Типы данных или как не ошибиться с выбором критерия
Привет, коллега!
😐 В самом начале разговора об анализе данных стоит обсудить какие данные вообще бывают. Потому что от этого будет зависеть выбор критерия для сравнения твоих экспериментальных групп.
В целом данные бывают количественные и качественные. Количественные данные можно упорядочить и с ними можно совершать различные арифметические действия. Качественные данные описывают свойства объекта и тут уж как говориться, ни отнять, ни прибавить.
В свою очередь количественные данные делятся на непрерывные и дискретные. 🟡 Непрерывные данные могут быть не целыми числами и их можно дробить настолько, насколько нам позволят наши приборы. Например, длина крыла подпотолочного лампонюха может быть 1 метр, может 1,12 м, может 1,12237467 метра и так далее. 🟡 Дискретные же данные не могут принимать нецелочисленные значения. Как правило, это количество чего-то, например, 5 студентов в потоковой аудитории. А вот полтора землекопа уже быть не может.
⭐️ В зависимости от типа данных ты будешь выбирать параметрические или непараметрические критерии для анализа. В случае дискретных количественных данных - всегда используй непараметрические критерии. Сколько же студентов и аспирантов посыпались на сравнении количества клеток t-критерием Стьюдента... Не становись одним из них 😇
Качественные данные описывают некоторое качество объекта и бывают ранговыми и номинальными. 🟡 Ранговые данные можно перепутать с дискретными количественными, так как они тоже только целочисленные, но при этом с ними бессмысленно проводить какие-то арифметические действия. Например, пятибалльная шкала ураганов. Находятся, конечно, извращенцы, считающие средний бал ураганов по региону. А потом эти умельцы готовят инфраструктуру к средним 3 баллам, которая летит к чертям собачьим в 5 баллов. 🟡 Номинальные данные описывают качество объекта, который нельзя упорядочить. Например, цвет глаз или предпочтения в музыкальных жанрах 👻
🥳 Для тех, кто уже немного искушён в статистике я принесла схемки 👇, которые помогут выбрать правильный критерий для анализа. А тем, кто только начинает этот путь вместе со мной - рекомендую добавить картинки в сохранёнки, ведь мы ещё к ним вернёмся.
Типы данных или как не ошибиться с выбором критерия
Привет, коллега!
😐 В самом начале разговора об анализе данных стоит обсудить какие данные вообще бывают. Потому что от этого будет зависеть выбор критерия для сравнения твоих экспериментальных групп.
В целом данные бывают количественные и качественные. Количественные данные можно упорядочить и с ними можно совершать различные арифметические действия. Качественные данные описывают свойства объекта и тут уж как говориться, ни отнять, ни прибавить.
В свою очередь количественные данные делятся на непрерывные и дискретные. 🟡 Непрерывные данные могут быть не целыми числами и их можно дробить настолько, насколько нам позволят наши приборы. Например, длина крыла подпотолочного лампонюха может быть 1 метр, может 1,12 м, может 1,12237467 метра и так далее. 🟡 Дискретные же данные не могут принимать нецелочисленные значения. Как правило, это количество чего-то, например, 5 студентов в потоковой аудитории. А вот полтора землекопа уже быть не может.
⭐️ В зависимости от типа данных ты будешь выбирать параметрические или непараметрические критерии для анализа. В случае дискретных количественных данных - всегда используй непараметрические критерии. Сколько же студентов и аспирантов посыпались на сравнении количества клеток t-критерием Стьюдента... Не становись одним из них 😇
Качественные данные описывают некоторое качество объекта и бывают ранговыми и номинальными. 🟡 Ранговые данные можно перепутать с дискретными количественными, так как они тоже только целочисленные, но при этом с ними бессмысленно проводить какие-то арифметические действия. Например, пятибалльная шкала ураганов. Находятся, конечно, извращенцы, считающие средний бал ураганов по региону. А потом эти умельцы готовят инфраструктуру к средним 3 баллам, которая летит к чертям собачьим в 5 баллов. 🟡 Номинальные данные описывают качество объекта, который нельзя упорядочить. Например, цвет глаз или предпочтения в музыкальных жанрах 👻
🥳 Для тех, кто уже немного искушён в статистике я принесла схемки 👇, которые помогут выбрать правильный критерий для анализа. А тем, кто только начинает этот путь вместе со мной - рекомендую добавить картинки в сохранёнки, ведь мы ещё к ним вернёмся.
However, the perpetrators of such frauds are now adopting new methods and technologies to defraud the investors. Markets continued to grapple with the economic and corporate earnings implications relating to the Russia-Ukraine conflict. “We have a ton of uncertainty right now,” said Stephanie Link, chief investment strategist and portfolio manager at Hightower Advisors. “We’re dealing with a war, we’re dealing with inflation. We don’t know what it means to earnings.” This ability to mix the public and the private, as well as the ability to use bots to engage with users has proved to be problematic. In early 2021, a database selling phone numbers pulled from Facebook was selling numbers for $20 per lookup. Similarly, security researchers found a network of deepfake bots on the platform that were generating images of people submitted by users to create non-consensual imagery, some of which involved children. The next bit isn’t clear, but Durov reportedly claimed that his resignation, dated March 21st, was an April Fools’ prank. TechCrunch implies that it was a matter of principle, but it’s hard to be clear on the wheres, whos and whys. Similarly, on April 17th, the Moscow Times quoted Durov as saying that he quit the company after being pressured to reveal account details about Ukrainians protesting the then-president Viktor Yanukovych. "The result is on this photo: fiery 'greetings' to the invaders," the Security Service of Ukraine wrote alongside a photo showing several military vehicles among plumes of black smoke.
from ca
