Docsity
Docsity

Prepara i tuoi esami
Prepara i tuoi esami

Studia grazie alle numerose risorse presenti su Docsity


Ottieni i punti per scaricare
Ottieni i punti per scaricare

Guadagna punti aiutando altri studenti oppure acquistali con un piano Premium


Guide e consigli
Guide e consigli


Analisi Bivariata: Studio della Relazione tra Coppie di Variabili - Prof. Sarnacchiaro, Schemi e mappe concettuali di Statistica

L'analisi bivariata è una tecnica statistica utilizzata per studiare la relazione tra coppie di variabili. Determina se esiste una relazione di indipendenza o associazione tra due variabili e quantifica il grado di associazione mediante coefficienti. Esistono tre tipi di relazioni: indipendenza statistica, dipendenza e interdipendenza.

Tipologia: Schemi e mappe concettuali

2020/2021

Caricato il 11/02/2022

fabym01
fabym01 🇮🇹

4

(9)

52 documenti

1 / 2

Toggle sidebar

Questa pagina non è visibile nell’anteprima

Non perderti parti importanti!

bg1
L’analisi bivariata
L’analisi bivariata serve a studiare la relazione fra coppie di variabili.
Le sue funzioni sono:
1.Stabilire se date due variabili (x e y) esiste tra loro una relazione di indipendenza o di
associazione;
2.In caso di associazione, quantificare (ove possibile) il grado di associazione tra coppie di
variabili mediante coefficienti.
Tipi di relazioni tra Variabili (Caratteri)
• Indipendenza statistica (relazione simmetrica )
Due caratteri sono statisticamente indipendenti quando la conoscenza delle modalità di
uno non consente di prevedere le modalità dell’altro
• Dipendenza (relazione asimmetrica)
Due caratteri sono dipendenti quando si può stabilire un legame unidirezionale tra le
modalità di un carattere e quelle di un altro
• Interdipendenza (relazione simmetrica)
Due caratteri sono interdipendenti quando si può stabilire un legame bidirezionale tra le
modalità di un carattere e quelle di un altro.
Relazione tra variabili: indipendenza
Quando si osservano due caratteri X e Y diventa interessante studiare la relazione tra di
essi
Se tra X e Y non c’è alcun legame
X e Y sono statisticamente indipendenti
Tra due caratteri c’è indipendenza statistica quando la conoscenza della modalità di uno
dei due caratteri non migliora la “previsione” della modalità dell’altro
Relazione tra variabili: Associazione
In presenza di una qualche relazione «associazione» tra X e Y, per lo studio e la misura di
tale relazione è necessario specificare se si è interessati a studiare la dipendenza o
l’interdipendenza
Relazione tra variabili: dipendenza e interdipendenza
Dipendenza: studia come le modalità di un carattere dipendano da quelle di un altro
carattere secondo un legame unidirezionale, si parla di «dipendenza causale»
Interdipendenza: si assume che i due caratteri siano sulla stesso piano ovvero non si
distingue tra causa ed effetto e quindi che il legame sia bidirezionale
pf2

Anteprima parziale del testo

Scarica Analisi Bivariata: Studio della Relazione tra Coppie di Variabili - Prof. Sarnacchiaro e più Schemi e mappe concettuali in PDF di Statistica solo su Docsity!

L’analisi bivariata

L’analisi bivariata serve a studiare la relazione fra coppie di variabili. Le sue funzioni sono: 1.Stabilire se date due variabili (x e y) esiste tra loro una relazione di indipendenza o di associazione; 2.In caso di associazione, quantificare (ove possibile) il grado di associazione tra coppie di variabili mediante coefficienti. Tipi di relazioni tra Variabili (Caratteri)

  • Indipendenza statistica (relazione simmetrica ) Due caratteri sono statisticamente indipendenti quando la conoscenza delle modalità di uno non consente di prevedere le modalità dell’altro
  • Dipendenza (relazione asimmetrica) Due caratteri sono dipendenti quando si può stabilire un legame unidirezionale tra le modalità di un carattere e quelle di un altro
  • Interdipendenza (relazione simmetrica) Due caratteri sono interdipendenti quando si può stabilire un legame bidirezionale tra le modalità di un carattere e quelle di un altro. Relazione tra variabili: indipendenza Quando si osservano due caratteri X e Y diventa interessante studiare la relazione tra di essi Se tra X e Y non c’è alcun legame  X e Y sono statisticamente indipendenti Tra due caratteri c’è indipendenza statistica quando la conoscenza della modalità di uno dei due caratteri non migliora la “previsione” della modalità dell’altro Relazione tra variabili: Associazione In presenza di una qualche relazione «associazione» tra X e Y, per lo studio e la misura di tale relazione è necessario specificare se si è interessati a studiare la dipendenza o l’interdipendenza Relazione tra variabili: dipendenza e interdipendenza Dipendenza: studia come le modalità di un carattere dipendano da quelle di un altro carattere secondo un legame unidirezionale, si parla di «dipendenza causale» Interdipendenza: si assume che i due caratteri siano sulla stesso piano ovvero non si distingue tra causa ed effetto e quindi che il legame sia bidirezionale

indice Chi-quadrato —> Misura l’interdipendenza tra due caratteri qualitativi sconnessi a partire da una cross tabulation indice V di Cramer —> Indice relativo per misurare l’associazione (interdipendenza) tra due caratteri qualitativi Il chi-quadrato ci informa circa la significatività della relazione tra due variabili, ma non ci dice nulla circa la sua intensità (o forza). Perché non è possibile utilizzare il Х2 come misura della forza di una relazione? Semplicemente perché i valori del Х2 sono direttamente proporzionali alla numerosità campionaria: tanto più numerosi sono i casi (più alte le frequenze osservate e attese) tanto più alto sarà il valore dell’indice. Per avere informazioni circa l’intensità della relazione tra due variabili è dunque necessario utilizzare misure di associazione. Le principali misure di associazione si basano però sul Х2, che appare sempre al numeratore o al denominatore. Le misure di associazione: il Phi Dato che il Х2 non può essere utilizzato come misura di associazione perché dipende dalla numerosità del campione la soluzione più semplice è quella di rapportarlo al numero di casi: la radice quadrata di questo rapporto è detta Phi: Ф. Tale indice però non è normalizzato, ossia non ha un campo di variazione compreso tra 0 e 1: il suo minimo teorico (che indica l’assoluta indipendenza delle variabili) è 0, ma il suo massimo varia a seconda delle dimensioni della tabella. Questo rende difficile sia la sua interpretazione che il raffronto con indici diversi (provenienti da altre popolazioni diversamente numerose).