Trafik ölümleri, Amerikan yaşamının trajik bir parçasıdır. Eyaletten eyalete değişen sıklıkta çok sık meydana gelirler. Bu örnekte, daha fazla kayıtlı araca sahip eyaletlerin, yollarda daha az araç bulunan eyaletlere göre daha fazla trafik kazası geçirme eğiliminde olacağını varsayarak bir model geliştirmeye başlayacağız. Durumlar adlı veri dosyasını açın. Grafikler Grafik Oluşturucu… Kazalarda ölenlerin sayısı, 2005 [accfat] y ve Kayıtlı otomobil sayısı, 2005 [kayıt] x olan başka bir dağılım grafiği yapacağız.

Bu grafiği tüketim ve gelir dağılım grafiğiyle karşılaştırın. Bu ilişkiyi nasıl tanımlarsınız?

Açıkça, ölümler ve araba kayıtları arasındaki bağlantı, tüketim ve gelir arasındaki ilişki kadar güçlü bir doğrusal değildir. İlişkiyi değerlendirmek için bir regresyon analizi yapacağız.
Regresyonu Analiz Et Doğrusal… Bağımlı olarak ölümler değişkenini ve bağımsız olarak kayıt değişkenini seçin.

Model özeti, Otomatik Kaza Ölümleri ile kayıtlı otomobil sayısı arasında +0.891’lik bir korelasyon gösterir. Bu korelasyon katsayısı size iki değişken arasındaki ilişki hakkında ne söylüyor?

Katsayı tablosunda, rapor edilen eğim 0,000’dir ve bu, hiçbir ilişki olmadığını gösterir. Gerçekte bu, iki değişkenin ölçeğinden kaynaklanmaktadır ve bir sonuç çıkarmak için daha anlamlı rakamlar görmemiz gerekir. Daha fazla rakamı ortaya çıkarmak için aşağıdakileri yapın:

Katsayılar tablosuna çift tıklayın ve noktalı bir çizgi ile özetlenen tabloyu göreceksiniz.

0.000 tahmini katsayı değerine sağ çift tıklayın. Sayının 2.3736608308648103E-4’ü okumak için değiştiğini göreceksiniz.
Bu, 2.37 x 10-4 veya 0.000237 sayısını ifade eden bilimsel gösterimdir. Bu, önceki örnektekinden daha küçük bir değerdir ancak eğimin büyüklüğü kısmen iki değişkenin ölçeğine bağlıdır. Bunun “büyük” mü yoksa “küçük” bir değer mi olduğuna karar vermeden önce, bu örnek bağlamında ne anlama geldiğine bir bakalım.

Bir eyaletin diğer eyaletten 1000 fazla kayıtlı arabası olduğu ölçüde farklılık gösteren iki eyalet düşünün. İlk durumda kaç ölüm daha tahmin edebiliriz? Çizginin eğimi size ölümler ve kayıtlı araç sayısı hakkında ne söylüyor?

Doğrusal Regresyonda İstatistiksel Çıkarımlar

Bir regresyon analizindeki bir standart test, x ve y arasında anlamlı bir doğrusal ilişki olup olmadığına karar verir. Sıfır hipotezimiz, hiçbirinin olmadığıdır; hipotezler şöyle görünür:

Bu regresyon için katsayı tablosunda (aşağıda), en sağdaki sütunlar t ve Sig olarak etiketlenmiştir. Bunlar, kesişim ve eğimin sıfıra eşit olup olmadığını soran t testlerini temsil eder. Dikkatimizi yokuşa odaklayacağız. Bu durumda, eğimin 0’a eşit olduğu şeklindeki boş hipotezi reddederiz çünkü P ≈ .000. Başka bir deyişle, tahmini eğimimiz 0.000237 küçük bir sayı gibi görünse de, istatistiksel olarak anlamlıdır: Bu örneklemden, ölümlü kaza sayısı ile kayıtlı otomobil sayısı arasında bir ilişki olduğu sonucuna varmak için genelleyebiliriz.

Regresyon Analizi ders notları
Çoklu regresyon analizi örnekleri
Basit doğrusal regresyon Analizi
Regresyon analizi
Regresyon analizi soru ve CEVAPLARI
Regresyon analizi makale
Lineer regresyon analizi
Regresyon Analizi nasıl yapılır

Eğim için test istatistiğinin değeri 13.737’dir ve ilgili P-değeri yaklaşık olarak 0,4’tür. Tüm t testlerinde olduğu gibi, bunu sıfır hipotezimizi reddetmemiz gerektiği, yani x ile arasında istatistiksel olarak anlamlı bir ilişki olduğu anlamına gelir. y.

Pek çok uygulamada, kesişim çok az gerçekçi bir anlama sahiptir çünkü genellikle x’in gözlenen değerlerinin çok ötesinde bir ekstrapolasyondur. Bu örnekte, engelleme pek mantıklı değil: Kesinlikle kayıtlı otomobillerin olmadığı bir eyalet tasarlamak çok gerçekçi değil.

Yani, noktalara oldukça iyi uyan bir çizgimiz ve istatistiksel olarak anlamlı bir ilişkinin kanıtı var. Bu çizginin noktalara nasıl uyduğunu daha iyi görselleştirmek için aşağıdakileri yapın:

Çıktı görüntüleyicide, bu iki değişkenin dağılım grafiğine geri dönün. Grafik Düzenleyiciyi açmak için grafiğe çift tıklayın. Orada Elements Fit Line at Total’e tıklayın ve Grafik Düzenleyiciyi kapatın.
Gözden geçirilmiş grafik, en uygun en küçük kareler çizgisini içerir. Bu regresyona göre, farklı eyaletlerdeki kayıtlı otomobil sayısındaki farklılıklar, trafik kazası ölümlerindeki değişimin yaklaşık %79’unu oluşturmaktadır.

Şüpheli Bir İlişki Örneği

Az önce güçlü, istatistiksel olarak anlamlı doğrusal ilişkilerin iki örneğini gördük. Teorinin o kadar zorlayıcı olmadığı başka bir örneğe bakalım.

Beslenme ve spor uzmanları, bir kişinin vücut yağıyla veya daha spesifik olarak yağdan oluşan toplam vücut ağırlığının yüzdesiyle ilgilenirler. Vücut yağını tam olarak ölçmek, diğer vücut özelliklerini ölçmekten daha karmaşıktır, bu nedenle vücut yağını kolayca ölçülebilen bazı insan özellikleriyle ilişkilendiren matematiksel bir modele sahip olmak güzel olurdu. Bodyfat adlı veri kümemiz, hassas vücut yağını ve bir yetişkin erkek örneğinin diğer ölçümlerini içerir. Veri dosyasını açın.

Boyun vücut yağ yüzdesini tahmin etmek için kullanılıp kullanılamayacağını merak ettiğimizi varsayalım. Bu ilişkiyi araştırmak için bu veri setini kullanabiliriz.
Graphs Chart Builder… Başka bir basit dağılım grafiği istiyoruz. Y vücut yağ yüzdesi [yağ yüzdesi] ve x inç [yükseklik] cinsinden Yüksekliktir. Ortaya çıkan grafik, bu oturumda daha önce oluşturduklarımızdan oldukça farklı görünüyor. Bu grafikte pozitif bir doğrusal ilişki olduğuna dair kanıt var mı?

Analiz Edin Regresyon Doğrusal… Bağımlı değişken vücut yağı, bağımsız değişken boydur.

Regresyon sonuçları bir ilişkiye işaret ediyor mu? Çıktının hangi belirli kısımları, vücut yağ yüzdesi ile bir erkeğin boyu arasındaki bağlantı hakkında bilmek istediğiniz şeyi size söylüyor? Sizce regresyon analizi neden bu şekilde çıktı? Eğer bir şey varsa, bu regresyonda kesişim size ne söylüyor?

Buradaki kilit nokta, herhangi bir değişken çifti için bir en küçük kareler doğrusu tahmin edebilmemize rağmen, her zaman makul bir teori ile başlamamız gerektiğidir ve o zaman bile, çoğu zaman bir ilişkinin istatistiksel bir kanıtının olmadığını görebiliriz. Ne dağılım grafiği ne de tahmini eğim, önemi belirlemek için yeterli değildir; kesin bir sonuç için bir t- veya F-oranına başvurmalıyız.

The post Doğrusal Regresyonda İstatistiksel Çıkarımlar  – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).