Bağımsızlar Paneli – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

info@akademidelisi.com * 0 (312) 276 75 93 * Her bölümden, Ödev Yazdırma, Proje Yaptırma, Tez Yazdırma, Rapor Yazdırma, Makale Yazdırma, Araştırma Yazdırma, Tez Önerisi Yazdırma talepleriniz için iletişim adreslerini kullanın. Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

Bağımsızlar Paneli – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

9 Şubat 2022 Panel analiz takip Nedir Panel veri analizi nasıl yapılır Panel veri analizi örnekler 0
Özellikler Paleti – AutoCAD Ödevi Yaptırma – AutoCAD Analizi Yaptırma Fiyatları – AutoCAD Analizi Örnekleri – Ücretli AutoCAD Analizi Yaptırma – AutoCAD Analizi Yaptırma Ücretleri

ANALİZ KURULUMU

İş ortamı veri dosyasını açıyoruz ve ana menüden Analiz Et ➔ Sınıflandır ➔ Diskriminant’ı seçiyoruz. Bu, gösterilen ana Diskriminant Analizi penceresini açar. beckdep, Regard, selfcon, neoneuro, neoextra, neoopen, neoagree, neoconsc, posafect, negafect, sanx, tanx ve kabulc nicel değişkenlerini Bağımsızlar paneline taşıyoruz.

Daha sonra business_cycle’ı Gruplama Değişkeni paneline taşıyacağız. Bunu yaptıktan sonra değişken adının yanında parantez içinde iki soru işareti görüyoruz; bunun nedeni, IBM SPSS’nin kullandığımız grup kodlarından haberdar edilmesi gerektiğidir. Bunun için Define Range butonunu seçerek Define Range diyalog penceresine geliyoruz, Minimum paneline 1, Maximum paneline 3 yazıp, parantez içinde kodlarımızın belirtildiği ana diyalog penceresine dönmek için Continue seçiyoruz. 

İstatistikler düğmesinin seçilmesi, gösterilen İstatistikler iletişim penceresini açar. Tanımlayıcılar alanında, Ortalamaları ve Tek Değişkenli ANOVA’ları kontrol edin (her tahmin edici için istatistiksel anlamlılık testleri elde etmek için). Fonksiyon Katsayıları altında, hem Fisher’ı (sınıflandırma katsayılarını elde etmek için) hem de Standartlaştırılmamış’ı (her tahmin edici için ayırt edici katsayıları elde etmek için) kontrol edin. Devam’ı seçmek bizi ana iletişim penceresine döndürür.

Sınıflandır düğmesinin seçilmesi, gösterilen Sınıflandırma iletişim penceresini açar. Öncelikli Olasılıklar alanında, Tüm gruplar eşittir’i seçin. Bu, grup üyeliği tahmininin yalnızca diskriminant modeline dayalı olmasını gerektirir (alternatif seçenek olan Grup büyüklüklerinden Hesapla seçeneği, yazılımın tahmin “iyileştirmek” için grup büyüklüklerindeki farklılıklardan yararlanmasına izin verir). Kovaryans Matrisi Kullan alanında Grup İçi varsayılanını koruyun.

Görüntü alanında, çapraz doğrulama sonuçlarının yanı sıra standart sınıflandırma sonuçlarını elde etmek için Özet tablosu ve Birini dışarıda bırak sınıflandırmayı seçiyoruz. Grafikler alanında, çok değişkenli grup farklılıklarının resimli bir temsilini elde etmek için Kombine gruplar’ı seçiyoruz. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.


Panel veri analizi örnekleri
Panel analiz takip Nedir
Panel veri analizi pdf
Panel veri analizi nasıl yapılır
Panel veri Analizi konu anlatımı
Panel veri analizi Eviews
Panel veri örnekleri
Kısa panel veri Nedir


ANALİZ ÇIKIŞI

Ortalama, standart sapma ve örnek boyutları ile Tanımlayıcı İstatistikler gösterilir. Tüm gruplar eşit ağırlıkta olduğundan (Önceki Olasılıklar alanında Tüm gruplar eşittir belirledik), Ağırlıksız ve Ağırlıklı Geçerli N’ler eşittir. Her nicel tahmin edici için tek değişkenli ANOVA’ların sonuçlarını sunar. Grup farklılıkları Wilks’ lambda istatistiği kullanılarak test edilir. Tabloda görülebileceği gibi, üç grup (bu nedenle df1 2 olarak verilmiştir) tüm yordayıcılarda önemli ölçüde farklıydı (p < .001).

Genel (çok amaçlı) çok değişkenli analizin sonuçları gösterilir. Alttaki tablo Wilks’in lambda çıktısını sağlar. Bu değişkenleri kullanarak MANOVA gerçekleştirmiş olsaydık, Wilks’in çok değişkenli istatistiksel anlamlılıktaki lambda testi, 1’den 2’ye kadar etiketlenmiş tablonun ilk satırına karşılık gelirdi.

Wilks’ lambda tablosu bir boyut indirgeme analizidir. İlk satır, örneğimizde iki diskriminant fonksiyonundan oluşan (çünkü üç grup olduğundan) tüm diskriminant modelini değerlendirir. 1’den 2’ye kadar olan işlevler, .145’lik bir Wilks lambda üretti.

26 serbestlik dereceli bir ki-kare dağılımına karşı değerlendirildiğinde (her bir fonksiyonda 13 tahmin edici), bir set olarak 1’den 2’ye kadar olan fonksiyonlar istatistiksel olarak önemlidir (p < .001). Wilks’ lambda değeri (açıklanamayan çok değişkenli varyans miktarı) 1,00’den çıkarıldığında 0,855 elde edilir. Böylece, iki işlevi olan diskriminant modeli, çok değişkenli grup farkı varyansının yaklaşık %86’sını açıklamıştır.

Boyut küçültme analizi tamamlanmaya devam ediyor. Tüm fonksiyonlar bir set olarak incelendikten sonra ilk fonksiyon kaldırılır ve kalan fonksiyonlar bir set olarak değerlendirilir. Burada kalan küme sadece diskriminant fonksiyonu 2’yi içermektedir. Bu da istatistiksel olarak anlamlıdır.

Grupları ayırt etmede her bir fonksiyonun etkililiği hakkında bir fikir edinmek için Özdeğerler tablosunu inceliyoruz. Faktör analizinde gördüğümüz gibi, özdeğerler açıklanan varyans açısından yorumlanabilir ve burada sayısal hesaplamalar biraz farklı olsa da anlam temelde aynıdır.

Özdeğerler tablosundaki değerler, açıklanan varyansın toplam miktarına (toplam varyansa değil) göre alınır. Açıklanan varyansın, özdeğeri 4.968 olan birinci fonksiyon büyük çoğunluğu (%97) açıklamaktadır. Birinci fonksiyonla ilişkili kanonik korelasyon .912’dir; bu değerin karesini almak yaklaşık olarak .83 verir. Böylece grupların diskriminant puan farklarındaki varyansın yaklaşık %83’ünü birinci diskriminant fonksiyonunun oluşturduğunu söyleyebiliriz.

İkinci işlev, birinciden çok daha az etkilidir. Özdeğeri .152’dir ve açıklanan varyansın kalan %3’ünü açıklamaktadır. .364’lük bir kanonik korelasyon ile grupların diskriminant puan farklarındaki varyansın yaklaşık %13’ünü açıkladığı görülmektedir.

Standardize edilmiş ve standardize edilmemiş diskriminant fonksiyon katsayılarını sunar. Bu ağırlıklar çoklu regresyondakilere benzer; ham puan katsayıları, denkleme dahil edilecek bir sabit ile ilişkilendirilir.

Yapı Matrisi sunulur ve temel bileşenlerde ve faktör analizinde gördüklerimize benzerdir (zaten fonksiyon başına büyüklüğe göre sıralanmıştır). Değerlerin büyüklüklerinin diskriminant fonksiyon analizinde genellikle daha düşük olması olağandışı olmasa da, bu yapı katsayılarını faktörlermiş gibi yorumluyoruz.

Burada temsil edilen gizli boyutlar, grupların farklılaşma şeklini tanımlar. İlk işlev, daha yüksek öz-saygı düzeylerini ve daha düşük nevrotiklik ve sürekli kaygı düzeylerini temsil ediyor gibi görünmektedir; bu, duygusal istikrarı ve kendine karşı olumlu duyguları temsil ettiği şeklinde yorumlanabilir. İkinci işlev, daha yüksek düzeyde kendini kabul ve depresyonu temsil ediyor gibi görünmektedir; bu, melankoli duygularının kabulünü temsil ettiği şeklinde yorumlanabilir.

Tablo (Grup Merkezlerindeki Fonksiyonlar) ve grafik (Kanonik Ayırt Edici Fonksiyonlar) formlarında her bir fonksiyon için merkez noktalarını sunar. Centroidler – onları çok değişkenli araçlar olarak düşünün – Mahalanobis mesafesinin birimlerindedir ve z puanlarına benzer şekilde standartlaştırılmıştır.

Özdeğerlerden, gruplar arasındaki farklılıkları açıklama açısından birinci fonksiyonun ikincisinden çok daha güçlü olduğunu ve birinci fonksiyonun gücünün hem tabloda hem de çizilen göstergelerde görülebildiğini belirledik.

Grup Merkezlerinde İşlevler etiketli tabloda, gruplar birinci işlevde çok farklılaşmıştır ve -3,378 ila 2,348 arasında geniş bir aralığı kapsarken, ağırlık merkezleri − aralığını kapsadıkları ikinci işlevde çok daha yakındır (daha az farklılaştırılmıştır). 507 ila .394. Bu farklılaşma, Birleşik gruplar grafiğinde de görülebilir. Gruplar, İşlev 1’i temsil eden yatay eksen boyunca büyük ölçüde aralıklıdır, ancak dikey olarak o kadar uzak değildir.

Sınıflandırma Fonksiyon Katsayıları gösterilir. Bunlar, her vakanın grup üyeliğini tahmin etmek için kullanılır (bunları vakaları tahmin edilen gruplara sınıflandırmak için kullanırız). Her bir durum için nicel değişkenlerin puanları, bu tablodaki ağırlıklar kullanılarak bir sınıflandırma fonksiyonuna girilecektir.

Bu nedenle, örneğimizde her durum için üç sınıflandırma işlevi hesaplayacağız. Bunlar standartlaştırılmamış ağırlıklardır ve bu nedenle her fonksiyon için çözüme uygun sabit dahil edilecektir. Vaka, işlev değeri en yüksek olan grup (üyesi olduğu tahmin edilen) olarak sınıflandırılır. Vakanın gerçek grup üyeliği de bilindiğinden, örneklem genelinde sınıflandırmanın başarı oranını izlemek mümkündür.

Sınıflandırma prosedürünün başarı oranı sonuçları Sınıflandırma Sonuçları tablosunda sunulmaktadır. Satırlar gerçek grup üyeliğini, sütunlar ise diskriminant modeline dayalı grup üyeliği tahminlerini temsil eder. Tablonun her bir büyük bölümünde (Orijinal ve Çapraz doğrulanmış) doğru sınıflandırmalar, sol üstten sağ alt köşeye doğru yer alır.

Orijinal sınıflandırmalar tüm durumları temel alır, oysa Çapraz doğrulamalı sınıflandırmalar Birini dışarıda bırakma yöntemine dayanır. Büyük örneklem büyüklüğümüz ve gruplar arasındaki önemli farklılıklarla, her iki yöntem de tablonun dipnotlarında gösterildiği gibi dikkate değer bir genel sınıflandırma başarısı elde etti (Orijinal yöntem için %95,1 ve Çapraz doğrulama yöntemi için %94,4).

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir