロス票を分析するときに、横%表を分析した方がよいことがある。この場合、横%の合計値は1になるので、
行要素にウェイトを掛けて、言って印大きさに変換していることを意味している」
とあり、そういう分析も「あり」ですね。>>17の方が正しいかな。
ただ、クライアントさんは、「時系列で」とおっしゃっているとのことですが、
コレスポンデンス分析って、似たような結果になっても、厳密な意味での過去のデータとの直接比較は難しいと思いますよ。
数値に絶対的な意味があるわけじゃなく、相対的なものですし。計算方法が違うと、正負が入れ替わったりしますし。
私なら、過去データをもらって、(たとえば)2009年のAというタレントのイメージ、Bというタレント、C、D、
その下に2010年のA、B、C、D、2011年、2012年というふうに大きな表にしてやってみるかな。
来年以降困るかもしれないけど。 >>21
わざわざありがとうございます。その本を見るとまた迷ってきました…
コレポン=度数の大きさをそのまま表すのではなく、行と列との関連度のみを取り出して、主成分分析によって次元を近似する方法とありました。
こんど会社で%表のスコアがまったく同じでn表の度数が大きく異なるタレントが同じ場所にプロットされるかどうか、%表とn表でやって確認してみます。
サンプル数の違いが結果に影響を与えるかどうか、やはり自分でやらないとダメですね。
またここに来ますのでお暇なときにでも相談相手になってやってください。失礼しました。 >>13
残念
間違いです。
はじめから学び直してね。
>>15
分散分析とは実験計画で要因配置して、観測したデータ(従属変数と考える)を要因のカテゴリー間の分散を吟味し、要因が従属変数に対して統計的に有為であるか否かを検討する方法。
すいません、ちょっとお聞きしたいです……
『Aという行動をする後にB、C、Dという行動が何回出現するのか』っていう時の実験参加者全体の平均を知りたいとき
B行動の出現回数÷A行動の出現回数×100
って感じで実験参加者一人一人の%出してそこから平均とっても大丈夫ですか?
良ければ助言お願いします >>27
これって、被験者がAという刺激に対して何回も行動する、という実験ですか。
各被験者の試行回数が同じで、かつ回数が多ければ、実験参加者一人一人の%を出してそこから平均を取ることは意味があるかもしれません。
この場合、被験者×試行回数を分母にした%と同じ結果になるはずです。
回数が少ない場合、たとえば2回の場合、B、C、Dは0、50、100しか出現しないので、それから算術平均を取ることは乱暴と思います。
>>28
A(嘘をつく)行動をした後にB(瞬き)行動を何回するかというような感じの実験です。
人によってA行動の回数が違う時はやっぱり分母が違うと比べられませんよね……。
行動回数は100回で好きなように行動してもらう、その内A行動が何回あるか、更にA行動の後にB行動は〜という感じの事を知りたくて計算出来ればしたかったんですが、ちょっと考え直してきます……。
ご指摘ありがとうございます。 >>29
「Aの行動の後B」という仮説を検証しようとすれば、
被験者Xが「Aの行動の後B」がどの程度観察されるかを観察し、たとえば30回中20回で、
これは他のCやDより明らかに多いので、XはB型と分類しておく。
被験者の数をこなせば、B型が統計的に有意であることを導ける。
それで、「Aの行動の後B」という仮説が検証されることになると思います。
>>30
ありがとうございます!
それで計画考えてみます。 >>15
違う
交互作用は回帰分析でも見られる
要因の数はモデルには関係ない
そもそも回帰も分散分析も今やGLMという枠組みで説明される
統計モデルとしては同一
単に説明変数行列に切片ベクトル以外のダミー変数を含むか否かの違いだけ
>>32
お詳しそうなので教えていただきたいのですが、
交互作用も、単純な場合は回帰分析の説明変数に乗算した項を入れればすむわけですが、
3水準以上の因子があって、それが順序を持っている(たとえば、投薬量が低・中・高)ときに
他の変数との関係で真ん中の水準だけがよく効く、といった場合、回帰分析ではどのように表現するのでしょうか。
また、そのような交互作用項を入れると、多重共線性が問題になってくるかと思いますが、どう処理するのでしょうか。
GLMで理解しようとしてとりくんでみたものの、基本的な部分はともかく、
分散分析における多水準の因子の扱いや、水準間に順序がある場合・ない場合はどうするのか、
分散分析で言うところの母数モデルと変量モデル、混合モデルをどう扱うのか、
よくわかっていないようなレベルなので、うまく説明できませんが。 >>34
そのデータはordinalだから真ん中の水準だけがよく効くというモデルはGLMでは設定できない.
パラメタが非線形になってしまうから.
したがってデータをnominalなものとして扱い,低=1,0,0,中=0,1,0,高=0,0,1のようにダミー変数にした上で交互作業を検討することになる.
マルチコは変数を落として対応する.
君はデータ水準の概念が理解できていないようだ.
分散分析の説明変数行列を,交互作用あり,なし,を要因数別に考えてみなさい.
母数モデル・変量モデルを考えるのはその後で良い. >>35
多重共線性は変数を落とすという方法で対処するという方法では、
交互作用項と元の変数のどちらかを落とすわけにはいかないと思うのですが。
交互作用を落とせば、交互作用を検討できませんし、元の変数を落として交互作用項のみを残すというのも
理解しにくいモデルになりませんか。 多重共線性が発生している段階で変数を共存させる意味がないんだよ
交互作用項と変数項で多重共線性が発生しているならわざわざ別にパラメタを推定する必要もないだろうが
交互作用項残しても変数項残してもどっちも同じことだ
要は「交互作用」「元の変数」が空間的に重なっているような構造だということなんだから
日本の心理学科はstatsを軽視しすぎてる ■ このスレッドは過去ログ倉庫に格納されています