Güç ve etki büyüklüğü sorununu gündemde olan bir konudur. İki deney düşünün. İlki, son derece zararlı olduğu bilinen bir ilacın insanlar üzerindeki etkilerini laboratuvar ve hayvan deneyleri yoluyla test etmeyi amaçlamaktadır. Hangi boyutta numuneye ihtiyacınız olacak? Eh, etkinin özellikle belirgin kusma, kasılmalar vb. olmasını beklersek, o zaman çok fazla olmamasını umarız.

Umarız, ilacı alan beş kişi ve plasebo alan beş kişi söyledikten sonra, iki durumu karşılaştıran oldukça güçlü verilerimiz olur.

Ancak, danışmanlık öncesi ve sonrasında kaygı düzeylerini ölçmek için bir anket kullanan ikinci bir deney hayal edin. Araştırmacılar, danışmanlığın çoğu hasta için kaygı düzeylerini azaltacağını, ancak muhtemelen o kadar fazla olmayacağını ve bazı hastalar için sorunlarıyla yüzleştikçe kaygı düzeylerinin artabileceğini düşünüyorlar.

Dolayısıyla, beklediğimiz etki bu durumda özellikle belirgin değildir ve bu nedenle yanlış bir negatif ile sonuçlanmaktan kaçınmak için çok daha büyük bir örneğe ihtiyacımız olacaktır. Bu, temel olarak, etki büyüklüğü ne kadar küçükse, ihtiyaç duyulan örneklem büyüklüğü o kadar büyük olan ‘güç hesaplamalarının’ temelidir.

Ne yazık ki, ‘Ne kadar büyük bir örneğe ihtiyacım var?’ sorusunun basit bir yanıtı yoktur, çünkü bu, yürüttüğünüz belirli araştırmaya, kullandığınız sonuç ölçütlerine ve oluşturabileceğiniz etkinin boyutuna bağlıdır. bekliyor.

Genel bir kural olarak, mümkün olduğunca büyük bir örneklem hedeflemelisiniz (varsa farklılıkları tespit etmek için), ancak araştırdığınız herhangi bir etkiyi belirlemek için gerekli olanın ötesinde işe alıma devam etmemelisiniz. Aksi takdirde, zararlı bir ilacın test edilmesi örneğinde olduğu gibi, özellikle olumsuz etkilerin olabileceği durumlarda etik dışı olarak kabul edilebilecek olan zamanınızı ve hastalarınızın zamanını boşa harcamış olursunuz.

Uygulamada, zaman, kaynaklar ve mevcut örnek açısından genellikle sınırlamalar vardır. Örneğin, yıl içinde bir rehberlik servisine sadece 30 sevk varsa ve bir yıl sonra hizmeti değerlendirmeniz gerekiyorsa, o zaman bu sizin örneğinizdir.

Alternatif olarak, bu sizin amaçlarınız için çok küçük bir örnek olarak kabul edilirse (anlamlı sonuçlar sağlamak için), daha büyük bir örnek elde edene kadar işe alım süresini uzatmanız gerekir. Şimdi daha basit ve daha eğlenceli bir şeye geçelim ; verileri yeniden kodlamak.

Aralık değişkenlerini kategorik değişkenlere yeniden kodlama

Verilerimizde çapraz tablo oluşturabileceğimiz sadece iki kategorik değişkenimiz var: hastaların ve danışmanların cinsiyeti (ve bunu yaptık). Ancak bazen, mevcut kategorik değişkenlerle çapraz tablo oluşturabilmeleri için aralık değişkenlerini kategorilere dönüştürmek yararlıdır. Aşağıdaki alıştırmada ve bu bölümün sonundaki alıştırmalarda göreceğimiz gibi, aralık verilerini kategoriler halinde gruplamak, aksi halde açık olamayacak ilginç karşılaştırmaları ortaya çıkarabilir.

Örneğin, hastaların cinsiyetini ve yaşını çapraz tablolamak isteyebiliriz. Açıkçası bunu yapamıyoruz çünkü yaş verileri kategorilerde değil yaşlar kadar çok kategori elde edeceğiz! Ancak yapabileceğimiz şey, yaşları 20–9, 30–9, 40–9 gibi kategorilere ayırmak ve ardından yaş kategorilerini hastaların cinsiyetiyle çapraz tablo haline getirmektir. SPSS’de bunu değişkenleri yeniden kodlayarak yaparız.

Kategorik değişkenlerin karşılaştırılması
Kategorik değişkenler nelerdir
Kategorik değişken örnekleri
Kategorik veri nedir
Kategorik veri örnekleri
Kategorik Veri Analizi kitap
Kategorik veri analizi
Kategorik verilerde regresyon analizi

Yaşı kategorilere yeniden kodlama

• 1 Ekranın üst kısmındaki menüden Dönüştür ve ardından Farklı değişkenlere yeniden kodla’yı tıklayın. Bu, gösterilen diyalog kutusunu üretmelidir. (Not: ‘Aynı değişkenlere’ seçmiş olsaydık, yeniden kodlamamız mevcut verilerin üzerine yazacaktı; iyi bir seçim değil!)
• 2 Ardından, değişken yaşı Girdi Değişkeni kutusuna koyun (bu kutunun başlığı, siz yaş girdikten sonra Sayısal Değişken olarak değişir).
• 3 Kutunun sağ tarafındaki Çıktı Değişkeni altında, oluşturacağınız yeni yaş değişkeni için bir ad yazın. Yaş kategorilerini temsil etmek için agecats kullandım ve aşağıdaki Etiket kutusuna daha kapsamlı bir açıklama ekledim: yaş kategorileri.
• 4 Değiştir’e tıklayın, bu daha sonra Sayısal Değişken/Çıktı Değişkeni kutusunda görünecektir.
• 5 Yeniden kodlama iletişim kutusunu açmak için Eski ve Yeni Değerler’e tıklayın.
• 6. Yaş kategorilerini girmek için Aralık’ın yanındaki daireye tıklayın. Verilerimizde yaş aralığı 21 ile 49 arasındadır, bu nedenle şu kategorileri kullanacağız: 20–9, 30–9, 40–9.
• 7. Önce 20, ardından 29 (aşağıda gösterildiği gibi) girin, ardından Yeni Değer kutusuna 1 yazın. 20–9 yaş kategorisine 1 sayısını atadınız.
• 8. Şimdi Ekle’ye tıklayın ve bu, aşağıdaki Eski–Yeni değişken kutusuna girilecektir.
• 9. Aşağıda gösterildiği gibi, tüm yaş kategorilerine numara atayana kadar devam edin:
• 10. Devam’ı ve ardından bir sonraki ekranda Tamam’ı tıklayın. Veritabanınız artık agecats adlı oluşturduğunuz ek bir değişkene sahip olacaktır. (Yeni değişkeniniz ondalık basamak içeriyorsa, bunları Değişken Görünümünde kaldırın.)
• 11 Bu prosedürü doğru uyguladığınızdan emin olun – kategorilerinizin gerçekten eşleştiğinden emin olun, yani agecats’te 1’in yaş değişkeninde 20-9 aralığında olduğunu, 2 = 30-9 ve 3 = olduğunu kontrol edin. 40–9.
• 12 Ardından, Değişken Görünümüne gidip Değerler’e tıklayarak (Bölüm 2’de açıklandığı gibi) yaş kategorilerinize değer etiketleri eklemelisiniz. Ayrıca Ölçüyü Ölçekten Sıraya değiştirmelisiniz.
• 13 Değer etiketleri ekledikten sonra, Analiz’e, ardından Tanımlayıcı İstatistikler’e ve ardından Çapraz Tablolara giderek cinsiyet ve yaş kedisi üzerinde çapraz tablolar çalıştırabilirsiniz. Cinsiyeti Satırlar’a ve yaşlı kedileri Sütunlara taşıyın. Ardından Hücreler sekmesine tıklayın ve aşağıdaki şekilde gösterildiği gibi Çapraz Tablolar: Hücre Görüntüleme kutusunda Gözlemlenen sayımlar ve satır yüzdeleri’nin yanındaki kutuda bir onay işareti olup olmadığını kontrol edin:
• 14 Devam’ı ve ardından Tamam’ı tıklayın.

Her kategorideki sayılar küçük olsa da, erkeklerin kadınlardan daha genç olma eğiliminde olduğunu not edebiliriz. 30-9 yaş aralığında benzer yüzdeler varken, daha genç ve daha büyük yaş kategorilerinde farklılıklar vardı: Kadınların sadece yüzde 12,5’i ile karşılaştırıldığında erkeklerin yüzde 36’sı 20’li yaşlarındaydı; Kadınların yüzde 44’ü, erkeklerin sadece yüzde 14’üne kıyasla 40’lı yaşlarındaydı.

Yaş gibi verileri kategorilere dönüştürmek bazen başka türlü görünür olmayacak ilginç bilgiler sağlayabilir. Örneğin, erkek ve kadın hastaların ortalama yaşlarının basit bir karşılaştırması, erkeklerin ortalama yaşının 31, kadınların ortalama yaşının 39 olduğunu ortaya koymaktadır. Ancak tüm bunlar bize ortalama olarak kadınların daha yaşlı olduğunu söylüyor. Yaşı kategorilere dönüştürerek ve cinsiyetle çapraz tablo yaparak, aslında bu farklılıkların belirli yaş grupları açısından nerede olduğunu görebiliriz.

Unutulmaması gereken bir şey daha var: Üç yaş kategorisi oluşturduğumuz için altı hücrede sayılar daha da az. Birçok öğrenci bu analiz için ki-kare istatistiğini rapor etmeye devam ediyor. Bununla birlikte, ki-kare testleri tablosundan da görebileceğiniz gibi, sayılar gerçekten güvenilir bir ki-kare üretmek için çok küçüktür, bu da ‘4 hücrenin (%67) 5’ten az sayılmasını beklediğine’ dikkat çeker. Bu gibi durumlarda, yalnızca bu eğilimi gösteren çapraz tablo yüzdelerini rapor edebiliriz ve belki de istatistiksel analiz için daha büyük bir örnek önerebiliriz.

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