0,53’lük bu “güçlü korelasyon”, bir değeri diğerinden “tahmin etmek” açısından gerçekte ne anlama geliyor? Başka bir deyişle, hasta memnuniyet derecelerinin danışmanlık seanslarının sayısı ile ne kadar ilişkili olduğunu söyleyebiliriz?

Bu soruyu cevaplamak için yapabileceğimiz basit bir hesaplama var. Belirleme katsayısı (r2) olarak adlandırılır ve bir değişkenin diğerini basitçe korelasyon değerinin karesini alarak “tahmin etme” derecesinin bir ölçüsünü sağlar. Daha sonra bir yüzde değeri vermek için bunu 100 ile çarpabilirsiniz.

Örneğin, aylık maaş ile yıllık maaş arasında bir korelasyon yaptıysanız, bunun mükemmel bir pozitif korelasyon vermesi gerekir, diğer bir deyişle, r = 1.0. Bu rakamın karesini (1 × 1 = 1) alır ve 100 ile çarparsanız, bu yüzde 100 öngörülebilirliği gösterir: aylık maaşı biliyorsanız, yıllık maaşı doğru bir şekilde tahmin edebilirsiniz.

Bu nedenle, danışmanlık verilerimize dönersek, önce 0,53 değerimizi 0,28 değerini elde etmek için kareliyoruz ve ardından yüzde 28’lik yüzde değerine ulaşmak için bunu 100 ile çarpıyoruz. Yani aslında, 0,5’lik ‘güçlü korelasyonumuz’, memnuniyet derecelendirmelerindeki varyansın yalnızca yüzde 28’inin danışma oturumlarıyla ilgili olduğu anlamına gelir.

Bu nedenle, memnuniyet derecelendirmelerinin danışma seanslarının sayısıyla ilgili olduğu sonucuna varmalıyız, ancak bu, varyansın yalnızca yüzde 28’ini oluşturuyor; işin içinde başka faktörler de var. Gerçek dünyadan bir korelasyon örneği ve bu belirleme değeri katsayısının kullanımı yer alır.

Belirleme değeri katsayısı, korelasyon değerlerinin yorumlanması ve karşılaştırılmasında önemli bir konuya da dikkatimizi çeker: 0,8’lik bir korelasyon, 0,4’lük bir korelasyondan iki kat daha güçlü değildir. Dolayısıyla, belirleme katsayısı değerlerini hesaplarsak, 0,4’lük bir korelasyonun, bir değişkendeki varyansın yüzde 16’sının diğer değişken tarafından açıklandığını, ancak 0,8’lik bir korelasyonun, varyansın yüzde 64’ünün olduğunu gösterir. bir değişkende diğeri tarafından açıklanır.

Özet

Bu bölümde şunları nasıl yapacağınızı öğrendiniz:

• İki aralık değişkeni arasındaki ilişkileri pozitif veya negatif korelasyonlu olup olmadıklarını görmek için inceleyin.
•İki değişken arasındaki ilişkiyi grafiksel olarak göstermek için dağılım grafikleri üretin.
• Doğrusal bir korelasyonun istatistiksel gücünü ve yönünü incelemek için Pearson moment çarpım korelasyonunu yürütün.
Belirleme katsayısını kullanarak bir korelasyonun gücünü yorumlayın.

Aşağıdaki alıştırmalarda ayrıca şunları da öğreneceksiniz:

• İlişkilendirmede ve istatistiksel olarak anlamlı sonuçlar elde etmede örneklem büyüklüklerinin önemi.
• Aykırı değerlerin korelasyon istatistikleri üzerinde nasıl önemli bir etkisi olabilir.
• Korelasyon ve neden arasında ayrım yapmanın önemi.

Diğer aralık değişkenleri için dağılım grafikleri ve korelasyonlar üretin

(a) yaş ve seans sayısı için korelasyonlar yürütün; ve (b) yaş ve hizmetten memnuniyet. Pearson korelasyonunu çalıştırmadan önce veriler için bir dağılım grafiği oluşturmayı unutmayın. Sonuçlar (a) herhangi bir korelasyonun gücü ve yönü; ve (b) sonuçların istatistiksel önemi nedir?

Korelasyon katsayısı hesaplama
Belirleme katsayısı hesaplama
Pearson korelasyon katsayısı
Regresyon katsayısı hesaplama
Belirlilik katsayısı formülü
R kare hesaplama
Determinasyon katsayısı
Korelasyon formülü

 Korelasyonda örneklem büyüklüklerinin önemi

Örnek boyutları istatistiksel anlamlılık üzerinde derin bir etkiye sahip olabilir. Yaş ve seans sayısı arasındaki Pearson korelasyonunu tekrar çalıştırmayı deneyin, ancak bu sefer bu değişkenlerin her biri için vaka sayısını iki katına çıkarın.

Yaş için 30 vakayı vurgulayın, fare düğmesine sağ tıklayın ve kopyalayın, ardından imlecinizi yaş için veri sütununun sonuna (31. satır) getirin ve kopyaladığınız verileri yapıştırın. Yani aynı verilere sahipsiniz, ancak vaka sayısını ikiye katlıyorsunuz. Ardından, oturumlar için aynı prosedürü izleyin. Ardından, yaş ve seanslar için 60 vakada Pearson korelasyonunu çalıştırın.

Korelasyonda ‘aykırı değerlerin’ önemi

Korelasyon arıyorsanız, verilerin her zaman bir dağılım grafiğini oluşturmanız için başka bir neden daha vardır: aykırı değerleri belirlemek  ana kümeden kendi başlarına dışarı çıkan herhangi bir veri noktası. Bunların herhangi bir korelasyon istatistiği üzerinde önemli bir etkisi olabilir.
Yaş ve memnuniyet için dağılım grafiğine tekrar bir göz atın (Bunu Alıştırma 5.1b için yapmış olmalısınız). Aykırı olanlar var mı?

Negatif bir korelasyonu ayırt etmek için dağılım grafiğindeki noktaların etrafına oval, kalın bir puro şekli çizmeye çalıştığınızı hayal edin – özellikle oval şeklinizin dışında kalan bir nokta var mı? Öyleyse, vaka numarasını tanımlayın, veri kümenizden çıkarın (yaş ve memnuniyet değerleri) ve Pearson korelasyonunu yeniden çalıştırın.

Aşağıdaki bağıntıları açıklayın.

(a) Dondurma satışları ile suç oranları arasında güçlü bir pozitif korelasyon olduğu bildirilmektedir. Bu nedenle, dondurmanın suça neden olduğu sonucuna varıyor muyuz?
(b) Danışmanlık seans sayısı ile psikolojik iyi olma düzeyi arasında pozitif bir ilişki olduğu bildiriliyor mu? Bu nedenle, danışmanlığın işe yaradığı ve daha fazla danışmanlığın daha iyi çalıştığı sonucuna varabilir miyiz?
(c) Süt tüketimi kanserle pozitif ilişkilidir. Peki süt içmek kansere neden olur mu?
(d) Çalışmalar, sigara içimi ile Alzheimer demansı arasında negatif bir ilişki bulmuştur: Sigara içmenin artmasıyla Alzheimer demansına yakalanma riski azalır. Bu nedenle, Alzheimer demansının başlamasını önlemek için insanlara sigara içmeye başlamalarını veya sigara içme sayılarını artırmalarını önerir misiniz?

İki puan grubu arasındaki farkları incelemek

Bu bölümde, iki puan grubu arasında istatistiksel olarak anlamlı bir fark olup olmadığını bize söyleyen testler hakkında bilgi edineceksiniz. Bunu yaparken bağımsız ve bağımlı değişkenler, parametrik ve parametrik olmayan veriler ve bağımsız ve ilgili örnekler hakkında bilgi edineceksiniz.

Bu bölümde, iki puan grubu arasında anlamlı bir fark olup olmadığını bize söyleyen istatistiksel testlere bakacağız. Örneğin, bu, bir erkek ve kadın örneğini karşılaştıran bir yetenek testi puanları veya bazı müdahalelerden önceki ve sonraki puanlar olabilir, örneğin bir hasta örneği için bir terapi kursundan önce ve sonra zihinsel sağlık puanları vardır.

Peki, danışmanlık anketimizde iki puan grubu arasındaki hangi farklılıkları inceleyebiliriz? Bunu düşünmek için değişkenleri iki türe ayırmakta fayda var: bağımsız değişkenler ve bağımlı değişkenler. Örneğin, hizmetten memnuniyetin hastanın gördüğü danışmana bağlı olduğunu düşünebiliriz, bu durumda aşağıdaki bağımsız ve bağımlı değişkenlere sahip oluruz:

• Bağımsız değişken: danışman (John veya Jane).
• Bağımlı değişken: memnuniyet derecesi.

Danışmanlık anketinde aslında kategorik değişkenler danışman ve cinsiyet olmak üzere yalnızca iki olası bağımsız değişken vardır ve her birinin aşağıda listelendiği gibi üç olası bağımlı değişkeni vardır:

1 Bağımsız değişken: danışman (John veya Jane):
• bağımlı değişken: memnuniyet dereceleri;
• bağımlı değişken: seans sayısı;
• bağımlı değişken: hastaların yaşı.
2 Bağımsız değişken: cinsiyet (erkek veya kadın):
• bağımlı değişken: memnuniyet dereceleri;
• bağımlı değişken: seans sayısı;
• bağımlı değişken: hastaların yaşı.

Bağımsız ve bağımlı değişkenlerimizi belirledikten sonraki soru, hangi farklılıkları incelemek istediğimizdir? Ve bunun cevabı, hangisinin en alakalı olduğunu düşünüyoruz?

Bence, iki danışmanın memnuniyet derecelerini ve ardından danışmanların her birinin sağladığı seans sayısını karşılaştırarak başlamalıyız, çünkü bunlar bu analizi yaptıran doktor için en alakalı bilgileri sağlayabilir.

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