Scarica Esercizi generali SPSS e più Esercizi in PDF di Analisi Dei Dati solo su Docsity!
Esercizi - Correlazioni bivariate Acquisire il dataset demo.sav
- Analizzare le correlazioni tra età, anni trascorsi presso lo stesso datore di lavoro e prezzo dell’automobile posseduta Guardo sign a due code ed è molto significativo, la relazione è molto significativa e molto forte (perchè Pearson ha un valore alto 0,620 - 0,376..). Quindi all’aumentare dell’età aumentano gli anni di permanenza nell’impiego attuale.
- Analizzare la correlazione tra livello di istruzione, reddito ridotto in classi e prezzo dell’automobile ridotto in classi Le variabili non sono tutte quantitative ma ordinali quindi dobbiamo usare Tau-b. La relazione è significativa ma debole, la relazione forte è tra la categoria del reddito e il costo del mezzo di trasporto (0,851) quindi all’aumentare del reddito aumenta il costo del mezzo di trasporto. E’ meno forte la relazione che intercorre tra il grado di istruzione e il costo del mezzo di trasporto.
- Analizzare la correlazione tra reddito, anni trascorsi presso lo stesso datore di lavoro, e livello d’istruzione C’è una variabile ordinale quindi usiamo spearman e Pearson per le due quantitative. In Spearman dobbiamo guadare solo la relazione del grado di istruzione, la relazione è sign. All’aumentare del grado di istruzione diminuiscono gli anni di permanenza nell’impiego attuale Guardiamo solo il reddito e l’anno di permanenza, il reddito è sign. All’aumentare del reddito aumentano gli anni di permanenza nell’impiego attuale e la relazione è forte. Guardiamo gli anni di permanenza, la relazione è sign. E all’aumentare degli anni di permanenza nell’impiego attuale aumenta il reddito.
variabili sono correlate, se controllo la variabile età e gli anni di permanenza nell’impiego attuale, vediamo che c’è una forte correlazione (0,620 più vecchio sono più anni sono rimasto nello stesso impiego) se osserviamo l’effetto al netto del reddito vediamo che la correlazione c’è ma è più debole quindi il reddito non influenza troppo la relazione. La relazione tra età e costo del mezzo di trasporto è significativa e positiva ma la relazione si riduce quando tolgo l’effetto del reddito; La terza relazione riguarda gli anni nell’impiego attuale e il costo del mezzo di trasporto, una parte di questa relazione è legata all’effetto del reddito, se tolgo l’effetto del reddito si riduce.
- Calcolare la relazione tra il reddito e il numero di anni trascorsi all’attuale indirizzo; quindi tenere sotto controllo la variabile “età”. Cosa succede? C’è significatività tra tutto tranne che tra la categoria di reddito e gli anni di residenza al netto degli anni quindi se escludiamo la variabile età (seconda tabella) le due variabili non sono correlate, mentre se le osserviamo con il netto dell’età (prima
tabella ) queste due variabili sono correlate. La correlazione tra queste due variabili dipende dall’età. Esercizi Regressione Se abbiamo variabili nominali dobbiamo trasformale creando variabili dicotomiche e lasciando a residuo: costruiremo k-1 variabili- indicatore dicotomiche; una delle modalità è lasciata “a residuo” perché si può ricavare come combinazione delle altre
- Per esempio, per lo stato civile, possiamo costruire variabili-indicatore per ciascuna condizione: “celibe/nubile”, “vedovo/a”, “separato/a”, “divorziato/a”, e lasciare “sposato/a” come residuo
- Acquisire il dataset sottopeso; ipotizzare e costruire un adeguato modello di regressione per spiegare il peso alla nascita del neonato; provate a trovare almeno un’interazione significativa Analizza - Regressione - Lineare - la variabile dipendente è il peso alla nascita del neonato, tra le variabili indipendenti scelgo: madre fumatrice, madre ipertesa, sottopeso, la razza e l’irritabilità uterina. Possiamo usare il metodo inserisci nel quale caso quello che accade è che tutte le selezioni sono inserite nel modello Guardiamo l’ANOVA per vedere se il modello è significativo, in questo caso lo è perché il valore è piccolo. Guardiamo il riepilogo del modello per vedere quanto spiega il modello, in questo caso r^2 adattato spiega il 19,6% (devo spostare la virgola di due numeri). Dobbiamo poi guardare quanto i predatori influenzano la variabile dipendente nella tabella dei coefficienti. Vediamo che per una madre bianca il peso del bambino aumenta di 415 gr mentre se la madre soffre di irritabilità uterina il peso del bambino diminuisce di 561 gr.. Acquisire il dataset demo.sav; ipotizzare e costruire adeguati modelli di regressione per spiegare:
- Il costo dell’automobile (esiste un effetto di interazione tra età e sesso? E tra età e reddito? Se sì, interpretarlo) La variabile sesso va rimodificata in variabili nuovi per farla diventare dicotomica. Inserisco nella var. Dipendente il costo dell’automobile nella var. Indipendente il
Devo capire dov’è il gomito. SPSS vede un gomito a 7 ma non va bene quindi scelgo di indicare la soluzione a 5 perché riesco a spiegare il 60% con un effettivo gomito. Analisi fattoriale In estrazione selezioniamo numero fisso di fattori e inseriamo il valore 5. In rotazione chiediamo Varimax (mantiene i fattori tra loro ortogonali) Dobbiamo dare i nomi ai fattori, andiamo direttamente a vedere le matrici ruotate nell’output e interpretiamo: il primo fattore è un fattore che mi porta un’informazione sovrapponibile all’informazione delle prime 7 variabili, potremo chiamarla una ‘soddisfazione per il riconoscimento professionale’. (Quando abbiamo tanti fattori un buon modo può essere quello di partire dagli ultimi che hanno poche variabili.)
Criteri per stabilire quando una saturazione fattoriale è da considerare significativa: Saturazione fattoriale >.40 è significativa
- Saturazioni fattoriali |<.40| sono trascurabili, in quanto una saturazione di. indica che il 16% della varianza della variabile è spiegata dal fattore (16% valore sufficiente a ritenere la saturazione accettabile). Dopo aver scelto un nome significativo per ogni fattore, dobbiamo salvarli, in questo modo diventano delle vere e proprie variabili e possiamo fare delle relazioni.
