Bu kurgusal örnek, 142 farklı hastaneden 4500 hastanın sonuçlarını sağlar ve veri dosyasının hasta iyimserliği adlı bir bölümünün ekran görüntüsü gösterilir. Sonuç (bağımlı) değişken, bu hastalar için 0 ile 100 arasında değişebilen bir envanter olan Hasta Tarafından Raporlanan Sonuç Ölçütlerinde (PROM’lar) puandır ve daha yüksek puanlar daha fazla algılanan sağlık ve yaşam kalitesini gösterir; değişken, bağımlı değişken olduğunu açıklığa kavuşturmak için prom_dv olarak adlandırılır.

142 hastane, verilerin hiyerarşik yapısını temsil etmektedir; bu tanımlama kodları hastanenin kategorik değişkeninde yer almaktadır. Ayrıca bu hastaneleri değişken türü altında ya eğitim vermeyen (veri dosyasında 0 olarak kodlanmış) ya da eğitim veren (veri dosyasında 1 olarak kodlanmış) hastaneler olarak ikiye ayırdık.

Veri dosyasındaki tek nicel tahmin değişkeni iyimserliktir ve daha yüksek puanlar daha fazla iyimserliği gösterir. Bu değişken, L1_optimism_C değişken adı altında Düzey 1’de genel ortalama merkezlidir. Bu değişken üzerindeki puanlar, bireysel hasta iyimserlik puanı ile toplam örneklem (genel) iyimserlik ortalaması (L1_optimism_C = iyimserlik – genel ortalama) arasındaki farkı yansıtır. L1_optimism_C’nin ortalaması, yani büyük ortalama merkezli değişken için örneğin ortalaması sıfırdır.

ANALİZ STRATEJİSİ

Düzey 2 merkezli iyimserlik değişkeninin nasıl oluşturulacağını göstererek başlıyoruz.

Bu, aşağıdaki üç adımı gerektirir:

• Her hastaya, grubun ortalama iyimserlik puanına eşit Düzey 2 değişkeninde bir puan vermemiz gerekiyor. Bu, Toplama işlevi kullanılarak gerçekleştirilir.
• Daha sonra genel ortalamayı hesaplıyoruz (bu, Düzey 1 merkezleme için yapılmalıydı).
ancak okuyuculara göstermek için tekrar üretiyoruz).
• İlk adımda oluşturulan her hasta için toplam puanlardan genel ortalamayı çıkarırız.

Daha sonra çok seviyeli modelleme analizleri setini gerçekleştiririz. Daha basit bir modelle başlayıp genellikle daha karmaşık modellere doğru inşa ederek bir dizi modeli incelemek için çok düzeyli bir modelleme analizi yapmak yaygın bir uygulamadır.

Aşağıdaki beş model setini yapılandırıyoruz:

• Koşulsuz Model. Herhangi bir çok düzeyli modelleme analizindeki ilk adım, Düzey 2 değişken(ler)iyle ilişkili bağımlı değişkenin varyans miktarını değerlendirmektir. Örneğimizde, ICC, çalışmadaki 142 hastane arasındaki farklılıklarla açıklanan prom_dv puanı varyansının miktarını açıklamaktadır. Bu koşulsuz model, sonraki modelleri değerlendirmek için kullandığımız bir temel olarak hizmet eder.
• Karışık Düzey 1 Modeli. İlk tahmine dayalı model, prom_dv puanlarını tahmin eden (bireysel) Düzey 1 merkezli iyimserliğin Sabit ve Rastgele Etkilerini içerir.
• Karışık Düzey 2 Modeli. Bu model, prom_dv puanlarını tahmin etmek için (bireysel) Düzey 1 iyimserliğiyle birlikte hastane türünün Sabit ve Rastgele Etkilerini birleştirir.
• Hiyerarşik Bir Model. Bu model, karma Düzey 2 modeline hastanenin iyimserlik düzeyini (2. Düzey merkezli değişken) ekler.
• Bir Etkileşim Modeli. Bu model, hiyerarşik modele hastanenin Düzey 2 iyimserlik düzeyi ile hastane türünün etkileşim etkisini ekler.

Süreksiz değişken örnekleri
Sürekli değişken örnekleri
Değişken türleri
Ara değişken örnekleri
Sürekli süreksiz değişken
Bağımlı değişken nedir
Kesikli ve sürekli değişken istatistik
Nitel değişkenler

İYİMİZM DEĞİŞKENİNİN TOPLANMASI

Belirli bir hastane için ortalama değeri o hastaneyle ilişkili tüm hastalara atamanın en doğrudan yolu, iyimserlik değişkenini hastaneye göre toplamaktır. Bir değişkeni toplamak, bir grubun her bir üyesine, belirlenmiş bir işlev (örneğin, bir ortalama) tarafından hesaplanan belirli bir değeri atamak demektir.

Hasta iyimserliğini açıyoruz ve ana menüden Analiz ➔ Veri ➔ Toplama seçimini yaparak görülen Toplama penceresini açıyoruz. Hastaneyi Break Değişken(ler) paneline taşıyoruz. Fren Değişkeni, grupları tanımlamanın temelidir; burada her hastane bir grup olacaktır.

İyimserliği Değişken(ler)in Özetleri paneline taşıyoruz. Bu, değerlerini toplamak istediğimiz değişkendir. Değişkeni panele taşıdığımızda IBM SPSS otomatik olarak iki şey yapar:

• Varsayılan fonksiyon olarak ortalamayı belirtir. Bu, eşittir işaretinin ardından MEAN(iyimserlik) ifadesi ile temsil edilir. Parantez içindeki değişken, toplanacak değişkendir (ve panele taşıdığımız değişkendir).
• Toplanacak değişkene genel bir ad atar. İşte, bu isim optimizm_mean.

Function butonunu seçiyoruz. Bu eylem, Toplama İşlevi penceresini açar; bunu sadece okuyuculara neye benzediğini göstermek için sunuyoruz (varsayılan işlev – ortalama – hesaplamak istediğimiz şeydir).

Fren Değişkenimizin her seviyesindeki puanların medyanı, toplamı ve standart sapmasını hesaplamak da dahil olmak üzere, değişkenimizi toplamanın birkaç yolu vardır. Burada her hastane için ortalama iyimserlik değerini hesaplamak istiyoruz ve bu nedenle varsayılan işlevi kabul ediyoruz ve Devam’ı seçiyoruz.

Ad ve Etiket düğmesinin seçilmesi, gösterilen Ad ve Etiket penceresini açar. Düzey 2 değişken olduğu fikrini yansıtmak için optimism_groupmean adını oluşturuyoruz ve Devam’ı tıklıyoruz. Tamam’ı tıkladığımız yerde yapılandırılmış Toplama penceremiz gösterilir.

2. DÜZEYİ MERKEZLEME

Düzey 2 optimizm_grouportalama değişkenini ortalamak için, her puandan genel iyimserlik ortalamasını çıkarmalıyız. Bu nedenle, büyük ortalamanın değerini belirlememiz gerekiyor ve bunu, Betimleyiciler prosedüründe orijinal iyimserlik değişkenini ve iyimserlik_grup ortalamasını analiz ederek yapıyoruz.

Hem iyimserlik_grup ortalaması hem de iyimserlik değişkenleri için  gösterilen sonuçlar, 56.7567 iyimserlik_grup ortalaması için büyük bir ortalama ve 56.76 iyimserlik için büyük bir ortalama vermiştir. Minimum, Maksimum ve Std’deki farklılıklar. İyimserlik_ grup ortalaması ve iyimserlik arasındaki sapma, ilk değişken grup ortalamalarını temsil ettiğinden ve ikinci değişken bireysel puanları temsil ettiğinden elde edilir.

Daha sonra,  gösterildiği gibi optimizm_grouportalama değişkeninden genel ortalamayı (56.7567) çıkararak ortalanmış Düzey 2 değişkenimizi (L2_optimism_C olarak adlandırılacak) hesaplıyoruz (optimism_grouportalama değişkeni yalnızca bir ara adımı temsil ettiğinden, bu değişkeni görsel gösterimi basitleştirmek için çok seviyeli modelleme analizleri için değişken listesi).

ANALİZ KURULUMU: KOŞULSUZ MODEL

Artık ilki koşulsuz model olan çok düzeyli modellerimizi değerlendirmeye başlamaya hazırız. Hasta iyimserliği veri dosyası açıkken Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. Bu eylem, gösterilen ilk Konuları Belirt ve Tekrarlanan penceresini görüntüler. Bu pencerede kümeleme değişkenini tanımlıyoruz.

Hastalarımızın farklı hastanelerle ilişkilendirilerek organize (kümelenmiş/iç içe) olduğunu belirtmek için hastaneyi Konular paneline taşıyoruz. Bu, hastaneler arasındaki herhangi bir farklılığın çok düzeyli analizde istatistiksel olarak kontrol edileceğini belirtir (yani, bir ortak değişken olarak hizmet edecektir). Boylamsal bir değişkenimiz olmadığı için Repeated panelini boş bırakıyoruz. Ana Doğrusal Karışık Modeller penceresine ulaşmak için Devam düğmesini seçin.

Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline yerleştiririz ancak herhangi bir tahmin edici belirtmeyiz (bunlar Faktör(ler) veya Ortak Değişken(ler) paneline yerleştirilirler). Modeldeki tek etki, hastanenin Denekler değişkeni olacaktır.

Veri setimizdeki hastanelerin ülkedeki tüm hastanelerden rastgele seçildiğini varsayıyoruz; Bu varsayım göz önüne alındığında, hastaneyi rastgele bir etkiyi temsil eden olarak tanımlayacağız. Açılır menüden varsayılan Kovaryans Türü Varyans Bileşenlerini koruyoruz; modele öngörücüler eklemeye başladığımızda, farklı bir Kovaryans Türü çağırmayı seçebiliriz.

Hastaneyi rastgele bir efekt olarak belirlemek için Random butonunu seçiyoruz; bu seçim gösterilen ekranı açar. Pencerenin üst kısmına doğru Rastgele Efektler alanında Include Intercept’i işaretliyoruz. Pencerenin alt kısmındaki Konu Gruplamaları alanında, hastaneyi Kombinasyonlar paneline taşıyoruz. Ana pencereye dönmek için Devam’a tıklayın ve İstatistikler butonunu seçin.

İstatistikler penceresi gösterilir. Model İstatistikleri altında Parametre tahminlerini ve kovaryans parametreleri için Testleri kontrol edin. Çıktı oldukça uzun olduğu için, amaçlarımız için, Tanımlayıcı İstatistikleri (her hastane için hasta sayısını ve bağımlı değişkenin ortalamasını ve standart sapmasını sağlayan) veya Vaka İşleme Özetini (bu sayıyı sağlayan) talep etmiyoruz.  Ana pencereye dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

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