5. Deskriptiv Statistik - Metod II Flashcards

Question

Vad visar stam-och-blad-diagrammet på slide 12?

Answer 1

Det visar en lista av procentvärden i grupperade tiotal, där man enkelt kan se hur många som fått liknande resultat och om det finns extremvärden (outliers).

Answer 2

Det visar en översikt av deltagarnas resultat i procent, uppdelat i tiotal, så man kan jämföra fördelningen mellan äldre och studenter.

Answer 3

Den visar normalfördelningen, en vanlig typ av fördelning där de flesta värden ligger i mitten och färre i kanterna – kallas också för "bell curve".

Answer 4

För att många statistiska tester utgår från antagandet att data är normalfördelad – det påverkar hur vi tolkar resultat.

Answer 5

En fördelning med två toppar, vilket kan tyda på att det finns två olika grupper i datan, t.ex. yngre och äldre med olika resultat.

Answer 6

Förstör medelvärdet – de drar upp eller ner snittet Gör det svårare att hitta riktiga mönster – de lägger till "stök" i datan Kanske inte är riktiga – de kan bero på fel, slarv eller missförstånd

Answer 7

De ökar variationen i datan → testet får svårare att avgöra om en skillnad är äkta eller bara slump. Det gör det svårare att upptäcka riktiga effekter.

Answer 8

Mätfel eller inmatningsfel – Något gick tekniskt fel, t.ex. någon skrev 960 istället för 96. Deltagare som inte följer instruktioner – T.ex. gissar, slarvar eller missförstår uppgiften. Något oväntat men viktigt – En person gör något annorlunda och får ett extremt bra (eller dåligt) resultat som kan ge nya insikter!

Answer 9

Man får ta bort en outlier endast om man har goda skäl, för att det påverkar validiteten i resultatet. Här är tre viktiga villkor: 1. Man har tydliga kriterier i förväg Regler för vad som räknas som outlier ska vara bestämda innan du ser datan. Exempel: “Tar bort alla reaktionstider över 3000 ms” Inte: “Oj, den här ser konstig ut, vi tar bort den…” 2. Det beror på vad man mäter I vissa fall kan outliers förstöra analysen (t.ex. mätfel), men i andra är de meningsfulla fynd. Exempel: I en teststudie om minne → någon kanske sov = irrelevant I en studie om individers kreativitet → den som tänker annorlunda kan vara just det du vill undersöka 3. Forskaren gör en medveten och motiverad bedömning Du måste kunna förklara exakt varför du tog bort värdet – och kunna redovisa det i din rapport. “Personen svarade på 191 frågor på 15 sekunder = orimligt” “Deltagaren fyllde i samma alternativ på allt = uppenbart icke-deltagande”

Answer 10

Ett boxplot visar hur datan är fördelad. Det visar: Medianen (mittenvärdet) Övre och nedre kvartil (Q1 och Q3) Min och max (utan outliers) Eventuella outliers (som prickar) Det är ett snabbt sätt att se spridning, mittpunkt och symmetri i datan.

Answer 11

Q1 = värdet som delar av de lägsta 25% Q2 = medianen (mittenvärdet) Q3 = värdet som delar av de högsta 25% Datan delas alltså i fyra lika stora delar med 25% i varje.

Answer 12

IQR = Q3 – Q1 Det visar hur "tjock mitten" av datan är, alltså hur mycket de mittersta 50 % av värdena sprider sig. Det är ett mått på spridning som inte påverkas av outliers.

Answer 13

Sortera siffrorna i ordning Hitta medianen (Q2) Dela datan i två halvor: Lägre halvan → hitta Q1 Övre halvan → hitta Q3 Subtrahera Q1 från Q3 Exempel: Siffror: 1, 2, 5, 6, 7, 9, 12, 15, 18, 19, 27 Q1 = 5 Q3 = 18 IQR = 18 – 5 = 13

Answer 14

Sortera alla siffror Hitta mitten (två värden i mitten) Dela datan i två lika stora halvor Hitta Q1 (medianen i nedre halvan) Hitta Q3 (medianen i övre halvan) Räkna: IQR = Q3 – Q1 Exempel: Siffror: 3, 5, 7, 8, 9, 11, 15, 16, 20, 21 Q1 = 7 Q3 = 16 IQR = 16 – 7 = 9

Answer 15

Enligt boxplot-regeln är ett värde en outlier om det är: Mindre än Q1 – 1,5 × IQR Större än Q3 + 1,5 × IQR Det hjälper till att hitta värden som sticker ut mycket från resten. Viktigt: Det är forskaren som bestämmer om de ska tas bort – inte regeln i sig.

Answer 16

Det är en tumregel som används för att avgöra om ett värde är tillräckligt långt bort från mitten för att räknas som outlier. Man säger: "Om värdet är mer än 1,5 gånger IQR från kvartilerna → det är misstänkt extremt." Det är inte en exakt gräns – bara en hjälp för att hitta avvikande värden.

Answer 17

Ett boxplot visar: Medianen (strecket i mitten av boxen) Nedre kvartil (Q1) och övre kvartil (Q3) Minsta och största värde (utan outliers) Outliers visas ibland som punkter Det hjälper dig snabbt se fördelning, spridning och symmetri i datan.

Answer 18

Deskriptiv statistik är sätt att sammanfatta och beskriva data, t.ex. med: Medelvärde (mean) – genomsnitt Median (median) – mittersta värdet Typvärde (mode) – det vanligaste värdet Man visar ofta datan grafiskt, t.ex. med boxplot, stapeldiagram eller histogram.

Answer 19

Den visar att medelvärdet (average) ibland kan lura oss. I bilden står det: “Average depth: 3 ft” Men en person har trillat ner i en djup del och håller på att drunkna! Poängen är: Medelvärdet säger inget om variationen i datan Det kan dölja extrema skillnader Det kan låta bra, men vara missvisande i verkligheten Lärdom: Alltid kolla mer än bara medelvärdet. T.ex. median, spridning, IQR och visualiseringar.

Answer 20

Tabellen jämför centralmått (medelvärde, median, typvärde) i vokabulärtestet: Mått College Older Adult Mean 45.58 - 64.04 Median 46.00 - 64.50 Mode 38, 42, 48, 59 - 78 Det visar att äldre deltagare presterade bättre, både i snitt och på medianen.

Answer 21

Skewness = hur sned datan är, alltså om det finns fler låga eller höga värden som "drar" kurvan åt ett håll. Negativ skew (vänsterskev): Median > Medelvärde → svansen drar åt vänster Symmetrisk kurva (bell-shaped): Mode ≈ Median ≈ Mean → jämnt fördelad Positiv skew (högerskev): Median < Medelvärde → svansen drar åt höger Skewness påverkar vilket mått (mean/median) som bäst representerar datan.

Answer 22

De är mått på spridning i datan – alltså hur mycket värdena skiljer sig från medelvärdet. Standardavvikelse (SD): visar genomsnittlig avvikelse från medelvärdet Varians (SD²): är SD upphöjt till 2 Ju större SD → desto mer utspridd data Ju mindre SD → desto mer samlad data

Answer 23

Varians är ett mått på hur mycket värdena i datan skiljer sig från medelvärdet – alltså hur "spridda" de är. Men! Varians använder kvadraten på avstånden från medelvärdet, så den blir i en konstig enhet. Standardavvikelse är bara kvadratroten av variansen, så att måttet blir i samma enhet som själva datan (t.ex. procent, sekunder, poäng).

Answer 24

De visar normalfördelningar med olika spridning (SD): Smal och hög kurva (röd) = låg SD → data är koncentrerad Bred och platt kurva (blå) = hög SD → data är utspridd Alla kurvor har ungefär samma medelvärde (i mitten), men olika bredd. Ju större SD, desto bredare och lägre blir kurvan.

Answer 25

De visar hur spridningen i datan påverkar formen på kurvan: Hög varians: Bred och platt kurva → värdena är väldigt utspridda Medelhög varians: Normal bredd → lite variation Låg varians: Smal och hög kurva → värdena ligger nära medelvärdet Ju större varians = ju mer olika är deltagarna från varandra.

Answer 26

Det betyder att ungefär 68 % av alla värden i en normalfördelad datamängd ligger inom ett standardavvikelse-intervall runt medelvärdet. Exempel: Om medelvärdet = 50 och standardavvikelsen (SD) = 10 Då är: ±1 SD = 50 ± 10 → alltså mellan 40 och 60 → 68 % av deltagarna ligger mellan 40 och 60

Answer 27

Att nästan alla (ca 95 %) ligger inom två standardavvikelser från medelvärdet. Exempel: ±2 SD = 50 ± 20 → alltså mellan 30 och 70 → Endast ca 5 % ligger utanför detta område

Answer 28

Standardfel (SE) = hur mycket medelvärdet i ett urval kan skilja sig från det sanna medelvärdet i populationen. Standardfel (SE) visar hur säkert ditt medelvärde är – alltså hur mycket det kan variera om du hade tagit andra deltagare. Det mäter osäkerhet i medelvärdet. Litet SE → du kan lita mer på ditt medelvärde Stort SE → du är mer osäker Det beror på: SD → ju större spridning, desto mer osäkert N → ju fler deltagare, desto säkrare medelvärde Litet SE = bra uppskattning Stort SE = osäkert medelvärde

Answer 29

Den visar spridningsmått (range, varians, SD) för College och Older Adult i vokabulärstudien: Mått College Older Adult Range 23–62 32–83 Variance (s²) 109.45 150.44 SD (s) 10.46 12.27 Äldre vuxna hade högre spridning i resultat (både varians och SD). Notera: Standardavvikelse kan skrivas som SD eller s i olika texter!

Answer 30

Effektstorlek visar hur stor skillnaden är mellan två grupper, i förhållande till spridningen i datan. Det säger hur meningsfull skillnaden är – inte bara om den är statistiskt säker. Beräknas så här: Skillnaden i medelvärden / Samlad standardavvikelse → Ju högre d, desto större effekt

Answer 31

Det betyder att skillnaden mellan grupperna är stor jämfört med hur mycket värdena varierar inom grupperna. Tolkning av d (enligt Cohen): 0.2 = liten effekt 0.5 = medelstor effekt 0.8 eller mer = stor effekt → Ditt exempel hade d = 1.65 → väldigt stark effekt!

Answer 32

Det betyder att om vi upprepade samma studie 100 gånger, så skulle 95 av 100 intervall täcka det sanna värdet i populationen. Ju smalare intervall, desto säkrare uppskattning Större stickprov (sample size) → bättre uppskattning Används ofta för att visa medelvärden, men också skillnader mellan grupper.

Answer 33

En korrelationsstudie undersöker om två saker hänger ihop – t.ex. om mer sömn ger bättre testresultat. Det visar ett samband, men inte orsak! Typiskt i survey- eller observationsstudier

Answer 34

Man följer tre steg: Lära känna datan (rensning, förstå värdena) Sammanfatta datan (t.ex. med medelvärde eller spridning) Skapa konfidensintervall för korrelationen → för att se om sambandet är säkert (signifikant) Om konfidensintervallet inte innehåller 0, så är sambandet statistiskt signifikant.

Answer 35

Man gör tre saker: Ritar ett spridningsdiagram (scatterplot) Tittar efter ett mönster – går punkterna i en linje? Beräknar korrelationskoefficienten (r) – Om positiv: värdena ökar ihop – Om negativ: ena ökar, andra minskar

Answer 36

Korrelation visar hur två saker rör sig tillsammans. Typ: när X ändras, händer något med Y? Positiv korrelation När X ökar, ökar också Y Exempel: Ju fler timmar du pluggar → desto bättre poäng på tentan Ser ut som en uppåtsluttande linje i diagrammet Negativ korrelation När X ökar, minskar Y Exempel: Ju fler timmar du scrollar TikTok → desto sämre sömn Ser ut som en nedåtsluttande linje i diagrammet Ingen korrelation X och Y har ingen tydlig koppling Exempel: Hur många glassar du äter i veckan ↔ hur lång du är (De har ingen relation – mer glass gör dig inte längre) Ser ut som ett kaos av prickar utan mönster

Answer 37

Det är ett mått som visar hur starkt två saker hänger ihop, och åt vilket håll sambandet går. r = 1 → perfekt positiv korrelation r = -1 → perfekt negativ korrelation r = 0 → inget samband Tolkning av r: 0–0.25 = svag 0.25–0.75 = måttlig 0.75–1 = stark Pearson’s r mäter linjära samband (kan bara visa raka trender).

Answer 38

Man testar om korrelationen (r) i stickprovet är så tydlig att den troligen finns i hela populationen. Man kollar p-värdet (Sig.) i t.ex. SPSS Om p < 0.05 → korrelationen är signifikant (inte bara slump) r visar styrkan på sambandet p visar hur säkert sambandet är

Answer 39

Formeln räknar ut hur starkt två saker hänger ihop – till exempel om mer plugg → bättre testresultat. Den jämför: Hur mycket X och Y ändras tillsammans Med hur mycket de varierar var för sig Formeln innehåller: ∑XY = hur X och Y rör sig ihop ∑X², ∑Y² = hur mycket varje variabel varierar N = antal datapunkter Resultatet är ett värde mellan -1 och +1: +1 = perfekt positivt samband -1 = perfekt negativt samband 0 = inget samband Du behöver oftast inte räkna för hand – bara förstå vad r betyder.

5. Deskriptiv Statistik - Metod II Flashcards

(63 cards)