Art of Stat: Inference

The Art of Stat. Inference հավելվածն ապահովում է մուտք դեպի հետևյալ մոդուլները.

- Եզրակացություն համամասնությունների համար (մեկ և երկու անկախ նմուշներ)
- Եզրակացություն միջոցների համար (մեկ և երկու անկախ նմուշներ)
- Եզրակացություն գծային ռեգրեսիայի մոդելներում (թեքություն, վստահություն և կանխատեսման միջակայքեր)
- Chi-square թեստ (անկախություն/միատարրություն և հարմարության լավություն)
- Միակողմանի ANOVA մի քանի միջոցների համեմատության համար

Գովազդ չկա: Բաժանորդագրություններ չկան: Բացեք բոլոր մոդուլները մեկանգամյա փոքր վճարով կամ յուրաքանչյուրը նույնիսկ ավելի փոքր վճարով:

Ձեր սեփական տվյալները մուտքագրելը հեշտ է.
Եթե ​​ունեք ընդամենը մի քանի դիտարկում (կամ եթե ունեք ամփոփ վիճակագրություն), պարզապես մուտքագրեք դրանք: Ավելի մեծ տվյալների հավաքածուների համար վերբեռնեք ձեր չմշակված տվյալների CSV ֆայլը ամպային հաշիվ (օրինակ՝ iCloud կամ Google Drive) կամ պարզապես էլ. ֆայլ ինքներդ ձեզ: Այնուհետև բացեք CSV ֆայլը հավելվածում և ընտրեք ձեր վերլուծության փոփոխականները: Դուք կարող եք նաև պարզապես պատճենել և տեղադրել չմշակված տվյալները աղյուսակների հավելվածից (օրինակ՝ թվերը iOS-ում կամ Google թերթերում): Տրամադրվում են տվյալների նմուշների հավաքածուներ:

Արդյունքները ցնցող են.
Հավելվածը տրամադրում է համապատասխան սյուժեներ (կողք կողքի կամ շարված գծապատկերներ, տուփի սյուժեներ, հիստոգրամներ) և հաշվարկում և պատկերացնում է վստահության միջակայքերը և P-արժեքները՝ վարկածների փորձարկման համար: Բոլոր համապատասխան տեղեկությունները (օրինակ՝ ստանդարտ սխալները, սխալների սահմանը, z կամ t միավորները և ազատության աստիճանները) հստակ ցուցադրվում և պիտակավորված են: P-արժեքը արտացոլվում է գրաֆիկի վրա նորմալ, t- կամ Chi-քառակուսի բաշխման համար:

Մշակված է և՛ ուսանողների, և՛ ուսուցիչների համար՝ որպես հարմար գործիք՝ հիմնական վիճակագրական եզրակացություններ կատարելու և արդյունքները անմիջապես պատկերացնելու համար:

Հավելվածն աշխատում է օֆլայն և անցանց ռեժիմներում (հավելվածը ցույց է տալիս, որ այն գտնվում է օֆլայն ռեժիմում՝ մեծ կանաչ պաստառով), ինչը հարմար է դարձնում այն ​​քննությունների համար:

Հավելվածն ունի նաև հատուկ մոդուլներ՝ ուսումնասիրելու այնպիսի հասկացություններ, ինչպիսիք են վստահության միջակայքերի ծածկույթի հավանականությունը կամ I և II տիպի սխալների և հզորության հասկացությունները: Այն իրականում կարող է գտնել տիպի II սխալը և հզորությունը համամասնությունների թեստերի համար (և որոշակի թեստեր միջոցների համար):

Հեշտությամբ կիսվեք ձեր արդյունքներով՝ սքրինշոթներ անելով: