Κεφάλαιο 1 Ορισμός και Συλλογή Δεδομένων.

Παρουσίαση με θέμα: "Κεφάλαιο 1 Ορισμός και Συλλογή Δεδομένων."— Μεταγράφημα παρουσίασης:

1 Κεφάλαιο 1 Ορισμός και Συλλογή Δεδομένων

2 Στόχοι Σε αυτό το κεφάλαιο μαθαίνετε:
Να κατανοείτε ζητήματα που προκύπτουν από τον ορισμό των μεταβλητών. Πώς να ορίζετε μεταβλητές Πώς να συλλέγετε δεδομένα Να αναγνωρίζετε διαφορετικούς τρόπους σύλλογής ενός δείγματος Να κατανοείτε τους τύπους σφαλμάτων έρευνας

3 Κατηγοριοποίηση Μεταβλητών Ανά Τύπο
DCOVA Κατηγορικές (ποιοτικές) μεταβλητές που λαμβάνουν κατηγορίες από τις τιμές τους όπως “ναι”, “όχι”, ή “μπλε”, “καφέ”, “πράσινο”. Αριθμητικές (ποσοτικές) μεταβλητές που έχουν τιμές που αντιπροσωπεύουν μια μετρήσιμη ποσότητα. Διακριτές μεταβλητές που προκύπτουν από μια διαδικασία καταμέτρησης Συνεχείς μεταβλητές που προκύπτουν από μια διαδικασία μέτρησης

4 Παραδείγματα Τύπων Μεταβλητών
DCOVA Ερωτήσεις Απαντήσεις Τύπος Μεταβλητής Έχετε προφίλ στο Facebook ; Ναι ή Όχι Κατηγορική (Ποιοτική) Πόσα μηνύματα έχετε στείλει τις τρεις τελευταίες μέρες; Αριθμητική (διακριτή) Πόση ώρα πήρε να κατέβει η εφαρμογή στο κινητό; (συνεχής)

5 Τύποι Μεταβλητών DCOVA Μεταβλητές Κατηγορικές Αριθμητικές Διακριτές
Συνεχείς DCOVA Παραδείγματα: Οικογενειακή κατάσταση Πολιτικό κόμμα Χρώμα Ματιών (ορισμένες κατηγορίες) Παραδείγματα: Αριθμός παιδιών Ελαττωματικά ανά ώρα (Καταμετρημένα αντικείμενα) Παραδείγματα: Βάρος Τάση (Μετρημένα χαρακτηριστικά)

6 Η σωστή συλλογή δεδομένων είναι κρίσιμη εργασία
DCOVA Πρέπει να αποφύγετε τα δεδομένα που πάσχουν από μεροληψία, ασάφεια ή άλλα είδη σφαλμάτων. Τα αποτελέσματα από λανθασμένα δεδομένα θα είναι αμφισβητήσιμα αν όχι λάθος. Ακόμη και οι πιο εξελιγμένες στατιστικές μέθοδοι δεν είναι πολύ χρήσιμες όταν τα δεδομένα είναι λανθασμένα.

7 Η ανάπτυξη λειτουργικών ορισμών είναι ζωτικής σημασίας για την αποφυγή συγχύσεων / σφαλμάτων
DCOVA Ένας λειτουργικός ορισμός είναι μια σαφής και ακριβής δήλωση που παρέχει μια κοινή κατανόηση της έννοιας Ελλείψει λειτουργικού ορισμού, είναι πιθανό να παρουσιαστούν παρανοήσεις και σφάλματα. Καταλήγοντας σε λειτουργικούς ορισμούς αποτελεί βασικό μέρος του βήματος Όρισμού του DCOVA

8 Η δημιουργία ενός επιχειρηματικού στόχου επικεντρώνεται στη συλλογή δεδομένων
DCOVA Παραδείγματα επιχειρηματικών στόχων: Ένας αναλυτής έρευνας αγοράς πρέπει να αξιολογήσει την αποτελεσματικότητα μιας νέας τηλεοπτικής διαφήμισης. Ένας κατασκευαστής φαρμάκων πρέπει να καθορίσει εάν ένα νέο φάρμακο είναι πιο αποτελεσματικό από εκείνο που χρησιμοποιείται σήμερα. Ο διευθυντής μιας εταιρείας θέλει να παρακολουθήσει τη διαδικασία κατασκευής για να διαπιστώσει εάν η ποιότητα του προϊόντος που κατασκευάζεται συμμορφώνεται με τα πρότυπα της εταιρείας. Ένας ελεγκτής θέλει να επανεξετάσει τις χρηματοοικονομικές συναλλαγές μιας εταιρείας προκειμένου να καθορίσει εάν η εταιρεία συμμορφώνεται με τις γενικά αποδεκτές λογιστικές αρχές.

9 Πηγές Δεδομένων DCOVA Πρωτογενείς Πηγές: Ο συλλέκτης δεδομένων είναι αυτός που χρησιμοποιεί ο ίδιος τα δεδομένα για ανάλυση Δεδομένα από πολιτική έρευνα Δεδομένα που συλλέγονται από ένα πείραμα Δεδομένα από παρατήρηση Δευτερογενείς Πηγές: Το άτομο που πραγματοποιεί ανάλυση δεδομένων δεν είναι ο συλλέκτης δεδομένων Ανάλυση δεδομένων απογραφής Εξέταση δεδομένων από έντυπα περιοδικά ή δεδομένων που δημοσιεύονται στο διαδίκτυο.

10 Οι πηγές δεδομένων εμπίπτουν σε πέντε κατηγορίες
DCOVA Δεδομένα που διανέμονται από έναν οργανισμό ή ένα άτομο Αποτελέσματα ενός σχεδιασμένου πειράματος Απαντήσεις από μια έρευνα Αποτελέσματα της διενέργειας μιας μελέτης παρατήρησης Δεδομένα που συλλέγονται από την συνεχή δραστηριότητα εταιρειών

11 Παραδείγματα δεδομένων που διανέμονται από οργανισμούς ή άτομα
DCOVA Οικονομικά δεδομένα για μια εταιρεία που παρέχονται από επενδυτικές υπηρεσίες. Δεδομένα της βιομηχανίας ή της αγοράς από εταιρείες έρευνας αγοράς και εμπορικές οργανώσεις. Τιμές μετοχών, καιρικές συνθήκες και στατιστικά σχετικά με τον αθλητισμό σε καθημερινές εφημερίδες.

12 Παραδείγματα δεδομένων από ένα σχεδιασμένο πείραμα
DCOVA Οι δοκιμές των καταναλωτών για διάφορες εκδοχές ενός προϊόντος ώστε να προσδιοριστεί το προϊόν που πρέπει να συνεχίσει περαιτέρω. Δοκιμή υλικών για τον προσδιορισμό του υλικού που πρέπει να προμηθευτεί και να χρησιμοποιηθεί σε ένα προϊόν. Έλεγχος αγοράς για εναλλακτικές προωθητικές ενέργειες για τον προσδιορισμό της προώθησης που θα χρησιμοποιηθεί ευρύτερα.

13 Παραδείγματα δεδομένων έρευνας
DCOVA Μια έρευνα που ζητά από τους ανθρώπους ποιο απορρυπαντικό πλυντηρίων ρούχων έχει τις καλύτερες δυνατότητες απομάκρυνσης λεκέδων Οι πολιτικές δημοσκοπήσεις των εγγεγραμμένων ψηφοφόρων κατά τη διάρκεια πολιτικών εκστρατειών. Τα άτομα που ερωτήθηκαν για να διαπιστωθεί η ικανοποίησή τους σχετικά με μια πρόσφατη εμπειρία προϊόντος ή υπηρεσίας.

14 Παραδείγματα δεδομένων που συλλέγονται από παρατηρητικές μελέτες
DCOVA Οι ερευνητές της αγοράς που χρησιμοποιούν ομάδες εστίασης για να αποσπάσουν μη δομημένες απαντήσεις σε ανοιχτές ερωτήσεις. Μέτρηση του χρόνου που απαιτείται για την εξυπηρέτηση των πελατών σε ένα εστιατόριο fast food. Μέτρηση του μεγέθους της κυκλοφορίας σε μια διασταύρωση για να προσδιοριστεί εάν είναι δικαιολογημένη κάποια μορφή διαφήμισης στη διασταύρωση.

15 Παραδείγματα δεδομένων που συλλέγονται από συνεχιζόμενες επιχειρηματικές δραστηριότητες
DCOVA Οι χρόνιες τραπεζικές μελέτες οικονομικών συναλλαγών που βοηθούν στον εντοπισμό σχεδίων απάτης. Οι οικονομολόγοι χρησιμοποιούν δεδομένα σχετικά με αναζητήσεις που πραγματοποιούνται μέσω της Google για να βοηθήσουν στην πρόβλεψη μελλοντικών οικονομικών συνθηκών. Οι εταιρείες μάρκετινγκ χρησιμοποιούν δεδομένα παρακολούθησης για να αξιολογήσουν την αποτελεσματικότητα ενός ιστότοπου.

16 Τα Δεδομένα συλλέγονται είτε από έναν πληθυσμό είτε από ένα δείγμα
DCOVA ΠΛΗΘΥΣΜΟΣ Ένας πληθυσμός αποτελείται από όλα τα αντικείμενα ή τα άτομα για τα οποία θέλετε να βγάλετε συμπεράσματα. Ο πληθυσμός είναι η “μεγάλη ομάδα” ΔΕΙΓΜΑ Ένα δείγμα είναι το ποσοστό από έναν πληθυσμό που επιλέχθηκε για ανάλυση. Το δείγμα είναι η “μικρή ομάδα”

17 Πληθυσμός έναντι Δείγματος
DCOVA Πληθυσμός Δείγμα Όλα τα αντικείμενα ή τα άτομα για τα οποία θέλετε να εξάγετε συμπεράσματα Ένα τμήμα του πληθυσμού των αντικειμένων ή των ατόμων

18 Η συλλογή δεδομένων μέσω δειγματοληψίας χρησιμοποιείται όταν η επιλογή ενός δείγματος είναι:
DCOVA Λιγότερο χρονοβόρα από την επιλογή κάθε στοιχείου του πληθυσμού. Λιγότερο κοστοβόρα από την επιλογή κάθε στοιχείου του πληθυσμού. Λιγότερο πολύπλοκη και περισσότερο πρακτική από την ανάλυση ολόκληρου του πληθυσμού.

19 Πράγματα που λαμβάνετε υπόψη / αντιμετωπίζετε σε πιθανές πηγές δεδομένων
DCOVA Είναι τα δεδομένα δομημένα ή μη δομημένα; Πώς διαμορφώνονται τα ηλεκτρονικά δεδομένα; Πώς κωδικοποιούνται τα δεδομένα;

20 Τα δομημένα δεδομένα ακολουθούν μια οργανωτική αρχή ενώ τα μη δομημένα δεδομένα δεν το κάνουν
DCOVA Ένας εκτυπωτής κωδικών μιας μετοχής παρέχει Δομημένα Δεδομένα: Ο εκτυπωτής κωδικών μετοχών αναφέρει επανειλημμένα το όνομα της εταιρείας, τον αριθμό των μετοχών που συναλλάχθηκαν την τελευταία φορά, την τιμή προσφοράς και την ποσοστιαία μεταβολή της τιμής της μετοχής. Λόγω της εγγενούς δομής τους, τα δεδομένα από πίνακες και μορφές είναι δομημένα δεδομένα. Τα μηνύματα ηλεκτρονικού ταχυδρομείου από πέντε άτομα σχετικά με συναλλαγές μετοχών αποτελούν παράδειγμα μη δομημένων δεδομένων. Σε αυτά τα μηνύματα ηλεκτρονικού ταχυδρομείου δεν μπορείτε να βασίζεστε στις πληροφορίες που μοιράζονται με συγκεκριμένη σειρά ή μορφή. Αυτό το βιβλίο ασχολείται αποκλειστικά με δομημένα δεδομένα

21 Όλες οι μέθοδοι σε αυτό το βιβλίο ασχολούνται με τα δομημένα δεδομένα
DCOVA Για να χρησιμοποιήσετε τις τεχνικές σε αυτό το βιβλίο σε μη δομημένα δεδομένα, πρέπει να μετατρέψετε τα μη δομημένα σε δομημένα δεδομένα. Για πολλές από τις ερωτήσεις που μπορεί να θέλετε να απαντήσετε, το σημείο εκκίνησης μπορεί να είναι / θα είναι πίνακες δεδομένων.

22 Τα δεδομένα μπορούν να μορφοποιηθούν και / ή να κωδικοποιηθούν με περισσότερους από έναν τρόπους
DCOVA Ορισμένες ηλεκτρονικές μορφές είναι πιο εύχρηστες από άλλες. Οι διαφορετικές κωδικοποιήσεις μπορούν να επηρεάσουν την ακρίβεια των αριθμητικών μεταβλητών και μπορούν επίσης να επηρεάσουν τη συμβατότητα των δεδομένων. Καθώς προσδιορίζετε και επιλέγετε πηγές δεδομένων, πρέπει να εξετάσετε / αντιμετωπίσετε αυτά τα θέματα

23 Ο καθαρισμός δεδομένων είναι συχνά μια απαραίτητη δραστηριότητα κατά τη συλλογή δεδομένων
DCOVA Συχνά βρίσκονται “παρατυπίες” στα δεδομένα Τυπογραφικά λάθη ή λάθη εισαγωγής δεδομένων Τιμές που είναι αδύνατες ή απροσδιόριστες Ελλειπούσες τιμές Ακραίες τιμές Όταν διαπιστώνονται αυτές οι παρατυπίες θα πρέπει να επανεξετάζονται / αντιμετωπίζονται Τόσο το Excel όσο και το Minitab μπορούν να χρησιμοποιηθούν για να αντιμετωπιστούν οι παρατυπίες

24 Μετά τη συλλογή, είναι συχνά χρήσιμο να επανακωδικοποιηθούν ορισμένες μεταβλητές
DCOVA Η επανακωδικοποίηση μιας μεταβλητής μπορεί είτε να συμπληρώσει είτε να αντικαταστήσει την αρχική μεταβλητή. Η επανακωδικοποίηση μιας κατηγορικής μεταβλητής περιλαμβάνει τον επαναπροσδιορισμό των κατηγοριών. Η επανακωδικοποίηση μιας ποσοτικής μεταβλητής συνεπάγεται την αλλαγή αυτής της μεταβλητής σε κατηγορική μεταβλητή. Κατά την επανακωδικοποίηση βεβαιωθείτε ότι οι νέες κατηγορίες είναι αμοιβαία αποκλειόμενες (οι κατηγορίες δεν αλληλεπικαλύπτονται) και συλλογικά εξαντλητικές (οι κατηγορίες καλύπτουν όλες τις πιθανές τιμές).

25 Μια δειγματοληπτική διαδικασία αρχίζει με ένα δειγματοληπτικό πλαίσιο
DCOVA Το δειγματοληπτικό πλαίσιο είναι ένας κατάλογος των στοιχείων που αποτελούν τον πληθυσμό Τα πλαίσια είναι πηγές δεδομένων, όπως λίστες πληθυσμού, κατάλογοι ή χάρτες Μπορούν να προκύψουν ανακριβή ή μεροληπτικά αποτελέσματα εάν ένα πλαίσιο αποκλείει ορισμένα τμήματα του πληθυσμού Η χρήση διαφορετικών πλαισίων για τη δημιουργία δεδομένων μπορεί να οδηγήσει σε ανόμοια συμπεράσματα

26 Μη Πιθανολογικά Δείγματα Πιθανολογικά Δείγματα
Είδη Δειγμάτων DCOVA Δείγματα Μη Πιθανολογικά Δείγματα Σκοπιμότητας Πιθανολογικά Δείγματα Απλό Τυχαίο Συστηματικό Στρωματοποιημένο Συστάδων Ευκολίας

27 Είδη Δειγμάτων: Μη Πιθανολογικό Δείγμα
DCOVA Σε ένα μη πιθανολογικό δείγμα, τα στοιχεία που περιλαμβάνονται επιλέγονται ανεξάρτητα από την πιθανότητα εμφάνισής τους. Σε ένα δείγμα ευκολίας, τα στοιχεία επιλέγονται με βάση μόνο το γεγονός ότι είναι εύκολο, οικονομικό ή βολικό για δειγματοληψία. Σε ένα δείγμα σκοπιμότητας, μπορείτε να λάβετε τις απόψεις των προεπιλεγμένων ειδικών σχετικά με το θέμα.

28 Είδη Δειγμάτων: Πιθανολογικό Δείγμα
DCOVA Σε ένα πιθανολογικό δείγμα, τα στοιχεία του δείγματος επιλέγονται βάσει γνωστών πιθανοτήτων. Πιθανολογικά Δείγματα Απλό Τυχαίο Συστηματικό Στρωματοποιημένο Συστάδων

29 Πιθανολογικό Δείγμα: Απλό Τυχαίο Δείγμα
DCOVA Κάθε άτομο ή στοιχείο από το πλαίσιο έχει ίσες πιθανότητες να επιλεγεί. Η επιλογή μπορεί να γίνει με επανατοποθέτηση (το επιλεγμένο άτομο ή στοιχείο επιστρέφει στο πλαίσιο για πιθανή επανεπιλογή) ή χωρίς επανατοποθέτηση (το επιλεγμένο άτομο ή στοιχείο δεν επιστρέφει στο πλαίσιο). Τα δείγματα λαμβάνονται από πίνακα τυχαίων αριθμών ή από γεννήτριες τυχαίων αριθμών του υπολογιστή.

30 Τα πρώτα 5 στοιχεία σε ένα απλό τυχαίο δείγμα
Επιλογή ενός Απλού Τυχαίου Δείγματος χρησιμοποιώντας έναν Πίνακα Τυχαίων Αριθμών DCOVA Τμήμα ενός Πίνακα Τυχαίων Αριθμών Δειγματοληπτικό Πλαίσιο Για Πληθυσμό Με 850 Στοιχεία Όνομα Στοιχείου Στοιχείο # Bev R Ulan X Joann P Paul F Τα πρώτα 5 στοιχεία σε ένα απλό τυχαίο δείγμα Στοιχείο # 492 Στοιχείο # 808 Στοιχείο # δεν υπάρχει οπότε αγνοήστε το Στοιχείο # 435 Στοιχείο # 779 Στοιχείο # 002

31 Πιθανολογικό Δείγμα: Συστηματικό Δείγμα
DCOVA Επιλέξτε το μέγεθος του δείγματος: n Χωρίστε το πλαίσιο των N ατόμων σε ομάδες των k ατόμων: k=N/n Τυχαία επιλέξτε ένα άτομο από την 1η ομάδα Επιλέξτε στη συνέχεια κάθε kο άτομο N = 40 n = 4 k = 10 Πρώτη Ομάδα

32 Πιθανολογικό Δείγμα: Στρωματοποιημένο Δείγμα
DCOVA Διαχωρίστε τον πληθυσμό σε δύο ή περισσότερες υποομάδες (που ονομάζονται στρώματα) σύμφωνα με ορισμένα κοινά χαρακτηριστικά Ένα απλό τυχαίο δείγμα επιλέγεται από κάθε υποομάδα, με μεγέθη δείγματος ανάλογα με τα μεγέθη των στρωμάτων Δείγματα από τις υποομάδες συνδυάζονται σε ένα Αυτή είναι μια κοινή τεχνική κατά τη δειγματοληψία του πληθυσμού των ψηφοφόρων, με στρωματοποίηση στις φυλετικές ή κοινωνικοοικονομικές γραμμές. Πληθυσμός χωρισμένος σε 4 στρώματα

33 Πιθανολογικό Δείγμα Δείγμα Συστάδων
DCOVA Ο πληθυσμός χωρίζεται σε διάφορες “συστάδες”, καθεμιά αντιπροσωπευτική του πληθυσμού Επιλέγεται ένα απλό τυχαίο δείγμα συστάδων Μπορούν να χρησιμοποιηθούν όλα τα στοιχεία στις επιλεγμένες συστάδες ή τα στοιχεία μπορούν να επιλεγούν από μια συστάδα χρησιμοποιώντας μια άλλη τεχνική δειγματοληψίας πιθανότητας Μια κοινή εφαρμογή δειγματοληψίας συστάδων περιλαμβάνει δημοσκοπήσεις έξω από τα εκλογικά κέντρα, όπου επιλέγονται ορισμένες εκλογικές περιφέρειες και λαμβάνονται δείγματα. Πληθυσμός διαχωρισμένος σε 16 συστάδες. Τυχαία επιλεγμένες συστάδες για δείγμα

34 Πιθανολογικό Δείγμα: Σύγκριση Δειγματοληπτικών Μεθόδων
DCOVA Απλό τυχαίο δείγμα και Συστηματικό δείγμα Απλό στην χρήση Ίσως να μην είναι μια καλή αντιπροσώπευση των υποκείμενων χαρακτηριστικών του πληθυσμού Στρωματοποιημένο δείγμα Εξασφαλίζει την αντιπροσώπευση ατόμων σε ολόκληρο τον πληθυσμό Δείγμα συστάδων Περισσότερο οικονομικά αποδοτικό Λιγότερο αποτελεσματικό (χρειάζεται μεγαλύτερο δείγμα για να αποκτήσετε το ίδιο επίπεδο ακρίβειας)

35 Αξιολόγηση της Αξιοπιστίας της Έρευνας
DCOVA Ποιος είναι ο σκοπός της έρευνας; Είναι η έρευνα βασισμένη σε ένα πιθανολογικό δείγμα; Σφάλμα κάλυψης – κατάλληλο πλαίσιο; Σφάλμα μη απάντησης – επανεξέταση Σφάλμα μέτρησης - καλές ερωτήσεις προκαλούν καλές απαντήσεις Δειγματοληπτικό σφάλμα - υπάρχει πάντα

36 Τύποι Σφαλμάτων Έρευνας
DCOVA Σφάλμα κάλυψης ή μεροληπτική επιλογή Υπάρχει αν ορισμένες ομάδες αποκλείονται από το πλαίσιο και δεν έχουν καμία πιθανότητα επιλογής Σφάλμα μη απάντησης ή μεροληπτικότητα Τα άτομα που δεν ανταποκρίνονται μπορεί να διαφέρουν από εκείνα που ανταποκρίνονται Δειγματοληπτικό σφάλμα Η μεταβλητότητα από δείγμα σε δείγμα θα υπάρχει πάντα Σφάλμα μέτρησης Λόγω των αδυναμιών στο σχεδιασμό και / ή το σφάλμα του ερωτηθέντος

37 Τύποι Σφαλμάτων Έρευνας
DCOVA (συνέχεια) Σφάλμα κάλυψης Σφάλμα μη απάντησης Δειγματοληπτικό σφάλμα Σφάλμα μέτρησης Αποκλεισμός από το πλαίσιο Επανεξέταση των μη απαντήσεων Τυχαίες διαφορές από δείγμα σε δείγμα Κακή ή βασική ερώτηση

38 Περίληψη Κεφαλαίου Σε αυτό το κεφάλαιο αναλύσαμε:
Τους τύπους μεταβλητών που χρησιμοποιούνται στην στατιστική Πώς να συλλέγετε δεδομένα Τους διαφορετικούς τρόπους να συλλέγετε ένα δείγμα Τους τύπους σφαλμάτων έρευνας