VzorÄenje in statistiÄno zakljuÄevanje
VzorÄenje in statistiÄno zakljuÄevanje
VzorÄenje in statistiÄno zakljuÄevanje
- No tags were found...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
22.11.2011<br />
Populacija <strong>in</strong> vzorec<br />
Vzorčenje <strong>in</strong> statistično<br />
zaključevanje<br />
Doktorski študij Humanistika <strong>in</strong> družboslovje, psihološke smeri<br />
Raziskovalna metodologija v psihologiji<br />
Izr. prof. dr. Anja Podlesek<br />
• posploševanje z vzorca na populacijo<br />
• opredelitev populacije <strong>in</strong> vzorca<br />
sestavljanje liste, s katere vzorčimo<br />
• reprezentativnost, nepristranskost<br />
vzorec ima podobne lastnosti kot populacija (enakost deležev)<br />
• velikost vzorca<br />
ekonomičen N, dopustna napaka vzorčenja, variabilnost pojava,<br />
pričakovana razlika, določitev N iz enačb za testiranje hipotez<br />
2<br />
Verjetnostno vzorčenje<br />
naključen izbor<br />
vsak element ima enako možnost izbora v vzorec<br />
visoka zunanja veljavnost<br />
• Naključno vzorčenje (lista elementov; vrečka, tabele naključnih<br />
števil, PC (Excel); reprezentativnost ni garantirana!)<br />
• Stratificirano vzorčenje (razdelitev populacije na razrede, iz njih<br />
naključno / proporcionalno vzorčimo)<br />
• Sistematično vzorčenje (naključno določen začetek, korak k<br />
elementov)<br />
• Vzorčenje klastrov (naključen izbor klastra oziroma vzorčne enote,<br />
vzorec = vsi člani klastra)<br />
• Večstopenjsko vzorčenje (določimo večje klastre, naključno<br />
izberemo nekaj klastrov, naključno vzorčimo iz posameznega<br />
klastra)<br />
3<br />
Druge tehnike vzorčenja<br />
• Priložnostno vzorčenje (problem prostovoljnih udeležencev)<br />
• Namensko vzorčenje (udeleženci imajo določene lastnosti):<br />
– vzorčenje pogostih primerov<br />
– vzorčenje ekstremnih primerov oz. raznolikosti<br />
– vzorčenje ekspertov<br />
– kvotni vzorec<br />
– vzorčenje po pr<strong>in</strong>cipu “snežne kepe”<br />
4<br />
Teorija vzorčenja<br />
Teorija vzorčenja<br />
• Govori o odnosih med<br />
populacijo <strong>in</strong> vzorci, ki jih<br />
vlečemo iz nje.<br />
verjetnost<br />
Spremenljivka<br />
Statistika<br />
Parameter<br />
Napaka<br />
vzorčenja<br />
5<br />
• Če poznamo populacijo,<br />
lahko določimo verjetnost,<br />
da bomo iz nje potegnili<br />
specifičen vzorec (s<br />
specifično statistiko).<br />
• Obratno delamo pri<br />
statističnem zaključevanju:<br />
izmerimo vzorec, sklepamo<br />
o populaciji.<br />
populacija<br />
vzorec<br />
statistično zaključevanje/<br />
posploševanje/sklepanje<br />
ali<br />
<strong>in</strong>ferenčna statistika<br />
(angl. statistical <strong>in</strong>ference)<br />
6<br />
1
22.11.2011<br />
Vzorčne porazdelitve<br />
Vzorčne porazdelitve<br />
• Če iz def<strong>in</strong>irane populacije izberemo vse možne vzorce<br />
velikosti N, lahko za vsak vzorec določimo statistike (npr. M,<br />
SD). Statistike se od vzorca do vzorca sprem<strong>in</strong>jajo.<br />
Vzorci se<br />
razlikujejo.<br />
statistika statistika statistika<br />
Vzorčna<br />
porazdelitev<br />
… je porazdelitev<br />
statistike<br />
neskončnega<br />
števila vzorcev<br />
7<br />
vzorčne porazdelitve statistik<br />
– opisnih statistik vzorca, npr. M, var, p, r…<br />
– drugih izrazov, npr.<br />
M1<br />
M 2<br />
SE M 1M<br />
2<br />
• Vsako vzorčno porazdelitev lahko opišemo:<br />
M statistike<br />
SD = SE statistike<br />
8<br />
Vzorčne porazdelitve<br />
Standardna napaka<br />
frekvenčna<br />
porazdelitev<br />
spremenljivke<br />
vzorčna<br />
porazdelitev<br />
statistike<br />
za manjše /<br />
večje vzorce<br />
SD<br />
M<br />
SE statistike<br />
M statistike<br />
Če je vzorec velik, bo<br />
statistika vzorca bolj<br />
podobna parametru.<br />
Razpršenost vzorčne<br />
porazdelitve se<br />
z večanjem vzorca<br />
manjša.<br />
9<br />
σ<br />
M<br />
SE M<br />
SE<br />
p<br />
SE<br />
M<br />
<br />
σ<br />
N<br />
= standardni odklon vzorčnih<br />
aritmetičnih sred<strong>in</strong><br />
= standardna napaka ocene m<br />
<br />
p(1<br />
p)<br />
N<br />
SE<br />
σ<br />
<br />
Standardna napaka se z<br />
večanjem vzorca manjša.<br />
σ<br />
2N<br />
10<br />
Verjetnost pojavljanja vzorčne<br />
statistike pri velikih vzorcih<br />
• Če poznamo parameter v populaciji, lahko:<br />
– določimo verjetnost pojavljanja določene<br />
vrednosti vzorčne statistike.<br />
z = statistika−parameter<br />
SE statistike<br />
p<br />
– določimo <strong>in</strong>terval vrednosti statistike, ki jo<br />
pričakujemo v srednjih k % vzorcev.<br />
vzorčna porazdelitev G je N.D.<br />
Gvz<br />
G<br />
z<br />
p<br />
<br />
SE<br />
Verjetnost pojavljanja vzorčne<br />
statistike pri velikih vzorcih<br />
G<br />
pop<br />
N (0,1)<br />
G pop<br />
11 12<br />
0<br />
SE G<br />
1<br />
G vz<br />
z<br />
2
22.11.2011<br />
σ<br />
σ<br />
M<br />
M<br />
SE<br />
Vzorčna porazdelitev aritmetične<br />
sred<strong>in</strong>e<br />
M<br />
SE<br />
M<br />
σ<br />
<br />
N<br />
μ M<br />
σ<br />
<br />
N<br />
σ M =SE M = SEM<br />
SE M v primeru neskončnih populacij<br />
ali vzorčenja z vračanjem<br />
N N<br />
p<br />
N 1<br />
p<br />
Korekcija za končnost populacije<br />
μ M = μ<br />
E(M) = m<br />
SE M v primeru končnih populacij<br />
N p … velikost populacije<br />
N … velikost vzorca<br />
Enačba velja, ko je N p > N.<br />
Iz zakona velikih števil<br />
sledi, da je, če iz<br />
populacije naključno<br />
izberemo vzorec<br />
velikosti N, pričakovana<br />
vrednost aritmetične<br />
sred<strong>in</strong>e vzorca (M)<br />
enaka populacijski<br />
sred<strong>in</strong>i (μ).<br />
13<br />
Vzorčna porazdelitev aritmetične<br />
sred<strong>in</strong>e<br />
• Je pri velikih vzorcih asimptotično normalna, ne glede na to, kakšna<br />
je porazdelitev spremenljivke v populaciji (centralni limitni izrek).<br />
• Tudi pri majhnih vzorcih je normalna, če se spremenljivka v<br />
populaciji porazdeljuje normalno. Če se ne, vzorčna porazdelitev<br />
sred<strong>in</strong> majhnih vzorcev ni normalna.<br />
preveriti normalnost porazdelitve spremenljivke v populaciji!<br />
• Pri velikih vzorcih je s‘ zelo verjetno zelo blizu pravi vrednosti s, <strong>in</strong><br />
zato je tudi SE statistike zelo blizu pravi SD cenilk.<br />
• Pri majhnih vzorcih, če ne poznamo variance spremenljivke v<br />
populaciji (oz. s), je izračun SE statistike bolj negotov – SE‘ M ,<br />
izračunana po predstavljenih enačbah za velike vzorce, je<br />
pristranska ocena populacijske standardne napake (jo podcenjuje).<br />
14<br />
Vzorčne porazdelitve pri majhnih vzorcih<br />
• Studentova t porazdelitev: pri ocenjevanju<br />
aritmetične sred<strong>in</strong>e spremenljivke, ki se v populaciji<br />
normalno porazdeljuje, ko imamo opravka z<br />
majhnimi vzorci <strong>in</strong> ne poznamo s<br />
df = ∞ z<br />
df = 30<br />
15<br />
Vzorčne porazdelitve pri majhnih vzorcih<br />
Prostostne stopnje<br />
• angl. degrees of freedom df<br />
• df = število vrednosti pri končnem izračunu statistike,<br />
ki lahko prosto variirajo (= št. neodvisnih podatkov –<br />
št. predhodno ocenjenih parametrov)<br />
X = 1, 2, 3<br />
• M = X = 2 vključeni trije neodvisni kosi <strong>in</strong>formacije<br />
N<br />
• var = X−μ 2<br />
= 2/3 vključena dva neodvisna kosa<br />
N<br />
<strong>in</strong>formacije (N-1) pred tem smo ocenili μ<br />
16<br />
Vzorčne porazdelitve pri majhnih vzorcih<br />
Vzorčne porazdelitve pri majhnih vzorcih<br />
2<br />
N<br />
N<br />
2 X i μ i<br />
2<br />
χ <br />
<br />
1 σ<br />
zi<br />
df = N<br />
i<br />
i i1<br />
2<br />
2<br />
2<br />
2 SS ( X1<br />
M ) ( X 2 M ) ... ( X N M )<br />
χ 2<br />
2<br />
σ<br />
σ<br />
2<br />
2<br />
2 N SD ( N 1)<br />
σ'<br />
χ <br />
df = N – 1<br />
2<br />
2<br />
σ σ<br />
Če iz normalno<br />
porazdeljene populacije s<br />
standardno deviacijo s<br />
potegnemo N podatkov <strong>in</strong><br />
izračunamo zgornjo<br />
statistiko (odklone<br />
računamo od vzorčne M), se<br />
ta porazdeljuje po c 2<br />
porazdelitvi z df=N-1.<br />
df = N – 1<br />
Z večanjem df se c 2<br />
porazdelitev približuje<br />
normalni.<br />
17<br />
F porazdelitev se pojavi pri<br />
primerjavi varianc dveh vzorcev.<br />
Oblika F porazdelitve je odvisna od<br />
dveh df, <strong>in</strong> sicer od df, vezane na<br />
števec, <strong>in</strong> df, vezane na imenovalec<br />
zgornje enačbe: df 1 = N 1 -1, df 2 = N 2 -1.<br />
2 2<br />
sˆ<br />
1<br />
σ1<br />
F <br />
2 2<br />
sˆ<br />
σ<br />
2<br />
2<br />
2<br />
N<br />
jSDj<br />
sˆ<br />
j<br />
<br />
N<br />
j<br />
1<br />
2<br />
2 2<br />
N1SD1<br />
N1<br />
1σ<br />
1<br />
χ1<br />
N1<br />
1<br />
F <br />
<br />
2<br />
2 2<br />
N SD N<br />
1σ<br />
χ N<br />
1<br />
2<br />
2<br />
2<br />
2<br />
2<br />
2<br />
2<br />
Če se vzorec 1 veča proti neskončnemu, se F-<br />
porazdelitev približuje hi-kvadrat porazdelitvi z<br />
df=N 2 -1.<br />
Z večanjem obeh vzorcev proti neskončnemu N<br />
se F-porazdelitev približuje normalni.<br />
18<br />
3
22.11.2011<br />
Statistično zaključevanje<br />
Izberemo vzorec.<br />
Določimo statistiko (npr. M).<br />
Posplošujemo z vzorca na populacijo.<br />
• ocenjevanje parametra<br />
Vprašanje: Kolikšen je parameter (m) v populaciji<br />
• testiranje hipotez<br />
Vprašanje: Ali je M pomembno različna od neke<br />
vrednosti<br />
Ocenjevanje parametra<br />
• Navadno populacije (parametra) ne poznamo.<br />
• Ocenjujemo ga na osnovi statistike vzorca.<br />
• Standardna napaka = koliko napake v<br />
povprečju obstaja med vzorčno statistiko <strong>in</strong><br />
neznanim populacijskim parametrom.<br />
– SE kot mera zanesljivosti (kaj bi bilo v drugih<br />
vzorcih)<br />
– z večanjem vzorca se SE manjša<br />
Točkovna <strong>in</strong> <strong>in</strong>tervalna ocena parametra<br />
19<br />
20<br />
Točkovna ocena parametra<br />
Intervalna ocena parametra<br />
Vzorčna statistika je ocena<br />
populacijskega parametra.<br />
nepristranska ocena (ni ne<br />
previsoka ne prenizka, sred<strong>in</strong>a<br />
vzorčne porazdelitve statistike je<br />
enaka ocenjevanemu parametru)<br />
vse mere centralne tendence<br />
proporci<br />
korelacijski koeficienti<br />
pristranska<br />
mere razpršenosti<br />
SD <br />
σ' 2 2<br />
<br />
<br />
<br />
X X<br />
N<br />
X X<br />
N 1<br />
(toda pri majhnih vzorcih E(s‘)<br />
ni enaka populacijski s,<br />
ampak je od nje manjša 21<br />
<br />
<br />
Intervalna ocena<br />
parametra = razpon<br />
vrednosti, znotraj katerega<br />
se bo populacijski<br />
parameter nahajal z<br />
določeno verjetnostjo<br />
22<br />
Intervalna ocena parametra<br />
pri velikih vzorcih<br />
Ocenjevanje μ pri velikih vzorcih<br />
/ 2<br />
Spodnja<br />
meja G<br />
Dopustna meja napake<br />
1 - <br />
SE G<br />
Točkovna<br />
ocena G<br />
SE G · z p<br />
Zgornja<br />
meja G<br />
p = / 2<br />
Vzorčna porazdelitev<br />
statistike G je normalna.<br />
SE‘ G je nepristranska.<br />
<strong>in</strong>terval zaupanja za G<br />
(npr. 90-odstotni <strong>in</strong>terval zaupanja pri = 0,10)<br />
23<br />
Intervalno ocenjevanje M<br />
pri velikih vzorcih<br />
m z<br />
p<br />
SE M<br />
vzorčna porazdelitev M je N.D.<br />
M m<br />
z<br />
p<br />
<br />
SE<br />
M<br />
N (0,1)<br />
m<br />
0<br />
SE M<br />
1<br />
M<br />
z<br />
24<br />
4
22.11.2011<br />
Ocenjevanje μ pri majhnih vzorcih<br />
Prikazi standardne napake<br />
(angl. standard error bar)<br />
Prikazi <strong>in</strong>tervalov zaupanja<br />
(angl. confidence <strong>in</strong>terval, CI)<br />
Vzorčna porazdelitev M je N.D. le,<br />
če je frekvenčna porazdelitev<br />
spremenljivke normalna.<br />
preveriti<br />
Natančnost SE‘ M se sprem<strong>in</strong>ja z<br />
velikostjo vzorca. Vzorčna<br />
porazdelitev je odvisna od<br />
stopenj prostosti.<br />
m<br />
SE M<br />
M m<br />
t<br />
p<br />
<br />
SE<br />
M<br />
Interval zaupanja za m:<br />
X t p<br />
SE X<br />
df = N - 1<br />
0<br />
1<br />
25<br />
26<br />
sp. meja IZ<br />
za varianco:<br />
zg. meja IZ<br />
za varianco:<br />
2<br />
2 ( 1)σ'<br />
χ N <br />
2<br />
σ<br />
df = N-1<br />
( N 1)σ'<br />
χ<br />
Ocenjevanje σ<br />
2<br />
p<br />
2<br />
1p<br />
2<br />
X<br />
( N 1)σ'<br />
χ<br />
c 2 1-p<br />
2<br />
X<br />
c 2 p<br />
σ'<br />
X<br />
SEσ<br />
<br />
2N<br />
σ' SE<br />
<br />
X<br />
σ<br />
z p<br />
(Grob) približek <strong>in</strong>tervala<br />
zaupanja za s v primeru<br />
normalno porazdeljene<br />
spremenljivke <strong>in</strong> velikih<br />
vzorcev (N > 100)<br />
Kaj nam torej pove k-<br />
odstotni <strong>in</strong>terval<br />
zaupanja<br />
Če bi iz populacije<br />
potegnili nešteto vzorcev<br />
<strong>in</strong> na vsakem vzorcu<br />
izdelali k-odstotni<br />
<strong>in</strong>terval zaupanja za<br />
populacijski parameter,<br />
bi se pri k odstotkih<br />
vzorcev parameter v<br />
resnici nahajal izven tega<br />
<strong>in</strong>tervala.<br />
27 28<br />
Testiranje hipotez<br />
• Pri raziskovanju postavimo hipotezo.<br />
• Oblikujemo H 0 <strong>in</strong> H 1 .<br />
• Razlikovati med dvema <strong>in</strong>terpretacijama<br />
podatkov:<br />
– Če statistika vzorca ni enaka vrednosti, ki jo<br />
predvideva H 0 , je to posledica slučaja, tj. napake<br />
vzorčenja.<br />
– Razlika ni slučajna, ampak naš vzorec izhaja iz<br />
populacije, za katero H 0 ne drži.<br />
• Postavimo dve nasprotni si hipotezi (ničelno <strong>in</strong> alternativno).<br />
Primer: H 0 : Povprečni IQ je enak 100 (m = 100).<br />
H 1 : Povprečni IQ je različen od 100 (m 100).<br />
• Konstruiramo vzorčno porazdelitev (pod predpostavko pravilnosti<br />
ničelne hipoteze) + določimo kritično regijo.<br />
• Iz populacije izberemo vzorec.<br />
• Primerjamo vzorčno statistiko<br />
s hipotetično vrednostjo<br />
(z vrednostjo H 0 ).<br />
Testiranje hipotez<br />
SE M<br />
odvisna od<br />
velikosti vzorca<br />
odvisna od<br />
razpršenosti<br />
v populaciji<br />
29<br />
100<br />
30<br />
5
22.11.2011<br />
Testiranje hipotez<br />
Na osnovi vzorčne porazdelitve poznamo verjetnost<br />
pojavljanja določene vrednosti testne statistike.<br />
Testiranje hipotez<br />
Mejo, ki loči „področje visoke verjetnosti“ od kritične<br />
regije, določimo na osnovi .<br />
Če je vrednost testne statistike<br />
verjetna (se nahaja znotraj<br />
<strong>in</strong>tervala zaupanja okrog<br />
vrednosti H 0 ), H 0 ohranimo.<br />
1<br />
Če je vrednost višja/nižja od zgornje/spodnje<br />
meje <strong>in</strong>tervala zaupanja (pade v kritično<br />
regijo), H 0 zavrnemo.<br />
(Pravilnost H 0 je malo verjetna. Statistika našega vzorca<br />
se od vrednosti H 0 statistično pomembno razlikuje.)<br />
1<br />
:<br />
• Raven statistične pomembnosti oz. raven alfa napake je<br />
verjetnost, da bo testna statistika padla v kritično<br />
regijo, četudi H 0 drži.<br />
• = (-odstotno) tveganje za neustrezno zavrnitev H 0<br />
• Izberemo jo vnaprej.<br />
• = 0,05 (5 %), = 0,01 (1 %), = 0,001 (0,1 %)<br />
• Je arbitrarno določena.<br />
0<br />
t M<br />
0<br />
t M<br />
31<br />
32<br />
Ocenjevanje parametra<br />
vs. testiranje hipotez<br />
z krit<br />
0<br />
1<br />
z krit 0<br />
z krit<br />
z G<br />
z G<br />
1<br />
z G > z krit.<br />
z krit<br />
33<br />
Napake pri statističnem odločanju<br />
dejansko<br />
stanje<br />
H 0<br />
r = 0)<br />
(M = m<br />
H 0<br />
r 0)<br />
(M m<br />
H 0<br />
r = 0)<br />
(M = m<br />
pravilna<br />
potrditev<br />
ničelne hipoteze<br />
b napaka<br />
naš<br />
zaključek<br />
H 0<br />
r 0)<br />
(M m<br />
napaka<br />
pravilna<br />
zavrnitev<br />
ničelne hipoteze<br />
34<br />
Gvz<br />
G<br />
z<br />
p<br />
<br />
SE<br />
G<br />
pop<br />
ničelna hipoteza<br />
dejansko stanje<br />
Napake pri<br />
statističnem zaključevanju<br />
z krit .<br />
z krit .<br />
z<br />
z krit .<br />
z<br />
z krit .<br />
napaka<br />
b napaka<br />
35<br />
• vrsta statistike<br />
• nivo merjenja<br />
• normalnost porazdelitve<br />
• enakost varianc<br />
• odvisni / neodvisni vzorci<br />
• majhni / veliki vzorci<br />
• vrednost ničelne hipoteze<br />
izbor ustreznega testa<br />
parametrični vs. neparametrični test<br />
36<br />
6
22.11.2011<br />
Parametrični <strong>in</strong> neparametrični testi<br />
• porazdelitev<br />
spremenljivke je v<br />
populaciji normalna<br />
• če primerjamo med<br />
sabo več vzorcev:<br />
variabilnost<br />
spremenljivke je v<br />
različnih vzorcih<br />
podobna<br />
• Intervalna ali<br />
razmernostna merska<br />
raven spremenljivke<br />
• porazdelitev spremenljivke ni<br />
normalna (majhni vzorci;<br />
omejenost razpona; U-porazdelitev<br />
pri stališčih)<br />
• raznolike variabilnosti znotraj<br />
vzorcev<br />
• ord<strong>in</strong>alna ali nom<strong>in</strong>alna merska<br />
raven spremenljivke<br />
… Pri <strong>in</strong>tervalnih ali razmernostnih<br />
spremenljivkah z neparametričnimi testi ne<br />
upoštevamo vseh <strong>in</strong>formacij nižja moč testa<br />
(razliko, ki dejansko obstaja, težje potrdimo). 37 38<br />
Testiranje hipotez<br />
Testiranje hipotez<br />
Povprečja<br />
Povprečja<br />
N.D.<br />
parametrični testi<br />
ni N.D.<br />
neparametrični testi<br />
1 vzorec 2 vzorca<br />
več vzorcev<br />
1 vzorec 2 vzorca<br />
več vzorcev<br />
neodvisna<br />
odvisna<br />
neodvisnih<br />
odvisnih<br />
neodvisna<br />
odvisna<br />
neodvisnih<br />
odvisnih<br />
t test<br />
(one-sample)<br />
t test<br />
(<strong>in</strong>dependent<br />
t test<br />
(paired-samples)<br />
enosmerna<br />
ANOVA<br />
(GLM - univariate)<br />
enosmerna<br />
b<strong>in</strong>omski - Mann-<br />
- Wilcoxonov - Kruskal- Friedmanov<br />
ANOVA<br />
test<br />
Whitneyev T test<br />
Wallisov H test<br />
(GLM -<br />
U<br />
(matched pairs) - razširjeni<br />
39<br />
- medianski test - test predznakov medianski test<br />
repeated-measures) 40<br />
o varianci<br />
• en vzorec: c 2<br />
• dva vzorca: F test<br />
• dva ali več vzorcev: Levenov test<br />
o povezanosti<br />
- t test za testiranje H 0 : r = 0<br />
- Fisherjeva transformacija<br />
<strong>in</strong> z test za testiranje H 0 : r = X<br />
o obliki porazdelitve<br />
- χ 2 test<br />
- preverjanje N.D.:<br />
χ 2 test<br />
test Kolmogorova-Smirnova<br />
Shapiro-Wilkov test<br />
Testiranje hipotez<br />
r N 2<br />
t <br />
2<br />
1<br />
r<br />
z r<br />
m<br />
z<br />
z <br />
s<br />
2<br />
s<br />
c <br />
2<br />
s<br />
s<br />
F <br />
s<br />
r<br />
2 ( N 1)<br />
ˆ<br />
2<br />
1<br />
2<br />
2<br />
NOMINALNE<br />
SPREMENLJIVKE<br />
t test razlike med deleži<br />
c 2 test<br />
41<br />
Previdnost!<br />
• pomembna mesta<br />
• Interpretacija izsledka naj upošteva značilnosti<br />
raziskovalnega načrta.<br />
• Ni statistično pomembno = ni dokazano.<br />
Če ničelne hipoteze ne zavrnemo, to še ne pomeni, da je pravilna. Pri<br />
opazovanem pojavu ni bilo tako izrazitega uč<strong>in</strong>ka NV, da bi ga zaznali, kar ne<br />
pomeni, da zagotovo ne obstaja.<br />
• Statistična pomembnost: relativen pojem, vezan na<br />
verjetnostno teorijo, raste z velikostjo vzorca.<br />
------- Pregledati velikost uč<strong>in</strong>ka<br />
42<br />
7
22.11.2011<br />
Primeri osnovne literature<br />
• Ferguson, G. A. (1998). Statistical analysis <strong>in</strong> psychology<br />
and education (3.izd.). New York: McGraw-Hill.<br />
• Graveter, F.J., <strong>in</strong> Wallnau, L.B. (2009). Statistics for the<br />
Behavioral Sciences (8.izd.). Belmont, CA:<br />
Wadsworth/Thomson Learn<strong>in</strong>g.<br />
• Petz, B. (1997). Osnovne statističke metode za<br />
nematematičare (3. izd.). Jastrebarsko: Naklada Slap. <br />
prihaja nova izdaja<br />
• Povezave na: http://psy.ff.uni-lj.si/Katedre/psimet/<br />
43<br />
8