Hastaların cinsiyetinin danışmanlar arasında eşit olarak dağılmadığını gördük. Ama bunun bir şans sonucu olup olmadığını sorabiliriz. Servise tekrar başlasak ve hastalar rastgele danışmanlara atansaydı, benzer bir sonuç bulabilir miydik? Belki de tam tersi – çoğu erkek hasta kadın danışmanı görüyor.

Elbette şans eseri cinsiyetler arasında oldukça eşit bir şekilde dağılmalarını beklerdik. Soru şudur: Erkek hastaların bir erkek danışmana gitme konusunda önemli bir önyargı olduğu ve bunun tersi olduğu sonucuna varmamız için cinsiyetler arasında ne kadar eşit olmayan bir dağılım olması gerekir?

Ya da başka bir deyişle: Bunun tesadüfen meydana gelme olasılığını reddetmemiz için cinsiyetler arasında ne kadar eşitsiz bir dağılım olması gerekir? İstatistiksel bir testin kullanışlı olduğu yer burasıdır.

Ki-kare (χ2 ile temsil edilir) tabloların her hücresinde gerçek gözlenen frekansları beklenen frekanslarla karşılaştırarak çapraz tablolama için istatistiksel bir test uygular. Beklenen frekanslar, verilerin “rastgele dağıtılmış” olması durumunda bekleyeceğimiz frekanslardır.

Bu noktada çapraz tablodaki dört hücreyi kovalar olarak düşünmek yardımcı olabilir. Şimdi, her bir kovaya bir tane giden dört boru aracılığıyla kovaların her birine top pompalamak için tasarlanmış bir piyango makinesi hayal edin.

Topların piyango makinesi tarafından dağılımı gerçekten rastgele ise, her kovada benzer sayıda top bekleriz. Bu nedenle, piyango makinesi 200 top dağıtacak şekilde ayarlansaydı, dört kovanın her birinde kabaca 50 top beklerdik.

Dolayısıyla Tablo 4.4’teki varsayımsal verileri kullanarak kadın/erkek hasta ve danışman arasında bir fark olmadığını görebiliriz. Gerçek gözlemlenen sayımlar, beklenen sayımlarla eşleşiyor.

Bunun tam tersi bir senaryo var: tüm erkekler John’u görürken, tüm dişiler Jane’i gördü. Beklenen frekansların her hücrede aynı 50 olarak kaldığına dikkat edin. Beklenen frekanslardan sapma, hastanın cinsiyeti ile gördükleri danışman arasında bir ilişki olduğunu kuvvetle düşündürür: John’u görmeyi beklediğimizden 50 erkek hastamız daha var (ve Jane’i görmemiz beklenenden 50 daha az); ve Jane’i görmeyi beklediğinden 50 kadın hasta daha (ve John’u görmeyi beklediğinden 50 daha az).

Ki-kare istatistiğinin yaptığı, bu dağılımın şans eseri olma olasılığını hesaplamaktır. Danışmanlık verilerimiz üzerinde ki-kare çalıştıralım ve ne olduğunu görelim.

SPSS’de ki-kare çalıştırma

1 Ekranın üst kısmındaki menüden: Analiz et, ardından Tanımlayıcı İstatistikler ve sonra Çapraz Tablolar’a tıklayın.
2 Cinsiyet değişkenini satır kutusuna ve danışmanı sütun kutusuna taşıyın.
3 Hücreler düğmesini tıklayın. Gözlemlenen ve beklenen sayıların işaretlendiğinden ve satır yüzdelerinin (her danışmanı gören kadın ve erkek yüzdelerini bilmek istediğimizden) emin olun.
4 Bu kutuyu kapatmak için Devam’ı tıklayın.
5 İstatistikler sekmesine tıklayın ve ki-kare kutusunu işaretleyin.
6 Devam’ı ve ardından analizi çalıştırmak için Tamam’ı tıklayın.

SPSS çıktı görüntüleyici, çapraz tablolama tablosunu ve ki-kare ve ilgili testleri listeleyen bir tablo oluşturmalıdır.

Not: SPSS, analizinizle ilgili olabilecek veya olmayabilecek, belirsiz ve karmaşık adlarla her türlü istatistiği listeleyen bazı korkutucu çıktı tabloları üretebilir. Ki-kare test tablosu hafif bir örnektir. İşin püf noktası, gösterildiği gibi, ne aradığınızı bilmektir.

ki-kare testi örnek sorular
Ki-kare testi yorumlama
Ki-kare testi formülü
ki-kare testi tablosu
Ki-kare Analizi
Ki-kare testi SPSS
Ki-kare testi nasıl yapılır
Ki-kare Tablosu

Unutulmaması gereken ilk şey, bize “0 hücrenin 5’ten daha az sayılmasını beklediğini” söyleyen dipnot (b) dir. Bu, ki-karenin önemli bir varsayımıdır. Verileri çapraz tablo haline getirmeyi ve ki-kare istatistiğini kullanmayı planlıyorsanız, hücrelerde yeterli değerleri korumak için her zaman yeterince büyük bir örnek boyutuna sahip olduğunuzdan emin olmaya çalışmalısınız.

İlgilendiğimiz değerler üst Pearson ki-kare satırı boyuncadır. Pearson ki-kare değeri 6.467’dir ve anlamlılık veya olasılık (p) değeri .011’dir. Bu, ki-kare hesaplamasına göre, bu değer dağılımının şans eseri meydana gelme olasılığının .01’den küçük olduğu veya 100’de 1 olduğu anlamına gelir, yani olasılık (p) = .01.

Bu olasılıkları istatistiksel olarak anlamlı kabul eder ve hastaların cinsiyeti ile gördükleri danışman arasında bir ilişki olduğu sonucuna varırdık: erkek hastaların erkek danışmanı görme olasılığı daha yüksekti ve kadın hastaların kadın danışmanı görme olasılığı daha yüksekti.

Bu nedenle, doktora raporunuzda öncelikle hastaların ve danışmanların cinsiyetleri arasındaki çapraz tablonun daha büyük bir oranın aynı cinsiyet danışmanını görme eğiliminde olduğunu gösterdiğine dikkat çekeceksiniz: erkek hastaların yüzde 71’i John’u gördü; Kadın hastaların yüzde 75’i Jane’i gördü. Ama sonra ki-kare istatistiğinin bunun istatistiksel olarak anlamlı olduğunu gösterdiğini de eklersiniz: χ2 = 6.467, p = .011. Daha sonra, örneğin olası açıklamalar gibi bu sonuç hakkında yorum yapmaya devam edersiniz.

İstatistiksel Önem Seviyeleri

Ki-kare analizinin sonuçlarını tartışırken önemli bir kavram ortaya koyduk. Araştırmada, gerçekten hiçbir fark olmadığı doğru olmalıdır (a yanlış pozitif).

Gerçekte, ki-kare testi, dört hücredeki bu puan dağılımının tesadüfen oluşabilme olasılığının 100’de 1 (.01) olduğunu hesaplamıştır. Başka bir açıdan bakarsak, topları dört hücreye dağıtan rastgele bir piyango makineniz olsaydı, bu sonuç 30 top kullanarak 100 denemede bir kez ortaya çıkabilirdi.

Elbette, kabul edilebilir istatistiksel anlamlılık düzeyimizi bağlama göre ayarlamalıyız. Örneğin, zararlı yan etkileri olan deneysel bir ilacın gerçekten ağrıyı azaltma gücüne sahip olmadığına dair 20’de 1’lik (0.05) bir şansı kabul etmek istemeyebiliriz: ‘Eh, denemelerimize göre, 1/20’lik bir olasılık var. ‘aslında ağrıyı azaltır ve bulduğumuz olumlu sonuçlar tamamen şansa bağlıydı.’ Bu durumda önem seviyemizi 100’de 1’e (0.01) yükseltmek isteyebiliriz.

Sorun şu ki, bir denge kurmamız gerekiyor. Önem için kriterlerinizi ne kadar düşük belirlerseniz, danışmanlık örneğimizde gerçekte olmadığı halde önemli bir fark olduğu sonucuna varma olasılığınız o kadar yüksek olur, hasta tercihlerini karşılamak için bir erkek ve kadın danışmanın olduğunu tartışırsınız. daha büyük bir örneklemle yapılacak daha fazla araştırma, eşcinsel danışman için gerçekten bir tercih olmadığını gösterecektir.

Ancak bunun tersine, eğer anlamlılık eşiğinizi çok yüksek ayarlarsanız, gerçekte varken hiçbir fark yoktur diyerek yanlış bir olumsuzlukla sonuca varmanız daha olasıdır. İstatistik kitaplarında bunlar Tip I (yanlış-pozitif) ve Tip II (yanlış-negatif) hatalar olarak bilinir.

“akademdelisi.net” ailesi olarak, ki-kare testi örnek sorular, Ki-kare testi yorumlama, Ki-kare testi formülü, ki-kare testi tablosu, Ki-kare Analizi, Ki-kare testi SPSS, Ki-kare testi nasıl yapılır, Ki-kare Tablosu gibi pek çok alanda sizlere destek vermekteyiz.

Siz de bu aileyle tanışmak istiyorsanız iletişim adreslerimizden bizlere ulaşabilirsiniz.

The post Ki-kare İstatistiksel Testi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).