Bu oturumda aşağıdakileri yapmayı öğreneceksiniz:

• Ki-kare uyum iyiliği testi yapın ve yorumlayın
• Ki-kare bağımsızlık testi yapın ve yorumlayın

Niteliksel ve Niceliksel Veriler

Şimdiye kadar incelediğimiz tüm testler, yalnızca nicel değişkenler için uygun olmuştur. Bu oturumda sunulan testler, nitel (örneğin, nominal değişkenler) veya ayrı nicel değişkenleri ve bu tür iki değişken arasındaki ilişkiyi analiz etmek için uygundur. Testler iki kategoriye ayrılır: uygunluk testleri ve bağımsızlık testleri.

Ki-Kare Uyum İyiliği Testi

Ki-kare uyum iyiliği testi, popülasyon oranlarıyla ilgili hipotezleri test etmek için bir örneklemden alınan frekans verilerini kullanır. Yani, bu testlerde, örnek verilerin sıfır hipotezi tarafından belirtilen popülasyon oranlarına ne kadar iyi uyduğunu değerlendiriyoruz.

Kendimizi ünlü genetikçi Gregor Mendel’in 1860’larda kendini bulduğu konuma koyalım. Bezelye üzerinde bir dizi deney yürütüyordu ve belirli bir özelliğin kalıtımı ile ilgileniyordu – bezelye tohumunun dokusu. Bezelye tohumlarının her zaman ya pürüzsüz ya da buruşuk olduğunu gözlemledi.

Mendel, pürüzsüzlüğün baskın bir özellik olduğunu belirledi. Her nesilde, tek bir bezelye bitkisi, iki ana bitkiden genetik materyal alır. Ana bitkilerden herhangi biri bir pürüzsüzlük geni aktardıysa, elde edilen bezelye tohumu pürüzsüz olacaktır. Sadece her iki ana bitki de buruşuk genler aktarırsa, bezelye bezelyesi kırışacaktır (çekinik özellik olarak adlandırılır).

Ana bezelyelerin her biri bir düz ve bir kırışık gene (SW) sahipse, o zaman bir yavru dört olası kombinasyondan birine sahip olabilir: SS, SW, WS veya WW. Pürüzsüzlük hakim olduğu için sadece WW bezelye tohumu buruşuk bir görünüme sahip olacaktır. Dolayısıyla, bu senaryoda buruşmuş yavru olasılığı sadece 25’tir.

Mendel, bir dizi deney boyunca, ana bitkilerinin her ikisi de SW olan 7.324 ikinci nesil hibrit bezelye bitkisi hakkında veri topladı. Mendel, bu yavru bitkilerin 5.474’ünün pürüzsüz ve geri kalanının (1850) buruşuk olduğunu buldu.

Mendel’in gözlemlenen verilerinin yukarıda açıklanan kalıtım modelinden beklenebilecek olana uyup uymadığını belirlemek için bir ki-kare uyum iyiliği testi kullanabiliriz (yani, ana bitkilerin her ikisi de SW’dir).

Ki-kare testi özellikleri
ki-kare testi tablosu
Ki-kare testi formülü
Çok gözlü ki-kare testi
Ki-kare testi ne için kullanılır
Ki-kare testi Örnek
Ki-kare testi nasıl yapılır
Ki-kare testi SPSS

Mendel’in verilerini yeni bir Veri Düzenleyici dosyasına girerek başlıyoruz. İki değişken tanımlamak için Değişken Görünüm sekmesine tıklayın. İlk değişkeni Doku olarak adlandırın. Basitlik adına, varsayılan değişken niteliklerinin çoğunu kullanalım ve değer etiketleri oluşturalım. Ölçü türünün (sağdaki son sütun) Nominal olduğunu belirtin.

Değerler sütununun altında, üç noktalı gri kutuya tıklayın ve burada gösterildiği gibi Değer Etiketleri iletişim kutusunu tamamlayın.

İkinci değişkeni Frekans olarak adlandırın. Ardından Veri Görünümüne dönün ve verileri burada gösterildiği gibi yazın.

Ki-kare uyum iyiliği testimizi çalıştırmadan önce, ikinci sütundaki sayıların bir örnekten alınan puanlar değil, frekans sayıları olduğunu SPSS’ye bildirmemiz gerekir. Bunu aşağıdaki gibi yapıyoruz:

Veri Ağırlık Durumları… İletişim kutunuzun şöyle görünmesi için Frekans Değişkeni olarak Ağırlık durumları ve frekansını seçin:

Şimdi Mendel’in örnek verilerinin yukarıda açıklanan kalıtım modelini takip edip etmediğini öğrenelim.

Parametrik Olmayan Testleri Analiz Et Eski İletişim Kutuları Ki-Kare… (Sonraki sayfaya bakın.) Test Değişkeni olarak dokuyu seçin. Beklenen Değerler altında, önce .75 yazın ve ardından Ekle’ye tıklayın. Ardından, .25 yazın ve ardından Ekle’ye tıklayın. İletişim kutunuz şimdi bir sonraki sayfada gösterilene benzemelidir.

Boş hipotez (bu iletişim kutusundaki Beklenen Değerler) tarafından tahmin edilen değerleri yazdığınız sıra çok önemlidir. Listenin ilk değeri, test değişkeninin en düşük değerine karşılık gelmelidir. Analizimizde, listenin ilk değeri (.75), doku gruplama değişkeni için en düşük değer olan “1” kodlu, düzgün için tahmin edilen orana karşılık gelmektedir. Benzer şekilde, listenin son değeri, test değişkeninin en yüksek grup değerine karşılık gelmelidir (örneğin, buruşuk için .25, doku gruplama değişkeni için “2” olarak kodlanmıştır).

Çıktınız birkaç bölümden oluşacaktır. Çıktınızın en üstündeki frekans verileriyle başlayalım.

Observed N etiketli sütun, Mendel’in örneğinde gözlemlediği sıklık sayımlarıdır. Beklenen N olarak etiketlenen sütuna dikkat edin. Bunlar, boş hipotez tarafından tahmin edilecek olan beklenen frekanslardır. Örneğin, Mendel’in verilerinde sıfır hipotezi doğru olsaydı, toplam 7.324 yavru bitkinin %25’inin buruşmasını beklerdik (.25 x 7.324 = 1.831). Pürüzsüz bezelye için beklenen sıklığı kendiniz onaylayın.

Ki-kare istatistiği, bu gözlemlenen frekanslar (fo) ve beklenen frekanslar (fe) karşılaştırılarak hesaplanır. Spesifik olarak, formül aşağıdaki gibidir:

• foi, i kategorisinin gözlemlenen frekansıdır ve
• fei, i kategorisinin beklenen frekansıdır ve
• k kategori sayısıdır.

Gözlenen ve beklenen frekanslar arasında büyük bir tutarsızlık olduğunda, boş hipotezi reddederiz. Alternatif olarak, gözlemlenen ve beklenen frekanslar arasında küçük bir tutarsızlık olduğunda, sıfır hipotezini reddedemeyiz. Bu frekanslar size tutarsız görünüyor mu?

Bu çıktıda çok küçük bir ki-kare değeri (.263) ve bununla ilişkili çok küçük bir anlamlılık (.608) görüyoruz. Bunun gözlemlenen ve beklenen frekanslar açısından anlamı, birbirlerine çok yakın olmaları ve bu nedenle sıfır hipotezini reddetmemizdir. Böylece, Mendel’in verilerinde gözlemlediği şeyin, test ettiği kalıtım modeliyle çok yakından eşleştiği (uyduğu) sonucuna varıyoruz.

Ki-Kare Bağımsızlık Testi

Ki-kare istatistiği, iki nitel veya ayrık değişken arasında istatistiksel bir ilişki olup olmadığını test etmek için de yararlıdır. Bu testin mantığı, uyum iyiliği testindekiyle hemen hemen aynıdır. Bir dizi frekansı öngören boş bir hipotezle başlıyoruz. Daha sonra verilerde gözlemlenen frekansları boş hipotez tarafından tahmin edilen frekanslarla karşılaştırırız. Gözlenen ve beklenen frekanslar arasında büyük bir farklılık varsa, boş hipotezi reddederiz.

Örneğin, Öğrenci veri setinde (şimdi açın), öğrencinin bir arabasına (kendi arabasına) sahip olup olmadığını temsil eden bir ikili değişkenimiz var ve bir diğeri, öğrencinin kampüste yaşayan bir mukim mi yoksa bir banliyö (res) mi olduğunu temsil eden bir ikili değişkenimiz var. Bu iki değişkenin, taşıtların bir otomobile daha fazla ihtiyaç duymasıyla ilişkili olabileceğini düşünmek mantıklıdır. Verilerin değişkenler arasındaki bu öngörüyü destekleyip desteklemediğini veya çürüttüğünü belirlemek için ki-kare bağımsızlık testini kullanabiliriz.

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