SlideShare uma empresa Scribd logo
1 de 30
等級檢定 :
  比較兩個或以上母體
姓名
林姿瑩   羅珮心   王思芸
孟子馨   張宇宏
黃韻潔   李育昇
前提
★ 研究問題的重點:
 一定範圍內某些數值出現的個數

★ 要檢定的變數並非是等距 / 等比尺度
 例如 : 態度分數、次序尺度
   1--2--3--4--5--6--7--8--9--10
 極度不滿意                         極度
 滿意


         將次序尺度分數化來比較
使用時機
★ 母體資料不是常態分布
但可以使用 不受分佈限制 (d is trib utio n -
 fre e ) 的分析方法

*在比較兩個樣本平均時,應用的無母數分
 析方法稱為 等級和雙樣本 z 檢定
無母數統計方法
   ( nonparametric method)
• 一種不需要知道母體分佈屬於何種類型的
  統計方法,不用在乎母數的探討,而且主
  要是適用於名義變項或是次序變項資料的
  統計推論方法,則稱為無母數統計方法。
• 其基本假設為:
(1) 隨機抽樣 (random ized) ;
(2) 獨立性 (independent) ;
(3) 至少為順序變項的資料 (ordinal) 。
z 檢定、 t 檢定
• Z 檢定和 t 檢定皆為有母數統計方法
• 那何謂「有母數統計」?
  許多統計量的抽樣分配在大樣本的情況下
  常呈現常態分配,所以對母體參數作推論
  的時候,經常以常態分配為其理論基礎、
  或母數已知的前提假設之下所導出的假設
  檢定或區間估計,適用於等距變項與比率
  變項資料,稱為有母數統計法。
等級總合及等級平均
• 對於次序資料,將資料依其分數從小排
  到大進行等級總合及等級平均做描述性
          統計
• 以例子做說明 : 澳洲及英國兒童看電視習慣做說明
澳洲   英國   澳洲   英國
                     右表是原始資
3    1    56   40
                        料
9    4    58   43     無法解讀
12   5    64   50    只能給予中位
19   10   69   59       數
20   14   73   62    但能不是精準
                       的判讀
25   21   75   65
33   24   78   70
37   30   80   74
38   35   83   76
45   37   89   95
正確方法為 : 將 40 位兒童一看電視節目精
 神集中度排名次 ( 等級 ) 再分別計算樣本等
 級的總合
表二 : 請看 課本 P. 408

排序後,可以得到澳洲兒童等級總分為
 441.5; 英國兒童則為 378.5

比較 : 澳洲兒童觀看電視節目精神集中
        度高於英國兒童
同分問題
• 若資料進行排序遇到同分問題時,應把同
  分的個案等級加總,除上同分人數作為其
  等級值
• 例如 : 資料中兩位兒童在第 17 、 18 位
• 平均等級 =(17+18)/2=17.5
• 但以等級總合來分析只適用於兩樣本數是一樣
  ,若樣本數不一樣時則必須在進行一步驟,也
  就是需用等級平均,例如 :

• 澳洲 : 等級平均為 441.5/20=22
• 英國 : 等級平均為 378.5/20=19

 平均而言,澳洲兒童在第 22等級,而英國兒童
 則第 19等級,因此可以說澳洲兒童看電視精神
 集中度高於英國兒童
Z   test
Z 檢定選擇的預設
Z 的公式:
例題
老師的前測資料 Test

主題:影響學生生活品質的因素分析

步驟 1 :列出虛無及對立假說
• H0: 男生、女生家庭 factor3 分數沒有差異
• Ha: 男生、女生家庭 factor3 分數有差異
步驟 2 :選擇適合的顯著檢定方法
                          25


◎ 選擇雙尾檢定 a 為 0.05 。
                          20

◎ 呈現出抽樣分佈非常態分佈 ,
男女為類別變項=>無母數分析
                          15

                      次
                      數
◎ 未知母體 Sd ,
                          10
且樣本數為 56>30 ,

◎ 比較兩獨立樣本的等級總分,
                          5




所以正確的檢定方法                                                               Mean = 5.4728
                                                                        Std. Dev. = 1.08569
                                                                        N = 112

為 Wilcoxon Z 檢定。          0
                                3.00   4.00      5.00     6.00   7.00
                                              家庭factor3


                               男生女生家庭 factor3 抽樣分佈圖
步驟 3 :計算樣本統計量
NPar 檢定
Mann-Whitney 檢定
                     等
                     級
             性別          個數          等級平均數            等級總和
 家庭          男生                                      2912.00
                               56            52.00
   factor3
             女生                                      3416.00
                               56            61.00

             總和               112

                   檢定統計量 (a)

                              家庭 factor3
 Mann-Whitney U 統計量 檢定統計量 (a)1316.000
 Wilcoxon W 統計量              2912.000
 Z 檢定                               -1.468
 漸近顯著性 ( 雙尾 )                         .142

 a 分組變數:性別
步驟 4 :建立臨界值即臨界域

 雙尾檢定, a 為 0.05 ,臨界值:
  Z 臨界值=   ±1.96


步驟 5 :下決策
分析:男女樣本數各為 56 ,
等級平均女生 (61.00) 大於男生 (52.00) ,
即女生的家庭 factor3 平均分數大於男生。
Z 檢定= -1.468
p = 0 .142 > 0.05
因為 Z 樣本未落在拒絕域,所以不能拒絕虛無假說。
即男生女生的家庭 factor3 分數無顯著差異。
範例:網路侵犯行為與台灣地區盜版
  率
                鄭天澤 彭日欣
假說二
對於從網路下載未經合法授權之音樂或電影這種行為的
 看法

• 完全錯誤
  比例 上網下載受測者< 沒有上網下載受測者

• 雖不該,但不需大驚小怪
  比例 上網下載受測者> 沒有上網下載受測者

• 沒有問題
  比例 上網下載受測者>沒有上網下載受測者
資料來源:思博網 http://www.ceps.com.tw/ec/echome.aspx
政大智慧財產評論 3卷1期 p49-62
比較: T 檢定跟 Z
  檢定
   該用 Z 值檢定時採用 T 值檢定
   會較可能造成保留 H0的結果 ( 型二錯
   誤)
   該用 T 值檢定時採用 Z 值檢定
   會較可能造成拒絕 H0的結果 ( 型一錯
   誤)
※ 判斷變異數已知或是未知
若是單一母體變異數已知不論樣本數大小
一率用 Z
若是單一母體變異數未知不論樣本數大小
一率用 T
1 ) 、 Z - 檢定: Z - 檢定是根據統計量的抽樣分
           屬於常態分配(母體為常態分配、
           樣本 n 很大、母體 σ 已知時,其統計
           量的抽樣分配為常態分配),最後
           以標準常態 Z 作為檢定統計量的假設
           檢定。
2 ) 、 t - 檢定: t - 檢定是根據統計量的抽樣分配
           屬於 t 分配(母體為常態分配且樣本
           n 很小、母體 σ 未知時,其統計量的
           抽樣分配為 t 分配),而以 t 值作為
           檢定統計量的假設檢定。
Z 檢定優缺點
優點:
2. 可用在有母數與無母數上
3. 可用在兩個母體以上時使用

缺點:
會有濫用的趨勢,精確度降低
幾個重要概念回顧
• 無母數分析
• 有母數與無母數差異
• 等級總和與平均
• 同分問題
• Z 檢定
• Z 檢定與 T 檢定比較
Thank you for your listening.


          THE    END


            感謝你的收聽
                     我們下次再會
            ^^

Mais conteúdo relacionado

Mais procurados

Cosine Based Softmax による Metric Learning が上手くいく理由
Cosine Based Softmax による Metric Learning が上手くいく理由Cosine Based Softmax による Metric Learning が上手くいく理由
Cosine Based Softmax による Metric Learning が上手くいく理由tancoro
 
SEM與Amos進階-三星統計張偉豪
SEM與Amos進階-三星統計張偉豪SEM與Amos進階-三星統計張偉豪
SEM與Amos進階-三星統計張偉豪Beckett Hsieh
 
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】Hiroyuki Muto
 
ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方Sayuri Shimizu
 
クラスタリング
クラスタリングクラスタリング
クラスタリングWakamatz
 
経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)Masashi Sekino
 
次世代シーケンサが求める機械学習
次世代シーケンサが求める機械学習次世代シーケンサが求める機械学習
次世代シーケンサが求める機械学習sesejun
 
主成分分析(Pca)
主成分分析(Pca)主成分分析(Pca)
主成分分析(Pca)Shushi Namba
 
2018年01月27日 TensorBoardによる学習の可視化
2018年01月27日 TensorBoardによる学習の可視化2018年01月27日 TensorBoardによる学習の可視化
2018年01月27日 TensorBoardによる学習の可視化aitc_jp
 
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!takehikoihayashi
 
媒介分析について
媒介分析について媒介分析について
媒介分析についてHiroshi Shimizu
 
データベース時代の疫学研究デザイン
データベース時代の疫学研究デザインデータベース時代の疫学研究デザイン
データベース時代の疫学研究デザインKoichiro Gibo
 
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論Koichiro Gibo
 
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析1 4.回帰分析と分散分析
1 4.回帰分析と分散分析logics-of-blue
 
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
クラシックな機械学習の入門  6. 最適化と学習アルゴリズムクラシックな機械学習の入門  6. 最適化と学習アルゴリズム
クラシックな機械学習の入門 6. 最適化と学習アルゴリズムHiroshi Nakagawa
 
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」Kaoru Nasuno
 

Mais procurados (20)

Cosine Based Softmax による Metric Learning が上手くいく理由
Cosine Based Softmax による Metric Learning が上手くいく理由Cosine Based Softmax による Metric Learning が上手くいく理由
Cosine Based Softmax による Metric Learning が上手くいく理由
 
SEM與Amos進階-三星統計張偉豪
SEM與Amos進階-三星統計張偉豪SEM與Amos進階-三星統計張偉豪
SEM與Amos進階-三星統計張偉豪
 
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】
検定力分析とベイズファクターデザイン分析によるサンプルサイズ設計【※Docswellにも同じものを上げています】
 
ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方ロジスティック回帰分析の書き方
ロジスティック回帰分析の書き方
 
クラスタリング
クラスタリングクラスタリング
クラスタリング
 
経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)経験ベイズ木(IBIS 2017)
経験ベイズ木(IBIS 2017)
 
次世代シーケンサが求める機械学習
次世代シーケンサが求める機械学習次世代シーケンサが求める機械学習
次世代シーケンサが求める機械学習
 
主成分分析(Pca)
主成分分析(Pca)主成分分析(Pca)
主成分分析(Pca)
 
tvmf-similarity
tvmf-similaritytvmf-similarity
tvmf-similarity
 
Maeshori missing
Maeshori missingMaeshori missing
Maeshori missing
 
Semi-Supervised SVM
Semi-Supervised SVMSemi-Supervised SVM
Semi-Supervised SVM
 
2018年01月27日 TensorBoardによる学習の可視化
2018年01月27日 TensorBoardによる学習の可視化2018年01月27日 TensorBoardによる学習の可視化
2018年01月27日 TensorBoardによる学習の可視化
 
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
 
媒介分析について
媒介分析について媒介分析について
媒介分析について
 
データベース時代の疫学研究デザイン
データベース時代の疫学研究デザインデータベース時代の疫学研究デザイン
データベース時代の疫学研究デザイン
 
PRML 5.5.6-5.6
PRML 5.5.6-5.6PRML 5.5.6-5.6
PRML 5.5.6-5.6
 
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
 
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
 
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
クラシックな機械学習の入門  6. 最適化と学習アルゴリズムクラシックな機械学習の入門  6. 最適化と学習アルゴリズム
クラシックな機械学習の入門 6. 最適化と学習アルゴリズム
 
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」
論文輪読資料「FaceNet: A Unified Embedding for Face Recognition and Clustering」
 

Semelhante a 等級檢定

社統一資料分析
社統一資料分析社統一資料分析
社統一資料分析clinic
 
統計第七組 成對樣本T檢定New
統計第七組 成對樣本T檢定New統計第七組 成對樣本T檢定New
統計第七組 成對樣本T檢定Newclinic
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版low968key
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版low968key
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版low968key
 
Education Statistics
Education StatisticsEducation Statistics
Education Statisticsclinic
 
Group9-Ch18
Group9-Ch18Group9-Ch18
Group9-Ch18clinic
 

Semelhante a 等級檢定 (10)

社統一資料分析
社統一資料分析社統一資料分析
社統一資料分析
 
卡方考驗
卡方考驗卡方考驗
卡方考驗
 
統計第七組 成對樣本T檢定New
統計第七組 成對樣本T檢定New統計第七組 成對樣本T檢定New
統計第七組 成對樣本T檢定New
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版
 
Qcc
QccQcc
Qcc
 
2
22
2
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版
 
心理測驗報告七版
心理測驗報告七版心理測驗報告七版
心理測驗報告七版
 
Education Statistics
Education StatisticsEducation Statistics
Education Statistics
 
Group9-Ch18
Group9-Ch18Group9-Ch18
Group9-Ch18
 

Mais de clinic

正義:一場思辨之旅
正義:一場思辨之旅正義:一場思辨之旅
正義:一場思辨之旅clinic
 
02輔導的基本概念與發展
02輔導的基本概念與發展02輔導的基本概念與發展
02輔導的基本概念與發展clinic
 
02教學科技的定義與內涵
02教學科技的定義與內涵02教學科技的定義與內涵
02教學科技的定義與內涵clinic
 
98陳師上課板書10~12堂
98陳師上課板書10~12堂98陳師上課板書10~12堂
98陳師上課板書10~12堂clinic
 
98陳師上課板書1~6堂
98陳師上課板書1~6堂98陳師上課板書1~6堂
98陳師上課板書1~6堂clinic
 
98陳師上課板書13~15堂
98陳師上課板書13~15堂98陳師上課板書13~15堂
98陳師上課板書13~15堂clinic
 
98陳師上課板書16~18堂
98陳師上課板書16~18堂98陳師上課板書16~18堂
98陳師上課板書16~18堂clinic
 
98陳師上課板書7~9堂
98陳師上課板書7~9堂98陳師上課板書7~9堂
98陳師上課板書7~9堂clinic
 
知識加法條背訟方法
知識加法條背訟方法知識加法條背訟方法
知識加法條背訟方法clinic
 
關鍵字~領導(影印版)
關鍵字~領導(影印版)關鍵字~領導(影印版)
關鍵字~領導(影印版)clinic
 
關鍵字~管理
關鍵字~管理關鍵字~管理
關鍵字~管理clinic
 
關鍵字~預算(影印版)
關鍵字~預算(影印版)關鍵字~預算(影印版)
關鍵字~預算(影印版)clinic
 
行政學
行政學行政學
行政學clinic
 
關鍵字~新公共行政、新公共管理及新
關鍵字~新公共行政、新公共管理及新關鍵字~新公共行政、新公共管理及新
關鍵字~新公共行政、新公共管理及新clinic
 
關鍵字~治理(影印版)
關鍵字~治理(影印版)關鍵字~治理(影印版)
關鍵字~治理(影印版)clinic
 
關鍵字~行政(影印版)
關鍵字~行政(影印版)關鍵字~行政(影印版)
關鍵字~行政(影印版)clinic
 
關鍵字~三大理論時期(影印版)
關鍵字~三大理論時期(影印版)關鍵字~三大理論時期(影印版)
關鍵字~三大理論時期(影印版)clinic
 
關鍵字~組織(影印版)
關鍵字~組織(影印版)關鍵字~組織(影印版)
關鍵字~組織(影印版)clinic
 

Mais de clinic (20)

123
123123
123
 
123
123123
123
 
正義:一場思辨之旅
正義:一場思辨之旅正義:一場思辨之旅
正義:一場思辨之旅
 
02輔導的基本概念與發展
02輔導的基本概念與發展02輔導的基本概念與發展
02輔導的基本概念與發展
 
02教學科技的定義與內涵
02教學科技的定義與內涵02教學科技的定義與內涵
02教學科技的定義與內涵
 
98陳師上課板書10~12堂
98陳師上課板書10~12堂98陳師上課板書10~12堂
98陳師上課板書10~12堂
 
98陳師上課板書1~6堂
98陳師上課板書1~6堂98陳師上課板書1~6堂
98陳師上課板書1~6堂
 
98陳師上課板書13~15堂
98陳師上課板書13~15堂98陳師上課板書13~15堂
98陳師上課板書13~15堂
 
98陳師上課板書16~18堂
98陳師上課板書16~18堂98陳師上課板書16~18堂
98陳師上課板書16~18堂
 
98陳師上課板書7~9堂
98陳師上課板書7~9堂98陳師上課板書7~9堂
98陳師上課板書7~9堂
 
知識加法條背訟方法
知識加法條背訟方法知識加法條背訟方法
知識加法條背訟方法
 
關鍵字~領導(影印版)
關鍵字~領導(影印版)關鍵字~領導(影印版)
關鍵字~領導(影印版)
 
關鍵字~管理
關鍵字~管理關鍵字~管理
關鍵字~管理
 
關鍵字~預算(影印版)
關鍵字~預算(影印版)關鍵字~預算(影印版)
關鍵字~預算(影印版)
 
行政學
行政學行政學
行政學
 
關鍵字~新公共行政、新公共管理及新
關鍵字~新公共行政、新公共管理及新關鍵字~新公共行政、新公共管理及新
關鍵字~新公共行政、新公共管理及新
 
關鍵字~治理(影印版)
關鍵字~治理(影印版)關鍵字~治理(影印版)
關鍵字~治理(影印版)
 
關鍵字~行政(影印版)
關鍵字~行政(影印版)關鍵字~行政(影印版)
關鍵字~行政(影印版)
 
關鍵字~三大理論時期(影印版)
關鍵字~三大理論時期(影印版)關鍵字~三大理論時期(影印版)
關鍵字~三大理論時期(影印版)
 
關鍵字~組織(影印版)
關鍵字~組織(影印版)關鍵字~組織(影印版)
關鍵字~組織(影印版)
 

等級檢定

  • 1. 等級檢定 : 比較兩個或以上母體 姓名 林姿瑩 羅珮心 王思芸 孟子馨 張宇宏 黃韻潔 李育昇
  • 2. 前提 ★ 研究問題的重點: 一定範圍內某些數值出現的個數 ★ 要檢定的變數並非是等距 / 等比尺度 例如 : 態度分數、次序尺度 1--2--3--4--5--6--7--8--9--10 極度不滿意 極度 滿意 將次序尺度分數化來比較
  • 3. 使用時機 ★ 母體資料不是常態分布 但可以使用 不受分佈限制 (d is trib utio n - fre e ) 的分析方法 *在比較兩個樣本平均時,應用的無母數分 析方法稱為 等級和雙樣本 z 檢定
  • 4. 無母數統計方法 ( nonparametric method) • 一種不需要知道母體分佈屬於何種類型的 統計方法,不用在乎母數的探討,而且主 要是適用於名義變項或是次序變項資料的 統計推論方法,則稱為無母數統計方法。 • 其基本假設為: (1) 隨機抽樣 (random ized) ; (2) 獨立性 (independent) ; (3) 至少為順序變項的資料 (ordinal) 。
  • 5. z 檢定、 t 檢定 • Z 檢定和 t 檢定皆為有母數統計方法 • 那何謂「有母數統計」? 許多統計量的抽樣分配在大樣本的情況下 常呈現常態分配,所以對母體參數作推論 的時候,經常以常態分配為其理論基礎、 或母數已知的前提假設之下所導出的假設 檢定或區間估計,適用於等距變項與比率 變項資料,稱為有母數統計法。
  • 6. 等級總合及等級平均 • 對於次序資料,將資料依其分數從小排 到大進行等級總合及等級平均做描述性 統計
  • 7. • 以例子做說明 : 澳洲及英國兒童看電視習慣做說明 澳洲 英國 澳洲 英國 右表是原始資 3 1 56 40 料 9 4 58 43 無法解讀 12 5 64 50 只能給予中位 19 10 69 59 數 20 14 73 62 但能不是精準 的判讀 25 21 75 65 33 24 78 70 37 30 80 74 38 35 83 76 45 37 89 95
  • 8. 正確方法為 : 將 40 位兒童一看電視節目精 神集中度排名次 ( 等級 ) 再分別計算樣本等 級的總合 表二 : 請看 課本 P. 408 排序後,可以得到澳洲兒童等級總分為 441.5; 英國兒童則為 378.5 比較 : 澳洲兒童觀看電視節目精神集中 度高於英國兒童
  • 9. 同分問題 • 若資料進行排序遇到同分問題時,應把同 分的個案等級加總,除上同分人數作為其 等級值 • 例如 : 資料中兩位兒童在第 17 、 18 位 • 平均等級 =(17+18)/2=17.5
  • 10. • 但以等級總合來分析只適用於兩樣本數是一樣 ,若樣本數不一樣時則必須在進行一步驟,也 就是需用等級平均,例如 : • 澳洲 : 等級平均為 441.5/20=22 • 英國 : 等級平均為 378.5/20=19 平均而言,澳洲兒童在第 22等級,而英國兒童 則第 19等級,因此可以說澳洲兒童看電視精神 集中度高於英國兒童
  • 11. Z test
  • 14.
  • 15.
  • 16.
  • 17.
  • 18. 例題 老師的前測資料 Test 主題:影響學生生活品質的因素分析 步驟 1 :列出虛無及對立假說 • H0: 男生、女生家庭 factor3 分數沒有差異 • Ha: 男生、女生家庭 factor3 分數有差異
  • 19. 步驟 2 :選擇適合的顯著檢定方法 25 ◎ 選擇雙尾檢定 a 為 0.05 。 20 ◎ 呈現出抽樣分佈非常態分佈 , 男女為類別變項=>無母數分析 15 次 數 ◎ 未知母體 Sd , 10 且樣本數為 56>30 , ◎ 比較兩獨立樣本的等級總分, 5 所以正確的檢定方法 Mean = 5.4728 Std. Dev. = 1.08569 N = 112 為 Wilcoxon Z 檢定。 0 3.00 4.00 5.00 6.00 7.00 家庭factor3 男生女生家庭 factor3 抽樣分佈圖
  • 20. 步驟 3 :計算樣本統計量 NPar 檢定 Mann-Whitney 檢定 等 級 性別 個數 等級平均數 等級總和 家庭 男生 2912.00 56 52.00 factor3 女生 3416.00 56 61.00 總和 112 檢定統計量 (a) 家庭 factor3 Mann-Whitney U 統計量 檢定統計量 (a)1316.000 Wilcoxon W 統計量 2912.000 Z 檢定 -1.468 漸近顯著性 ( 雙尾 ) .142 a 分組變數:性別
  • 21. 步驟 4 :建立臨界值即臨界域 雙尾檢定, a 為 0.05 ,臨界值: Z 臨界值= ±1.96 步驟 5 :下決策 分析:男女樣本數各為 56 , 等級平均女生 (61.00) 大於男生 (52.00) , 即女生的家庭 factor3 平均分數大於男生。 Z 檢定= -1.468 p = 0 .142 > 0.05 因為 Z 樣本未落在拒絕域,所以不能拒絕虛無假說。 即男生女生的家庭 factor3 分數無顯著差異。
  • 22. 範例:網路侵犯行為與台灣地區盜版 率 鄭天澤 彭日欣 假說二 對於從網路下載未經合法授權之音樂或電影這種行為的 看法 • 完全錯誤 比例 上網下載受測者< 沒有上網下載受測者 • 雖不該,但不需大驚小怪 比例 上網下載受測者> 沒有上網下載受測者 • 沒有問題 比例 上網下載受測者>沒有上網下載受測者
  • 23.
  • 24.
  • 26. 比較: T 檢定跟 Z 檢定 該用 Z 值檢定時採用 T 值檢定 會較可能造成保留 H0的結果 ( 型二錯 誤) 該用 T 值檢定時採用 Z 值檢定 會較可能造成拒絕 H0的結果 ( 型一錯 誤) ※ 判斷變異數已知或是未知 若是單一母體變異數已知不論樣本數大小 一率用 Z 若是單一母體變異數未知不論樣本數大小 一率用 T
  • 27. 1 ) 、 Z - 檢定: Z - 檢定是根據統計量的抽樣分 屬於常態分配(母體為常態分配、 樣本 n 很大、母體 σ 已知時,其統計 量的抽樣分配為常態分配),最後 以標準常態 Z 作為檢定統計量的假設 檢定。 2 ) 、 t - 檢定: t - 檢定是根據統計量的抽樣分配 屬於 t 分配(母體為常態分配且樣本 n 很小、母體 σ 未知時,其統計量的 抽樣分配為 t 分配),而以 t 值作為 檢定統計量的假設檢定。
  • 28. Z 檢定優缺點 優點: 2. 可用在有母數與無母數上 3. 可用在兩個母體以上時使用 缺點: 會有濫用的趨勢,精確度降低
  • 29. 幾個重要概念回顧 • 無母數分析 • 有母數與無母數差異 • 等級總和與平均 • 同分問題 • Z 檢定 • Z 檢定與 T 檢定比較
  • 30. Thank you for your listening. THE END 感謝你的收聽 我們下次再會 ^^