Verilerin toplandığı kategorik bir değişkenin seviyelerine göre tek değişkenli aykırı değerleri incelemek genellikle yararlıdır. Bunu cinsiyet değişkenini kullanarak gösteriyoruz. Ana menüden, gösterilen IBM SPSS Keşfet ana iletişim penceresini oluşturan Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Keşfet’i seçin.

Analizi tam olarak açıklandığı gibi yapılandırıyoruz, ancak şu istisna dışında: değişken listesinden GAF değişkenini Bağımlı Liste paneline taşıdık ve cinsiyet değişkenini Faktör Listesi paneline taşıdık. Analizimize bir Faktör ekleyerek, çıktının her bir kısmı, Faktörün her seviyesi için ayrı ayrı sağlanacaktır (örneğimizde kadınlar ve erkekler için ayrı ayrı).

ANALİZ ÇIKTIĞI: CİNSİYETİN KATEGORİ DEĞİŞKENLERİNİN DİKKATE ALINMASI

Şekil 18.8’deki en üstteki tablo, Vaka İşleme Özetini kadınlar ve erkekler için ayrı ayrı sunmaktadır. Eksik değerleri olmayan 11 kadın ve 14 erkek olduğunu not ediyoruz. Alt tablo, her bir değere karşılık gelen durum numarasıyla birlikte, GAF değişkeninde kadınlar ve erkekler için ayrı ayrı en yüksek beş ve en düşük beş değeri sağlayan Uç Değerler çıktısını sunar. Çıktıdan, bir bütün olarak örnek için çıktıdaki en yüksek (GAF puanı 70) ve en düşük (20 GAF puanı) değerlerin kadınlarla ilişkili olduğunu görüyoruz. IBM SPSS ayrıca tablodaki beşinci sıradaki değerlerden bazılarının dağılımda 1’den büyük bir sıklığa sahip olduğunu dipnot yoluyla bize bildirir.

Yanıtlayan cinsiyete göre ayrı ayrı GAF için kutu grafiklerini sunar. Bu kutu grafiklerinden, Uç Değerler çıktısını inceleyerek öğrendiklerimizin görsel tasvirini görüyoruz, yani daha önce tanımlanan her iki tek değişkenli aykırı değer bulundu. Kadın cevaplayıcılar arasında Şimdi bir daire Vaka Numarası 4 için GAF puanını temsil etmektedir. Bunun nedeni, 20’lik GAF puanı için referans çerçevesi olan IQR’nin yalnızca kadın danışanlara dayalı olması ve böyle bir puanın 3,0 IQR aralığının içine girmesidir. 

Bu çıktı önemli bir konuyu gündeme getiriyor. Araştırmacılar, en azından kısmen kutu grafiği sonuçlarına dayanarak, aykırı değerlere sahip durumları sonraki analizlerden çıkarmaya karar verebilir. Eğer öyleyse, bir bütün olarak numunenin sonuçları üzerinde bunu yapmalarını öneririz. Araştırmacıların, kategorik değişkenin ayrı düzeylerini incelemeye dayalı sonuçları, katma değerli bilgi olarak değerlendirdiği kanaatindeyiz. Skorların sadece bir kısmına dayanan değişkenlik ölçüleri daha az kararlıdır ve vakaların kaldırılmasıyla ilgili kararların verilerin yalnızca bir alt kümesini dikkate alarak alınması tavsiye edilmez.

Çok Değişkenli Aykırı Değerleri Tespit Etme

Çok değişkenli aykırı değerler, iki veya daha fazla değişken üzerinde aşırı bir değer kombinasyonuna sahip durumlardır. Bu tür aykırı değerlerin saptanması, bir anlamda, tek değişkenli aykırı değerlerin saptanmasından daha “inceliklidir” çünkü çok değişkenli aykırı değeri oluşturan değişkenlerin kombinasyonu, veri setinde, tek bir aykırı değerin değerlerinin listelenmesinde tek değişkenli bir aykırı değeri tanımak kadar kolayca belirgin değildir. değişken. Çok değişkenli aykırı değerleri tanımlamanın daha az belirgin olan doğasına ek olarak, bir vakanın çok değişkenli aykırı değere bağlı değişkenlerin hiçbirinde tek değişkenli aykırı değer olamayabilmesidir.

Örneğin, bir yaş değişkenimiz ve bireylerin yaşamları boyunca yayınladıkları akademik hakemli dergi makalelerinin sayısını temsil eden bir değişkenimiz olabilir. Yaş 13 ila 75 arasında olabilir ve yayın sayısı 0 ila 210 arasında olabilir. Bu bireysel değişkenlerin dağılımı (örneğin, minimum ve maksimum değerleri) özellikle dikkate değer veya olağandışı olmayabilir, ancak 14 yaşında ve 147 yayın büyük olasılıkla çok değişkenli bir aykırı değer olacaktır, çünkü bu durum bir çocuk dahisiydi veya (daha büyük olasılıkla) bu değerlerden biri bir veri girişi (veya veri kaydı) hatasını temsil ediyordu.

Aykırı değer Tespiti
R aykırı değer
Aykırı değer formülü
Aşırı değer
Aykırı veri tipleri
Aykırı Değer python
Uç değerlerin çıkarılması
Standart sapma aykırı değerlerden etkilenir mi

MAHALANOBİS UZAKLIĞI

Çok değişkenli aykırı değerleri belirlemek için kullanılan yaygın bir prosedür, her bir durumla ilişkili Mahalanobis mesafesini hesaplamaktır. Mahalanobis mesafesi iki nokta arasındaki çok değişkenli mesafedir ve en kolay şekilde iki değişkenli bir dağılım grafiği göz önüne alınarak hayal edilebilir. Geleneksel bir dağılım grafiğinde, X ve Y eksenleri 90 derecede kesişir ve durumlar, X ve Y koordinatlarına karşılık gelen veri noktalarıyla gösterilir.

Bu dağılım grafiğinin merkezinin X,Y koordinatını bulmak mümkündür. Bu merkezi konum, bir ağırlık merkezi olarak bilinir ve çok değişkenli bir ortalama veya çok değişkenli koordinat dağılımının ortalaması olarak düşünülebilir. Merkez ile diğer veri noktalarından herhangi biri (örneğin bir cetvel kullanarak) arasındaki mesafeye Öklid mesafesi denir.

Mesafeyi ölçmek için Mahalanobis uzaklık stratejisini uyguladığımızda süreç, değişkenler arasındaki korelasyonu hesaba katar. İki değişkenin basitleştirilmiş durumunda, eğer iki değişken korelasyonlu olsaydı, eksenler 90 derecede kesişmezdi ve bu nedenle dağılım grafiği, geleneksel dağılım grafiğimizden biraz farklı bir şekil alırdı. Merkez ile diğer veri noktalarından herhangi biri arasındaki mesafeye Mahalanobis mesafesi denir. Bir z puanına benzer şekilde ancak çok değişkenli bir şekilde ölçeklenir.

Mahalanobis mesafelerinin çok uygun bir özelliği, kare değerlerinin, çok değişkenli kombinasyonun dayandığı değişkenlerin sayısına eşit serbestlik dereceli bir ki-kare dağılımı ile yaklaşık olarak tanımlanabilmesidir. Doğrusal Regresyon prosedürü, belirli bir dizi değişkene dayalı olarak her bir durum için Mahalanobis mesafesinin karesini hesaplamak için kullanılabilir.

Daha sonra, dahil edilen çok sayıda değerlendirme (her durum için bir tane) nedeniyle, .001’lik katı bir alfa seviyesi kullanarak uygun ki-kare dağılımına karşı bu değerleri istatistiksel anlamlılık açısından değerlendiririz. Mahalanobis mesafesinin karesi kritik ki-kare değerini aşan durumlar, çok değişkenli aykırı değerler olarak kabul edilebilir ve sonraki veri analizlerinden dışlanmak için olası adaylar haline gelebilir.

SAYISAL ÖRNEK

Mevcut örnek, ruh sağlığı müşterilerinin GAF puanlarını, cinsiyetlerini (cinsiyetlerini) ve yaşlarını incelemektedir. Linear Regresyon prosedürünü kullanarak Mahalanobis mesafe değerlerini üretiyoruz. Daha sonra, uzaklık değerlerini görüntüleyerek ve çok değişkenli aykırı değerleri birincil olarak hangi değişken alt kümesinin ürettiğini teşhis etmeye çalışarak, üç değişkenin bu kombinasyonuna dayanan herhangi bir çok değişkenli aykırı değer olup olmadığını belirleriz. Veriler GAF cinsiyet yaşı adlı dosyada bulunabilir.

The post Aykırı Değerler – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).