Tek yönlü denekler arası tasarım için hata terimi, denekler arası tasarımdaki hata terimini anladığımızdan farklı bir perspektiften anlaşılmalıdır. Sayısal örneğimizde her bir katılımcı için bireysel verileri grafiklendirdiğimiz Şekil 10.2’de denek içi hata kavramını gösterebiliriz.

Kolaylık olması açısından, koşulları x ekseninde eşit aralıklarla yerleştirdik. Her satır veya işlev, tek bir özne için verileri temsil eder. İşlevlerin yüksekliklerindeki farklılıklar, farklı derecelerde semptom yoğunluğunu temsil eder.

Gösterilen sekiz nesneyle birlikte ekran biraz dağınıktır, ancak Şekil 10.2’de dikkat edilmesi gereken önemli özellik, çizgilerin paralel olmamasıdır. Bu, zaman periyotları boyunca semptom yoğunluğunun çalışmadaki farklı hastalar için farklı bir model sunduğunu ve ANOVA’daki hata terimini anlamanın anahtarı olduğunu gösterir.

Bir an için, her hasta için çizgilerin gerçekte paralel olduğu, ancak grafikte farklı yüksekliklerde olduğu olası durumu düşünün. Bu ne önerir? Hastalar semptomlarının yoğunluğu açısından farklılık gösterse de, ölçümlerimizin gerçekleştiği süre boyunca semptom yoğunluğundaki “ilerleme” veya değişiklik herkes için aynı olacaktır.

Bu nedenle, başlangıç ​​yoğunluğunun (veya herhangi bir noktadaki yoğunluğunun) seviyesini bilmek, her ölçüm durumunda hastaların semptom yoğunluğu mükemmel bir şekilde tahmin edilebilir olacaktır. Böyle mükemmel bir öngörülebilirlik ile, ölçümümüzün yapıldığı yıl ya da daha fazla yıl boyunca hastaların semptom yoğunluğunu sergileme biçiminde hiçbir değişkenlik olmayacaktır. Böyle bir tutarlılık, zaman içinde bu ilerlemeyle ilgili olarak açıklanamayan bir değişkenlik veya hata varyansı olmadığını düşündürür.

Gösterilen veriler, hatasız olmaktan uzak oldukları için ampirik bir çalışmada gözlemlenecek olandan daha tipiktir. Çalışma katılımcılarının tutarsızlık derecesi, zaman içindeki farklı semptom yoğunluğu kalıplarıyla görsel olarak temsil edilir.

Fonksiyonlar paralel olmadığı ölçüde varyansı hesaba katmadığımızı söyleyebiliriz, yani zaman içinde semptom şiddeti bildiren hastaların tutarlılığına göre verilerde gözlemlenen hata varyansına sahip olduğumuzu söyleyebiliriz. Spesifik olarak, tüm bireylerin aynı tedaviye maruz kalmasına ve aynı anda ölçülmesine rağmen, semptom yoğunluğu raporlarında oldukça farklı modeller gözlemliyoruz.

Bu etkinin, hastalar arasında gözlemlenen farklı semptom yoğunluğu seviyeleri ile aynı olmadığını unutmayın. Bazı hastaların diğerlerinden daha yoğun semptomlar yaşadığı doğru olsa da, buradaki odak noktamız, farklı hastalar için semptom yoğunluğu paternindeki farklılıklardır.

Regresyon analizi Nedir
SPSS regresyon analizi yorumlama
Regresyon analizi hata terimi
Regresyon analizi yorumlama
Regresyon Analizi nasıl yapılır
Regresyon analizi SPSS
Çoklu regresyon analizi örnekleri
Basit regresyon Analizi Nedir

Bu noktada bazılarınız şöyle düşünüyor olabilir: “Farklı insanların farklı kalıplar sergilemesi çok şaşırtıcı değil, öyleyse neden bundan bu kadar çok şey çıkaralım? Farklı insanların farklı vücut kimyaları, hastalığa karşı farklı tepkileri vb. vardır.” Bu bulgunun şaşırtıcı olmadığı konusunda hemfikiriz.

Kilit nokta, farklı örüntüler üreten tüm bu faktörlerin araştırma çalışması bağlamında bilinmemesidir. Bu faktörleri (değişkenleri) ölçmeden, bunların bağımlı ölçü ile nasıl bir birliktelik sergilediklerini incelemenin hiçbir yolu yoktur. Ve böylece çalışmadaki denekler tarafından sergilenen bu farklı modeller, bir ölçüm perspektifinden hata varyansını temsil eder.

İstatistiksel olarak, paralel olmayan fonksiyonlar bir etkileşimin göstergesidir ve buradaki durum budur. Etkileşim, tedaviye tepki modellerindeki farklılıkların göstergesi olduğundan ve reaksiyon modellerindeki farklılıklar hata varyansının göstergesi olduğundan, etkileşim etkisi ANOVA’daki hata terimi olarak tanımlanır.

Etkileşen iki değişken, (a) denek içi bağımsız değişkenimizi – tedavi etkimizi – temsil eden ölçüm zamanı ve (b) çalışmadaki deneklerdir. Bu etkileşim etkisi hata varyansı olduğundan, ANOVA’da Tedavi × Denek etkileşimi ile ilişkili ortalama kare, deneklerin etkisini değerlendiren F oranında payda olarak (hata terimi olarak kullanılır) kullanılır. 

OMNIBUS ANALİZİNİN EL İLE HESAPLANMASI

Tek yönlü denekler arası ANOVA yürütme prosedürleri, hem denekler arası tek yönlü tasarımla bazı paralelliklere hem de çok gerçek farklılıklara sahiptir. Tablo 10.2, AS veri matrisi olarak adlandıracağımız varsayımsal ilaç tedavisi çalışmamızın temel gözlemlerini göstermektedir.

Görülebileceği gibi, sekiz denek (veya katılımcı), beş ayrı durumda (veya tedavide) bağımlı değişkene (semptom yoğunluğu) göre ölçülür. Her denek küçük harf s ve alt simge ile belirtilir (“küçük ‘s’ bir” vb. okuyun) ve Faktör A seviyeleri a1, a2, a3 vb. olarak adlandırılmaya devam eder.

Toplamlar (Aj), puanların karesi toplamları (Ya2j ) ve ortalamalar (Y j ), Bölüm 6’da tartıştığımız tek faktörlü denekler arası durumda olduğu gibi, her tedavi koşulu için hesaplanır. -denek tasarımları, tüm tedavi koşulları boyunca her bir deneğin bağımlı değişken üzerindeki puanını toplamaktır. Bu konu toplamlarını S (“büyük ‘S'” olarak okuyun) olarak belirleyeceğiz ve bunlar Tablo 10.2’nin sağ tarafında görülebilir. A işlem toplamları ve S konusu, toplam T’nin toplamını toplar.

KARELER TOPLAMI

Tek yönlü denek içi ANOVA için hesaplamamız gereken dört kare toplamı vardır ve bunların tümü bu tasarımda bulunan üç tür toplamı manipüle ederek üretilir: A, S ve T.

• Alt simge A’nın bağımsız değişken veya Faktör A’nın tedavileri arasındaki değişkenliği temsil ettiği gruplar veya tedaviler (SSA) arasındaki karelerin toplamı.
• S alt indisinin denekler arasındaki ortalama değişkenliği yansıttığı kareler toplamı (SSS).
• Kareler toplamı etkileşimi (SSA×S) (“A karelerinin toplamı ile S”yi okuyun) denek değişkenliğine göre tedavileri veya bireysel deneklerin çeşitli tedavilere nasıl tepki verdiğini yansıtır. Bu kareler toplamı ne kadar büyük olursa, denekler arasındaki değişkenlik o kadar büyük olur.
• Toplam kareler toplamı (SST ).

ÖZGÜRLÜK DERECELERİNİN HESAPLANMASI

Aşağıda, her bir kare toplamı ile ilişkili serbestlik dereceleri için formüller ve sayısal örneğimize dayanan basit hesaplamalar bulunmaktadır.

ORTALAMA KARE VE ORANIN HESAPLANMASI

Her kare toplamını ilgili serbestlik derecelerine bölerek üç ortalama kareyi hesaplıyoruz. F oranı, ortalama kare işlemlerinin deneklere göre hata bileşeni ortalama kare işlemlerine bölünmesiyle oluşturulur. Bu ortalama karelerin ve F oranının hesaplanması aşağıdaki gibidir.

ORANIN DEĞERLENDİRİLMESİ VE TEDAVİ ETKİ BÜYÜKLÜĞÜNÜN DEĞERLENDİRİLMESİ

Gözlemlenen (hesaplanan) F oranımız için boş hipotezi, F değerini kritik F değerleriyle (bkz. Ek C) aşağıdaki serbestlik derecelerinde değerlendirerek (veya karşılaştırarak) test ederiz: (dfA, dfA×S), belirli bir alfa seviyesi.

Dolayısıyla mevcut sayısal örneğimiz için F(4, 28) df’ye sahibiz ve kritik değer .05 alfa seviyesinde 2.95’tir. 18.65’lik gözlemlenen F’miz kritik F değerini aştığından, sıfır hipotezini reddeder ve istatistiksel olarak anlamlı bir tedavi etkisinin mevcut olduğu sonucuna varırız. Daha somut olarak, semptom yoğunluğu test zamanının bir fonksiyonu gibi görünmektedir.

Tedavi manipülasyonumuzla (test süresi) ne kadar varyansı hesaba kattığımızı belirlemek için eta kareyi ve kısmi eta kareyi hesaplayacağız.

Kısmi eta kare istatistiği tipik olarak SPSS ve SAS gibi bilgisayar programları tarafından üretildiğinden, diğer tedavi büyüklüğü ölçülerinden (örneğin, omega kare, kısmi omega kare ve eta kare) daha sık rapor edilir. Bu değerlendirmeden, istatistiksel olarak anlamlı F değerimizin toplam varyansın yaklaşık yüzde 73’ünü oluşturduğu sonucuna varabiliriz. Bu sonuçlar Tablo 10.3’te uygun bir şekilde gösterilmektedir.

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