Katsayılar tablosunun solundaki sütunlar, regresyon katsayılarıyla ilgili bilgileri sunar. Benlik saygısı için ham puan (standartlaştırılmamış) regresyon katsayısının .034 olduğu ve egzersize bağlılığın tek yordayıcısı olarak istatistiksel olarak anlamlı olduğu hatırlanabilir. Ancak diğer dört yordayıcının birlikteliğinde, benlik saygısının kısmi regresyon katsayısı .008’dir, bu ağırlık sıfırdan önemli ölçüde farklı değildir.

Bu, regresyon katsayılarının değerlerinin göreli doğasının iyi bir örneğidir. Modeldeki yordayıcıların ağırlıkları, diğer yordayıcılarla birlikte birleştirildiğinde bağımlı değişkeni maksimum düzeyde yordayacak şekilde belirlenir; bu ağırlıklar genellikle her bir değişkenin tek başına tahmin yeteneğini yansıtmaz.

Bu modelde yordayıcı değişkenlerden sadece ikisi istatistiksel olarak anlamlıdır, diyet_yoğunluğu ve beden saygısı, tesadüfen, egzersiz bağlılığı ile en yüksek korelasyona sahip olan ikisi; bu, bu değişkenlerle ilişkili standartlaştırılmamış ve standardize edilmiş (beta) katsayıların nispeten daha yüksek değerlerinde de görülebilir.

Böylece şunları söyleyebiliriz:

• Modeldeki diğer öngörücüler için kontrol edildiğinde, bir birim diyet yoğunluğundaki artışın, egzersiz bağlılığında .495 birimlik bir kazançla ilişkilendirilmesi beklenir.
• Modeldeki diğer yordayıcıları kontrol ederken, vücut saygısında bir birimlik artışın egzersiz bağlılığında .015 birimlik bir kazançla ilişkilendirilmesi beklenir.
Ayrıca, iki yönü aşağıdaki gibi olan bu değişkenlerle ilişkili ağırlıkların altında yatan dinamikler hakkında bir fikir edinebiliriz:
• Benlik saygısı ve beden saygısının göreceli olarak yüksek düzeyde ilişkili olduğunu, ancak beden saygısının modelde anlamlı bir yordayıcı olduğunu ve benlik saygısının olmadığını kaydettik. Benlik saygısı tarafından yapılan tahmin çalışmasının çoğunun, beden saygısı tarafından yapılan tahmin çalışmasıyla gereksiz olması muhtemeldir ve yalnızca ikincisine bu çalışma için kredi verildi.
• Yarı kısmi korelasyonlar, diyet_yoğunluğu ve vücut saygısının diğer değişkenlerden çok daha fazla benzersiz açıklayıcı güce katkıda bulunabildiğini göstermektedir. Kare değerlerine dayalı olarak, diyet_yoğunluğu ve vücut saygısı, egzersize bağlılığın varyansının sırasıyla yaklaşık %17’sini (.4112 = .1689) ve %8’ini (.2862 = .0818) benzersiz bir şekilde açıkladı.

IBM SPSS çıktısında sağlanmayan bir istatistik, her bir tahminci için yapı katsayısıdır. Bu istatistik, bireysel öngörücü ile öngörücü değişken (öngörücülerin ağırlıklı lineer bileşimi) arasındaki korelasyondur ve öngörücü değişkenler seti gerektirdiğinde, öngörücü model tarafından temsil edilen temeldeki gizli yapının yorumlanmasına yardımcı olmak için kullanılabilir (örn. kişilik değişkenlerinin ağırlıklı doğrusal bir bileşiminin bazı anlamlı temel boyutları temsil etmesi muhtemeldir).

Thompson, bu istatistiğin regresyondaki önemini özellikle vurgulamıştır, ancak yaygın olarak, örneğin temel bileşenler/faktör analizi ve diskriminant fonksiyon analizi gibi diğer gizli yapıları yorumlamak için kullanılır.

Regresyondaki yapı katsayıları, her bir öngörücü için Pearson r değerlerinin, örneğimizde .591 olan çoklu korelasyona (R) bölünmesiyle hesaplanabilir. Böylece, diyet_yoğunluk, sosyal_ilişki_ihtiyaçları, kendini kabul, benlik saygısı ve beden saygısı için yapı katsayıları sırasıyla .785, .299, .305, .443 ve .692’dir.

Bu durumda, istatistiksel olarak anlamlı iki öngörücünün de nispeten önemli yapı katsayıları vardı (ve dolayısıyla yorumu yönlendiriyor). Bu nedenle, modelin altında yatan gizli yapı, ince ve çekici bir vücuda değer veriyor gibi görünüyor, egzersiz yapma kararlılığını harekete geçiren bir arzudur.

Regresyon analizi yorumlama
SPSS kümeleme analizi
SPSS regresyon analizi yorumlama
Spss regresyon analizi nasıl yapılır
SPSS çoklu regresyon analizi
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi Nedir
Kümeleme analizi

ANALİZ KURULUMU: ADIMLI YÖNTEM

Adım adım yöntemin kurulumunu ve çıktısını kısaca sunacağız, yalnızca bununla standart yöntem arasındaki farkları vurgulayacağız. Gösterilen ana Lineer Regresyon penceresinde, egzersiz_bağlılığını Bağımlı panele ve diğer tüm değişkenleri Bağımsız(lar) paneline taşırız ve Yöntem açılır menüsünden Adım Adım’ı seçeriz.

İstatistikler ekranını standart regresyon analizi için yaptığımız gibi yapılandırıyoruz ancak sadece Stepping Method Criteria’yı göstermek için Options ekranını açıyoruz. Sırasıyla .05 ve .10 olan varsayılan Giriş ve Kaldırma kriterlerini koruyoruz (aralarında bu tür bir fark olması, analizin sonsuz bir giriş ve kaldırma döngüsüne yakalanmasını engeller). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKTI: ADIMLI YÖNTEM

Model Özeti tablosu gösterilir. İkincisi birincisi üzerine inşa edilmiş iki model var. Her modelde bulunan değişkenler, Model Özeti tablosunun dipnotlarında gösterilir. İlk model, egzersiz taahhüdünün en iyi yordayıcısı olarak yalnızca diyet_yoğunluğunu içeriyordu; ikinci model vücut saygısını ekledi. Ek model olmadığı için, bu iki öngörücüye dayalı olarak hiçbir ek öngörücünün R2’yi önemli ölçüde iyileştiremeyeceğini öğreniyoruz.

İlk model varyansın yaklaşık %22’sini açıklamıştır (R2 = .216). İkinci model, R2’yi .132 artırdı (R Kare Değişimi), nihai R2’yi .347 ve düzeltilmiş R2’yi .344’e verdi, böylece varyansın yaklaşık %34’ünü sadece iki öngörücü ile açıkladı. Bunun, tam model tarafından açıklanan varyans yüzdesiyle yaklaşık olarak aynı olduğunu unutmayın (çünkü üç önemsiz tahmin edici içerdiğinden) ve aşamalı yöntemin neden böyle bir çekiciliğe sahip olduğuna dair bir fikir verebilir.

Bununla birlikte, değişkenlerin tamamı mevcut teorilere ve araştırma literatürüne dayalı olarak özenle seçilmiş olsaydı, o zaman, değişkenleri regresyon modellerinden kesin olarak yazılım tarafından verilen istatistiksel kararlara dayalı olarak çıkarmak (girmeyen) sadece çok dikkatli bir şekilde düşünülmesi için yapılmalıdır (örneğin, mümkün olduğunca az değişkenle sınırlı bir kaynak bağlamında tahmin etme ihtiyacı).

ANOVA sonuçları alt tabloda gösterilmektedir. Regresyon için serbestlik dereceleri, modeldeki tahmin edicilerin bir sayısıdır; bu nedenle, ilk model bir serbestlik derecesine sahiptir çünkü içinde sadece bir tahmin değişkeni vardır ve ikinci model iki serbestlik derecesine sahiptir çünkü iki tahmin değişkeni vardır. Her iki model de istatistiksel olarak anlamlıdır, bunun adım adım yöntem olduğu (ve modele yalnızca istatistiksel olarak anlamlı tahminciler eklendiği) göz önüne alındığında yine şaşırtıcı değildir.

Regresyon modelinde değişkenlerin katsayılarını sunar. Benlik saygısı ve beden saygısı için kısmi regresyon katsayıları, standart regresyon çıktısında gördüğümüz değere çok yakındır ve her biri benzersiz bir şekilde, egzersiz_bağlılığının makul bir yüzdesini açıklar. Analiz dışı bırakılan değişkenler alt tabloda gösterilmiştir.

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