Tahmin Ediciler – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Tahmin Ediciler
Modelde tahmin ediciler için ayarlanan olasılık oranları, bu tahmin edicilerin dinamiklerinin bir yorumunu verir. Örneğin, parent_criticism, 1.544’lük bir düzeltilmiş oran oranıyla ilişkilendirilir; bu bize, parent_criticism ölçüsünde 1 ölçek puanının artmasının, diğer tahmin edicileri kontrol ederek, yüksek işleyen grupta olma ihtimaline karşı, bir öğrencinin düşük işleyen grupta olma ihtimalini 1.544 arttırdığını bildirir.
Aynı şekilde, baskılayıcı_başa çıkma, 3.294’lük ayarlanmış bir oran oranıyla ilişkilidir; bu bize, baskılayıcı başa çıkma ölçüsündeki 1’lik bir artışın, diğer yordayıcıları kontrol ederek, yüksek işleyen grupta olma ihtimaline karşı, bir öğrencinin düşük işleyen grupta olma ihtimalini 3.294 arttırdığını bildirir.
Kategorik ikili_güven tahmincimizin sonuçları, Parametre Tahminleri tablosunun alt işleyen bölümünün alt iki satırında gösterilir. IBM SPSS, her iki ikili kodu da açıkça kabul ettiğinden, ancak yalnızca ikili_güven = .00 satırı geçerli değerleri gösterdiğinden, iki satır kullanılır. Bu bize 0 kodunun odak grubunu ve 1 kodunun referans grubunu temsil ettiğini hatırlatır; değerler çıktıdaki odak grubuyla ilişkilendirilir.
Kısmi ham regresyon katsayısının negatif olduğuna dikkat çekiyoruz ve bu, araştırmacıların kodlama şemasının niyetleriyle uyumlu olduğundan emin olmalarının bir yoludur. Burada, kendine daha fazla güvenen öğrencilerin (onları odak grup olarak belirlemek için 0 olarak kodlanmıştır) düşük işlevli grupta olma olasılığının yüksek işlevli grupta olduğundan daha düşük olmasını bekleriz; bu nedenle, negatif katsayı makuldür.
.511’lik düzeltilmiş oran oranı bu değerlendirmeyi güçlendiriyor. Olasılık oranını, kendine güveni yüksek öğrencilerin (odak grup) düşük işleyen grupta olma ihtimallerinin, diğer tahmin edicileri kontrol ederek, yüksek işleyen grupta olma ihtimallerinin yaklaşık yarısı olduğunu gösterdiği şeklinde yorumluyoruz.
Düzensiz olarak etiketlenen ikinci ana sıra, düzensiz grubu yüksek işlevli grupla karşılaştırır. Önceki analiz için doğru olduğu gibi, ebeveyn-eleştiri ve baskılayıcı_başa çıkma ile ilişkili ham puan katsayıları hem pozitif hem de istatistiksel olarak anlamlıdır. parent_criticism için ayarlanmış oran oranı 1.162’dir ve parent_criticism ölçüsündeki 1’lik bir artışın, diğer tahmin edicileri kontrol ederek, bir öğrencinin düzensiz grupta olma ihtimaline karşı yüksek işleyen grupta olma ihtimaline karşı 1.162 oranında arttığını bildirmektedir.
Bastırıcı_başa çıkma için ayarlanmış oran oranı 2.901’dir. Bu bize, baskılayıcı_başa çıkma ölçüsündeki 1’lik bir artışın, diğer yordayıcıları kontrol ederek, bir öğrencinin düzensiz grupta olma olasılığını, yüksek işlevli grupta olma olasılığının neredeyse üç katı kadar artırdığını bildirir.
Kategorik ikili_güven tahmincimizin sonuçları, Parametre Tahminleri tablosunun düzensiz bölümünün alt iki satırında gösterilir. Kısmi ham regresyon katsayısının burada da negatif olduğuna dikkat çekiyoruz; bu sonuç, muhtemelen daha özgüvenli öğrencilerin dağınık grupta olma olasılığının yüksek işlevli gruptan daha az olmasını bekleyeceğimiz için mantıklı bir sonuçtur.
.575’lik düzeltilmiş oran oranı bu değerlendirmeyi güçlendirmektedir. Odds oranı, kendine güveni yüksek öğrencilerin (odak grup) dağınık grupta olma ihtimalinin, diğer tahmin edicileri kontrol ederek, düşük özgüvenli öğrencilerin yüksek işleyen grupta olma ihtimalinin .575 olduğunu gösterir.
Sınıflandırma Tablosu da Şekil 32.8’de gösterilmiştir. Modelin durumları sonuç değişkeninin üç kategorisine ne kadar iyi sınıflandırdığını gösterir. Genel olarak, tahmin doğruluğu %56.3’tür, ancak bu yüzde öğrenci grupları arasında önemli ölçüde farklılık göstermiştir. Yüksek işlevli gruptakiler en doğru şekilde tahmin edildi (%84.3), daha düşük işlevli gruptakiler daha sonra en doğru tahmin edildi (%42.9) ve düzensiz gruptakiler en kötü tahmin edildi (%9.0).
İstatistik tahmin ediciler
Etkin tahmin Edici nedir
Yansız tahmin edici
En çok olabilirlik tahmin edicisi
Tahmin EDİCİLERİN özellikleri
Tutarlı tahmin edici
Momentler yöntemi
Parametre tahmini
HAYATTA KALMA ANALİZİ
Yaşam Tablolarının analizini, Kaplan-Meier (veya ürün limiti) yöntemini ve Cox Regresyon yöntemini sunan, hayatta kalma analizi, başarısızlık analizi veya olay geçmişi analizi olarak çeşitli şekillerde etiketlenmiş bir teknikler ailesini inceler. Hayatta kalma analizi (bu bölümler boyunca kullanacağımız genel terim) iki olay arasındaki zaman aralığını inceler.
Bu olaylar sıradan (örneğin bir gazete aboneliğinin başlatılması ve durdurulması, bir lastik satın alınması ve değiştirilmesi) önemli olaylara (örneğin, bir hastalığın başlangıcından ölüme, doğumdan ilk cinsel deneyime, hapishaneden tahliyeye ve tutuklamaya kadar) kadar değişebilir. veya başka bir suçtan mahkumiyet). En az iki faktör bu zaman aralıklarının incelenmesini zorlaştırmaktadır.
İlk olarak, birincil ilgi olayı (örneğin, ilk cinsel deneyim, başka bir suçtan hüküm giyme) çalışma süresi boyunca tüm vakalar için gerçekleşmez; örneğin, incelenen ergenlerin tümü, çalışma süresi boyunca cinsel olarak aktif hale gelmez. İkincisi, gözlem süresi bir vakadan diğerine değişebilir; örneğin 3 yıllık bir süre içerisinde lastik alımları 1 ile 36 ay arasında değişebilmektedir.
Bu karmaşıklaştırıcı faktörler nedeniyle, iki olayın meydana gelmesi arasındaki ortalama veya medyan süreyi basitçe hesaplamak, çalışmadan faydalı bilgileri toplamak için yeterli değildir. Bunun yerine, süre verilerini incelemek için iki temel hayatta kalma analizi türü geliştirilmiştir. Bir yaklaşım, bir periyodu haftalar, aylar veya yıllar gibi daha küçük zaman aralıklarına bölen aktüeryal veya ürün limiti ömür tablolarını kullanmaktır.
Olasılıklar daha sonra belirli bir aralıkta bir olayın meydana gelmesi için tahmin edilebilir. Yaşam tablosu yöntemi bu bölümde sunulur ve Kaplan–Meier yöntemi Bölüm 34’te açıklanır. İkinci bir yaklaşım, Cox regresyon veya Cox orantılı tehlikeler modeli, ortak değişkenlerden veya bağımsız değişkenlerden hayatta kalma süresini tahmin etmeye çalışır.
SAYISAL ÖRNEK
Mevcut örnek, taekwondo öğrencilerinin dövüş sanatları eğitimine ne kadar süre kaydolmaya devam ettiklerini (hayatta kaldıklarını) aylarla ölçülen varsayımsal bir veri setini incelemektedir. Bu veri setinde üç değişken sağlanmaktadır. Öğrencilere, öğrenci değişkeni altında birer kimlik numarası verilir. Month_in_course değişkeni, bir öğrencinin 18 aylık bir zaman diliminde taekwondo eğitim sınıflarına (bırakana kadar) kaydolduğu ayların sayısını temsil eder; böylece öğrenciler eğitim sınıfına farklı sürelerle kaydolmuş olacaklardır.
Öğrencilerin bir okulu bırakmış (0 olarak kodlanmış) veya devam etmekte (1 olarak kodlanmış) olup olmadığı hayatta kalma_durumu değişkeni tarafından sağlanır; böyle bir değişken genellikle bir sansür değişkeni olarak düşünülür. Durum hakkında eksik bilgiye sahip olduğumuzda gözlemler sansürlenir ve bu birkaç farklı koşulda olabilir.
Böyle bir durum, bir vakanın ilgilenilen olayı sergilememesi veya yaşamamasıdır. Mevcut örnekte, ilgilenilen olay sınıftan çıkmaktır. Bu nedenle, devam eden kaydı temsil eden 1 kodunun (belki de sezgisel olmayan bir şekilde) sansürlenmiş bir olayı veya gözlemi gösterdiği ve sınıftan çekilmeyi temsil eden 0 kodunun sansürlenmemiş bir olayı veya gözlemi belirttiği düşünülür. Veriler tekvando eğitimi adlı dosyada bulunabilir.
En çok olabilirlik tahmin edicisi Etkin tahmin Edici nedir İstatistik tahmin ediciler Momentler yöntemi Parametre tahmini Tahmin EDİCİLERİN özellikleri Tutarlı tahmin edici Yansız tahmin edici