1 / 11

Controleren voor 3 de variabelen

Controleren voor 3 de variabelen. Dichotome variabelen: een voorbeeld. Berekenen van  (lambda). Item voorspellen Sex onbekend: Voorspelling = “Nee” 13 correct, 6 fout Foutratio = 6/19 Sex bekend: Voorspelling indien vrouw: “Nee” Indien man: “Ja” 14 (=9+5) correct, 5 fout

erling
Download Presentation

Controleren voor 3 de variabelen

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Controleren voor 3de variabelen

  2. Dichotome variabelen: een voorbeeld

  3. Berekenen van  (lambda) • Item voorspellen • Sex onbekend: • Voorspelling = “Nee” • 13 correct, 6 fout • Foutratio = 6/19 • Sex bekend: • Voorspelling • indien vrouw: “Nee” • Indien man: “Ja” • 14 (=9+5) correct, 5 fout • Foutratio = 5/19 • Proportionele daling van foutenratio =  De proportionele reductie van het aantal fouten bij het voorpellen van “Item” indien “Sex” gekend is vergeleken bij de voorspelling indien “Sex” niet gekend is bedraagt 17%

  4. Controleren voor leeftijd • Item voorspellen • Sex bekend en JONG • Fouten=2 • Sex bekend en OUD • Fouten=1 • Foutratio = 3/19 • Proportionele daling van foutenratio: De proportionele reductie van het aantal fouten bij het voorpellen van “Item” indien “Leeftijd” gekend is bovenop “Sex” vergeleken bij de voorspelling indien alleen “Sex” gekend is bedraagt 40%

  5. Huwelijken / Echtscheidingen / Geboorten (per 1000 inw.) in de VS Las Vegas!

  6. Huwelijken / Echtscheidingen / Geboorten (per 1000 inw.) in de VS: gedichotomiseerde data

  7. Lambda () (Goodman & Kruskal, 1954) In welke mate verbetert de predictie van de rijen als we de kolommen kennen in een 22 kruistabel (en omgekeerd)? Huwelijksratio voorspeld MET kennis over Echtscheidingsratio : Hoog als Echtsch% hoogLaag als Echtsch% laag Huwelijksratio voorspeld ZONDER kennis over Echtscheidingsratio : Hoog (25>23)

  8. Lambda is niet (altijd) symmetrisch  predicting huwelijks % = = .522  predicting echtsch.% = = .542 • predicting huwelijks % = .304 •  predicting geb.% = .304  predicting geb % =  predicting echtsch.% =

  9. Controleren voor 3de variabele: partiële lambda  predicting Echtsch.% = .542 Fout% bij het voorspellen van Echtscheidings% op basis van Huwelijks% = 11/48 Met welke proportie daalt dit Fout% als bovendien rekening wordt gehouden met Geb.%?  predicting Echtsch.% controlling for Huwelijks% De voorspelling van de Echtscheidingsratio op basis van Geboorteratio en Huwelijksratio is NIET beter dan de voorspelling op basis van Huwelijksratio alleen

  10. Lambda en partiële lambda  (echtscheidingen voorspellen)  predicting Echtsch.% controlling for Geb.% De voorspelling van de Echtscheidingsratio op basis van Geboorteratio en Huwelijksratio is 26.7% beter dan de voorspelling op basis van Geboorteratio alleen

  11. Veralgemening: verband tussen continue variabelen  : In welke mate verbetert de predictie van de rijen als we de kolommen kennen in een 22 kruistabel (en omgekeerd)? Veralgemening r² : In welke mate verbetert de predictie van y als men zich baseert op de regressielijn y=ax+b tegenover een predicite die daar geen gebruik van maakt? Kwadratensom van fouten bij predictie ZONDER kennis van X Kwadratensom van fouten bij predictie MET kennis van X Verbetering:

More Related