Jos riippuvuus on lineaarista ja positiivista, niin toisen muuttujan arvojen kasvaessa toisen arvot
kasvavat
pienenevät
laskevat
kaikki edellä olevat vaihtoehdot ovat väärin
Jos muuttujien välinen riippuvuus on suoraviivaista, niin se on
positiivista
negatiivista
vähäistä
lineaarista
Pearsonin korrelaatiokerroin voidaan laskea, jos muuttujat ovat vähintään
luokitteluasteikollisia
järjestysasteikollisia
välimatka-asteikollisia
suhdeasteikollisia
Kontingenssikerrointa käytetään
luokitteluasteikollisten muuttujien riippuvuuden määrän selvittämiseen
järjestysasteikollisten muuttujien riippuvuuden selvittämiseen
suhdeasteikollisten muuttujien riippuvuuden selvittämiseen
Selitysaste saadaan
korottamalla korrelaatio toiseen potenssiin
huomioimalla hajonta
laskemalla korrelaation neliöjuuri
Pienimmän neliösumman menetelmällä määritellään
Spearmanin järjestyskorrelaatiokerroin
Pearsonin korrelaatiokerroin
regressiosuoran kertoimet
kaikki edellä olevat vaihtoehdot ovat oikein
Kun Pearsonin korrelaatiokertoimen arvo on -1, niin se tarkoittaa, että
kyseessä on täydellinen negatiivinen riippuvuus
kaikki havaintopisteet sijaitsevat samalla laskevalla suoralla
kahden muuttujan välillä on lineaarinen riippuvuussuhde
Lausekkeessa y= a+bx, x on
riippumaton muuttuja
riippuva muuttuja
ristiriitainen muuttuja
selitettävä muuttuja
Kontingenssikertoimen arvon laskeminen perustuu
Spearmanin järjestyskorrelaatiokertoimeen
käyräviivaiseen riippuvuuteen
ristiintaulukointiin
havaintoyksikön profiiliin
Mikä seuraavista väittämistä pitää paikkaansa?
Muuttujien välillä on aina jonkinlaista riippuvuutta
Jos riippuvuutta esiintyy, se voi olla vain lineaarista, joko positiivista tai negatiivista, riippuvuutta
Kun korrelaatiokertoimen arvo on 10, muuttujat ovat täysin riippuvaisia toisistaan
Pearsonin korrelaatiokertoimelle on olemassa monia laskukaavoja
Voidaan sanoa, että riippuvuutta ei esiinny, kun kontingenssikertoimen arvo on
suurempi kuin 0,5
pienempi kuin 0,2
pienempi kuin 0,3
pienempi kuin 0,4
Mikä seuraavista väittämistä ei pidä paikkaansa?
Riippuvuussuhde voidaan aina ilmoittaa täsmällisesti matemaattisten mallien avulla
Pearsonin korrelaatiokerroin mittaa lineaarista riippuvuutta
Riippuvuuden tunnusluku on nimeltään korrelaatiokerroin
Tilastollisen riippuvuuden olemassaoloa voidaan tutkia hajontakuvion avulla
Pearsonin korrelaatiokertoimen symboli perusjoukosta laskettuna on
ρ
r
b
C
Mikä seuraavista vaihtoehdoista on oikein?
Mikäli toinen muuttujista voidaan tulkita selittäväksi muuttujaksi, se sijoitetaan sarakemuuttujaksi ja prosentit lasketaan sarakkeittain
Mikäli toinen muuttujista voidaan tulkita selitettäväksi muuttujaksi, se sijoitetaan rivimuuttujaksi ja prosentit lasketaan riveittäin
Mikäli toinen muuttujista voidaan tulkita selittäväksi muuttujaksi, se sijoitetaan rivimuuttujaksi, mutta prosentit lasketaan sarakkeittain
Mikään vaihtoehdoista ei ole oikein
Jos molemmat muuttujat ovat vähintään välimatka-asteikollisia, tilastollisen riippuvuuden olemassaoloa voidaan havainnollisimmin alkaa tutkia
ristiintaulukoimalla
hajontakaaviolla
kontingenssikertoimella
Spearmanin korrelaatiokertoimella
Tulomomenttikorrelaatiokertoimen arvoon
vaikuttaa havaintojen poikkeamat keskiarvosta, mutta havaintoyksiköiden lukumäärä ei vaikuta
eivät vaikuta muuttujien hajonnat
vaikuttaa havaintoyksiköiden lukumäärä, mutta ei havaintoarvojen poikkeamat keskiarvosta
ei vaikuta se, kumpi muuttujista on x ja kumpi y
Jos korrelaatiokertoimen arvoksi saadaan 0.7, niin tuloksen tulkinta on
riippuvuus on heikkoa
riippuvuus on kohtalaista
riippuvuus on voimakasta
korrelaatiokerroin ei voi saada arvoa 0.7
Useamman muuttujan yhtäaikaisen riippuvuuden tarkasteluun käytetään
Pearsonin korrelaatiokerrointa
Spearmanin korrelaatiokerrointa
osittainkorrelaatiokertoimia
osittaiskorrelaatiokertoimia
Jos regressiomalliin halutaan useita selittäviä muuttujia, havaintoja tulee olla vähintään
20
50
70
100
Usean selittävän muuttujan regressiomallissa
selitysaste ei nouse muuttujia lisäämällä
selittävien muuttujien tulisi korreloida keskenään
selittävien muuttujien ei tulisi korreloida keskenään
kuvaaja on kaksiulotteisen avaruuden pinta
Dummy-muuttujalla tarkoitetaan
luokittelu- tai järjestysasteikollista selittävää muuttujaa
luokittelu- tai järjestysasteikollista selitettävää muuttujaa
muuttujaa, jonka regressiokerroin ilmoittaa, miten arvolla 0 koodattu ominaisuus vaikuttaa tulokseen
jäännöstermiä