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.
To that end, when files are actively downloading, a new icon now appears in the Search bar that users can tap to view and manage downloads, pause and resume all downloads or just individual items, and select one to increase its priority or view it in a chat. The regulator took order for the search and seizure operation from Judge Purushottam B Jadhav, Sebi Special Judge / Additional Sessions Judge. "Markets were cheering this economic recovery and return to strong economic growth, but the cheers will turn to tears if the inflation outbreak pushes businesses and consumers to the brink of recession," he added. That hurt tech stocks. For the past few weeks, the 10-year yield has traded between 1.72% and 2%, as traders moved into the bond for safety when Russia headlines were ugly—and out of it when headlines improved. Now, the yield is touching its pandemic-era high. If the yield breaks above that level, that could signal that it’s on a sustainable path higher. Higher long-dated bond yields make future profits less valuable—and many tech companies are valued on the basis of profits forecast for many years in the future. There was another possible development: Reuters also reported that Ukraine said that Belarus could soon join the invasion of Ukraine. However, the AFP, citing a Pentagon official, said the U.S. hasn’t yet seen evidence that Belarusian troops are in Ukraine.
from no
