9 методов для использования в логической статистике
3 января 2022 г.
Статистические выводы помогают профессионалам в различных отраслях анализировать данные и делать выводы о совокупностях. С помощью информации, которую может предоставить статистический вывод, вы можете оценить вероятность конкретных результатов. Существует несколько подходов к проверке статистического вывода при расчете вероятных результатов, и вам может быть полезно узнать о ваших вариантах. В этой статье мы исследуем, что такое статистика вывода, как работает этот раздел статистики и какие типы статистических выводов вы можете сделать при анализе данных.
Что такое логическая статистика?
Логическая статистика включает в себя раздел статистики, который строит модели для сравнения выборок данных с выборками из предыдущего исследования. Логический анализ использует эти модели, чтобы делать общие предположения о выборке, которые могут поддерживать определенные события, черты или поведение в больших группах населения. Многие статистики, исследователи и аналитики полагаются на статистические выводы для измерения вероятностей и вероятности результатов, происходящих на основе исторических данных о конкретной группе.
Как работает логическая статистика?
Статистический вывод измеряет данные из выборки и делает выводы о большей совокупности на основе анализа выборки. При применении логического анализа важно иметь высокий уровень уверенности в том, что тестируемая выборка точно отражает генеральную совокупность. Этот уровень достоверности представляет собой доверительный интервал, который представляет собой процент, показывающий, насколько вероятно, что выборка репрезентативна для всей совокупности. Чтобы обеспечить жизнеспособность образца для анализа, важные статистические выводы следуют процессу, который:
Определяет популяцию
Выбирает выборку, представляющую совокупность
Анализирует ошибку выборки
Выборка выборки из совокупности происходит случайным образом, при этом анализ определяет описательные показатели, такие как среднее значение и стандартное отклонение. При выводе данных из выборки можно использовать статистические инструменты для определения погрешности, доверительного интервала и распределения выборок совокупности.
9 типов статистического вывода
При анализе данных часто используются следующие типы статистических выводов:
1. Регрессионный анализ
Регрессионный анализ включает в себя методы тестирования, которые измеряют взаимосвязь между зависимыми и независимыми переменными. При использовании регрессионного анализа вы измеряете отношения переменных на основе исторических данных и прошлых наблюдений за группой выборки. В простом регрессионном анализе вы измеряете корреляцию между одной зависимой переменной и одной независимой переменной. В множественном регрессионном анализе имеется более одной независимой переменной, по которой вы оцениваете зависимую переменную. При формировании модели линейной регрессии этот анализ отображается на графике, где выборочные данные группируются вокруг линии, которую вы создаете с помощью своего анализа.
2. Проверка гипотез
Вы можете использовать проверку гипотез для оценки предположений и обобщений, которые вы делаете о совокупности, оценивая различные параметры выборочных групп. Используя данные описательного анализа, вы можете оценить вероятность того, что гипотезы верны для всего населения на основе вашей оценки группы выборки. Одним из важных аспектов проверки гипотез является оценка нулевой гипотезы, которую вы можете либо отвергнуть, либо принять, в зависимости от характера вашего анализа.
3. Доверительный интервал
Доверительные интервалы необходимы для установления измеримых параметров при анализе статистических выводов. Доверительный интервал (ДИ) представляет собой вероятность появления этих параметров в пределах определенного диапазона оценок. Статистики и аналитики данных часто устанавливают доверительный интервал между 90% и 99%, поскольку правдоподобие должно быть меньше 100%. Как правило, при оценке выводных данных в статистике желателен доверительный интервал 95%.
4. Среднее сравнение
Логический анализ может также включать сравнения средних значений, которые показывают, имеют ли две отдельные выборки данных одинаковые средние значения. Одним из распространенных приложений для выполнения сравнения средних значений является t-критерий, который оценивает среднее значение переменной в одной выборке по отношению к той же средней переменной в одной или нескольких отдельных выборках. Стьюдентный тест определяет, находится ли среднее значение выборки ниже или выше нуля.
5. Дистрибутивы
Распределение относится к функциям, которые показывают все возможные интервалы или значения для выборки данных. Распределение данных в статистическом анализе обычно происходит от наименьших значений к наибольшим значениям и может показать вам частоту и степень распределения. Эта метрика важна для логического анализа, поскольку она показывает, насколько далеко разбросаны ваши значения данных для вашей выборочной группы.
6. Статистическая значимость
Значение статистического вывода имеет важное значение для определения того, насколько сильна связь между зависимыми и независимыми переменными. Измеряя значимость средних двух или более выборочных групп, вы можете определить, является ли связь коррелятивной или причинно-следственной по своей природе. Статистическая значимость обычно получается в результате выполнения t-тестов для сравнения выборочных средних.
7. Биномиальная теорема
Биномиальная теорема относится к проверке вероятности для двух различных результатов. Вы можете применить биномиальную теорему к своему анализу при оценке вероятности одного из двух результатов, происходящих в выборочном наборе данных. Например, измерение успеха или неудачи выигрыша в лотерею может быть подходящим применением биномиальной теоремы для анализа логического вывода в статистике.
8. Центральная предельная теорема.
Центральная предельная теорема представляет независимые случайные величины, суммы которых стремятся к нормальному распределению, даже если исходные переменные не имеют нормального распределения. Этот принцип важен в дедуктивном анализе, поскольку он устанавливает вероятность того, что статистические параметры, применимые к нормальным распределениям, могут также применяться к выборочным данным без нормальных распределений. При просмотре центральных пределов вероятностных распределений вы также можете оценить вероятные процентили для ваших выборочных данных. Это помогает определить, насколько большой должна быть ваша выборка, чтобы обеспечить существенный доверительный интервал, например 95%.
9. Корреляция Пирсона
Корреляция Пирсона относится к коэффициенту корреляции и измеряет, в какой степени значения данных появляются вдоль линии регрессии. При оценке статистического вывода с использованием коэффициента корреляции вы можете оценить, проявляют ли отношения переменных корреляцию. В зависимости от вашего анализа вы также можете использовать это значение для определения силы корреляции и вероятности того, что корреляция на самом деле является причинно-следственной связью.