소개글
카이제곱 검정을 넘어서서 두 명 명 척도 변인 간의 연관성 기술에 대한 자료입니다.
본문내용
카이제곱 검정을 넘어서서:
두 명명척도 변인 간의
연관성 기술
(Beyond Chi-Squared:
Describing Association Between
Two Nominal Scale Variables)
목 차
Ⅰ. 머리말
Ⅱ. 연관성과 인과추론
Ⅲ. 명명척도 변인 간의 관계성 분석을
위한 현대적 접근
: 로그선형모델에 대한 기본적 소개
Ⅰ. 머리말
▶ 카이제곱 검정의 한계
⇒ 통계적 유의성(Statistical Significance)이 필요 이상으로 중요하게
다뤄져서 혼란을 야기함.
▶ 명명척도 데이터로부터 정보 얻기
⇒ 카이제곱 검정에 대입하는 것보다 훨씬 많은 정보를
얻을 수 있는 방법이 있음.
▶ 통계적 유의성과 분석결과의 중요성
⇒ 통계적 유의성이 높지만, 분석결과가 의미가 없고 중요하지
않을 수도 있음.
⇒ 카이제곱의 값이나 관련된 확률수준을 분석결과간 관계의 중요성을
측정하는 데에 사용할 수는 없음.
Ⅰ. 머리말
▶ 표 7.3
a : 부장품이 둘다 있음
d : 부장품이 둘다 없음
b,c : 부장품이 하나씩 있음
무덤의 부장품 유무
▶ 공분산 (Covariance)
- 하나의 값이 상승(존재)할 때, 다른 값도 상승(존재)하면, 양의 공분산
- 하나의 값이 상승(존재)할 때, 다른 값이 하강(비존재)하면, 음의 공분산
▶ a,d : 양의 공분산
b,c : 음의 공분산
※ 만약 하나의 값이 상승(존재)할 때,
다른 값이 상승(존재)하기도 하고, 하강(비존재)하기도 한다면…
둘 간에는 아무런 관계성이 없는 것임.
Ⅰ. 머리말
▶ 율의 Q계수 ( Yule’s Q )
- 관계성이 없음 ☞ Q=0
완벽한 양의 공분산 ☞ Q=+1.0
완벽한 음의 공분산 ☞ Q=-1.0
▶ 파이제곱(Phi-squared) : 샘플수가 차이가 있을 때, 샘플의 수를 극복하기 위한 방법.
-1< 파이제곱 값 < 1
▶ 크래머의 V (Cramer’s V) : 2 X 3 표에서 활용.
피장자의 ‘매장 위치’와 ‘성별’ 피장자의 ‘매장 위치’와 ‘성별’
피 자승(파이제곱)
율의 Q계수