Sonraki analiz grubu, Kolmogorov–Smirnov ve Shapiro–Wilk normallik testleri ve normal (Q-Q) veya olasılık grafiklerini üretmek için Keşfet prosedürünü kullanır. Ana menüden Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Keşfet’i seçmek, Şekil 20.7’de gösterilen, GAF ve yaşı Bağımlı Liste paneline taşıdığımız Keşfet iletişim penceresini üretir.

Plots butonuna tıklandığında gösterilen Plots diyalog penceresi açılır. Kutu Grafikleri panelinde Yok’u etkinleştirdik (çünkü bu örnekte kutu grafiğine ihtiyacımız yok) ve Tanımlayıcı panelinde her iki grafiği de seçmedik. Ancak Normallik grafiklerini testlerle etkinleştirdik. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTI: KEŞFET

Kolmogorov–Smirnov ve Shapiro–Wilk normallik testlerini göstermektedir. Her iki test de GAF dağılımının normallikten farklı olduğunu göstermedi (sırasıyla p = .200 ve .793). Tersine, yaş değişkeni için her iki test de istatistiksel olarak anlamlıydı (sırasıyla p = .007 ve .001), bu değişken için normallik ihlalini gösteriyordu. Bu, standart hatalarına göre çarpıklık ve basıklığı değerlendirdiğimizde şüphelerimizi doğrulamaktadır.

GAF ve yaş değişkenleri için normal olasılık (veya Q-Q) grafiklerini gösterir (IBM SPSS ayrıca verilerdeki doğrusal parçalamayı ortadan kaldıran bir trendden arındırılmış normal Q-Q grafiği de üretir). Bu, normal bir olasılık grafiği veya Q-Q grafiğidir (Q, kümülatif dağılımda düzenli aralıklarla alınan noktalar olan nicelikleri temsil eder).

Sol alttan sağ üste açılı çapraz çizgi idealleştirilmiş normal dağılımı temsil eder. Gözlenen bir puan dağılımı (dairelerle temsil edilir) çapraz çizgi üzerine bindirilir. Tamamen normal bir puan dağılımı, dairelerinin tam olarak çapraz çizgi boyunca sıralanmasını sağlayacaktır.

Görebileceğimiz gibi, puanların GAF dağılımı diyagonal çizgiye oldukça yakındır, oysa yaş dağılımı diyagonal çizgiden biraz sapar ve önceki normallik testi sonuçlarının ihlal edildiğini doğrular.

İstatistiksel Varsayım İhlallerini Gidermek için Verileri Dönüştürme

Bir veri dönüşümü, normallik, doğrusallık ve homoscedastisite istatistiksel varsayımlarını ihlal eden veya olağandışı tek değişkenli veya çok değişkenli aykırı değerlere sahip değişkenleri değiştirmek veya ayarlamak için kullanılabilen matematiksel bir prosedürdür. Ham verilerin bu dönüşümleri, genellikle bir puan dağılımının şeklinde veya dağılımında bulunan çarpıklıkları (yani, çarpıklık, basıklık) azaltmaya yardımcı olur, ancak karışık faydaları nedeniyle makul bir şekilde kullanılmalıdır.

Bir yandan, bir dağılımın çarpıklığını (bu aynı zamanda aykırı değerleri puanların çoğuna yaklaştırır) ve basıklığı azaltmaya yardımcı olabilirler. Öte yandan, elde edilen dönüştürülmüş veri değerleri yapının ölçüm ölçeğini değiştirebilir ve değerlerin yorumlanması zor olabilir.

Dağılımı istatistiksel analizlerinin altında yatan varsayımlara yaklaştırmak için araştırmacılar tarafından yaygın olarak kullanılan çeşitli dönüşümler vardır. X değişkenini dönüştürmeyi düşünecek olursak, bu dönüşümlerden bazıları aşağıdaki gibidir:

• X’in karekökü
• X’in 10 tabanında logaritması
• X’in tersi (1 bölü X)
• X’i yansıt (X’i -1 ile çarpın)
• Kare X
• Küp X

Bir değişkenin puanlarını dönüştürmek, yeni bir değişken oluşturmak için bu puanlar üzerinde bazı matematiksel işlemlerin yapılmasını gerektirir; yani, dönüşümden sonra, her vaka orijinal değişkende bir puana ve yeni hesaplanan değişkende başka bir puana sahip olacaktır. Bu yeni hesaplanan puanlar, orijinal puanlarla ilgili olacaktır, çünkü bunlar karekök, logaritma veya o orijinal puan üzerinde gerçekleştirilen diğer dönüşümler olacaktır.

Regresyon Analizi ders notları
Regresyon analizi
Regresyon analizi yorumlama
Çoklu regresyon analizi örnekleri
Gauss-Markov Teoremi
Basit doğrusal regresyon Analizi
Regresyon analizi Örnekleri
En Küçük Kareler yöntemi PDF

SAYISAL ÖRNEK

Mevcut örnek, varsayımsal bir sağlık hizmeti çalışmasından alınmıştır. Bu çalışmayı motive eden ilgi alanlarından biri, belirli bir sağlık hizmeti sağlayıcısının mevcut hizmetlerini kullanan 173 hasta örneğinin sıklığını incelemektir. Bu çalışmadaki değişkenlerden biri, üyelerin aile hekimlerine yılda yaptıkları ziyaret sayısıdır. Health care use adlı veri dosyasında doc_visits adlı bu değişkeni izole ettik. İlgi alanımız, daha fazla veri analizine hazırlık olarak dağılımını ayarlamaktır.

ANALİZ STRATEJİSİ

Çarpıklığı düzeltmek için dönüşümleri kullanmak, genellikle basıklığı düzeltmede de başarılı olur. doc_visits değişkeni, önemli ölçüde pozitif çarpıklık (düşük puanların baskınlığı) ve pozitif basıklık (leptokurtiktir, yani dağılım normal eğriye göre sıkıştırılır) sergiler. İlk analizimiz için, dağılımı daha normal hale getirmek için kullandığımız dönüşümleri değerlendirirken, bu dağılım için temel olarak hizmet edecek tanımlayıcı istatistikleri oluşturacağız.

Pozitif çarpıklığın büyüklüğünü azaltmak için normal olarak uygulanan üç tür dönüşüm vardır. Bunlar, daha büyük büyüklük puanlarını, daha düşük büyüklük alanındaki puanların yığınına doğru “çekerek” çalışır. Negatif çarpık dağılımları düzeltmeyi hedefleyen farklı dönüşümlerin (değerlerin karesini alma ve küp alma), biraz daha büyük olan puanları “dışarı iterek” çalıştığına dikkat edilmelidir.

Dönüştürülen değerleri temsil edecek yeni değişkenler oluşturmak için Değişken Hesapla prosedürünü kullanarak pozitif çarpıklığı iyileştirmek için sırayla üç dönüşümü uygularız. Daha sonra, dağılımı normalleştirme çabalarımızın nasıl ilerlediğini görmek için dönüştürülmüş değişkenler kümesi üzerinde tanımlayıcı istatistikler uygularız.

Kullandığımız üç dönüşüm aşağıdaki gibidir:

• Kare Kök Dönüşümü. Orijinal bir değerin karekökünü almanın etkisi daha küçük bir değer elde etmektir ve bu etkinin boyutu orijinal değerin büyüklüğü ile orantılıdır. Örneğin, 4’ün karekökü 2’dir, iki ölçek birimi farkıdır, ancak 100’ün karekökü 10’dur, 90 ölçek birimi farkıdır. Böylece, daha büyük puanlar, daha düşük puanlara daha yakın çekilir.

• Günlük Dönüşümü. Logaritmalar, pozitif bir sayıyı temsil edecek bir güce yükseltilmiş bir taban kullanır (log, negatif bir sayı veya 0 için hesaplanamaz). Diğer bazlar (taban 2, taban e) de sıklıkla kullanılmasına rağmen, kullanılan yaygın bazlar arasında taban 10 bulunur. Nasıl çalıştığını görmek için bu örneği düşünün. 100’ün logaritması, 100’ü elde etmek için tabanın (burada 10 tabanını kullanıyoruz) yükseltilmesi gereken değerdir; yani, 10 üzeri hangi güç 100’e eşittir? Burada cevap 2’dir ve dolayısıyla 100’ün 10 tabanındaki logaritması 2’dir. Bu tür bir dönüşüm aynı zamanda daha büyük puanları daha düşük puanlara doğru çeker.

• Yansıyan Ters Dönüşüm. Daha önce belirtildiği gibi, X’in tersi 1/X’tir. Bu, büyük değerleri küçük ve küçük değerleri büyük yapar, böylece değişkenin ölçeklemesini “çevirir”. Birçok durumda etkili bir dönüşüm olduğu için, araştırmacılar bunu ciddi şekilde çarpık dağılımlar için kullanmayı severler, ancak ölçeklendirme metriğinin tersine çevrilmesini sevmezler. Bu tersine çevirmeyle başa çıkmak için, bu dönüşümü kullanırken fazladan bir adım ekliyoruz: “yansıtmak” için önce değişkeni -1 ile çarpıyoruz.

Değişkeni yansıtarak, puanlama metriğini önceden “ters çeviririz” veya tersine çeviririz, böylece tersini alıp ters çevirmeyi veya ters çevirmeyi aldığımızda, değişkenin puanlandığı orijinal yola geri döneriz. Kulağa biraz dolambaçlı geldiğini biliyoruz, ancak tüm saygısızlığın sonucu, değişkenin sağ tarafa gelmesidir.

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