Bir örnek olarak, (what_purchased değişkeni için), “Uzun zaman önce alındı” grubu (When_purchased 1) referans kategorisinden, “Son” gruptan (When_purchased 2) önemli ölçüde farklıdır; bu, yazılımı satın alan müşterilerin uzun zaman önce, memnuniyet değişkeninde daha düşük değerleri onaylamaları (düşük değerler daha fazla memnuniyeti gösterir) “Son” gruba göre daha da olasıdır.

Diğer regresyon biçimlerinde olduğu gibi, modeli geliştirmek için anlamlı olmayan tahmin ediciler bırakılabilir. Tablo çıktısının son parçası, paralel çizgiler varsayımının değerlendirilmesidir. Sıralı regresyonda, sıralı bağımlı değişkenin (son seviye hariç) her seviyesi için bir tane olmak üzere çoklu regresyon denklemleri olacağını da hatırlayın.

Paralel çizgiler varsayımı, bağımlı değişkenin her düzeyi için tahmin edici katsayıların aynı olduğu ve yalnızca kesişimlerin (eşiklerin) farklı olduğu anlamına gelir. Böylece, bağımlı değişkenin her düzeyi için regresyon çizgilerinin paralel olduğu varsayılır, bu da yordayıcıların bağımlı değişkenin farklı düzeyleriyle aynı ilişkiye sahip olduğunu da gösterir.

Bu varsayımı değerlendirmek için, tüm kategoriler için bir katsayı kümesine sahip tahmin edilen modelin (Boş Hipotez) her kategori için ayrı bir katsayı kümesine sahip bir modele (Genel) benzer olup olmadığını belirlemek için iki model karşılaştırılır. İyi oturan modeller, önemli olmayan bir farkla da sonuçlanır.

Genel modelin (her kategori için ayrı parametrelerle), sıfır hipotez modeline (her seviye için bir parametre seti ile) göre model uyumunda önemli bir gelişme sağladığını görürseniz, bu varsayım ihlal edilmiştir ve parametre tahminleri ciddi şekilde önyargılı olabilir (yani, sıralı regresyon kullanılmamalıdır).

Bunu düzeltmek için araştırmacı farklı bir bağlantı işlevi deneyebilir; bağımlı değişkenin kategorilerini daraltmak veya yeniden sıralamak; gerekli olmayan tahmin edicileri ortadan kaldırın veya tahmin edici kategorilerini daraltın; veya son çare olarak çok terimli lojistik regresyon kullanın, çünkü bu prosedür istatistiksel güç kaybına neden olsa da bu varsayıma da sahip değildir.

Modelin son bir değerlendirmesi olarak, Veri Editöründe model tahminlerini gösteren yeni bir değişken belirir. Bağımlı değişkenin tahminle çapraz tablolanması (Analiz ➪ Tanımlayıcı İstatistikler ➪ Çapraz Tablolar), modelin tahmin doğruluğunu değerlendirmek için kullanılan bir sınıflandırma tablosu da sağlar.

Sınıflandırma tablosu, tüm bu vakalar yanlış sınıflandırıldığından “Kesinlikle Katılıyorum”, “Katılıyorum” veya “Kesinlikle Katılmıyorum” için herhangi bir tahmin olmadığını göstermektedir. “Katılıyorum” kategorisinin yaklaşık %68’i doğru tahmin edilmiştir ve “Ne Katılıyorum ne de Katılmıyorum” grubunun yaklaşık %72’si doğru sınıflandırılmıştır. Genel olarak, tüm vakaların %49’u ((0 + 180 + 245 + 0 + 0) / 875) doğru tahminlerdi. Sahte R-kare istatistiklerinin kanıtladığı gibi, mevcut modelin tahmin doğruluğu büyük değildir ve kesinlikle de geliştirilebilir.

Regresyon analizi yorumlama
Regresyon katsayısı
Çok değişkenli regresyon analizi
Lojistik regresyon analizi Nedir
Regresyon Analizi
Basit Regresyon Analizi
Çoklu regresyon analizi
Regresyon analizi PDF

Kategorik Regresyon Teorisi

Optimal ölçekleme ile kategorik regresyon, kategorik değişkenleri nicelleştirerek regresyon modelini genişletir. Dahili olarak, her değişkenin her kategorisine aralık ölçeği değerleri atanır, böylece bu değerler regresyona göre “optimal” olur. Kategorik regresyon, dönüştürülmüş bağımlı değişken ile dönüştürülmüş tahmin edicilerin doğrusal kombinasyonu arasındaki kare korelasyonu maksimize eder. Başka bir deyişle, bağımlı değişkende mümkün olduğu kadar çok varyansı hesaba katacak şekilde aralık ölçeği değerleri de atanır.

Bir değişkenin nominal mi yoksa sıralı mı olduğunu, kategorik regresyonun puanları dönüştüreceğini ve böylece değişkenin bir aralık ölçeğinde ölçüleceğini (ve dolayısıyla lineer regresyon tarafından kullanılabileceğini) vurgulamak önemlidir. Bunu, değişkenin ölçüldüğü ölçeği ve modeldeki diğer değişkenlerle ilişkisini dikkate alarak da yapar.

Herhangi bir ölçekteki verileri kullanmanın bariz yararına ek olarak, optimal ölçekleme ile regresyon, tahminciler arasındaki çoklu doğrusallığı azaltabilir ve doğrusal olmayan ilişkileri modelleyebilir. Bunun nedeni, kategorik tahmin edicilerin bir bütün olarak değişken için bir katsayı yerine her kategori için farklı bir ağırlık veya puan da almasıdır.

Kategorik regresyonun bir başka yararı, çıktının lineer regresyon tarafından üretilene benzer olmasıdır, bu nedenle bu tekniği kullanırken çok az karmaşıklık da vardır. Kategorik regresyon, kategoriler modülünün bir parçasıdır. Büzülme tahmin edicilerinden yararlanmak için CATREG’in sürekli bağımlı değişkenlerle kullanılabileceğini de unutmayın.

Kategorik Regresyon Modellerinin Varsayımları

Kategorik regresyon modelleri, lineer regresyon modelleriyle aynı varsayımları yapar. Ek olarak, kategorik regresyon modelleri şunları varsayar:

■ Verilerde negatif sayı olamaz ve tüm değerler tam sayı olmalıdır (ondalık basamaklar kesilir).
■ Tüm nominal ve sıralı değişkenler, değerleri 1 ile başlayan ardışık tam sayılar olacak şekilde de kodlanmalıdır.

Kategorik Regresyon Diyalogları

Bu analizlerde Satisfaction.sav dosyasını kullanmaya da devam edeceğiz. Bu dosya, büyük bir şirkete ait müşteri memnuniyeti verilerini de içerir.

1. Kategorik regresyonu çalıştırmak için, Analiz Et ➪ Gerileme ➪ Optimal Ölçekleme (CATREG) öğesine tıklayın.
Kategorik Regresyon iletişim kutusunda bir bağımlı değişken belirtmeniz ve ayrıca model tahmin edicilerini belirtmeniz gerekir. Şekil 3-15’te gösterildiği gibi, değişkenlerden tavsiyeyi tahmin edeceğiz: ürün satın alındığında, ürünün müşterinin işi için ne kadar önemli olduğu ve memnuniyet düzeyi.
2. Önerilen değişkeni Bağımlı Değişken kutusuna taşıyın.
3. Değerli, ne zaman_alındı ​​ve tatmin edildi değişkenlerini Bağımsız Değişken(ler) kutusuna taşıyın.

Anket araştırmacılarının sıklıkla karşılaştığı bir sorun, “bilmiyorum” yanıtının bir ölçekte iki uç arasında gerçek bir orta kategori olup olmadığıdır. Eğer öyleyse, “bilmiyorum” yanıtı orta bir değere yeniden kodlanabilir ve analizde de kullanılabilir.

Bu örnekte, önerilen değişkeni (“Bu ürünü tavsiye eder misiniz?”) tahmin edeceğiz. Yanıt kategorileri evet, hayır ve bilmiyorum şeklindedir. Anketlerdeki birçok soruda “bilmiyorum” kategorisi vardır ve bu kategoriyi, diğer yanıtlarla birlikte geçerli veriler olarak kullanmakla ilgileniriz çünkü bu, özünde ilgi çekici olabilir. Her üç kategoriyi de dahil etmek istediğimiz için bu durum için ikili lojistik regresyon da kullanamayız.

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