Presentation is loading. Please wait.

Presentation is loading. Please wait.

PASW 17.0 활용하기 일시 : 2009.07.15, (PM) 6:30-10:30 장소 : 삼성암센터 (지하1층 세미나실2)

Similar presentations


Presentation on theme: "PASW 17.0 활용하기 일시 : 2009.07.15, (PM) 6:30-10:30 장소 : 삼성암센터 (지하1층 세미나실2)"— Presentation transcript:

1 PASW 17.0 활용하기 일시 : , (PM) 6:30-10:30 장소 : 삼성암센터 (지하1층 세미나실2)

2 내용 자료 입력하기, 저장하기 엑셀로 입력된 자료 불러오기 실제 분석 절차 및 결과 제시
S/W : PASW (Predictive Analytics Software) 17.0

3 초기 화면

4 자료 입력 및 저장하기 PASW에서 Data 직접 입력하기 입력한 변수 정보 확인하기 Data 저장하기

5 자료 입력 하기 PASW에서 Data 직접 입력하기

6 Step1

7 Step2

8 Step2

9 Step2 클릭 !!!

10 Step2

11 Step2

12 Step2

13 Tip. 문자형 자료 입력하기 클릭 !!!

14 Tip. 문자형 자료 입력하기

15 Tip. 문자형 자료 입력하기

16 Tip. 문자형 자료 입력하기

17 입력한 변수 정보 확인하기

18 파일 > 데이터 파일 정보 표시 > 작업 파일

19

20 Data 저장하기 -> ***.sav

21 Step1 파일 > 저장

22 Step2: 경로 지정

23 Step3 : 파일 이름 입력

24

25 Tip. Excel로 저장하기 저장 유형을 (*.xls)로 바꿔 준다

26 자료 불러오기 엑셀로 입력된 자료 불러오기

27 엑셀 자료

28 Step1 파일 > 열기 > 데이터

29 Step2 : 파일 유형 지정

30 Step3 : 불러올 파일 이름 지정 -> 열기

31 Step4 : 워크시트 지정 -> 확인

32

33 연관성 분석

34 Example 1-1 Ex) 흡연상태(C, P, N)와 폐암 발생간 연관성 환자군 정상군 total C 28 (80%)
(53%) 7 (20%) (22%) 35 P 20 (67%) (38%) 10 (33%) (31%) 30 N 5 (25%) (9%) 15 (75%) (47%) 53 32 85

35 가설 : 흡연 상태간 폐암 발생 비율이 차이가 있다.
가설 : 폐암군과 정상군간 흡연상태 비율이 차이가 있다.

36 -> Chi-square test, Fisher’s exact test 수행

37 분석할 자료 불러오기

38 분석 절차 가중치 부여하기 Chi-Square test or Fisher’s Exact test 수행

39 가중치 부여 :Step1 데이터 > 가중 케이스 39

40 가중치 부여 :Step2 40

41 가중치 부여 :Step2 41

42 Output

43 Chi-square test, Fisher’s exact test :Step1
분석 > 기술통계량 > 교차분석 43

44 Chi-square test, Fisher’s exact test :Step2
44

45 Chi-square test, Fisher’s exact test :Step2
클릭 !!! 45

46 Chi-square test, Fisher’s exact test :Step3
46

47 Chi-square test, Fisher’s exact test :Step4
클릭 !!! 47

48 Chi-square test, Fisher’s exact test :Step4
48

49 Output : 빈도분포표

50 Output : 카이제곱 검정 결과

51 Example 1-2 Ex) 하루 흡연량(0, <=10/day, >10/day)과 폐암 발생 여부간 연관성

52 Example 1-2 가설 : 세 군(흡연량)간 폐암 발생 비율이 다르다. 가설 : 폐암군과 정상군간 흡연량 비율이 다르다.
가설 : 하루 흡연량이 많을수록 폐암 발생 비율이 높다. 가설 : 폐암군은 정상군보다 흡연량이 많다.

53 가설 : 세 군(흡연량)간 폐암 발생 비율이 다르다.
가설 : 폐암군과 정상군간 흡연량 비율이 다르다. Chi-square test, Fisher’s exact test

54 가설 : 하루 흡연량이 많을수록 폐암 발생 비율이 높다.
Cochran-Armitage test

55 분석 절차 문자형 변수 Group(정상군, 환자군)을 숫자형 변수로 바꾸기 가중치 부여하기
Cochran-Armitage test 수행

56 데이터 변환 - 문자 -> 숫자: Step1
변환 > 다른 변수로 코딩변경

57 데이터 변환 - 문자 -> 숫자 : Step2

58 데이터 변환 - 문자 -> 숫자 : Step2

59 데이터 변환 - 문자 -> 숫자 : Step3

60 데이터 변환 - 문자 -> 숫자 : Step3

61 Data 변환 결과

62 가중치 부여:Step1 데이터 > 가중 케이스 62

63 가중치 부여:Step2 63

64 가중치 부여:Step2 64

65 Output

66 Cochran-Armitage test: Step1
분석 > 기술통계량 > 교차분석 66

67 Cochran-Armitage test: Step2
67

68 Cochran-Armitage test: Step2
클릭 !!! 68

69 Cochran-Armitage test: Step3
69

70 Cochran-Armitage test: Step4
클릭 !!! 70

71 Cochran-Armitage test: Step5
71

72 Output : 빈도분포표

73 Output : 분석결과

74 가설 : 폐암군은 정상군보다 흡연량이 많다. Mann-Whitney test

75 분석 절차 가중치 부여하기 Mann-Whitney test 수행

76 Mann-Whitney test: Step1
분석 > 분산분석 > 비모수적 검정 > 독립 2 표본 76

77 Mann-Whitney test: Step2

78 Mann-Whitney test: Step2

79 Mann-Whitney test: Step3
클릭 !!!

80 Output

81 Example 1-3 Ex) 하루 흡연량(0, <=10/day, >10/day)과 BP level (SBP;
<130, 130<= < 150, >=150)간 연관성 가설 : 세 군(흡연량)간 BP level 비율이 다르다 가설 : 흡연량이 많을수록 BP level이 높은가

82

83 가설 : 세 군(흡연량)간 BP level 비율이 다르다.
Chi-square test, Fisher’s Exact test

84 -> 기대돗수 check If expected count less than 5, Fisher’s Exact test

85 분석 절차 가중치 부여하기 Fisher’s Exact test 수행

86 Fisher’s exact test: Step1
분석 > 기술통계량 > 교차분석

87 Fisher’s exact test: Step2
클릭 !!! 87

88 Fisher’s exact test: Step3

89 Fisher’s exact test: Step4
클릭 !!! 89

90 Fisher’s exact test: Step5

91 Fisher’s exact test: Step6
클릭 !!! 91

92 Fisher’s exact test: Step7

93 Output 93

94 Output 94

95 가설 : 흡연량이 많을수록 BP level이 높은가
Spearman’s correlation analysis

96 분석 절차 가중치 부여하기 Spearman’s correlation analysis 수행

97 Spearman’s correlation analysis: Step1
분석 > 상관분석 > 이변량 상관계수 97

98 Spearman’s correlation analysis: Step2
클릭 !!! 98

99 Spearman’s correlation analysis: 결과
99

100 Example 1-4 Ex) Venography와 Thermography간 진단결과 비교 (Paired design)
양성비율이 다르다.

101 ……………………

102 -> McNemar’s test 적용

103 McNemar’s Test: Step1 분석 > 기술통계량 > 교차분석

104 McNemar’s Test: Step2 클릭 !!! 104

105 McNemar’s Test: Step3 클릭 !!! 105

106 McNemar’s Test: 분석결과 106

107 Example 2-1(1) Ex) 폐암 발생 여부와 하루 흡연량(개피/day)간 연관성
가설 : 폐암 환자군과 정상군간 하루 흡연량이 다른가

108

109 Two sample t-test, Mann-Whitney test
정규성 체크! - If yes, Two-sample t-test 적용 - If no, Mann-Whitney test 적용

110 정규성 check/ 기술통계: Step1 분석 > 기술통계량 > 데이터 탐색

111 정규성 check / 기술통계: Step2 클릭 !!!

112 정규성 check / 기술통계: Step3

113 정규성 check / 기술통계: Step4 클릭 !!!

114 정규성 check / 기술통계: Step5

115 정규성 check / 기술통계: 분석결과

116 정규성 check / 기술통계: 분석결과

117 모수적 방법인 Two Sample t-test 적용
각 군에서 자료값들이 정규 분포를 따르는가 -> yes 모수적 방법인 Two Sample t-test 적용

118 T-test: Step1 분석 > 평균 비교 > 독립 표본 T 검정

119 T-test: Step2

120 T-test: Step3

121 T-test: 분석결과

122 Example 2-1(2) Ex) 폐암 발생 여부와 하루 흡연량(개피/day)간 연관성
가설 : 폐암 환자군과 정상군간 하루 흡연량이 다른가

123

124 Two sample t-test, Mann-Whitney test
정규성 체크! -> If no, Mann-Whitney test 적용

125 Mann-Whitney test: Step1
분석 > 분산분석 > 비모수적 검정 > 독립 2 표본 125

126 Mann-Whitney test: Step2
Error !!! 문자 속성을 가진 Group변수는 활성화 되지 않음 -> 숫자로 변환

127 Data 변환: Step1 변환 > 다른 변수로 코딩변경

128 Data 변환: Step2 클릭 !!!

129 Data 변환: Step3 클릭 !!!

130

131 Mann-Whitney test: Step2

132 Mann-Whitney test: Step3

133 Mann-Whitney test: 분석 결과

134 Example 2-2 Ex) 해열제 투여 여부(투여전, 투여후)와 체온간 연관성 (Paired design)
가설 : 투여 전후 간 체온이 다르다.

135

136 투여전후간 차이값들이 정규분포를 따르는지 check
-> If yes, Paired t-test -> If no, Wilcoxon’s signed rank test

137 Diff(=before-after)계산: Step1
변환 > 변수 계산

138 Diff(=before-after)계산: Step2

139

140 정규성 check/ 기술통계: Step1 분석 > 기술통계량 > 데이터 탐색

141 정규성 check / 기술통계: Step2 클릭 !!!

142 Diff에 대한 정규성 check/기술통계: Step3

143 Diff에 대한 정규성 check/기술통계: 분석결과

144 Diff에 대한 정규성 check/기술통계: 분석결과

145 각 쌍의 차이값들이 정규 분포를 따르는가 -> yes Paired t-test 적용

146 Paired t-test: Step1 분석 > 평균 비교 > 대응 표본 T 검정

147 Paired t-test: Step2

148 Paired t-test: Step3

149 Paired t-test: 분석결과

150 Example 2-3(1) Ex) BP level(<130, 130<= <150, >=150)과 하루 흡연량 (개피/day)간 연관성 가설 : 세 군(BP level)간 하루 흡연량이 다르다

151

152 -> One-way ANOVA or Kruskal-Wallis test
정규성 check 등분산성 check

153 정규성 및 등분산성 check / 기술통계 : Step1 분석 > 기술통계량 > 데이터 탐색 153

154 정규성 및 등분산성 check / 기술통계 : Step2 클릭 !!! 154

155 정규성 및 등분산성 check / 기술통계 : Step3 155

156 정규성 및 등분산성 check / 기술통계 : 분석 결과 ……………….. 156

157 정규성 및 등분산성 check / 기술통계 : 분석 결과 157

158 정규성 및 등분산성 check / 기술통계 : 분석 결과

159 각 군에서 자료값들이 정규 분포를 따르는가 : Yes
네 군의 분산들이 모두 같은가 : No Kruskal-Wallis test

160 Kruskal –Wallis Test: Step1
160

161 Kruskal –Wallis Test: Step2
161

162 Kruskal –Wallis Test: Step3
클릭 !!! 162

163 Kruskal –Wallis Test: 분석결과
163

164 비모수적 다중비교: Step1 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 변환 > 순위변수 생성 164

165 비모수적 다중비교: Step2 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 165

166 166

167 ………… 167

168 비모수적 다중비교: Step3 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 분석 > 평균 비교 > 일원배치 분산분석 168

169 비모수적 다중비교: Step4 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 169

170 비모수적 다중비교: Step5 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 클릭 !!! 170

171 비모수적 다중비교: Step6 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 171

172 비모수적 다중비교: 분석결과 (순위를 이용한 최소유의차 검정:
The least significant difference test using ranks) 172

173 Example 2-3(2) Ex) BP level(<130, 130<= <150, >=150)과 하루 흡연량 (개피/day)간 연관성 가설 : 하루 흡연량이 많을수록 BP level이 높다.

174 순서형 변수와 연속형 변수간 상관성 분석 Spearman’s correlation analysis

175 Spearman’s correlation analysis: Step1
분석 > 상관분석 > 이변량 상관계수 175

176 Spearman’s correlation analysis: Step2
176

177 Spearman’s correlation analysis: Step3

178 Spearman’s correlation analysis: 분석결과

179 Example 2-4 Ex) 다이어트제 종류와 체중간 연관성; 세군간 체중 비교 (Matched design)
- Control (No diet) - Diet제 A - Diet제 B 가설 : 그룹 간에 6개월 후 체중이 다르다.

180

181 정규성 check -> If yes, Two-way ANOVA

182 Two way ANOVA: Step1 분석 > 일반선형모형 > 일변량 182

183 Two way ANOVA: Step2 183

184 Two way ANOVA: Step2 클릭 !!! 184

185 Two way ANOVA: Step3 185

186 Two way ANOVA: Step3 186

187 Two way ANOVA: Step4 클릭 !!! 각 그룹 당 10명씩 같기 때문에 lameans 이거나 means은 같은 결과를 준다 187

188 Two way ANOVA: Step5 188

189 Two way ANOVA: Step6 189

190 Two way ANOVA: 분석결과 3 군간에 평균 체중이 모두 같다고 할 수 없다. 190

191 Two way ANOVA: 분석결과 다중비교 결과 191

192 Example 3-1 Ex) 하루 흡연량과 SBP간 상관성이 있다. 가설 : 하루 흡연량과 SBP간 상관성이 있다.

193

194 자료 탐색 - 산점도 정규성 가정 check -> If yes, Pearson’s correlation analysis -> If no, Spearman’s correlation analysis

195 산점도: Step1 그래프 > 레거시 대화 상자 > 산점도/점도표 195

196 산점도: Step2 196

197 산점도: Step3 197

198 산점도: 분석결과 198

199 정규성 check: Step1 분석 > 기술통계량 > 데이터 탐색 199

200 정규성 check: Step2 클릭 !!! 200

201 정규성 check: Step3 201

202 정규성 check: 분석결과 202

203 Spearman correlation analysis:Step1
분석 > 상관분석 > 이변량 상관계수 203

204 Spearman correlation analysis:Step2
204

205 Spearman correlation analysis: 분석결과
205

206 Example 4-1 Ex) 종속변수(y) : SBP of infants
독립변수(x) : birthweight of infants, age in days of infants, sex

207

208 Multiple linear regression (다중선형회귀) analysis

209 Multiple linear regression: Step1
분석 > 일반선형모형 > 일변량 선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 209

210 Multiple linear regression: Step2
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 210

211 Multiple linear regression: Step2
클릭 !!! 선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 211

212 Multiple linear regression: Step3
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 212

213 Multiple linear regression: 분석결과
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 213

214 Example 5-1 Ex) 종속변수(y) : CHD (1, 0) 독립변수(x) : 연령, 흡연유무

215

216

217

218 Logistic regression model

219 Logistic regression model: Step1
분석 > 회귀분석 > 이분형 로지스틱 선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 219

220 Logistic regression model : Step2
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 220

221 Logistic regression model : Step2
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 221

222 Logistic regression model : Step3
클릭 !!! 선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 222

223 Logistic regression model : Step4
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 223

224 Logistic regression model : Step5
클릭 !!!

225 Logistic regression model : Step6

226 Logistic regression model : 분석결과
선형-> 다중회귀해도 되지만 설명변수가 범주형일 땐 사용할 수 없다. 따라서 여기서는 분산분석 > 선형모형(GLM)을 사용.(SPSS에서 general linear model과 같다.) 226

227 Example 6-1 Ex) 우울증 환자들을 대상 으로 특정 치료제의 효 과를 알아보기 위해 동 일한 환자들을 대상으
로 투약전과 투약후 2 주, 4주 등의 간격으로 HAMD를 측정 id age HAMD (baseline) HAMD(week2) HAMD(week4) 1 39 16 13 12 2 72 18 10 3 56 21 4 52 20 14 5 58 17 8 6 41

228

229 가설1: HAMD 점수가 시간에 따라 변화가 있다.
양상이 다르다 가설3: 각 시점에서 50세 미만 군과 50세 이상 군간 HAMD 점수가 다르다.

230 가설1: HAMD 점수가 시간에 따라 변화가 있다.
Repeated Measures ANOVA(반복측정자료의 분산분석법) 에서 HAMD에 대한 time effect 검정

231 Repeated measures ANOVA: Step1
분석 > 일반선형 모형 > 반복측정

232 Repeated measures ANOVA: Step2

233 Repeated measures ANOVA: Step2

234 Repeated measures ANOVA: Step2
클릭 !!!

235 Repeated measures ANOVA: Step2

236 Repeated measures ANOVA: Step3
클릭 !!!

237 Repeated measures ANOVA: Step4
클릭 !!!

238 Repeated measures ANOVA: Step5

239 Repeated measures ANOVA: Step6

240 Repeated measures ANOVA: Step7

241 Repeated measures ANOVA: Step8
클릭 !!!

242 Repeated measures ANOVA: Step9

243 Repeated measures ANOVA: 분석결과

244 Repeated measures ANOVA: 분석결과
(time_1 =1 -> baseline, time_1 =2 -> Week2, time_1 =3 ->Week4)

245 Bonferroni’s correction
Week2 vs baseline : P = < *2 = < Week4 vs baseline : P = < *2 = <

246 Tip. 구형성 가정

247

248 가설2: 50세 미만과 50세 이상군간에 HAMD 점수 변화
양상이 다르다 Repeated Measures ANOVA(반복측정자료의 분산분석 법)에서 HAMD에 대한 age 군과 time간 교호작용 효과 - (Interaction effect) 검정

249 Data 변환: Step1 변환 > 다른 변수로 코딩변겅

250 Data 변환: Step2

251 Data 변환: Step3

252 Data 변환: Output

253 Data 변환: Output

254 Repeated measures ANOVA - Interaction effect: Step1
분석 > 일반선형 모형 > 반복측정

255 Repeated measures ANOVA - Interaction effect: Step2

256 Repeated measures ANOVA - Interaction effect: Step2

257 Repeated measures ANOVA - Interaction effect: Step3
클릭 !!!

258 Repeated measures ANOVA - Interaction effect: Step4

259 Repeated measures ANOVA - Interaction effect: Step5

260 Repeated measures ANOVA - Interaction effect: 분석결과

261 가설3: 각 시점에서 50세 미만 군과 50세 이상 군간 HAMD
점수가 다르다. 각 시점에서 두 군간 연속형 변수 비교 검정

262 At baseline: 각 연령군에서 HAMD가 정규분포를 따르는지 check > yes, Two-sample t-test At week2, Week4에서도 동일한 절차 적용

263 T-test: Step1 분석 > 평균 비교 > 독립 표본 T-검정

264 T-test: Step2

265 분석결과

266 분석결과

267 Bonferroni’s correction
At baseline : P = *3 = 1.000 At week2 : P = *3 = 0.972 At week4 : P = *3 = 1.000

268 Example 6-2 Ex) Outcome (normal, abnormal) repeated outcome; 범주형

269

270 Data transpose: Step1 데이터 > 구조변환

271 Data transpose: Step2

272 Data transpose: Step3

273 Data transpose: Step4

274 Data transpose: Step5

275 Data transpose: Step6

276 Data transpose: Step7

277 Data transpose: Step8

278 Data transpose: Step9

279 Data transpose: 분석결과 ………

280 GEE (Generalized Estimating Equation): Step1
분석 > 일반화 선형 모형 > 일반화 추정 방정식

281 GEE: Step2

282 GEE: Step3

283 GEE: Step4

284 GEE: Step5 클릭 !!!

285 GEE: Step6

286 GEE: Step7 클릭 !!!

287 GEE: Step8

288 GEE: Step9

289 GEE: 분석결과

290 Bonferroni’s correction
농도(5) – 농도(10) ; p = *2 = 농도(5) – 농도(15) ; p = *2 = 0.006

291 Example 7-1 Ex) 만성 간염환자 44명을 확률화에 의해 프레드니솔론 투여군과 비투여군으로 할당
가설 : 두 군간 생존곡선이 다르다

292

293 -> 생존율 및 생존곡선 추정 : Kaplan-Meier estimation 방법 이용 -> 두 생존곡선 비교 : 로그순위 검정법

294 생존율 추정/생존곡선 비교: Step1 분석 > 생존분석 > 생명표 분석 294

295 생존율 추정/생존곡선 비교: Step2 295

296 생존율 추정/생존곡선 비교: Step3 클릭 !!! 296

297 생존율 추정/생존곡선 비교: Step4 한 개의 도표에 각 계층 중첩에 클릭해야 두 그룹이 겹쳐서 그래프를 그릴 수 있음
297

298 생존율 추정/생존곡선 비교: Step5 클릭 !!! 298

299 생존율 추정/생존곡선 비교: Step6

300 K-M 생존율 추정: 분석결과 시연을 통해 결과를 살펴봄 ……………………….. 300

301 생존곡선: 분석결과 301

302 생존곡선 비교: 분석결과 302

303 Example 7-2 Ex) Data on 43 bone marrow transplants for HD and NHL
Event = death or relapse 독립변수 : Graft type, Disease type Karnofsky score, Waiting time to transplat

304

305

306 -> Cox의 비례위험 모형 ( Cox’s proportional hazards model)

307 Cox의 비례위험모형: Step1 분석 > 생존확률 > Cox 회귀모형 307

308 Cox의 비례위험모형: Step2 308

309 Cox의 비례위험모형: Step3 클릭 !!! 309

310 Cox의 비례위험모형: Step4 클릭 !!!

311 Cox의 비례위험모형: Step5 클릭 !!! 311

312 Cox의 비례위험모형: Step6

313 Cox의 비례위험모형: 분석결과 313

314 참고 문헌 김선우 저(2004). 간호연구를 위한 기초통계 방법론, 자유아카데미
김선우 저(2005). 의학연구를 위한 기초통계 방법론,교우사


Download ppt "PASW 17.0 활용하기 일시 : 2009.07.15, (PM) 6:30-10:30 장소 : 삼성암센터 (지하1층 세미나실2)"

Similar presentations


Ads by Google