Kuinka tulkita hajontakaaviota

Hajontakaavio on tärkeä diagnostiikkatyökalu tilastotieteilijän arsenaalissa, joka saadaan piirtämällä kaksi muuttujaa toisiaan vastaan. Sen avulla tilastotieteilijä voi silmätä muuttujia ja muodostaa toimivan hypoteesin heidän suhteestaan. Tästä syystä se piirretään yleensä ennen regressioanalyysin suorittamista. Tilastollinen testaa hypoteesin regressioanalyysin avulla ja määrittää suhteen merkin ja tarkan suuruuden. Lisäksi sirontakaavio auttaa tunnistamaan poikkeamat - arvot, jotka ovat poikkeuksellisen kaukana suurimmasta osasta näytteen tietoja. Poikkeavien poistaminen auttaa parantamaan regressiomallia.

Tarkista, onko hajontakaaviossa kahden muuttujan välillä negatiivinen suhde. Jos ensimmäisen muuttujan matalat arvot vastaavat toisen muuttujan korkeita arvoja, korrelaatio on negatiivinen. Tässä tapauksessa datapisteiden läpi vedetyllä viivalla on negatiivinen kaltevuus.

Tutki sirontakaaviota positiivisen suhteen suhteen muuttujien välillä. Jos sirontakaavion ensimmäisen muuttujan matalat arvot vastaavat toisen matalia ja korkeita arvoja ensimmäisen arvot vastaavat samalla tavalla toisen korkeita arvoja, muuttujilla on positiivinen korrelaatio. Tässä tapauksessa datapisteiden läpi vedetyllä viivalla on positiivinen kaltevuus.

instagram story viewer

Tarkista, ettei sirontakaaviossa ole suhdetta muuttujien välillä. Jos sirontakäyrän datapisteet jaetaan satunnaisesti ilman näennäistä suhdetta näiden kahden välillä, niillä ei ole korrelaatiota tai pieni, tilastollisesti merkityksetön korrelaatio. Tässä tapauksessa datapisteiden läpi vedetty viiva on vaakasuora ja kaltevuus nolla.

Sovita viiva datapisteiden läpi ja tutki sen muotoa kahden muuttujan välisen suhteen luonteen mittaamiseksi. Suora viiva tulkitaan lineaariseksi suhteeksi, kaareva muoto viittaa neliösuhteeseen ja a linja, joka on suhteellisen tasainen ennen yhtäkkiä ylös tai alas ampumista, tulkitaan eksponentiaaliseksi suhteeksi.

Tutki sirontakaaviota poikkeavien arvojen suhteen, jotka sijaitsevat epätavallisen kaukana datapisteiden joukosta. Poikkeamat vääristävät muuttujien välistä suhdetta. Poista ne, mutta vain jos niiden puuttuminen ei vaikuta kahden muuttujan välisen suhteen analyysiin.

Teachs.ru
  • Jaa
instagram viewer