Birkaç farklı alan, burada kullandığımız genel tekniği, kısmen kullanım şekline bağlı olarak birçok farklı etiketle etiketlemiştir. Bu etiketler arasında hiyerarşik doğrusal modelleme, karma modelleme, iç içe modelleme, büyüme eğrisi analizi ve bağlamsal modelleme yer alır. Çok düzeyli modelleme terimini kullanma konusunda Vogt’un (2007) liderliğini takip ediyoruz ve analizi gerçekleştirmek için IBM SPSS®’de Doğrusal Karma Modeller prosedürünü kullanıyoruz.

Çok düzeyli modelleme, gruplar arasında olduğundan çok gruplar içindeki bağımlı değişkenle daha fazla ilişkili olan bireylerin yanıtlarının kümeleme veya iç içe geçme etkisini hesaba katar. Bu nedenle, verileri birden çok düzeyde (yani hem bireysel düzeyde hem de grup düzeyinde) analiz etmek için çok düzeyli modelleme kullanıyoruz. Bireysel durumları analizin en temel (mikroskobik) düzeyi olarak kabul edersek (çok düzeyli modelleme bağlamında Düzey 1 olarak adlandırılır), o zaman grup üyeliği daha yüksek düzeyde (daha makroskopik) bir analiz düzeyidir.

Örneğimiz sadece iki seviyeli bir hiyerarşi ile sınırlı olacak olsa da, bu (Seviye 2) grupların kendilerinin daha da yüksek bir organizasyon seviyesinde yuvalanmış olmaları mümkündür. Çok düzeyli modelleme, grup etkilerini kontrol ederken bireysel gözlemlerin değerlendirilmesine ve bireysel gözlemleri kontrol ederken grup etkilerini değerlendirmeye izin veren çoklu regresyon prosedürünün bir genellemesidir.

Modelin bu varyans bileşenlerini tahmin etmek için, IBM SPSS Doğrusal Karma Modeller yordamı bir maksimum olabilirlik algoritması kullanır; Analizlerimizde kullandığımız varsayılan varyasyon, bu tahminleri yaparken sabit etkilerle ilişkili serbestlik derecelerini hesaba katan sınırlı bir maksimum olabilirlik yöntemidir.

Verilerin hiyerarşik bir yapı sergileyebileceği bir araştırma bağlamının bir örneği ve bizim sayısal örneğimiz için kullandığımız örnek olarak, bir hastanedeki hastaların yaşam kalitesinin değerlendirilmesi, kısmen geleceklerine ilişkin iyimserlik düzeylerinden açıklanabilir ( Düzey 1 değişkeni). Bu kurgusal çalışmaya 100’den fazla hastane dahil edildi ve çeşitli nedenlerle bir hastanedeki hastaların başka bir hastanedekilerden daha yüksek bir yaşam kalitesi bildirmiş olması mümkündür.

Bu nedenle, yalnızca bireysel hastaların puanları bildirilen yaşam kalitesi derecesinin tahmini olmayabilir, aynı zamanda hastaların ilişkili olduğu belirli hastane de geçerli bir öngörücü olabilir (örneğin, A ve B Hastanelerindeki hastalar C ve D Hastanelerindekilerden daha yüksek bir yaşam kalitesi ortalamasına sahiptir). Bu nedenle, tahmin modelinde bir Düzey 2 değişkeni olarak hastaneyi dahil etmek gerekli olabilir.

Bu örnekte, belirli bir hastanedeki hastaların yaşam kalitesi değerlendirmeleri, tüm örneklemden rastgele seçilen hastalardan ortalama olarak daha fazla benzer (ilişkili) olabilir, yani Düzey 2 değişkeni aşağıdakilerle ilişkili olabilir ( yaşam kalitesi yargılarının öngörüsü. Bu korelasyon kümeleme olarak adlandırılır.

Kümeleme elde edildiği ölçüde bağımsızlık varsayımı (çalışmaya katılan hastaların bağımlı değişkene göre birbirinden bağımsız olduğu) varsayımı ihlal edilmektedir.

Çok seviyeli modelleme, bu kümeleme etkisi ile ilgili olarak iki amacı gerçekleştirmemize izin verir. Gerçekleştirmemize izin verdiği ilk hedef, veri kümesindeki kümelenme düzeyini belirlemek için uygun bir yol sağlamasıdır. Bunu bir sınıf içi korelasyon (ICC) oluşturarak yapıyoruz.

Örneğimiz için iki seviyeli bir hiyerarşi kullanan ICC, Seviye 2 değişkeni tarafından açıklanabilen bağımlı değişken varyansının miktarını tahmin eder. ICC’nin sıfır olması, bağımlı değişken üzerinde hiçbir Düzey 2 etkisi gözlemlemediğimizi gösterir ve çok düzeyli modelleme prosedürünü yürütmemiz gerekmediği anlamına gelir (yani, bağımsızlık varsayımı olacağı için sıradan regresyon analizi yeterli olacaktır). 

General Lineer model
Spss General Linear Model nedir
Boylamsal veri analizi

Ancak ICC’nin değeri arttıkça çok seviyeli modelleme daha gerekli hale gelir. ICC’nin çok seviyeli bir modelleme yapma eşiği tartışılıyor. Lee (2000), .10’dan büyük bir ICC’nin çok seviyeli yöntemler gerektirdiğini öne sürmüştür. Diğerleri, kısmen, model parametrelerinin yanlı tahminleri, alfa seviyesi enflasyonu ve daha büyük bir risk dahil olmak üzere, bağımsızlık varsayımını ihlal etmenin olumsuz sonuçlarının önemli olması nedeniyle, çok küçük korelasyon seviyelerinin bile çok seviyeli modelleme kullanımını haklı çıkarabileceğini bildirmiştir.

Çok seviyeli modellemenin başarmamıza izin verdiği ikinci hedef, bu kümeleme etkisini analizimizde bir ortak değişken olarak kullanmamıza izin vermektir. Bunu yaparak, Düzey 2 etkisini istatistiksel olarak kontrol ettiğimizde, veri setindeki diğer öngörücülerin katkılarını değerlendirebiliriz. Çok seviyeli modelleme, çoklu regresyon analizinden önemli ölçüde daha karmaşıktır.

Hiyerarşik yapıda en az iki seviye olduğundan, araştırmacılar farklı sorunları ele almak için farklı tahmin edici kombinasyonları kullanabilirler; yani, araştırmacılar farklı araştırma konularını ele almak için alternatif modeller yapılandırabilirler. Bu esnekliğin bir sonucu olarak, her model biraz farklı bir konuyu ele alır ve çok düzeyli modellemede kullanılan ortak bir analiz stratejisi, bir dizi analizde modelin karmaşıklığını artırmaktır.

Çok seviyeli bir analiz gerçekleştirirken iki sorunla karşı karşıyayız: tahmin edicileri sabit veya rastgele etkiler veya her ikisi olarak ele almak ve tahmin değişkenlerinin eğer/nasıl merkezleneceği. Bu iki konuyu sırasıyla kısaca ele alıyoruz.

Genel olarak, bir etkiyi sabit bir etki olarak ele almak, analiz sonuçlarını veri dosyasında temsil edilen belirli değerlere odaklarken, bir etkiyi rastgele bir etki olarak ele almak, analiz sonuçlarının bundan daha geniş bir değer aralığına genelleştirilmesine izin verir. veri dosyasında temsil edilir. Çok seviyeli modellemede, sabit etkiler kesişimler (ortalamalar) ve eğimlerdeki farklılıklara odaklanırken, rastgele etkiler değişkenler tarafından açıklanan varyansa odaklanır.

Ayrıca, IBM SPSS’de yalnızca kategorik değişkenler Faktör olarak tanımlanabilir ve yalnızca Faktörler sabit etkiler olarak atanabilir; nicel veya ikili olarak kodlanmış kategorik değişkenlerin her ikisi de Ortak Değişkenler olarak nitelendirilebilir ve Ortak Değişkenler, sabit veya rastgele etkiler olarak atanabilir. Çok seviyeli modellemede, nicel tahmin değişkenlerini ortalamak gelenekseldir. Sayısal örneğimizde, veri setindeki tek nicel öngörücü değişken iyimserliktir. 

Düzey 1 değişkenleri için yaygın olarak kullanılan iki merkezleme türü, büyük ortalama merkezleme ve grup ortalama merkezlemedir. Büyük ortalama merkezleme için, her bir durum için genel (toplam örnek) ortalamayı puandan çıkarırız; bu nedenle, örnek için merkezlenmiş ortalama sıfır olur ve vakaların puanları, büyük ortalamadan uzaklıklarını temsil eder.

Grup ortalama merkezleme için, o belirli gruptaki bu durumlar için değişken üzerindeki puandan her bir grubun ortalamasını çıkarırız; bu nedenle, her grubun bir merkezi sıfır ortalaması vardır ve vakalar için puanlar, ilgili grup ortalamalarından uzaklıklarını gösterir. Düzey 1 değişkenine empoze edilecek merkezleme türüne karar vermek, başka bir yerde tartışılan karmaşık bir karardır ve Meyers ve ark. Örneğimizde, Düzey 1 değişkenimizi (hasta iyimserlik puanı) genel ortalama üzerinde ortalıyoruz.

Düzey 2 (ve daha yüksek düzey) nicel öngörücüleri merkezlerken, bireysel vakaların puanlarından ziyade nicel öngörücülerin grup ortalamalarına odaklanırız; yani, grup ortalamaları, bir ortalamanın çıkarıldığı “puanlar” olarak kabul edilir. Belirli bir grup içindeki her bir duruma, önce belirli bir nicel tahmin değişkeni için grubun ortalamasının değeri atanır. Daha sonra, her birinden büyük ortalamayı çıkararak bu grup ortalama “puanlarını” ortalarız. Bu ortalanmış “puan”lar arasındaki farklılıklar, bu nedenle grup farklılıklarını yansıtır.

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