1. 기술통계
2. 일표본검정
- 기준치를 두고 비교할때
- 우리반 평균은 60점보다 높나? 만족도 평균이 3점보다 높나
- 기술통계의 평균값으로 단순 비교할수 없는 것은 표본으로 인한 차이인지 아닌지를 구별해야해서야
- 유의미하려면 표본수와 표준편차를 고려해서 판단해
3. 대응표본검정
- 같은 표본에서 다른 측정치 비교(같은 사람들의 다른 측정치를 비교)
- 전후 만족도 비교
- 실제로는 일표본 티검정처럼 분석함.
4. 독립표본 검정
- 다른 표본끼리 비교 (다른 사람들의 같은항목 측정치를 비교)
- 남녀 비교, 장미반 딸기반 비교. ai 써본 사람과 안써본 사람 비교
5. 세개이상 아노바
- 아노바는 3개를 비교해봤는데, 어딘가에 유의미한 차이가 있다 란 것까지 말해주지, 어딘지 콕 찝지는 못해
- 그래서 사후검정을 하는 것.
- 등분산검정 0 => 아노바 => 유의미 => 터키
- 등분산검정 x => 웰치아노바 => 게임스하웰
6. 교차분석
7. 요인분석
- 등분산은 두 상자가 엇비슷한다
🍎 A 사과 상자 🍎 B 사과 상자
- 공산성은 🍎🍏🍐🍊 여러 과일들이 달콤한 과일로 묶일수 있나?
1) 르빈 등분산검정
- 독립표본이나 아노바에서 나옴
- 왜냐면 서로 다른 표본을 비교해야할 때 필요한 개념이야. 비교할때 퍼짐정도인 분산이 비슷하다고 가정함
- 여성팀 분산이 0.6이고 남성팀 분산이 5.0이면 좀 심하게 차이나잖아.
- .05이상이 되야 등분산 가정 충족.
- 그래서 결과도 2줄이 나오는 거.
- .05이하면, 분산에 차이가 유의미하다라는 발견!! 그런데 분산 차이가 없길 바라기 때문에 .05이상이어야 쓸모있는 것.
2) 공산성