Többváltozós statisztika no.1

1

A béta-súlyok alapján többszörös lineáris regresszió-elemzésben eldönthetjük, hogy két független változó közül melyiknek van nagyobb hatása a függő változóra.

1

Lépésenkénti regresszióban a 3. lépéstől a bevonási kritérium tesztelése előtt megnézzük, hogy nincs-e olyan korábban bevont változó, melyet ki kell ejtenünk a modellből.

1

A szemi-parciális korreláció négyzete a TLR-ben egy változóval kapcsolatban azt mutatja, hogy mennyivel nőne R2, ha ha a változót kihagynánk a független változók közül.

1

A legkisebb négyzetes regresszió kritériuma, hogy minimális legyen a regressziós becslés és a függő változó közti átlagos négyzetes eltérés.

1

A lépésenkénti regresszióban az R2-et annak a változónak a bevonása emeli meg a legjobban, amelynek a legalacsonyabb a parciális korrelációja az Y-nal, a korábban bevont változók hatásának a kiszűrése után.

1

A standardizált regressziós együtthatók segítségével össze lehet hasonlítani az egyes független változók regressziós hatását.

1

A logit a függő változó valószínűségének logaritmusa.

1

Kanonikus korreláció-elemzésben két változócsopot egymással erősen korreláló közös struktúráját keressük.

1

A diszkriminancia-analízis alkalmazásának feltétele, hogy a független változók diszkrétek legyenek.

1

Minél nagyobb a Wilks-lambda a diszkriminancia-analízisben, annál jobb a DA (=diszk.analízis) predikciós modellje.

1

A diszkriminancia-analízis egyik alkalmazási feltétele a független változók normális együttes eloszlása.

1

A 2. főkomponens sajátértéke sosem lehet nagyobb, mint az 1. főkomponensé.

1

A rotáció általában megkönnyíti az FA-modell értelmezését.

1

A maximum likelihood faktormodell nem veszi figyelembe a változókra specifikus egyedi részleteket.

1

Klaszteranalízisben az 1-nél nagyobb sajátértékű klasztereken szoktak relokációt végezni.

1

Klaszteranalízisben két klaszter közül az a homogénebb, amelyiknek a homogenitási együtthatója nagyobb.

1

A KMO 0,75-ös értéke már jónak mondható.

1

A nemhierarchikus klaszteranalízis egymásra épülő klasszifikációk rendszere, melyhez úgy jutunk, hogy lépésenként egyesítünk vagy felbontunk klasztereket.

1

Log-lineáris elemzéssel diszkrét változók közti speciális kapcsolatokat tesztelhetünk.

1

A log-lineáris elemzést korrelációs mátrixokon szokás végezni.

1

Többváltozós elemzésekben elvárt, hogy a személyek száma 3-5-ször akkora legyen, mint a változóké.

1

Hierarchikus klaszteranalízisben a legközelebbi szomszéd módszer alkalmazása azt jelenti, hogy mindig a két legközelebbi klaszterközéppontú klasztert egyesítjük a közös klaszterbe.

1

Kovariancia-analízisben korrigált mintaátlagokat hasonlítunk össze.

1

A log-lineáris elemzés sima khí2-próbás kapcsolatvizsgálat általánosítása.

1

Bináris logisztikus regresszióval ugyanarra a fő kérdésre kaphatunk választ, mint egy megfelelő DA-val.

1

A rotációk hatására hasonlóbbá válnak az egyes faktorok által megmagyarázott varianciák.

1

Regresszióban a konstans tag jelzi, hogy egységnyi megváltoztatásával milyen mértékben változik a függőváltozó.

1

Két szempont között a variancia analízisben (VA) akkor van interakció, ha közös hatásuk az egyedi hatások sima összege.

1

Ha az FA-ban egy input változó KMO-értéke 0,25 feletti, akkor a változó bevonható a faktormodellbe.

1

A klaszteranalízis lényege, hogy eseteket vagy változókat páronkénti távolságaik alapján homogén csoportokba rendezünk.

1

A maximum likelihood faktoranalízisben ugyanannyi faktorral a változók varianciájának nagyobb hányadát tudjuk megmagyarázni, mint egy ugyanazon változókon végrehajtott főkomponensanalízisben.

1

A varimax rotiációval a faktorok által megmagyarázott összvariancia esetenként növelhető.

1

Többszörös lineáris regresszióban a többszörös korrelációs együttható négyzete a regresszió standard hibája.

1

A Wilks-lambda szoros kapcsolatban van a megmagyarázott varianciával.

1

Lépésenkénti regresszióanalízisben a függő változóval kiszámított parciális vagy szemiparciális alapján döntünk az egyenletbe való beválasztásról.

1

Két szempont között a VA-ban akkor van interakció, ha a két szempont szoros közvetlen kapcsolatban van.

1

A diszkriminancia analízis fő célja egy olyan predikciós szabály megalkotása, amellyel kvantitatív változók értékeiből bejósolható egy kvalitatív változó értéke.

1

A Bx regresszió együttható értéke azt mutatja meg, hogy az X független változó értékét 1 egységgel megnövelve az Y függő változó értéke várhatóan hogyan változik.

1

Az FA a változókon végzett klaszteranalízis.

1

Többváltozós varianciaanalízisnél függetlennek kell legyenek a változók.

1

Kovarianciaanalízissel főleg a változók közti interakciót vizsgáljuk.

1

A DA és TLR közötti lényeges különbség, hogy az előbbi kvalitatív, utóbbi kvantitatív függő változókkal dolgozik.

1

Forgatással megváltozik a faktorok illeszkedése.

1

A Screeplot a faktorok sajátértékét ábrázolja.

1

A faktorforgatással megváltozik a modell illeszkedése

1

A Klaszter-analízisben a centroid 1-1 klaszter átlagvektora

1

A Főkomp-anal. elsődleges célja kevés komponenssel sok változót helyettesíteni

1

Többszörös lin.regresszióban a korr. együttható négyzete a regr. standard hibája.

1

A faktoranalízis gyakorlatilag személyeken végzett klaszteranalízis.

1

A SCREE PLOT megmutatja, hogy hány faktort kell elforgatnunk.

1

A kommunalitás a változóknak a többi változóval lefeledett közös részét mutatja.

1

Ha egy változó KMO-ja 50 % feletti, minden esetben bevonható a faktorelemzésbe.

1

A Bartlett-próba a modell megfelelőségét mutatja.

1

A DA és TLR közit egyetlen különbség, hogy a DA kvalitatív függő változót feltételez.

1

Többszörös regresszió analízisben a béta a lineáris regressziós együttható.

1

Varimax rotációnál a faktorok mindig korrelálatlanok egymással.

1

Főkomponens analízissel kevés főkomponenssel helyettesítünk többváltozót.

1

Diszkriminancia-analízis feltétele a szóráshomogenitás és normalitás

1

Klaszteranalízisnél a legközelebbi szomszéd elv esetén a két legközelebbi klaszteregységet vonjuk össze.

1

A kommunalitás, a forgatás után, a változónak a főkomponensek által megmagyarázott variancája.

1

A sajátérték azt mutatja, hogy a változók mennyit magyaráznak a faktor varianciájából.

1

A kovariancia-analízis révén hatások kombinált interakciói mutathatók ki.

1

A determinációs együttható megmagyarázott variancia-arány.

1

A kannonikus korreláció két skála közös részét emeli ki változóik korrelációja (lineáris függvényei) segítségével.

1

A kanonikus korreláció lényegében a megmagyarázott varianciát jelenti.

1

A kanonnikus korreláció két fajtája, a többszörös lineáris regresszió (TLR) és a diszkrimincia analízis (DA), a különbség köztük, hogy a TLR-nél az y függő változó kvantitatív, míg DA-nál kvalitatív.

1

Az interakció nem más, mint a független változók additív hatása.

1

A főkomponens analízis: adatredukció, a lehető legtöbb információ megtartásával.

1

A Bartlett próba a faktoranalízisben a faktorstruktúra jóságát mutatja.

1

A faktoranalízisnél a faktormátrixban a legnagyobb súllyal eső faktorok segítenek a faktor lényegét megragadni.

1

VA-ban az interakció kovariancianalízissel tesztelhető.

1

A többszörös linregresszóban a bétasúly a.stdizált regressziós együttható, az egyenletben.

1

A faktorelemzésnél az ábra az spss-ben (screenplot) alapján meg lehet mondani, hogy hány faktort emeljünk ki.

1

KLA-ban a legtávolabbi szomszéd elv esetén a két legközelebbi klaszter legtávolabbi értékeit vesszük figyelembe.

1

A BLR arra fókuszál, hogy a független változók értékkombinációi segítségével minél pontosabban megadja a célcsoportba tartozás valószínűségének a logitjét, egyben a két csoportba tartozás valószínűségét. A BLR esetén is szokásos a lépésenkénti beléptetés alkalmazása, mely csak az önálló szignifikáns hatású független változókat lépteti be a regressziós modellbe. A BLR-ben többféle regressziós optimalizációs algoritmus is lehetséges, mi ezek közül a „Forward likelihood ratio” (lépésenkénti likelihood hányados) módszert alkalmaztuk, mely a maximum likelihood becslésre épít.

1

Bináris logisztikus regresszióban az alkalmazás feltételei gyengébbek, mint lineáris regresszió elemzésnél.

1

Bináris logisztikus regresszióval ugyanarra a fő kérdésre kaphatunk választ, mint egy megfelelő diszkriminancia- analízissel.

1

A regressziós táblázat béta együtthatói jelzik, melyik független változónak milyen a hatása a függő változóra.

1

"Minél nagyobb egy regresszió hibavarianciája, annál jobb
a modell illeszkedése."

1

A regresszió táblázat standardizált regressziós együtthatóiból kiolvasható, hogy melyik független változónak van a legnagyobb hatása a függő változóra.

1

Regresszióban az "ENTER" módszer választása esetén minden változó benne lesz a regressziós modellben.

1

Egy regressziós-modell megmagyarázott variancia-hányadát az R-négyzet érték mutatja.

1

A béta súlyok a standardizált regressziós együtthatók

1

A regressziós egyenes az, amelynél a pontok átlagos négyzetes távolsága az egyenestől (= Res = Hibavariancia) a legkisebb.

1

Az eta-négyzet a lineáris regresszió determinációs együtthatójával rokon mutató.

1

A lineáris regresszió érvényessége függ attól, hogy a vizsgált változók normalitása teljesül-e.

1

A többszörös lineáris regresszió alkalmazási feltétele, hogy az input változók függetlenek legyenek egymástól.

1

Többszörös lineáris regresszióban a többszörös korrelációs együttható négyzete a regresszió standard hibája.

1

A béta-súlyok alapján a többszörös lineáris regresszió- elemzésben eldönthetjük, hogy két független változó közül melyik van nagyobb hatással a függő változóra.

1

A többszörös lineáris regresszió összefoglaló táblázatában a t-értékek melletti p(SIG) értékek jelzik, hogy egy-egy független változó elméleti átlaga különbözik-e 0-tól.

1

A többszörös lineáris regressziónak feltétele a csoportok szórósának egyenlősége.

1

Lépésenkénti regresszióanalízisben a függő változóval kiszámított parciális korrelációk alapján dönthetünk az egyenletbe való BEválasztásról.

1

Lépésenkénti regresszióanalízisben a függő változóval kiszámított parciális korrelációk alapján dönthetünk az egyenletbe való leválasztásról.

1

A lépésenkénti regresszióban parciális vagy szemiparciális korrelációk segítségével döntünk a függő változó modellbe való bevételéről.

1

A lépésenkénti regresszió során lépésenként megnézzük, van-e szignifikáns, plusz hatású független változó.

1

A lejtődiagram segítségével eldönthetjük, hogy a lépésenkénti regresszióanalízisben hol álljunk meg.

1

A diszkriminancia-analízis abban a lényeges momentumban különbözik a többszörös lineáris regresszió módszerétől, hogy a függő változó a DA-ban jellemzően kvalitatív, a TLR-ben pedig kvantitatív.

1

A diszkriminancia-analízis CSAK EGY lényeges momentumban különbözik a többszörös lineáris regresszió módszerétől, hogy a függő változó a DA-ban jellemzően kvalitatív, a TLR-ben pedig kvantitatív.

1

A diszkriminancia-analízis egyik alkalmazási feltétele, hogy teljesüljön a szóráshomogenitás feltétele.

1

A diszkriminancia-analízis egyik alkalmazási feltétele, hogy minden független változóra teljesüljön a szóráshomogenitás feltétele.

1

Ha két változó között a korreláció pozitív, akkor a parciális korreláció sem lehet köztük negatív.

1

A Levene-próbának fontos alkalmazási feltétele a szóráshomogenitás.

1

A Levene-próba szóráshomogenitást tesztelő eljárás.

1

Két normális együttes eloszlású változó között lehet U alakú kapcsolat is.

1

Lépésenkénti diszkriminancia-analízisben a kovarianciaanalízisek alapján döntünk az egyenletbe való beválasztásról.

1

Lépésenkénti diszkriminancia-analízisben a VARIANCIA- kovarianciaanalízisek alapján döntünk az egyenletbe való beválasztásról.

1

A faktoranalízis nem foglalkozik a kilógó esetekkel, ezeket kihagyja. ( a mlfa…a fka mindent bevesz)

1

A faktorsúlymátrix a faktorok és az eredeti változók közti korrelációk táblázata.

1

A KMO 0,70-es értéke a faktoranalízisben már igen jónak mondható.

1

A rotáció célja a faktoranalízisben az, hogy a változók faktorsúlyai minél egyenletesebben oszoljanak meg a különböző faktorokban.

1

A rotációval javul a faktorok illeszkedése az input változókra.

1

A rotáció általában megkönnyíti az FA-modell értelmezését.

1

Egy faktor sajátértéke azt mutatja meg, hogy a változók összesen a faktor varianciájának hányad részét magyarázzák.

1

Egy faktor sajátértéke azt mutatja meg, hogy a faktorok a változó varianciájának összesen hányad részét magyarázzák

1

Ha a Bartlett-próba a faktoranalízisben szignifikáns, akkor a faktoranalízis érvényessége kérdésessé válik.

1

Ha az FA-ban a Bartlett-próba erősen szignifikáns, akkor a modell nagyon nem megfelelő.

1

Faktoranalízisben egy változó arra a faktorra illeszkedik, amelyen a faktortöltése a legnagyobb.

1

Ha az FA-ban egy imput változó KMO-értéke 0.25 feletti, akkor a változó bevonható a faktormodellbe.

1

Egy faktormodell illeszkedésének jóságát jelzi a forgatott faktorok által megmagyarázott összvariancia.

1

A faktorelemzés során a végső kommunalitásoknak általában 0,7 felettieknek kell lenniük.

1

Egy változó kommunalitása azt mutatja meg, hogy a faktorok együtt az adott változó varianciájának összesen hányad részét magyarázzák.

1

A kommunalitás egy változónak az a része, amit nem lehet a többi változó segítségével megmagyarázni.

1

A maximum likelihood faktoranalízis a változók egyediségét figyelmen kívül hagyja, és csak a közös részek alapján keres értelmes struktúrát.

1

A maximum likelihood faktoranalízisben ugyanannyi faktorral a változók varianciájának nagyobb hányadát tudjuk megmagyarázni, mint a főkomponensanalízisben.

1

A kétmintás t-próba a varianciaanalízis speciális esetének tekinthető.

1

Ha a VA-ban a szóráshomogenitás sérül, akkor például a Games-Howell-féle eljárás alkalmazható a szintátlagok páronkénti összehasonlítására.

1

Szignifikáns VA esetén utótesztekkel értékelhetjük a szintátlagok páronkénti különbségeit.

1

A VA-nak nagy minták esetén nem fontos feltétele a szóráshomogenitás és a normalitás.

Quiz am Többváltozós statisztika no.1, erstellt von Tímea Lakner am 20/12/2017.

Többváltozós statisztika no.1

A béta-súlyok alapján többszörös lineáris regresszió-elemzésben eldönthetjük, hogy két független változó közül melyiknek van nagyobb hatása a függő változóra.

Lépésenkénti regresszióban a 3. lépéstől a bevonási kritérium tesztelése előtt megnézzük, hogy nincs-e olyan korábban bevont változó, melyet ki kell ejtenünk a modellből.

A szemi-parciális korreláció négyzete a TLR-ben egy változóval kapcsolatban azt mutatja, hogy mennyivel nőne R2, ha ha a változót kihagynánk a független változók közül.

A legkisebb négyzetes regresszió kritériuma, hogy minimális legyen a regressziós becslés és a függő változó közti átlagos négyzetes eltérés.

A lépésenkénti regresszióban az R2-et annak a változónak a bevonása emeli meg a legjobban, amelynek a legalacsonyabb a parciális korrelációja az Y-nal, a korábban bevont változók hatásának a kiszűrése után.

A standardizált regressziós együtthatók segítségével össze lehet hasonlítani az egyes független változók regressziós hatását.

A logit a függő változó valószínűségének logaritmusa.

Kanonikus korreláció-elemzésben két változócsopot egymással erősen korreláló közös struktúráját keressük.

A diszkriminancia-analízis alkalmazásának feltétele, hogy a független változók diszkrétek legyenek.

Minél nagyobb a Wilks-lambda a diszkriminancia-analízisben, annál jobb a DA (=diszk.analízis) predikciós modellje.

A diszkriminancia-analízis egyik alkalmazási feltétele a független változók normális együttes eloszlása.

A 2. főkomponens sajátértéke sosem lehet nagyobb, mint az 1. főkomponensé.

A rotáció általában megkönnyíti az FA-modell értelmezését.

A maximum likelihood faktormodell nem veszi figyelembe a változókra specifikus egyedi részleteket.

Klaszteranalízisben az 1-nél nagyobb sajátértékű klasztereken szoktak relokációt végezni.

Klaszteranalízisben két klaszter közül az a homogénebb, amelyiknek a homogenitási együtthatója nagyobb.

A KMO 0,75-ös értéke már jónak mondható.

A nemhierarchikus klaszteranalízis egymásra épülő klasszifikációk rendszere, melyhez úgy jutunk, hogy lépésenként egyesítünk vagy felbontunk klasztereket.

Log-lineáris elemzéssel diszkrét változók közti speciális kapcsolatokat tesztelhetünk.

A log-lineáris elemzést korrelációs mátrixokon szokás végezni.