HATALARIN BAĞIMSIZLIĞI – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
HATALARIN BAĞIMSIZLIĞININ ANLAMI
ANOVA’nın altında yatan ilk istatistiksel varsayım, Yi puanlarının kalıntı veya hata bileşeninin (bu puanlar ile grup ortalaması arasındaki fark) rastgele ve bireysel gözlemler arasında bağımsız olmasıdır. Bu nedenle, hem tedavi grupları içinde hem de gruplar arasında Yi puanları arasında sistematik bir hata örüntüsü bulunmadığı varsayılmaktadır. Bu, çalışmadaki bir durumu temsil eden ölçümlerin, çalışmadaki diğer tüm durumlardan toplanan verilerden bağımsız olduğu anlamına gelir.
Bir Yi başka bir puan hakkında bilgi içerdiğinde bağımlılık oluşur. Bağımlı değişkenin bir gruptaki puanlar için daha büyük kalıntı hatası ve başka bir gruptaki puanlar için daha küçük hatalar göstermesi durumunda -bağımsızlık varsayımının sistematik bir ihlali anlamına gelen- bir bağımlılık örneği gözlemlenecektir.
Bu, hatalar ve puanlar arasındaki istatistiksel bir ilişkinin göstergesi olacaktır. Bir vakanın ait olduğu grubun bilgisinden, artıkların değerlerini şanstan daha iyi tahmin edebildiğimiz ölçüde, hataların bağımsızlığı varsayımının ihlal edildiğini gösterir. Araştırma durumlarındaki bağımlılık örnekleri daha sonra tartışılacaktır.
HATA BAĞIMSIZLIĞI İHLALLERİNİ OLUŞTURAN DURUMLAR
Birkaç araştırma tasarımı durumu, bağımlılığı veya ilişkili gözlemleri teşvik eder. Potansiyel yanlılığın önemli bir kaynağı, bir tedavi koşulundaki katılımcılar küçük veya bozulmamış gruplarda test edildiğinde veya katılımcılar, bağımlı değişkende ölçüldüğü gibi nasıl performans gösterebileceklerini etkileyen önceki bağlantıları (çalışma dışında) olan bir tedavi koşuluna girdiğinde ortaya çıkar.
Bu “gruplandırma” etkisi, temel puanlar veya gözlemler arasında farklı hata bileşenleri üretebilir. Bu tür durumlara örnek olarak, grup terapisinde tek bir gruptan oluşan hastalarda başa çıkma davranışlarındaki iyileşmenin değerlendirilmesi ve bir okul çocuğunun sınıfındaki bir öğretim programının etkilerinin ölçülmesi verilebilir.
İkinci bir bağımlılık kaynağı, deneysel bir durumdaki katılımcıların deneyin görev talepleri hakkında birbirleriyle iletişim kurmalarına izin verildiğinde ortaya çıkabilir. Bu tür “kirlenme” katılımcıların birbirlerinin davranışlarını etkilemesine neden olabilir. Bunun bir örneği bir grup problem çözme çalışmasıdır.
Üçüncü tip bir bağımlılık durumu, her bir gözlemin hata bileşeni, tipik olarak, katılımcıların verilerinin zaman içinde birbirine yakın olarak toplanması ve veri setine sırayla girmesi nedeniyle döngüsel bir modele düştüğünde ortaya çıkar. Bazen otokorelasyon olarak adlandırılan durumların zaman içindeki bu yakınlığı, birbirinden bağımsız olmayan artık hata bileşenleri üretebilir.
HATA BAĞIMSIZLIĞI İHLAL ETTİĞİNİZ ZAMAN BELİRLEME
Diğer iki normallik ve varyans eşitliği varsayımından farklı olarak, verilerinizin hata bağımsızlığı varsayımını ne zaman ihlal ettiğini belirlemek, daha tipik olarak çoklu regresyon analizi alanında gerçekleştirilen daha karmaşık tanısal istatistiksel analizleri içerir.
Örneğin, Cohen, Cohen, West ve Aiken (2003), artıkların durum numarası gibi sıralı bir sayısal değişkene karşı grafiğe geçirilmesi ve Durbin Watson istatistiğinin hesaplanması dahil olmak üzere, artıkların bağımsız olmama durumunu saptamak için çeşitli tanılamaları tartışır.
2019/14 sayılı genelge tkgm
Hatalı bağımsız bölüm numaralarının düzeltilmesi davası
Tapuda daire numara değişikliği masrafı
TKGM
Mimari projede bağımsız bölüm numaralandırma
Tapuda numarataj hatası nasıl düzeltilir
Bağımsız bölüm No sorgulama
Bağımsız bölüm veya bloğun projesiyle uyumsuz olduğu
HATA BAĞIMSIZLIĞININ İHLAL EDİLMESİNİN SONUCU
Hays (1981) ve Stevens (2002) bağımsızlığı ANOVA için “çok ciddi” bir istatistiksel varsayım olarak görüyorlar; bu varsayım, sosyal ve davranış bilimlerindeki araştırmacılar tarafından genellikle ya göz ardı edilen ya da nispeten önemsiz olarak reddedilen bir varsayımdır.
Bağımsızlık varsayımını ihlal etmenin sonucu, hedeflenen alfa (α) seviyesinin şişmesidir. Stevens’ın (2002) belirttiği gibi, “Gözlemler arasındaki sadece küçük bir bağımlılık, gerçek α’nın anlamlılık seviyesinden birkaç kat daha büyük olmasına neden olur”.
HATA BAĞIMSIZLIĞININ İHLALİ ÇÖZÜMLERİ
Hataların bağımsızlığı varsayımını ihlal etmek için uygulanması kolay bir çözüm yoktur; bunun yerine amaç, durumun ortaya çıkmasını önlemektir. Yazarlar tarafından önerilen genel özdeyiş, bir popülasyondan rastgele örneklemler almak, olguları tedavi koşullarına rastgele atamak ve tedavi koşullarının birbirinden bağımsız olmasını sağlamaktır. Bu konuda Winer ve ark. (1991) şunları söylemelidir:
Bir popülasyondan elementlerin rastgele örneklenmesi varsayımını ihlal etmek ve elementlerin tedavilere rastgele atanması, herhangi bir çalışmayı tamamen geçersiz kılabilir, çünkü rastgelelik, hataların tedavi koşulları içinde ve arasında bağımsız olarak dağıldığının güvencesini sağlar ve aynı zamanda Önyargı tedavi koşullarından kaldırılır.
Hatırlanması gereken önemli nokta, uygun deneysel prosedürlere, rastgele örnekleme yöntemlerine dikkatli bir şekilde bağlı kalmanın ve ikililer, küçük gruplar veya bozulmamış gruplar kullanılırken ekstra uyanıklığın bağımlılık sorunlarının çoğunu ortadan kaldırabileceğidir. Ancak rastgele örnekleme veya vakaların gruplara rastgele atanması bile ölçüm hatasının bağımsız olacağının garantisi değildir.
Hataların bağımsız olmadığına inandığınız bir araştırma durumuyla karşılaşırsanız, istatistiklerinizi test etmeyi düşündüğünüz alfa seviyesi (örneğin, .05) gerçekte çok daha büyük olabilir. Bu nedenle, verilerinizdeki bağımlılıkları telafi etmenin en basit yolu, örneğin .05 seviyesinden .01 ve hatta .001 seviyesine geçmek gibi daha katı bir alfa seviyesi benimsemektir.
HATALARIN NORMALİTE VARSAYININ NİTELİĞİ
İkinci ANOVA varsayımı, Yi puanlarıyla ilişkili hata bileşenlerinin normal dağıldığıdır. Artık hatalar normal dağılıyorsa, Yi puanlarının dağılımı da normal bir şekilde dağılmak suretiyle bunu izleyecektir. Benzer şekilde, bilinen bir normal popülasyondan katılımcıları rastgele örneklediğimiz takdirde, bu puanların kalan hata bileşeni de normal olarak dağıtılacaktır.
Normal Dağılımlar
Normal bir dağılım, çan şeklindeki bir eğri ile karakterize edilir. Ortalama, medyan ve mod için aynı değeri üreten simetrik bir puan dağılımıdır (eğrinin her iki yarısı da benzer görünür).
İdealleştirilmiş bir model olarak normal eğri, bir dağılımdaki puanlar için simetrik bir çan şeklinde konfigürasyon önerir. Uygulamada, çoğu sürekli değişken (örneğin, yaş, boy, test puanları, aylık gelir, tutumlar) bu ideale yalnızca yaklaşıktır.
Çarpıklık Gösteren Dağılımlar
Çarpık dağılımlar asimetriktir ve en sık puanlar dağılımın uçlarından birinin etrafında kümelenir. Şekil 5.2, puanların alt uç etrafında toplandığı pozitif çarpık bir dağılımı göstermektedir; Pozitif bir çarpıklığı hatırlamanın bir yolu, dağılımın “uzun kuyruğunun” x ekseninin pozitif (sağ) tarafına “gösterilmesidir”.
Tersine, puanların üst uçta yoğunlaştığı negatif çarpık bir dağılımı göstermektedir. Negatif bir çarpıklığı hatırlamanın bir yolu, dağılımın “uzun kuyruğunun” x ekseninin negatif (sol) tarafına “gösterilmesidir”. Düzenleme ilkesi olarak şu anımsatıcı aracı hatırlayın: “kuyruk anlatır.”
2019/14 sayılı genelge tkgm Bağımsız bölüm No sorgulama Bağımsız bölüm veya bloğun projesiyle uyumsuz olduğu Hatalı bağımsız bölüm numaralarının düzeltilmesi davası Mimari projede bağımsız bölüm numaralandırma Tapuda daire numara değişikliği masrafı Tapuda numarataj hatası nasıl düzeltilir TKGM