pretty routine eye-ballingthis chap

pretty routine eye-balling
this chapter discusses measures of association for two variables when at least one of the variables is measured at the nominal level. it will concentrate on two frequently used measures for such data: cramer's V and lambda

illustrate a measure of association for nominal data. it will also help us to demonstrate the difference between measures of association and tests of significance. in chapter 16 we conducted a chi-square test to assess whether there was a relationship between level of education and enjoyment of work, we used this example to illustrate the effect that sample size can have on the value of a test statistic such as chi-square

the value of chi-square is not large enough to warrant the rejection ofthe null hypothesis of independence:the two variables do not seem to be related. yet by multiplying the sample size by 10, the value of chi-square in table 20.1b is now very large and significant: the difference between observed and expected frequencies is large enough to allow us to reject the null hypothesis of independence. but if we focus on the column percentages,and ignore the chi-square test for a moment (table20.2), it is clear that the large value of chi-square in table 20.1b is due to the large sample size, rather than due to any strong pattern of dependence between the two variables

ผลลัพธ์ (ไทย) 1:

พริตตี้ประจำตา-ballingบทนี้กล่าวถึงมาตรการบังคับสำหรับสองตัวแปรเมื่ออย่างน้อยหนึ่งตัวแปรวัดในระดับระบุ จะเน้นมาตรการสองใช้บ่อยสำหรับข้อมูลดังกล่าว: cramer ของ V และแลมบ์ดาแสดงการวัดการเชื่อมโยงข้อมูลที่ระบุ มันยังจะช่วยให้เราแสดงให้เห็นถึงความแตกต่างระหว่างการวัดความสัมพันธ์และการทดสอบนัยสำคัญ ในบทที่ 16 เราดำเนินการทดสอบ chi-square เพื่อประเมินว่ามีความสัมพันธ์ระหว่างระดับการศึกษาและความเพลิดเพลินของการทำงาน เราใช้ตัวอย่างนี้จะแสดงผลที่ขนาดตัวอย่างสามารถมีค่าของสถิติทดสอบเช่น chi-squareค่า chi-square ไม่ใหญ่พอที่จะรับประกันการปฏิเสธสมมติฐานว่างเอกราช: ตัวแปรที่สองดูเหมือนไม่เกี่ยวข้องกัน ยัง โดยคูณขนาดตัวอย่าง 10 ค่า chi-square ในตาราง 20.1b ตอนนี้ใหญ่มาก และที่สำคัญ: ความแตกต่างระหว่างความถี่ในการสังเกต และคาดว่ามีขนาดใหญ่พอให้เราปฏิเสธสมมติฐานว่างเอกราช แต่ถ้าเราเน้นคอลัมน์เปอร์เซ็นต์ และละเว้นการทดสอบ chi-square อึด (table20.2), เป็นที่ชัดเจนว่าค่า chi-square ในตาราง 20.1b ขนาดใหญ่ขนาดตัวอย่างขนาดใหญ่ แทนที่ จะมีรูปแบบแข็งแรงพึ่งพาระหว่างสองตัวแปร

ผลลัพธ์ (ไทย) 2:

ประจำสวยตา balling
บทนี้กล่าวถึงมาตรการของสมาคมสำหรับตัวแปรสองเมื่ออย่างน้อยหนึ่งในตัวแปรที่จะวัดที่ระดับที่กำหนด มันจะมีสมาธิในสองมาตรการที่ใช้บ่อยสำหรับข้อมูลดังกล่าว: แครมเมอของ V และแลมบ์ดาแสดงให้เห็นถึงตัวชี้วัดของการเชื่อมโยงข้อมูลชื่อ มันก็จะช่วยให้เราแสดงให้เห็นถึงความแตกต่างระหว่างมาตรการในการสมาคมและการทดสอบที่มีความสำคัญ ในบทที่ 16 เราดำเนินการทดสอบไคสแควร์เพื่อประเมินว่ามีความสัมพันธ์ระหว่างระดับการศึกษาและความเพลิดเพลินของการทำงานที่เราใช้ตัวอย่างนี้แสดงให้เห็นถึงผลกระทบที่ขนาดของกลุ่มตัวอย่างสามารถมีค่าของสถิติทดสอบเช่น chi- ตารางค่าไคสแควร์มีขนาดไม่ใหญ่พอที่จะรับประกันการปฏิเสธ ofthe สมมติฐานของความเป็นอิสระ: สองตัวแปรดูเหมือนจะไม่เป็นที่เกี่ยวข้อง ยังโดยการคูณขนาดของกลุ่มตัวอย่าง 10 มูลค่าของไคสแควร์ใน 20.1b ตารางอยู่ในขณะนี้มีขนาดใหญ่มากและมีความสำคัญ: ความแตกต่างระหว่างความถี่ที่สังเกตและคาดว่าจะมีขนาดใหญ่พอที่จะช่วยให้เราสามารถปฏิเสธสมมติฐานของความเป็นอิสระ แต่ถ้าเรามุ่งเน้นไปที่ร้อยละคอลัมน์และไม่สนใจการทดสอบไคสแควร์สักครู่ (table20.2) มันเป็นที่ชัดเจนว่าค่าขนาดใหญ่ของไคสแควร์ใน 20.1b ตารางเป็นเพราะขนาดของกลุ่มตัวอย่างที่มีขนาดใหญ่มากกว่า เนื่องจากการใด ๆ รูปแบบที่แข็งแกร่งของการพึ่งพาอาศัยกันระหว่างสองตัวแปร

ผลลัพธ์ (ไทย) 3:

สวยนตา balling
บทนี้กล่าวถึงมาตรการของสมาคมสำหรับสองตัวแปรเมื่ออย่างน้อยหนึ่งตัวแปรที่เป็นวัดในระดับปกติ จะเน้น 2 มาตรการที่ใช้บ่อยข้อมูลเช่น : เมอร์วีแลมบ์ดาและ

แสดงการวัดของสมาคมข้อมูลปกติมันก็จะช่วยให้เราสามารถแสดงให้เห็นถึงความแตกต่างระหว่างมาตรการของสมาคมและการทดสอบนัยสำคัญ บทที่ 16 เราทำการทดสอบไคสแควร์เพื่อประเมินว่ามีความสัมพันธ์ระหว่างระดับการศึกษาและความเพลิดเพลินของงาน เราใช้ตัวอย่างนี้เพื่อแสดงผลที่ขนาดตัวอย่างได้ในมูลค่าของสถิติทดสอบไคสแควร์

เช่นค่าไคสแควร์มีขนาดไม่ใหญ่พอที่จะรับประกันการปฏิเสธสมมติฐานว่างของอิสรภาพ : สองตัวแปรที่ไม่ได้ดูเหมือนจะเกี่ยวข้องกัน แต่คูณกับขนาดตัวอย่าง 10 , ค่าไคสแควร์ในโต๊ะ 20 . 1B ตอนนี้มีขนาดใหญ่มากและที่สำคัญ : ความแตกต่างระหว่างการตรวจสอบ และคาดว่าความถี่มีขนาดใหญ่พอที่จะให้เราปฏิเสธสมมติฐานว่างของความเป็นอิสระแต่ถ้าเราสนใจคอลัมน์เปอร์เซ็นต์ และไม่สนใจไคสแควร์ทดสอบสักครู่ ( table20.2 ) เป็นที่ชัดเจนว่าค่าไคสแควร์ในขนาดใหญ่โต๊ะ 20 . 1B จากกลุ่มตัวอย่างขนาดใหญ่ มากกว่า เนื่องจาก รูปแบบใด ๆที่แข็งแกร่งของการพึ่งพาระหว่างสองตัวแปร