Belirli sınırlı durumlarda uygun kullanımlarına rağmen, bu adım yöntemleri, yanlış serbestlik derecelerini uygulamak da dahil olmak üzere zayıflıklarının giderek daha fazla farkına vardığımız ve böylece daha fazla Tip I hata yapma şansını artırdığımız için son çeyrek yüzyılda gözden düştü. nominal alfa seviyesi, örnekleme hatasından yararlanarak ve dolayısıyla zayıf genelleştirilebilirliğe yol açarak ve genellikle açıklanan en büyük varyansı üreten “en iyi” öngörücü kümesini belirlemede başarısızlığa neden olur.

Geleneksel adım yöntemlerine bir alternatif, Regresyon modülü içindeki Otomatik Doğrusal Modelleme prosedürü olan IBM SPSS® sürüm 19’da tanıtıldı. Bu prosedür, tüm olası alt kümeler analizini gerçekleştirir. Tüm olası alt kümeler yöntemi, adım yöntemlerinden daha karmaşık ve güvenilir olarak kabul edilir.

Adım yöntemleri, her seferinde bir tahmin edici ekleyerek veya çıkararak tek bir model oluştururken, tüm olası alt kümeler yöntemi, adından da anlaşılacağı gibi, tahmin edicilerin tüm olası kombinasyonlarını hesaplar ve araştırmacıların dikkate alması için rekabet eden modeller sunar.

Küçük bir tahmin kümesiyle bile, birçok olası tahmin edici alt kümesi vardır. Olası kombinasyonların sayısı (yani, tüm olası alt kümeler) (2p) − 1’dir, burada p, tahmin edicilerin sayısıdır (sıfır değişken alt kümesini ortadan kaldırmak için 1 çıkarırız). Örneğin, beş öngörücü varsa, tüm olası alt kümelerin sayısı (25)-1 veya 31’e eşittir.

Bununla birlikte, çıktı ilk 10 modelle sınırlı olacaktır ve eğer çözüm nispeten basitse, en iyi model genellikle aşamalı yöntemle üretilen modelle eşleşecektir. Adım prosedürleri için doğru olduğu gibi, bu yaklaşımı kullanan araştırmacıların, hem teorik hem de pragmatik kaygılara dayanarak ihtiyaçlarına en uygun modeli seçerken muhakeme yapmaları gerekir.

SAYISAL ÖRNEK

Basit doğrusal regresyonu tartışırken kullanılan Alıştırma adlı veri dosyasını kullanıyoruz. Mevcut örnek için, egzersiz_bağlılığını tahmin etmek için değişkenlerin beşini de (CaseID hariç) kullanacağız.

ANALİZ STRATEJİSİ

Her biri farklı bir regresyon modeli oluşturma stratejisi kullanarak üç analiz gerçekleştiriyoruz: standart yöntem, aşamalı yöntem ve tüm olası alt kümeler yöntemi. İlk ikisi Lineer Regresyon prosedüründe, üçüncüsü ise Otomatik Lineer Modelleme prosedüründe gerçekleştirilecektir.

ANALİZ KURULUMU: STANDART YÖNTEM

Ana menüden Analiz ➔ Regresyon ➔ Doğrusal’ı seçiyoruz. Bu, Şekil 26.1’de gösterildiği gibi ana Lineer Regresyon penceresini açar. egzersiz_bağlılığını Bağımlı panele ve diğer tüm değişkenleri Bağımsız(lar) paneline taşırız. Standart yöntemin gerektirdiği şekilde tüm değişkenleri tek bir adımda gireceğinden, Yöntem açılır menüsünde Enter’ı koruyoruz.

İstatistikler düğmesinin seçilmesi, İstatistikler ekranını açar. Tahminler (regresyon katsayılarını elde etmek için), Model uyumu (R2 ve düzeltilmiş R2’yi elde etmek için), R kare değişimi (bu çıktıyı örnekleme amacıyla göstermek için), Tanımlayıcılar (tanımlayıcı istatistikleri elde etmek için) ve Kısmi ve kısmi korelasyonları kontrol ederiz. (sıfır dereceli, kısmi ve yarı kısmi korelasyonları elde etmek için). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

Serbestlik derecesi istatistik
Serbestlik derecesi hesaplama istatistik
Serbestlik derecesi sembolü
Serbestlik derecesi hesaplama kimya
Serbestlik derecesi kimya
Hata serbestlik derecesi
Serbestlik derecesi hesaplama online
Mekanizma serbestlik derecesi

ANALİZ ÇIKTI: STANDART YÖNTEM

Altı değişken (beş öngörücü ve bir bağımlı değişken) için tanımlayıcı istatistikler (ortalamalar ve standart sapmalar) ve kare korelasyon matrisi gösterilmektedir. Altı değişken, tümü nicel olarak ölçülse de, oldukça farklı ölçeklerde değerlendirilir.

Pearson korelasyonları, Korelasyon tablosunun ilk ana satırında gösterilir ve bunlara karşılık gelen olasılık seviyeleri ikinci ana satırda gösterilir. Diyet_Yoğunluk ve vücut saygısı, egzersiz_bağlılığının bağımlı değişkeni ile diğer değişkenlerden daha yüksek oranda ilişkilidir. Tahmin ediciler kümesi içinde, benlik saygısı ve beden saygısı, diğer çiftlerden daha yüksek oranda ilişkilidir.

Şekil 26.4, modelin uygunluğunun test edilmesinin sonucunu göstermektedir. Model Özeti tablosunda, çoklu korelasyonun (R) .591 olduğunu ve buna karşılık gelen R Kare değeri .350 olduğunu görüyoruz, bu da egzersiz_bağlılığı varyansının %35’inin tahmin ediciler seti tarafından açıklandığını gösteriyor. Model oluşturulmadan önce sıfırdan tam değere gittiğimiz için R Kare Değişimi de .350’dir, çünkü tüm tahmin ediciler ilk adımda modele girilmiştir. Düzeltilmiş R Kare değeri .342’dir ve modele beş öngörücünün dahil edilmesinin bir sonucu olarak bir miktar R2 küçülmesini temsil eder.

Şekil 26.4’teki ANOVA tablosu, denekler arası tek yönlü ANOVA kullanan regresyon modelinin istatistiksel önemine ilişkin bir test sağlar. Regresyon modelinin beş serbestlik derecesi vardır çünkü bu, modeldeki tahmin edicilerin sayısıdır. Toplam serbestlik derecesi N − 1 veya 414’e eşittir ve hata terimi için 409 serbestlik derecesi bırakılır.

Model, önemli miktarda bağımlı değişken varyansını hesaba katar, F(1, 409) = 43.97, p < .001. Eta kare değeri, 110.038/314.732 veya .350 veren Toplam varyansa bölünen Regresyon varyansına eşittir. ANOVA ve doğrusal regresyon, genel doğrusal modelin yalnızca farklı ifadeleri olduğundan, bunun R2 ile aynı değer olduğuna dikkat edin. Regresyon modelindeki değişkenler için Katsayılar tablosunu sunmaktadır.

Tablonun en sağındaki üç sütun Korelasyonları gösterir:

• Sıfır dereceli korelasyonlar, kriter değişkeni ile tahmin edicilerin Pearson r değerleridir. Örneğin, diyet_yoğunluğu ve egzersiz_bağlılığı arasındaki Pearson r değeri .464’tür. IBM SPSS tarafından sıfır dereceli kısmi korelasyonlar (kısmi korelasyon terimi çıkarılarak) olarak etiketleniyorlar çünkü bu ilişkilerin gücünü değerlendirmede hiçbir ortak değişken kullanılmamaktadır (böylece Pearson r’nin sınırlayıcı durumuna indirgenmektedir).

•Kısmi korelasyonlar, diğer tüm tahmin ediciler için istatistiksel olarak kontrol edildiğinde, her bir tahmin edici ile bağımlı değişkenin kalan varyansı arasındaki korelasyonlardır. Örneğin, diyet yoğunluğu, egzersiz bağlılığının diğer öngörücüler tarafından açıklanmayan kısmı ile .454 ilişkilidir (bu diğer öngörücüler, bu ilişkinin değerlendirilmesinde ortak değişkenler olarak kullanılmaktadır). Bu kısmi korelasyonlar, dördüncü dereceden kısmi korelasyonlardır, çünkü diğer dört tahmin edici, her tahmin edici için istatistik hesaplanırken ortak değişkenler olarak hareket eder.

• Parça korelasyonları, her bir tahmin edici ile bağımlı değişken arasındaki benzersiz ilişkiyi temsil eden yarı kısmi korelasyonlardır. Genellikle yorumlama amacıyla bu değerlerin karesini alırız. Örneğin, diyet_yoğunluğu ve egzersiz_bağlılığı arasındaki kare yarı kısmi korelasyon .4112 veya yaklaşık olarak hesaplanır.

• Bu nedenle, regresyon modelindeki diğer tüm ağırlıklı tahmin edicileri kontrol etmenin, diyet_yoğunluğunun egzersize bağlılığın varyansının yaklaşık %17’sini benzersiz bir şekilde açıkladığını söyleyebiliriz (diyet_yoğunluğu ile ilişkili egzersiz_bağlılığın bazı ek varyanslarının da bununla ilişkili olduğuna dikkat edin). diğer bazı yordayıcı(lar)dır ve bu nedenle diyet_yoğunluğunun kare yarı kısmi korelasyonunun değerine sayılmaz).

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