İkili Lojistik Regresyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
ETKİLEŞİM MODELİ
Serimizdeki son model, bir ek öngörücü ile hiyerarşik model üzerine kuruludur. Belirli bir hastaneyi karakterize eden iyimserlik derecesinin (L2_optimism_C ile temsil edilir) hastane tipine göre düzenlenmesi mümkündür; yani, L2_optimism_C’den prom_dv’yi tahmin eden fonksiyonun eğimi, eğitim vermeyen ve eğitim veren hastaneler için farklı olabilir. Bu, tür ve L2_optimism_C arasında istatistiksel olarak anlamlı bir etkileşim ile temsil edilecektir.
Hasta iyimserlik veri dosyasını açıyoruz ve Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. İlk Specify Subjects and Repeated penceresinde hastaneyi kümeleme değişkenimiz olarak tanımlıyoruz ve Continue butonunu seçerek Linear Mixed Models ana penceresine ulaşıyoruz.
Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline ve L1_optimism_C, type ve L2_optimism_C’yi Ortak Değişken(ler) paneline yerleştiririz.
Sabit düğmesinin seçilmesi, gösterilen Sabit Etkiler penceresini açar. Factors and Covariates panelinden L1_optimism_C, type ve L2_optimism_C’yi Model paneline taşıyoruz ve Include intercept kutusunun işaretli olduğundan emin oluyoruz.
Modele type*L2_optimism_C etkileşimini dahil etmek için aşağıdaki adımları atıyoruz:
• Faktörler ve Ortak Değişkenler paneli ile Model paneli arasındaki açılır menüden Etkileşim’i seçiyoruz.
• Control veya Shift tuşunu basılı tutarken type ve L2_optimism_C’yi vurgularız.
• Model panelinde görünecek olan type*L2_optimism_C etkileşim değişkenini oluşturmak için Add butonunu seçiyoruz. Bu, prom_dv puanlarında L1_optimism_C, type ve L2_optimism_C için kontrol ederken bu etkileşim etkisinin ortalama kesişimini ve eğimini belirleyecektir.
Karışık Düzey 2 model analizinde kullandığımızla Rastgele Etkiler ve İstatistikler için aynı özellikleri kullanıyoruz.
Model Boyutu tablosu gösterilir. Bu karma Düzey 2 modelinde, hem AIC hem de BIC dahil olmak üzere Bilgi Kriterlerini sunan 9 parametre vardı. Bu değerler hiyerarşik modele göre çok az arttı ve model uyumunda hiçbir gelişme olmadığını gösterdi.
Ki-kare fark testi de yapabiliriz. Karma hiyerarşik model ve etkileşim modeli için -2 Kısıtlı Günlük Olabilirliği değerleri, 0,213 farkla sırasıyla 40308.216 ve 40308.429’dur. Bu iki model için serbestlik dereceleri 1 farkla sırasıyla 8 ve 9’dur. Bu nedenle ki-kare farkını bir serbestlik derecesi ile değerlendiririz ve 1.00’den küçük bir ki-kare değeri istatistiksel olarak anlamlı değildir. Bu nedenle, etkileşim modelinin hiyerarşik model üzerinde gelişmiş bir tahmin sunmadığı sonucunu çıkarabiliriz.
Sabit Etki Tahminleri tablosunu sunar. Sonuçlar, tip*L2_optimism_C etkileşiminin istatistiksel anlamlılık elde edememesi bakımından hiyerarşik model için olanlarla hemen hemen aynıdır (p = .324).
Kovaryans Parametrelerinin Tahminleri tablosu sunulmaktadır. Modele type*L2_optimism_C etkileşiminin eklenmesi, tabloda gösterilen parametrelerin değerlerini hiyerarşik modelle ilişkili olanlardan çok az etkiledi.
GRESLENEN (TORGULANAN) KATEGORİ DEĞİŞKENLER
İkili Lojistik Regresyon
Bağımlı veya sonuç değişkeninin nicel olduğu sıradan en küçük kareler doğrusal regresyonunun aksine, kategorik bir bağımlı değişkenin değerini (örneğin, bir eğitim programında veya tıbbi rejimde başarısızlık için başarı) tahmin etmek istediğimizde lojistik regresyon kullanırız. Yalnızca iki sonuç kategorisi değerlendirildiğinde, prosedüre ikili lojistik regresyon denir; üç veya daha fazla sonuç kategorisi söz konusu olduğunda, prosedüre çok terimli lojistik regresyon denir. Tahmin değişkenleri, nicel ve ikili değişkenlerin herhangi bir kombinasyonu olabilir. Lojistik regresyon modelinin doğasına ilişkin ayrıntılar diğer kaynaklarda açıklanmıştır.
İkili lojistik regresyondaki iki olası sonuç, iki farklı vaka grubunu temsil eder ve analizin sonuçları, bir vakanın gruplardan birinde diğerinden farklı olarak (veri dosyasında kodlanmış) olma olasılığı açısından çerçevelenir. . Bu nedenle, veri dosyasını oluştururken sonuç değişkeni için grup (kategorik) kodlama şemasını dikkatli bir şekilde formüle etmek önemlidir.
Binary lojistik regresyon nedir
Lojistik regresyon formülü
Lojistik regresyon nedir
Lojistik regresyon analizi PDF
Lojistik regresyon analizi: kavram ve Uygulama
SPSS lojistik regresyon
Lojistik regresyon örnekleri
Multinominal lojistik regresyon
İki grup (sonuçlar) ve kategori kodları aşağıdaki gibidir:
• Yanıt veya hedef grup, istenen veya beklenen sonucu temsil eder (örn. başarı). Tahminin yönlendirildiği bu kategoridir. Bu kategoriye sonuç değişkeni için 1 kodu verilmelidir.
• Referans veya kontrol grubu, alternatif sonucu temsil eder (örneğin, başarısızlık). Bu kategoriye sonuç değişkeni için 0 kodu verilmelidir.
Lojistik regresyon analizinde (örneğin cinsiyet, belirli bir tıbbi durumun aile öyküsü) öngörücü olarak ikili değişkenlerin kullanılması alışılmadık bir durum değildir ve analizin sonuçları, kategorilerden birinin az ya da çok olası olması açısından çerçevelenir. hedef sonuca ulaşmak için. Analiz, referans kategori olan diğer kategoriye göre odak kategori için hedef sonuca ulaşma olasılığını tanımlar.
Örneğin, yordayıcı değişken cinsiyet ise ve sonuçları kadınların hedef sonuca ulaşma olasılığının daha fazla (veya daha az) olması açısından açıklamak istersek, o zaman kadın odak kategorisi ve erkek referans kategorisi olacaktır. Sonuçları, erkeklerin hedef sonuca ulaşma olasılığının daha fazla (veya daha az) olması açısından açıklamak istersek, o zaman erkek odak kategorisi ve kadın referans kategorisi olacaktır. Birinin istatistiksel sonucu diğerinin tersi olacaktır. IBM SPSS®, referans kategorisi olarak hangi kategorinin (alt veya yüksek kod) atanacağını seçmemiz için bize bir iletişim penceresi sağlar.
Basit bir düzeyde, çoğu araştırmacının ilgisini çeken sonuç, her bir tahminciyle ilişkili olasılık oranıdır. Bir hedef sonucumuz olduğunu varsayalım (örneğin, başarı). Oranlar, herhangi bir özel durum grubu için başarı sayısının başarısızlık sayısına oranını temsil eder. Lojistik regresyonda olasılık oranlarını nasıl kullandığımızı göstermek için şu iki durumu varsayalım:
• Kadınların başarılı olma olasılığı (başarısız olmanın aksine) 10’a 1’dir.
• Erkeklerin başarılı olma olasılığı (başarısız olmanın aksine) 5’e 1’dir.
Şimdi, kadınlara odaklanırsak ve olasılık oranını hesaplarsak, kadınlarla ilgili olasılıkları paya ve erkeklerle ilişkili olanları paydaya yerleştiririz. Örneğimiz için, bu, 10: 5’lik bir oran verir ve kadınlar için oran oranı 2.00’dir. Bu olasılık oranını, kadınların başarılı olma ihtimalinin, erkeklerin başarılı olma ihtimalinin iki katı olduğunu belirtmek için yorumluyoruz.
Kadın odak kategorisi ve erkek referans kategorisi ise, lojistik regresyon sonuçlarında gösterilen cinsiyet için bahis oranı 2.00 olacaktır.
Az önce açıklanan aynı mantıkla, erkekler için bahis oranı, erkeklerle ilgili oranların dişilerle ilgili oranlara bölünmesiyle elde edilir. Burada oran 5 : 10 veya 0,50’dir. Bu olasılık oranını, erkeklerin başarılı olma ihtimalinin kadınlarınkinin yarısı olduğunu belirtmek için yorumluyoruz. Erkek odak kategorisi ve kadın referans kategorisi ise, lojistik regresyon sonuçlarında gösterilen cinsiyet için olasılık oranı 0,50 olacaktır.
Birçok bağlamda, örneğimizdeki erkeklerde olduğu gibi, bir programda başarı ile ilişkilendirilen 5’e 1 oranına sahip olmanın, başarı için harika bir fırsatı temsil ettiği düşünülebileceğini belirtmek önemlidir. Ancak bu olumlu durum, dişilerle ilişkilendirilen 10’a 1 başarı şansının gölgesinde kalıyor. Demek istediğimiz, olasılık oranının, oranların mutlak seviyesi hakkında bilgi vermediği, yalnızca bir grupla ilişkili oranların diğerininkilerle nasıl karşılaştırılacağı hakkında bilgi vermesidir.
Binary lojistik regresyon nedir Lojistik regresyon analizi PDF Lojistik regresyon analizi: kavram ve Uygulama Lojistik regresyon formülü Lojistik regresyon nedir Lojistik regresyon örnekleri Multinominal lojistik regresyon SPSS lojistik regresyon