Kişilik veri dosyasını açıyoruz ve ana menüden Analiz ➔ Tanımlayıcı İstatistikler ➔ Tanımlayıcılar’ı seçiyoruz. Bu, gösterilen ana Tanımlayıcılar iletişim penceresini açar. Neoconsc, negafect ve Regard’ı Değişken(ler) paneline taşıyoruz, Save Standardized value as Variables (Standartlaştırılmış değerleri değişkenler olarak kaydet) kutusunu işaretliyoruz ve analizi gerçekleştirmek için OK’i seçiyoruz.

İşlemimizin sonucu görülebilir. Orijinal adının önünde büyük harf Z ile adlandırılan yeni dönüştürülmüş değişkenler, veri dosyasının sonunda görünür.

ANALİZ KURULUMU: k -KÜMELEME 

Ana menüden Analyze ➔ Classify ➔ k-Means Cluster öğesini seçin. Bu, gösterilen ana iletişim penceresini açar. Zneoconsc, Znegafect ve Zregard’ı Değişken(ler) paneline taşıyoruz. Number of Clusters panelinde 4 belirtiyoruz ve Method altında Iterate ve classify varsayılanını koruyoruz.

Yinele düğmesinin seçilmesi, gösterilen Yinele iletişim penceresini açar. IBM SPSS tarafından belirlenen varsayılan yineleme sayısı 10’dur; bu, çok fazla yinelemenin eski makinelerin sınırlı işlem gücünü vurgulayacağı çok eski günlerden kalmadır. Analizimizin tamamlanmasını sağlamak için yinelemeleri 100’e yükseltiyoruz. Devam’ı tıklatmak bizi ana iletişim penceresine döndürür.

Gösterilen Seçenekler penceresinde, İstatistikler alanında İlk küme merkezleri (ilk tohum noktalarını göstermek için) ve kümeleme değişkenleri üzerindeki grupları karşılaştırmak için ANOVA tablosunu seçiyoruz. Ayrıca, pencerenin Eksik Değerler bölümünde Vakaları liste şeklinde hariç tut seçeneğini de koruyoruz. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Kaydet penceresi gösterilir. Cluster üyeliğini seçiyoruz. Bu, veri dosyasının sonunda, nihai çözümde her vakanın atandığı kümeyi gösteren sayısal kodlarla birlikte yeni bir kategorik değişken yaratacaktır. Ana iletişim penceresine dönmek için Devam’ı tıklayın ve analizi gerçekleştirmek için Tamam’ı seçin.

ANALİZ ÇIKTI: k -KÜMELEME 

Veri dosyasının bir bölümünün ekran görüntüsünü, QCL_1 değişkeni altında atanan her vakanın küme üyeliğiyle birlikte gösterir. Değişkenin adı, “Hızlı Küme, Bu Oturumun İlk Kaydetme Komutu”nun kısaltmasıdır. İlk satırdaki vakanın Küme 3’e atandığını, ikinci satırdaki vakanın Küme 1’e atandığını vb. görebiliriz.

Analiz için başlangıç ​​başlangıç ​​noktaları, İlk Küme Merkezleri tablosunda gösterilir. Değerler, sıfır örnek ortalaması ve 1,00 standart sapma ile z puanı biçimindedir. Çekirdek nokta z puanlarının çoğu, ilgili ortalamalarından bir standart sapma mesafesinin oldukça üzerindedir ve çoğu, iki standart sapma mesafesinin biraz üzerindedir. İki noktayı not ediyoruz.

İlk olarak, gerçek bir aykırı değer görmüyoruz (üç standart sapma biriminin ötesinde bir puan) ve bu güven verici. İkincisi, bu çekirdek noktalar, numune ortalamasından çok uzaktır, ancak yinelemeli süreç, son küme merkezlerini elde ettiğimizde bu mesafeleri büyük ölçüde azaltacaktır.

Tam bağlantı kümeleme yöntemi
Hiyerarşik kümeleme örnek
Kümeleme tekniği
Cluster yöntemi. nedir
İki küme arasındaki uzaklık
Veri MADENCİLİĞİ kümeleme Nedir
Kümeleme problemi
Veri Bilimi hiyerarşisi

Yineleme Geçmişini görüntüler. Yakınsama eşiğine onuncu yineleme ile ulaşıldığından, varsayılanı değiştirmemiz burada gereksiz görünüyordu. Araştırmacıların bir k-ortalama kümeleme analizi gerçekleştirme konusundaki endişelerinden biri, nihai çözümde her kümeye atanan vaka sayısının kabul edilebilir olduğundan emin olmaktır. Bu bilgi, örnek boyutlarının 66 (Küme 2) ile 125 (Küme 1) arasında değiştiğini gördüğümüz yerde gösterilmektedir. Bunu oldukça iyi olarak değerlendiriyoruz. Bir kümenin çok az vakaya (belki bir düzine veya daha az vakaya) sahip olduğu ve bu tür bir grubun sonraki analizlerde uygulanabilir olmadığı durumlarda kaçınılması gerekir.

ANOVA özet tablosu gösterilir. Tablonun dipnotları önemlidir, bu da bize analizin kesinlikle keşfedici olarak ele alınması gerektiğini bildirir. Burada, tüm kümeleme değişkenlerinde istatistiksel olarak anlamlı grup farklılıkları vardır. Bu tablonun araştırmacılar için birincil kullanımı, bir kümeleme değişkeninin ne zaman istatistiksel olarak anlamlı bir etki sağlamadığını fark etmektir; bu, değişkenin seçilen amaç için etkili olmadığını gösterir ve araştırmacılara, eğer makul ve uygunsa, başka bir değişkenle değiştirerek analizi tekrarlamak isteyebileceklerini önerebilir.

Nihai Küme Merkezleri tablosu gösterilmektedir. Bu tablo sonuçların özünü gösterir ve kümeleri karakterize etmek için kullanılır. Çekirdek noktaların nispeten uç değerlerinin büyük ölçüde yumuşatıldığına dikkat edin. Bu z puanları, örnek istatistiklerine dayanmaktadır ve bu nedenle, herhangi bir popülasyon anlamında değil, bu örneğe göre yorumlanmalıdır.

Standardizasyon nispeten büyük bir örneklem boyutuna (N = 420) dayandığından, z puanlarının büyüklüğünü işlevsel bir şekilde yorumlayabiliriz. Bu nedenle, numuneye göre yaklaşık ±.50 ila yaklaşık ±.75 aralığında az puanı önemli, yaklaşık ±1.00 az puanı nispeten önemli ve yaklaşık ±1.30’dan büyük herhangi bir az puanı oldukça aşırı olarak değerlendirebiliriz. kastetmek. Tanımlamamızda, yorumlamamıza rehberlik etmesi için bu yüksek z puanlarını ararız.

Bu kümeleri (grupları) aşağıdaki gibi karakterize ediyoruz:

• Küme 1. Küme 1’in tek ayırt edici özelliği, önemli (olumsuz) bir vicdani ortalamadır; bu, bu kümedeki vakaların, ortalama olarak, örneklem için ortalamadan daha dikkatsiz ve sorumsuz olarak nitelendirilebileceğini düşündürür.
• Küme 2. Bu kümedeki ortalama vakalar, göreceli olarak vicdani ve özsaygı eksikliği ile karakterize edilmiş gibi görünmektedir, ancak önemli ölçüde olumsuz etki yaşadıkları görülmektedir; nispeten daha umutsuz ve örnek için ortalamadan daha kayıp olarak karakterize edilebilirler.
• Küme 3. Bu kümedeki ortalama vakalar, çok az olumsuz etki yaşarken önemli ölçüde vicdanlılık ve özsaygı ile karakterize ediliyor gibi görünmektedir; örnek için ortalamadan psikolojik olarak daha sağlıklı olarak karakterize edilebilirler.
• Küme 4. Bu kümedeki ortalama vakalar, göreceli olarak vicdanlı görünüyor, ancak önemli ölçüde olumsuz etki yaşıyor; örneklemin, yaşam görevlerini eylemlerinden fazla zevk almadan tamamlarken kara kara düşünmesi ortalamadan daha muhtemel olarak karakterize edilebilirler.

KONULAR ARASI TEK YÖN TAKİP ANALİZİ

Sonraki bir analizde küme üyeliği değişkeninin kullanımını göstermek için, IBM SPSS’deki Tek Yönlü ANOVA prosedürünü kullanarak denekler arasında tek yönlü bir ANOVA gerçekleştiriyoruz. Bu prosedürü tartıştık ve burada tercih ettik, çünkü bir kümeleme prosedürüyle oluşturulan grupların bağımlı değişkendeki değişkenlik açısından oldukça farklı olması alışılmadık bir durum değildir ve Tek Yönlü ANOVA prosedüründe, özel önem testleri talep edebiliriz. varyansın homojenliği varsayımının ihlalini hesaba katan omnibus etkisi (genel grup farkı).

SAYISAL ÖRNEK: TEK YOL ANOVA

Gruplarımızı temsil eden bağımsız değişken olarak kullanılacak olan QCL_1 değişkenimizi içeren kişilik veri dosyasında, bağımlı değişkenimiz olarak selfcon (self-control) kullanacağız. Bu bağımlı değişken, Öz Kontrol Çizelgesi’ndeki puandır ve kişinin düşünce ve duygularının pozitif kontrolünü alarak yaşamla başa çıkma yollarını temsil eder.

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