Корреляция это в психологии: Определение корреляции в психологии

Корреляционное и экспериментальное исследование

Природа корреляционного исследования

Существует два вида исследования:

• корреляция;
• эксперимент.

Рассмотрим каждый из них.

Корреляционное исследование используется в случае, если необходимо дать оценку взаимоотношениям между двумя и более переменными. Т.е. этот метод изучения выявляет связь между данными.

Если одна переменная меняет величину, то со второй происходят следующие изменения. Во-первых, стоит отметить, что это исследование дает сведения о направлении и силе взаимосвязи между двумя данными. Это направление говорит о том, как связаны переменные: позитивно или негативно. Сила взаимосвязи может быть в виде степени точности, также может предсказать величину одной из переменных. Эти два аспекта (сила и направление) являются статистическими критериями, или коэффициентами корреляции (r), который ранжируется от +1,00 до -1,00. Например: переменная А высока, В высока, то корреляция позитивная. Если А высока, а В низка, то корреляция негативная. Если В не связана с А, то корреляция отсутствует.

Социально-психологические исследования не содержит полную корреляцию. Коэффициент редко превышает +0,60:

• корреляции от +0,50 до +0,60 являются сильными;
• корреляции от +0,30 до +0,50 – умерено сильные;
• корреляции ниже от +0,30 или +0,20 – слабые.

Корреляция выше +0,60 бывает в том случае, если ряд факторов, определяющие поведение, мнение и оценки людей.

Используя математическую обработку данных, исследователь может применять разные подходы к вычислению коэффициенты корреляции.

Специфика ранговой корреляции

Рассмотрим коэффициент ранговой корреляции Спирмена (r), так как именно его часто применяют в социально-психологических исследованиях благодаря своей универсальности и простоте. Универсальность, т.е. применим ко всем данным, проста – легко вычисляется «вручную».

Пример. Для того чтобы понять роль мастера в организации, были собраны данные в виде оценочных суждений от работников разного иерархического уровня.

В исследование рассматривали вопрос взаимосвязи восприятия мастера рабочими низкого иерархического уровня и высшего с самооценкой самого мастера. Для оценивания были представлены такие качества, как:

• требовательность;
• настойчивость;
• уравновешенность;
• доброта;
• скромность;
• дисциплинированность;
• справедливость;
• оптимизм и т.д.

В результате была выявлена положительная корреляция между самооценкой мастера и оценкой рабочих: r = +0,39. Положительная связь наблюдается также между самооценкой мастера и вышестоящих коллег: r = +0,33, но в данном случае носит менее устойчивую связь. Самый низкий коэффициент был выявлен между оценками мастера руководством цеха и рабочими r = +0,18.

Вывод

Рассматриваемая ситуация не всегда имеет одинаковую оценку и, поэтому может быть производной от других социальных ролей, которые связаны с принадлежностью этой личности к другой группе, являющейся значимой. Из полученных данных видно, что рабочие играют для мастера референтную роль, а цеховые руководители нет.

Конечно, этот результат требует детальной проверки.

Исходя из выше сказанного, было выявлено несколько выводов, которые описывали восприятие и понимание личности и работы мастера в зависимости от социально-демографических и ролевых характерных черт субъектов и объектов оценки.

Плюсы такого исследования:

• эффективен при сборе большого количества данных;
• полученные результаты чаще всего являются питательной почвой для идей и гипотез.

Минус:

• исследование не может до конца определить причину взаимосвязи между двумя переменными.

Определение экспериментального исследования

Данное изучение направлено на выявление связи между причиной и следствием. Здесь происходит манипуляция переменной, которая проявляется испытуемым, после наблюдается эффект манипуляции на другую переменную, с которой на самом деле не производится никаких манипуляций. Манипулируемая переменная называется независимой. Ее и проверяют экспериментально, так как она может быть причиной изменений другой, зависимой переменной.

После того, как произошло воздействие независимой переменной, исследователь определенным способом собирает сведения о реакции поведения, о вербальной реакции. Это делается для того, чтоб определить влияния переменной. Если это так, то на основе эксперимента заключается вывод, что независимая переменная является причиной изменений зависимой.

Для примера рассмотрим исследование Семеновой З.Ф. Оно было проведено на студии телевидения и выявляло роли социального статуса коммуникатора (независимая переменная) на восприятие информации реципиента (зависимая переменная).

Эксперимент проводился естественным путем. Т.е. на экскурсию в телестудию пригласили людей и под удобным предлогом предложили посмотреть новости. Люди думали, что они смотрят передачу для эфира. Во всех новостях был представлен один и тот же человек, с одним и тем же сообщением, в одно и том же гриме, но в разных амплуа:

• конструктор завод;
• бригадир;
• ученый;
• журналист.

Выборка испытуемых – 667 человек:

• мужчин – 291;
• женщин – 376.

В каждой группе 20-30 человек. Деятельность людей разная:

• рабочие;
• инженерно-технические сотрудники;
• интеллигенция.

После просмотра новостей всем объясняли цели экскурсии и раздали анкеты для заполнения.

Изначально предполагалось, что социальный статус коммуникатора будет оказывать влияние на отношение испытуемых к сообщению, что и произошло на самом деле. Влияние произошло из-за близости социальной категории, например, рабочим была важна новость от «бригадира». Корреляция иногда была равна +0,88.

Плюс экспериментального исследования:

• хороший контроль над переменными.

Вывод

Корреляция и эксперимент имеют определенные сильные стороны, поэтому они могут дополнять друг друга. В первую очередь их необходимо характеризовать как особенность организационного плана, который может использовать психолог для получения новых научных данных. Сбор первичной информации происходит с помощью определенных методов. Выявлены три основных:

• опрос;
• наблюдение;
• анализ документов.

Перечисленные способы носят междисциплинарный характер, которые используют юристы, психологи, социологи, журналисты и т.д. Все остальные методы являются производными.

Корреляция и причинность 📊 — чем отличаются эти понятия

Обновление от 24 мая, 2023 г.

11 отзывов, в среднем 5 из 5

Корреляция случайная взаимосвязь двух факторов, или связь через третий фактор. Причинность — это прямая взаимосвязь одного фактора с другим. Принцип причинности позволяет принимать решения на основе данных.

Миша Ряженка

Founder, Executive Partner

Что такое корреляция и причинность

Корреляция случайная взаимосвязь двух факторов, или связь через третий фактор.

Причинность — это прямая взаимосвязь одного фактора с другим. Принцип причинности позволяет принимать решения на основе данных.

Миша Ряженка

Founder, Executive Partner

В чем разница корреляции и причинности

Причинность основывается на реальной связи, а корреляция — лишь на гипотетической. Опираться на одну лишь корреляцию может быть опасно и не позволяет принимать правильные решения.

Миша Ряженка

Founder, Executive Partner

Как использовать корреляцию и причинность

Корреляцию необходимо доказать и обосновать, чтобы стала очевидной причинно–следовенная связь. Если это невозможно, то нужно относиться к такой связи лишь как к гипотезе.

Профессии

Продакт–менеджер

Профессия

Долгосрочная программа

Обучение с нуля профессии «Продакт–менеджер» в IT на реальных рыночных кейсах. Передадим вам практический коммерческий опыт и подготовим к трудоустройству.

Скрам–мастер & Agile–коуч

Долгосрочная программа

Профессия

Обучение с нуля профессии «Скрам–мастер & Agile–коуч» по индивидуально разработанной программе с поддержкой при трудоустройстве и еженедельным личным трекингом и менторством

Миша Ряженка

Founder, Executive Partner

Корреляция против причинности: понятие разницы для ваших продуктов

Хотя причинность и корреляция могут существовать одновременно, корреляция не подразумевает причинности.

Корреляция и причинность могут показаться обманчиво похожими. Но понимание различий между ними может стать решающим фактором, чтобы грамотно расставить приоритеты между бесполезной тратой усилий на ненужные функции и созданием продукта, о котором ваши клиенты не будут переставать мечтать.

В этой части мы сосредоточимся на корреляции и причинно–следственной связи, поскольку это относится конкретно к созданию цифровых продуктов и пониманию поведения пользователей. Это будет полезно менеджерам по продуктам, специалистам по анализу данных и аналитикам. Поможет сформировать правильные представления о развитии продукта, например, таких, как: влияние определенных функций на удержание клиентов и процесс взаимодействия с ними.

После прочтения этого текста вы будете:

• знать ключевые различия между корреляцией и причинно–следственной связью;
• понимать основные различия между корреляцией и причинно–следственной связью;
• иметь два надежных решения, которые ваша команда сможет использовать при проверке причинно–следственной связи.

Миша Ряженка

Founder, Executive Partner

В чем разница между корреляцией и причинностью?

Несмотря на то, что причинность и корреляция могут существовать одновременно, корреляция не подразумевает причинности. Причинность явно применима к случаям, когда действие A вызывает результат B. С другой стороны, корреляция — это просто взаимодействие. Действие A относится к действию B, но одно событие не обязательно влечет за собой другое событие.

Корреляцию и причинность часто путают, потому что человеческий разум любит находить закономерности, даже когда их нет. Мы часто применяем эти паттерны, когда две переменные оказываются настолько тесно связанными, что одна зависит от другой. Это подразумевает причинно–следственную связь, в которой зависимое событие является результатом независимого события.

При этом, мы не можем просто подразумевать причинность, даже если видим два события, происходящих, казалось бы, вместе, перед нашими глазами. Во–первых, наши наблюдения носят абсолютно анекдотичный характер. Во–вторых, существует много других возможностей для ассоциации, в том числе:

• Верно обратное: B на самом деле вызывает A;
• Оба действительно коррелируют, но есть что–то еще;
• A и B коррелируют, но на самом деле — они вызваны C;
• Есть еще одна переменная: A действительно вызывает B — до тех пор, пока происходит D;
• Происходит цепная реакция: A вызывает E, что приводит E к причине B (но вашими глазами вы видели только то, что A вызывает B).

Миша Ряженка

Founder, Executive Partner

Как проверить причинно–следственную связь в вашем продукте

Причинно–следственные связи не происходят случайно.

Может возникнуть соблазн связать две переменные как «причину и следствие». Но если делать это без подтверждения причинности и при в надежном анализе, процесс приведет к обширной проверке соотношения между зависимой и независимой переменными.

Ложноположительный эффект – явление, где причинно–следственная связь кажется существующей, но на самом деле ее нет. Это может произойти, если вы не будете тщательно проверять связь между зависимой и независимой переменными.

Ложноположительные данные являются проблемой при создании информации о продукте, поскольку без тщательного тестирования вы рискуете в дальнейшем принимать важные решения, относящиеся к продукту, на основании неверных сведений о поведении пользователя.

Это может ввести вас в заблуждение, создав иллюзию того, что вы понимаете связь между важными результатами и поведением пользователей.

Например, вы можете думать, что знаете, какое конкретное событие приводит к долгосрочному удержанию пользователя, но без тщательного тестирования вы рискуете принять важные решения в отношении продукта, полагаясь на неверные данные о поведении пользователя.

Проведите надежные эксперименты для определения причинно–следственной связи

Как только вы установите корреляцию, вы сможете проверить причинно–следственную связь. Сделать это можно, проведя тесты, которые «проверяют другие переменные и выявляют разницу».

Два примера таких эксперимента или анализа, которые вы можете использовать для выявления причинно–следственной связи с вашим продуктом:

• Проверка гипотез;
• A/B/…-n эксперименты.

Миша Ряженка

Founder, Executive Partner

1. Проверка гипотез

Самое простое тестирование гипотезы будет включать: H0 (нулевую гипотезу) и h2 (вашу основную гипотезу). Вы также можете иметь вторичную гипотезу, третичную гипотезу и так далее.

Нулевая гипотеза является противоположностью вашей основной гипотезе. Почему? Пока вы не можете доказать свою основную гипотезу со 100% уверенностью (самое близкое, что вы можете получить, — это 99%), вы можете опровергнуть свою нулевую гипотезу.

Основная гипотеза указывает на причинно–следственную связь, которую вы исследуете, и должна распознавать независимую переменную и зависимую переменную.

Лучше всего – это для начала создать свой h2, а затем определить его противоположность и использовать ее для вашего H0. Ваш h2 должен определить соотношение, которое вы ожидаете между независимыми и зависимыми переменными.

Итак, если мы используем предыдущий пример влияния социальных функций на удержание внутри приложения, ваша независимая переменная будет присоединяться к «сообществам», а ваша зависимая переменная будет инструментом сохранения.

Итак, ваша гипотеза может быть такой:

h2: если пользователь присоединяется к «сообществу» в рамках нашего продукта в первый месяц, то он будет оставаться клиентом более одного года

Затем отрицайте h2, чтобы сгенерировать нулевую гипотезу:

H0: нет никакой связи между присоединением к сообществу в приложении и удержанием пользователя

Цель заключается в том, чтобы наблюдать любое значимое различие между вашими гипотезами. Если вы можете отклонить нулевую гипотезу со статистической значимостью (в идеале с уверенностью не менее 95%), вы становитесь ближе к пониманию взаимосвязи между независимыми и зависимыми переменными.

В приведенном выше примере, если вы можете отклонить нулевую гипотезу, обнаружив, что присоединение к сообществу привело к более высоким коэффициентам сохранения (с поправкой на переменные, которые могут повлиять на ваши результаты), то вы, вероятно, можете заключить, что существует некоторая связь между «сообществами» и удержанием пользователей.

Чтобы проверить эту гипотезу, создайте уравнение, которое будет точно отражать связь между ожидаемой причиной (независимая переменная) и следствием (переменная результата). Если ваша модель позволяет вам добавить значение для вашей переменной и последовательно возвращать результат, который отражает фактические наблюдаемые данные, вы, вероятно, к чему–то пришли.

Миша Ряженка

Founder, Executive Partner

Когда использовать проверку гипотез?

Проверка гипотезы полезна, когда вы пытаетесь определить, действительно ли существует взаимосвязь между двумя переменными, а не полагаетесь на несуразные доказательства. Вы можете посмотреть историю собранных данных, чтобы выполнить продольный анализ, который рассматривает изменения с течением времени.

Например, вы можете проверить, являются ли первые пользователи с момента запуска вашего продукта крупнейшими промоутерами. Вы можете просмотреть паттерны, а также сравнить эту связь с работой продукта с течением времени.

Или можно запустить перекрестный анализ, который анализирует общую картину.

Это полезно, когда вы смотрите на последствия конкретного воздействия и результата, а не на изменения тенденций в течении определенного периода. В качестве примера можно изучить взаимосвязь между рекламными акциями, связанными с праздником, и количеством продаж.

Миша Ряженка

Founder, Executive Partner

2. A/B/n Эксперименты

В качестве альтернативы, A/B/n -тестирование может привести вас от корреляции к причинно–следственной связи. Посмотрите на каждую из ваших переменных, измените одну и посмотрите, что произойдет. Если ваш результат постоянно меняется (с той же тенденцией), вы нашли переменную, которая имеет значение.

Эндрю Чен говорит об этом так: «после того, как вы нашли модель, которая работает в вашем случае, следующий шаг – это попробовать проверить ее. Сделайте что–то, что определяет приоритет входной переменной и увеличивает его, возможно, за счет чего–то еще».

Он продолжает: «посмотрите, будут ли эти пользователи в результате более успешным. Если вы видите большую разницу при измерении вашего успеха, то вы к чему–то пришли. Если же нет, то, возможно, это не очень хорошая модель».

Когда речь заходит о том, что присоединение к «сообществам» приводит к повышению коэффициента сохранения, необходимо исключить все другие переменные, которые могут повлиять на результат.

Например, пользователи могли опираться на другой фактор или причину, что в конечном итоге и повлияло на процент сохранения.

Чтобы проверить наличие причинно–следственной связи, необходимо найти прямую связь между пользователями, присоединяющимися к сообществам, и теми, кто будет использовать ваше приложение в долгосрочной перспективе.

Начните с притока новых пользователей. Создайте возможность выбора для следующих 1000-и пользователей, которые зарегистрируются, а затем разделите их на две группы. Половина будет вынуждена присоединиться к «сообществам», когда они впервые зарегистрируются, а другая половина может регистрироваться без присоединения к «сообществу».

Проведите эксперимент в течение 30-ти дней, а затем сравните показатели сохранения между двумя группами.

Если вы обнаружите, что группа, которая была вынуждена присоединиться к сообществам, имеет более высокий уровень сохранения, то у вас есть доказательства, необходимые для подтверждения причинно–следственной связи между присоединением к «сообществам» и сохранением клиентов. Это соотношение, вероятно, стоит анализировать и дальше, чтобы понять, почему «сообщества» могут сохранять пользователей.

Вы не будете уверены во взаимосвязи, пока не выполните эти эксперименты.

Миша Ряженка

Founder, Executive Partner

Когда использовать A/B/n тесты?

A/B/n или сплит–тестирование, идеально подходит для сравнения влияния различных факторов (это может быть акция, функция продукта или стратегия контента).

Например, сплит–тест притока пользователей вашего продукта может сравнить эффективность различных стратегий, на основе определенных данных, включая:

• Копирование вариаций;
• Различные графики;
• Использование стороннего приложения для автоматического распознавания имени и компании ваших пользователей;
• Уменьшение количества полей в форме регистрации (если она у вас есть).

После запуска нескольких вариантов адаптации продукта вы сможете посмотреть на результаты, чтобы сравнить такие показатели, как: коэффициент отсева, конверсию и даже сохранение.

Миша Ряженка

Founder, Executive Partner

Причинность и корреляция — как работать?

Действуйте, основываясь на правильных корреляциях, для устойчивого роста продукта

Мы всегда ищем закономерности вокруг нас, потому наша цель по умолчанию — быть в готовыми объяснить все, что мы видим. Однако, если причинность не может быть четко определена, следует предположить, что мы видим только корреляцию.

События, которые кажутся связанными, если придерживаться здравого смысла, не могут рассматриваться как причинные, если вы не можете доказать их четкую и прямую связь.

Хотя причинность и корреляция могут существовать одновременно, корреляция не подразумевает причинности.

Чем более опытным вы становитесь в определении истинных корреляций внутри вашего продукта, тем лучше вы будете расставлять приоритеты в ваших усилиях, направленных на вовлечение и удержание пользователей.

Корреляции | Психология | tutor2u

Психологи не одиноки в своем использовании корреляций, фактически многие дисциплины будут использовать этот метод. Корреляция проверяет, связаны ли два набора чисел ; другими словами, соответствуют ли два набора чисел некоторым образом.

В случае психологии анализируемые числа относятся к поведению (или переменным, которые могут повлиять на поведение), но на самом деле можно проверить любые две переменные, дающие количественные данные, чтобы установить, существует ли корреляция.

Каждый из двух наборов чисел представляет ко-переменную . После сбора данных для каждой из сопутствующих переменных они могут быть нанесены на диаграмму рассеяния и/или подвергнуты статистическому анализу для получения коэффициента корреляции .

Диаграммы рассеяния и коэффициенты показывают силу связи между двумя переменными , которая подчеркивает степень соответствия двух переменных.

Связь между двумя переменными всегда дает коэффициент от 1 до -1.

Коэффициенты со знаком минус перед ними подчеркивают отрицательную корреляцию , что означает, что при увеличении одного набора чисел другой набор уменьшается или при уменьшении одного набора увеличивается другой, поэтому тренд данных одной переменной противоположен другой.

Напротив, положительные коэффициенты указывают на то, что оба набора данных показывают одну и ту же тенденцию, поэтому при увеличении одного набора данных увеличивается и другой или при уменьшении одного набора те же тенденции наблюдаются во втором наборе данных

Эксперименты против корреляций

Наиболее фундаментальное различие между экспериментами и корреляциями заключается в том, что эксперименты оценивают влияние одной переменной (IV) на другую измеряемую переменную (DV).

Это требует, чтобы данные были дискретными или отдельными, и измерялось влияние этого на что-то еще.

Напротив, корреляции не используют дискретные отдельные условия, вместо этого они оценивают степень взаимосвязи между двумя совместно встречающимися переменными, которые связаны между собой.

Например, если психолог заинтересован в исследовании стресса и болезни, он может вычислить показатели стресса и заболевания для 20 участников и оценить, как эти два набора чисел соотносятся друг с другом, приняв, таким образом, корреляционный метод. Однако это можно было бы превратить в эксперимент, если бы исследователь выделил 10 участников с низкими показателями стресса (например, 10/50 или меньше) и 10 участников с высокими показателями стресса (например, 40/50 или более). Теперь есть два условия: одно для низкого стресса и одно для высокого стресса. Если бы исследователь должен был взять баллы за болезнь для всех 20 участников и сравнить участников с низким уровнем стресса и участников с высоким уровнем стресса, это было бы экспериментальной оценкой влияния стресса на болезнь.

Сильные стороны корреляций

Корреляции очень полезны в качестве метода предварительного исследования , позволяя исследователям идентифицировать связь, которую можно исследовать в дальнейшем посредством более контролируемого исследования.

Может использоваться для исследования тем, которые являются деликатными/в противном случае было бы неэтично, поскольку не требуется преднамеренного манипулирования переменными.

Ограничения корреляций

Корреляции только идентифицируют ссылку; они не определяют, какая переменная вызывает какую. Может присутствовать третья переменная, которая влияет на одну из сопутствующих переменных, которая не рассматривается.

Например. стресс может привести к курению/употреблению алкоголя, что приводит к болезни, поэтому существует косвенная связь между стрессом и болезнью.

Понимание взаимосвязей | R Психолог

Джейсон Ринальдо купил ☕☕☕☕☕☕☕☕☕☕ (10) кофе

Я ГОДЫ искал апплеты, которые показывают это, для демонстрации для занятий. Большое спасибо! Учащимся теперь не нужно разбирать мои каракули на доске. Я уверен, что они тоже оценят тебя.l

JDMM купил ☕☕☕☕☕ (5) кофе

Вы наконец-то помогли мне понять взаимосвязь! Большое-большое спасибо… 😄

@VicCazares купил ☕☕☕☕☕ (5) кофе

Хорошая штука! Это было так полезно для преподавания класса Psych Stats. Ваше здоровье!

Дастин М. Берт купил ☕☕☕☕☕ (5) кофе

Отличные и информативные визуализации!

Кто-то купил ☕☕☕☕☕ (5) кофе

@metzpsych купил ☕☕☕☕☕ (5) кофе

Всегда самая четкая и красивая симуляция сложных концепций. Удивительный ресурс для обучения вводной статистике!

Ре купил ☕☕☕☕☕ (5) кофе

Вот уже пару лет я хочу создавать подобные визуализации, чтобы запомнить эти основополагающие концепции. Но после того, как я нашел ваш веб-сайт, я одновременно почувствовал облегчение от того, что мне не нужно этого делать сейчас, и разозлился, что не смог создать ничего и вполовину столь красивого и информативного, как вы сделали здесь. Великолепная работа.

Диармуид Харви купил ☕☕☕☕☕ (5) кофе

У вас чрезвычайно полезный сайт с очень доступным содержанием, который я использовал, чтобы познакомить коллег и студентов с некоторыми основными понятиями статистики. Продолжайте в том же духе, и спасибо!

Майкл Хансен купил ☕☕☕☕☕ (5) кофе

Продолжайте в том же духе!

Майкл Вильянуэва купил ☕☕☕☕☕ (5) кофе

Хотел бы я узнать от вас больше о статистике и математике — вы используете язык там, где я его не понимаю. Визуализации Коэна D открыли мое понимание. Спасибо

Кто-то купил ☕☕☕☕☕ (5) кофе

Спасибо, Кристоффер

Пол из Норвегии купил ☕☕☕☕☕ (5) кофе

Отличная веб-страница, я использую ее для иллюстрации некоторых вопросов, когда я прочитайте лекцию по методам исследования. Спасибо, это действительно полезно для студентов 🙂

@MAgrochao купил ☕☕☕☕☕ (5) кофе

Джозеф Бюльбулия купил ☕☕☕☕☕ (5) кофе

Трудно переоценить важность этой работы Кристоффер. Благодарен за все, что вы делаете.

@TDmyersMT купил ☕☕☕☕☕ (5) кофе

Несколько действительно полезных симуляций, отличные обучающие ресурсы.

@lakens купил ☕☕☕☕☕ (5) кофе

Спасибо, что вчера исправили ошибку!

@LinneaGandhi купила ☕☕☕☕☕ (5) кофе

Это потрясающе! Спасибо за их создание. Определенно использую для моих студентов, и меня! 🙂

@ICH8412 купил ☕☕☕☕☕ (5) кофе

очень полезно для моих студентов, я думаю

@KelvinEJones купил ☕☕☕☕☕ (5) кофе

последний устный экзамен и наткнулся на твой сайт. Мы обсуждаем сегодня на лабораторном собрании. Кофе для всех.

Кто-то купил ☕☕☕☕☕ (5) кофе

Какой замечательный сайт

@Daniel_Brad4d купил ☕☕☕☕☕ (5) кофе

Замечательная работа!

Дэвид Лошелдер купил ☕☕☕☕☕ (5) кофе

Потрясающая работа. Очень полезно. Большое спасибо.

@neilmeigh купил ☕☕☕☕☕ (5) кофе

Я так благодарен за вашу страницу и не могу отблагодарить вас в достаточной мере!

@giladfeldman купил ☕☕☕☕☕ (5) кофе

Замечательная работа, я использую ее каждый семестр, и она действительно помогает студентам (и мне) лучше понимать вещи. Продолжай идти сильным.

Дин Норрис купил ☕☕☕☕☕ (5) кофе

Сал купил ☕☕☕☕☕ (5) кофе

Действительно очень полезно, особенно для обучения. Спасибо за это!

[email protected] купил ☕☕☕☕☕ (5) кофе

Очень помогает преподавать учителям результаты игры «Хорошее поведение»

@akreutzer82 купил ☕☕☕☕☕ (5) кофе

9005 6 Удивительно визуализации! Спасибо!

@rdh_CLE купил ☕☕☕☕☕ (5) кофе

Как хорошо!

Аманда Шарплс купила ☕☕☕ (3) кофе

Сойол купила ☕☕☕ (3) кофе

Кто-то купил ☕☕☕ (3) кофе

Кеннет Нильссон купил ☕☕☕ (3) кофе

Продолжайте в том же духе!

@jeremywilmer купил ☕☕☕ (3) кофе

Мне нравится этот сайт; использовать его все время в моем обучении и исследованиях.

Кто-то купил ☕☕☕ (3) кофе

Powerlmm был очень полезен, и я ценю ваше время на сбор такого замечательного ресурса!

DR AMANDA C DE C WILLIAMS купил ☕☕☕ (3) кофе

Это очень полезно для моей работы, обучения и контроля

Георгиос Халкиас купил ☕☕☕ (3) кофе

Регина купила ☕☕☕ (3) кофе

Люблю ваши визуализации!

Сьюзен Эванс купила ☕☕☕ (3) кофе

Спасибо. Мне очень нравится простота ваших слайдеров. Спасибо!!

@MichaMarie8 купил ☕☕☕ (3) кофе

Спасибо за создание этого сайта Interpreting Correlations: Interactive Visualizations — это определенно большая помощь для этого студента-психолога! 😃

Закария Гиунашвили из Грузии купил ☕☕☕ (3) кофе

блестящих симуляций, которые можно эффективно использовать в обучении

Кто-то купил ☕☕☕ (3) кофе

@PhysioSven купил ☕☕☕ (3) кофе

Потрясающие иллюстрации, для таких энтузиастов, как вы, в мире не хватает кофе! Спасибо!

Cheryl@CurtinUniAus купила ☕☕☕ (3) кофе

🌟Какой замечательный вклад — спасибо Кристоффер!

ванесса моран купила ☕☕☕ (3) кофе

Вау, у вас просто фантастический сайт, спасибо за его создание.

Кто-то купил ☕☕☕ (3) кофе

[email protected] купил ☕☕☕ (3) кофе

Спасибо, Кристоффер. Это хороший сайт, которым я пользовался некоторое время. Лучший Проф. Михаил Салтычев (Университет Турку, Финляндия)

Кто -то куплен ☕☕☕ (3) Кофе

Руслан Климентив куплен ☕☕☕ (3) Кофе

@lkizbok купил ☕☕☕ (3) Кофе

Продолжайте в том же ты!

@TELLlab купил ☕☕☕ (3) кофе

Спасибо — это поможет мне завтра преподавать!

SCCT/Психология куплено ☕☕☕ (3) кофе

Продолжайте визуализацию!

@elena_bolt купила ☕☕☕ (3) кофе

Большое спасибо за работу, Кристоффер. Я использую ваши визуализации для объяснения концепций своим ученикам-репетиторам, и они мне очень помогают.

Случайный пользователь купил ☕☕☕ (3) кофе

Спасибо, что делаете такие полезные и красивые инструменты. Это не только помогло мне лучше понять мощность, размер эффекта и т. д., но и сделало мои занятия по квантовым методам более увлекательными и интересными. Спасибо и желаю вам отличного 2021 года!

@hertzpodcast купил ☕☕☕ (3) кофе

Мы несколько раз упоминали вашу работу в нашем подкасте, а недавно отправили постер одному из слушателей в качестве приза, поэтому мы хотели угостить вас несколькими кофе. Спасибо за отличную работу, которую вы делаете! Дэн Кинтана и Джеймс Хизерс, соведущие программы Everything Hertz 

Кэмерон Проктор купила ☕☕☕ (3) кофе

Сегодня использовала вашу визуализацию на уроке. Спасибо!

[email protected] купил ☕☕☕ (3) кофе

Мои ученики любят эти визуализации, и я тоже! Спасибо, что помогли мне сделать статистику более интуитивно понятной.

Кто-то купил ☕☕☕ (3) кофе

Адриан Хельго Вестёль купил ☕☕☕ (3) кофе

@misteryosupjoo купил ☕☕☕ (3) кофе

я бы потерялся без ваших визуализаций. Способность взаимодействовать и манипулировать позволяет учащимся получить это в очень липкой манере. Спасибо!!!

Чи купил ☕☕☕ (3) кофе

Ваш пост Коэна действительно помог мне объяснить интерпретацию людям, которые не разбираются в статистике! Спасибо!

Кто-то купил ☕☕☕ (3) кофе

Вы делаете полезное дело!! Спасибо !!

@ArtisanalANN купил ☕☕☕ (3) кофе

Наслаждайтесь.

@jsholtes купил ☕☕☕ (3) кофе

Преподаю статистику студентам-инженерам-строителям (первый раз преподаю для меня, впервые для большинства из них тоже) и хватаюсь за хорошие объяснения проверки гипотез, мощности и КИ. Обожаю эту интерактивную графику!

@notawful купил ☕☕☕ (3) кофе

Спасибо, что так полезно и щедро используете свою статистику и дары программирования. -Джесс

Матеу Сервера купил ☕☕☕ (3) кофе

Работа, которая, должно быть, стоила гораздо больше кофе, чем мы можем вам позволить ;-). Спасибо.

@cdrawn купил ☕☕☕ (3) кофе

Спасибо! Такой отличный ресурс для обучения этим понятиям, особенно CI, Power, корреляции.

Юля купила ☕☕☕ (3) кофе

Фантастическая работа с визуализациями!

@felixthoemmes купил ☕☕☕ (3) кофе

@dalejbarr купил ☕☕☕ (3) кофе

Ваша работа потрясающая! Я часто использую ваши визуализации в своем обучении. Спасибо.

@PsychoMouse купил ☕☕☕ (3) кофе

Отлично! Отличная работа! ОООООчень полезно!😊 🐭 

Дэн Сейнс купил ☕☕ (2) кофе

это превосходный, интуитивно понятный обучающий инструмент!

@whlevine купил ☕☕ (2) кофе

Большое спасибо за эти потрясающие визуализации. Это отличный инструмент для обучения, и они позволяют мне показывать студентам вещи, на программирование которых у меня ушли бы недели или месяцы.

Кто-то купил ☕☕ (2) кофе

@notawful купил ☕☕ (2) кофе

Спасибо, что поделились своими навыками визуализации со всеми нами! Я часто использую их при обучении вводной статистике.

Эндрю Дж. О’Нил купил ☕ (1) кофе

Спасибо, что помогли разобраться!

Кто-то купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Шон Хемелстранд купил ☕ (1) кофе

Спасибо за это прекрасное видео. Я использую его все время, чтобы продемонстрировать d Коэна и почему средние различия влияют на его приближение.

Адель Фаулер-Дэвис купила ☕ (1) кофе

Большое спасибо за отличный пост о продольных моделях. Продолжайте хорошую работу!

Стюарт купил ☕ (1) кофе

Этот инструмент потрясающий!

Кто-то купил ☕ (1) кофе

Эйдан Нельсон купил ☕ (1) кофе

Такая замечательная страница, спасибо

Кто-то купил ☕ (1) кофе

Эллен Кернс купила ☕ (1) кофе

Доктор Назам Хусейн купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Ева купила ☕ (1) кофе

Я изучал анализ мощности и величину эффекта (пытаясь определиться с величиной эффекта для моего запланированного исследования по расчету объема выборки) и ваш коэффициент Коэна интерактивный инструмент невероятно полезен для понимания последствий различных размеров эффектов!

Кто-то купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Большое спасибо!

Кто-то купил ☕ (1) кофе

Рина Мурму Нильсен купил ☕ (1) кофе

Тони Андреа купил ☕ (1) кофе

Спасибо, приятель

Цао купил ☕ (1) кофе

Спасибо, это действительно помогает, так как я идиот статистики 🙂

Мелани Пфлаум купила ☕ (1) кофе 9000 5

Саша Элмс купил ☕ (1) кофе

Ихан Сю купил ☕ (1) кофе

Очень ценю вашу хорошую работу!

@stevenleung купил ☕ (1) кофе

Ваши визуализации действительно помогают мне понять математику.

Junhan Chen купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Майкл Хансен купил ☕ (1) кофе

ALEXANDER VIETHEER купил ☕ (1) кофе

Мазер купил ☕ (1) кофе 9 0005

Кто-то Купил ☕ (1) кофе

Bastian Jaeger купил ☕ (1) Кофе

Спасибо за дизайн плаката OA, я только что повесил два в своем офисе, и они отлично смотрятся!

@ValerioVillani купил ☕ (1) кофе

Спасибо за работу.

Кто-то купил ☕ (1) кофе

Отличная работа!

@YashvinSeetahul купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Анжела купила ☕ (1) кофе

Спасибо за то, что создали такие прекрасные способы донести до учащихся сложные темы!

@inthelabagain купил ☕ (1) кофе

Действительно замечательные визуальные эффекты и такое фантастическое и эффективное средство обучения. Огромное спасибо!

Кто-то купил ☕ (1) кофе

Кто-то купил ☕ (1) кофе

Яшашри Панда купил ☕ (1) кофе

Мне очень нравятся ваши работы.

Бен купил ☕ (1) кофе

Ты классный. У меня есть ученики в моем вводном классе статистики, которые говорят: «Теперь я понял» после использования вашего инструмента. Спасибо, что облегчили мою работу.

Габриэль Реккиа купил ☕ (1) кофе

Невероятно полезный инструмент!

Shiseida Sade Kelly Aponte купила ☕ (1) кофе

Спасибо за помощь для RSCH 8210.

@Benedikt_Hell купила ☕ (1) кофе

Отличные инструменты! Большое спасибо!

Амалия Альварес купила ☕ (1) кофе

@noelnguyen16 купила ☕ (1) кофе

Привет, Кристоффер, большое спасибо за то, что сделал все эти замечательные вещи доступными для сообщества!

Эран Барзилай купил ☕ (1) кофе

Эти визуализации потрясающие! спасибо за его создание

Кто-то купил ☕ (1) кофе

Крис SG купил ☕ (1) кофе

Очень приятно.

Серая церковь купила ☕ (1) кофе

Спасибо за визуализации. Они веселые и познавательные.

Камар купила ☕ (1) кофе

Таня МакГи купила ☕ (1) кофе

@schultemi купила ☕ (1) кофе

Нейло купила ☕ (1) кофе

Действительно полезные визуализации, спасибо!

Кто-то купил ☕ (1) кофе

Это потрясающая штука. Очень ловко.

Кто-то купил ☕ (1) кофе

Сарко купил ☕ (1) кофе

Большое спасибо за это! Очень полезно для того, чтобы объяснить размер эффекта врачу, для которого я делаю анализ.

@DominikaSlus купил ☕ (1) кофе

Спасибо! Эта страница очень полезна. Я расскажу.

Кто-то купил ☕ (1) кофе

Мелинда Райс купила ☕ (1) кофе

Большое спасибо за создание этих инструментов! Поскольку мы сталкиваемся с проблемой преподавания статистических понятий в Интернете, это бесценный ресурс.

@tmoldwin купил ☕ (1) кофе

Фантастический ресурс. Я думаю, вам было бы полезно иметь одну страницу, индексирующую все ваши визуализации, что сделало бы ее более доступной для совместного использования в качестве общего ресурса.