Örneklem büyüklüğü istatistiksel güçte önemli bir faktördür. Örnek boyutu ne kadar büyük olursa, istatistiksel gücümüz o kadar büyük olur. Bu, temel düzeyde doğrudur, çünkü tüm popülasyonu örneklemeye ne kadar yaklaşırsak, her grup için popülasyon ortalamasına ilişkin o kadar kesin bir tahminde bulunabiliriz. En uç noktasında, tüm popülasyonu örnekleseydik ve iki grubun ortalamaları arasında bir fark bulsaydık, bunların önemli ölçüde farklı olup olmadığını belirlemek için istatistiksel bir teste ihtiyaç duymazdık,  tanım gereği, ortalamalar istatistiksel olarak farklı olurdu.

Bazı araştırma alanlarında, arşiv araştırmalarında ve eğitim araştırmalarında kullanılanlar gibi büyük veri tabanlarıyla çalışmak yaygındır. Onlarca veya bazen yüz binlerce vakayla, neredeyse her ortalama fark istatistiksel olarak anlamlı olacaktır. Bu tür araştırmalarda, araştırmacıların sahip oldukları istatistiksel gücün miktarı karşısında boğulmamaları için, bulguları değerlendirmek için etki gücü gibi istatistiksel anlamlılık dışındaki ölçütler kullanılmalıdır.

Çok büyük örneklem büyüklükleriyle (örneğin, N ≥ 1.000), istatistiksel anlamlılığa çok az odaklanmak ve incelenen etkilerin büyüklüklerine çok daha fazla odaklanmak yaygın bir uygulamadır. Aslında, birçok disiplinde, önem testlerini tamamen ortadan kaldırmak veya hatta ortadan kaldırmak için bir hareket olmuştur.

Bu hareket adına yapılan argümanlara sempati duyuyoruz çünkü üzerinde çalıştığımız etkilerin büyüklüğünü düşünmeden istatistiksel anlamlılık testlerine körü körüne güvenerek araştırmacılardan ziyade otomatlara dönüşüyoruz. Savunmasında, deneysel tasarımları kullanan araştırmalarda genellikle gördüğümüz nispeten küçük örneklem büyüklükleriyle istatistiksel anlamlılık testlerinin hizmet etmesi için hala yararlı bir amaç olduğuna inanıyoruz.

ANOVA’NIN KISITLAYICI ÖRNEĞİ: T Testi

Denekler arası tek yönlü bir ANOVA, bağımsız değişkenin iki veya daha fazla düzeyini veya grubunu tek bir bağımlı değişken üzerinde karşılaştırmak için tasarlanmıştır. Böylece ANOVA, bağımsız değişkenin iki, üç veya daha fazla seviyeye sahip olduğu durumları işleyebilir. t testinin oluşturulması Fisher’in varyans oranından önce gelir ve özellikle tam olarak iki koşulun ortalamalarını karşılaştırmak için tasarlanmıştır.

BİR PARÇA TARİH

T testi, yenilikçi çalışmalarını yayınlamakla ilgilenen William Sealy Gosset tarafından geliştirildi. Salsburg’un (2001) anlattığı gibi, 1899’da kimya ve matematik alanında birleştirilmiş bir dereceye sahip olan Gosset, Guinness Brewing Company tarafından öncelikle kimyadaki uzmanlığı nedeniyle işe alındı. Ancak, ortaya çıktığı gibi, bira yapımında daha büyük bir fark yaratan matematik becerileriydi. Matematiği bira yapımına uygulamaya yönelik ilk girişimlerinden biri, örneklerdeki maya miktarlarını tahmin etmekti:

Püre fermantasyon için hazırlandığında, dikkatlice ölçülen miktarda maya kullanıldı. Maya canlı organizmalardır ve maya kültürleri, püre haline getirilmeden önce sıvı kavanozlarında canlı tutulmuş ve çoğalmıştır. İşçiler, ne kadar sıvı kullanacaklarını belirlemek için belirli bir kavanozda ne kadar maya olduğunu ölçmek zorunda kaldılar. Sıvıdan bir örnek aldılar ve gördükleri maya hücrelerinin sayısını sayarak mikroskop altında incelediler.

Açıkça, maya örneklemesinden (püre içinde nispeten eşit dağılmış olsalar bile farklı örneklerin biraz farklı sayıda maya hücresine sahip olmasını beklerdik) ve ayrıca maya hücrelerini sayan insanlardan kaynaklanan ölçüm hataları vardı.

Otokorelasyon Nedir
Tekrarlı ölçümler deseni
Otokorelasyon sorunu nasıl giderilir
Kolmogorov-Smirnov testi Tablosu
Otokorelasyon hesaplama
Durbin Watson testi
1. tip ve 2. tip hata örnekleri
Beta Hatası Nedir

Gosset, bira üreticilerinin ihtiyaç duyduğu kritik bir bilgi parçası olan hatayı tahmin etmek için matematiksel bir model tasarladı ve bunu yayınlamak arzusundaydı. Sorun, Guinness’in çalışanlarının yayınlamasını yasaklayan bir politikası olmasıydı (şirket sırlarını ifşa edeceklerinden korkarak).

Çalışmalarını yaymak ve aynı zamanda genç Lord Guinness tarafından kovulmaktan kaçınmak için 1904’te Karl Pearson’ın yardımıyla “Student” takma adını tasarladı ve çalışmasını gerçek kimliğini açıklamadan Pearson’s Biometrika’da yayınladı. Gosset, matematiksel çalışmalarını takma adı altında yayınlamaya devam etti ve 1908’de Biometrika’da t testini tanıtan bir makale yayınladı.

F için doğru olduğu gibi t’nin örnekleme dağılımı, serbestlik derecelerine bağlıdır. t dağılımı leptokurtiktir – normal eğriye kıyasla, kuyrukları daha yüksektir ve orta kısım biraz daha sıkıştırılmıştır.

Gosset aslında leptokurtik dağılımı için z’yi kullandı, ancak bu harf normal dağılımla ilişkilendirilmeye başladığından, ders kitabı yazarları leptokurtik dağılımdan “Öğrencinin t” olarak bahsetmeye başladılar (“Öğrenci” den son harfi alarak). Ders kitabı yazarları tarafından verilen bu isimle, nesiller boyu öğrenciler tarafından bilinir hale gelmiştir.

T VE F İLİŞKİSİ

Gosset’in t testi ve Fisher’in ANOVA’sı cebirsel olarak eşdeğerdir ve bu nedenle, gruplar varyansın homojenliği varsayımını karşıladığında (yani grupların karşılaştırılabilir varyanslara sahip olduğu) iki grup karşılaştırmasıyla ilgili olarak araştırmacıları aynı sonuçlara götürür. İki teknik arasındaki ilişki, t istatistiğinin karesinin F değerine ve tersine, F’nin karekökünün t istatistiğine eşit olduğunu not ettiğimizde daha açık hale gelir.

ANOVA Varsayımları

Bir varyans analizi (ANOVA) yapmadan önce, araştırmacıların analizin altında yatan üç temel istatistiksel varsayımı göz önünde bulundurmaları gerekir: (a) bağımlı değişkenin puanlarıyla ilişkili hata bileşenleri birbirinden bağımsızdır, (b) bu hatalar normal dağılmıştır ve (c) bağımsız değişkenin seviyeleri veya grupları arasındaki varyanslar eşittir. Bu varsayımları ayrı ayrı tartışsak da pratikte birbirleriyle bağlantılıdırlar; bir varsayımın ihlali diğerlerini etkileyebilir ve çoğu zaman da etkiler.

ANOVA’nın altında yatan varsayımlar hakkında oldukça kapsamlı bir literatür, son altmış yılda gelişmiştir. Bu çalışmanın iyi genel özetleri Glass, Peckham ve Sanders (1972) ve Wilcox’ta (1987) bulunabilir.

HATALARIN BAĞIMLILIĞI

ARTIK VEYA HATA VARYANSI KAVRAMI

Bir çalışmadaki deney grubunun belirli bir dozda ilaç aldığı varsayımsal bir tıbbi araştırma çalışmasını düşünün. Bu gruptaki her hasta tam olarak aynı düzeyde iyileşme gösterseydi, o zaman grubun ortalamasını her hastanın iyileşme puanından çıkardığımızda geriye bir sıfır değeri kalırdı. Böylece hastaların ilaç tedavisi altında olduğunun bilinmesi bağımlı değişkene ilişkin puanlarının mükemmel (hatasız) tahmin edilmesini sağlayacaktır. Tipik bir hasta için böyle bir durum aşağıdaki ifade ile verilmektedir.

Şimdi artıkların sıfır olmadığı durumu düşünün. Bu durumda tedaviye tepki vermede bireysel farklılıklarımız var gibi görünüyor. Örneğimizde, ilaç hastalarda genel bir iyileşme ile sonuçlanmış olsa da, kendi aralarında farklılıklar göstermeleri, ilacın etkilerinin yanı sıra faktörlerin de performanslarını etkilediğini düşündürmektedir. Bu durumu, en az iki yakınsak nedenden dolayı ölçüm hatasını temsil ettiğini düşünebiliriz:

•  Bu bireysel farklılıklardan sorumlu olan faktörleri tanımlayamadığımız için (veri setimiz sadece iki bilgi içerir: hastanın grubu ve bağımlı değişkene ilişkin puanı), aynı ilaç koşulu altındaydılar, ölçüm hatası olarak kabul edilir.
•  Bu hastaların ilaç durumunda olduklarını bilmek, puanlarının tam olarak tahmin edilmesine izin vermez. İlacın net bir etkisi olsa ve bir grup olarak hastaların ortalama iyileşmesini bilsek bile, çalışmadaki gerçek puanlarını tahmin etmede yine de bir miktar hata payı olacaktır.

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