Çoklu Yazışma Analizi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Çoklu Yazışma Analizi
Çoklu Uyum Analizi (MCA), birden fazla satır ve bir sütun değişkeni kullanmamıza izin verecektir. Son örnekte olduğu gibi, odak noktamız algısal bir harita oluşturmak ve SPSS İstatistikleri’ndeki bazı lojistikleri prova etmek. Tekniğin arkasındaki teoriyi, bu tek örneği desteklemek için gerekli olan en sınırlı şekilde ele alıyoruz.
Kullanacağımız veri kümesi Tea.sav, popüler bir veri kümesinin değiştirilmiş bir versiyonudur ve kitabın web sitesinde mevcuttur. Çay içenlerin çaylarını ne zaman, nerede ve nasıl içtiklerini araştıran özelliklerini ve davranışlarını temsil eden düzinelerce değişkeni vardır. Teoride, menüye üç düzine değişkeni basitçe gönderebilir ve sonuçta ortaya çıkan algısal haritaya bakarak sıralamaya çalışabiliriz. Uygulamada, bu çok verimli olmaz.
Harita okunamayacak kadar karmaşık hale gelebilir. Bununla birlikte, rastgele bir avuç değişken seçmek de harika bir strateji değil çünkü algısal bir haritayı çekici yapan şey, haritanın onları görsel olarak ortaya çıkarabileceği kadar güçlü ilişkileri görebilmektir. Değişken sayısını ikiye ayırma konusunu iki şekilde ele almaya çalışacağız: çok sayıda çapraz tablo ve ardından MCA’nın kendisinin bir özelliğidir.
Çapraz Tablolar
İlk olarak, bazı ilginç desenler bulamıyor muyuz bir bakalım. İki değişken listesini kapsamlı bir şekilde birbirine karşı çalıştırırsak, hangi ilişkilerin algısal bir harita üzerinde iletilebileceğini bulmak için gözden geçirebiliriz.
Çay içen ve içen kişinin bağlamını tanımlayan aşağıdaki 22 değişken, satır değişkenleri olarak kullanılabilir. Basit aritmetik, bunun yaklaşık 300 tablo üreteceğini doğrular. Değişken eşleştirmelerinden bazıları istatistiksel olarak anlamlıdır, güçlü ilişkiler ortaya çıkarır ve Şekil 9-18’deki gibi sezgisel anlam ifade eder, ancak tabloların çoğu bunlardan hiçbiri değildir.
Günde 2 bardaktan fazla çay içenlerin orantısız bir şekilde kahvaltıda bir bardak içtiğini öğreniyoruz. Tablo, kahvaltı ve “günde 2’den fazla” kombinasyonu için standartlaştırılmış 3,2 artık gösteriyor. Bu bariz görünse de, özellikle sadık içenlerin çay içmesinin bu yemeği içerdiği doğru görünüyor. Model, diğer öğünlerden ve günün saatlerinden daha güçlü görünüyor (gösterilmemiştir).
Zayıf bir ilişkiye iyi bir örnek, gösterildiği gibi “arkadaşlar” ile “egzotik” eşleştirilmesidir. Model, sıfır hipoteziyle (ilişki yok) o kadar tutarlıdır ki, standartlaştırılmış kalıntı sıfırdır. Güçlü ilişkiler zayıf ilişkilerle yer paylaşıyorsa, algı haritamızı okumak son derece zor olacaktır. Üst üste o kadar çok nokta ve etiket olacak ki, kalıbı göremeyeceğiz.
Bunu sistematik olarak ve biraz otomasyonla yapmanın yolları olsa da, manuel olarak gözden geçirmek oldukça emek yoğun bir iştir. Bu tekniği kısaca, keşfetmeye değer ilişkiler olduğunu doğrulamak için bölümü hazırlarken kullandık, ancak yalnızca bu yaklaşıma güvenmedik ve tüm tabloların ayrıntılı bir aramasını yapmadık.
Faktör analizi örnekleri
Faktör analizi varsayımları
Kmo değeri kaç olmalı
Faktör analizi Nedir
Faktör analizi neden yapılır
Faktör analizi SPSS
Faktör analizi yorumlama
Faktör analizi türleri
(Sonuçların daha az emek-yoğun bir şekilde aranmasına izin vermek için önemli olmayan sonuçları otomatik olarak gizlemek için SPSS İstatistiklerinde “komut dosyaları” kullanılabilir.) Bu durumda, anlamaya çalışmak için MCA’nın kendi içindeki bir özelliği kullanacağız.
Şimdi MCA analizini tüm değişkenleri kullanarak, tek bir özel istekle, ancak aksi takdirde varsayılan ayarlarda çalıştıracağız. Önce MCA’yı bulmak için Analiz menüsüne ve ardından Boyut Azaltma alt menüsüne gidin ve ardından Optimal Scaling’i seçin. Şekil 9-20’de gösterilen alt menüyü bulacaksınız. Seçiminize bağlı olarak MCA dışında bir menüye yönlendirilebileceğinize dikkat edin. Varsayılan ayarları koruyacağız.
Tüm değişkenleri “num_” ön ekiyle kullanacağız. Orijinal dosyada, çapraz tabloların çalıştırılacağı içerik olan dize değerleri vardı, ancak MCA, etiketli sayısal değerler gerektiriyor.
Yapacağımız özel bir istek, gösterildiği gibi tüm değişkenleri kullanarak Variable Plots alt menüsünde bir Joint Category Plot talep etmektir. (Şekilde tüm değişken isimleri görünmüyor.)
Çıktının ortasına yakın bir yerde bulunan ve aynı zamanda gösterilen Ortak Kategori Grafiğine hızlı bir bakış, korkularımızı doğrular. Bu tutarsız bir karmaşa. Her iki boyutta da sıfırda boşluk için savaşan çok fazla değişken ve etiket var.
Sadece kozmetik değişiklikler yeterli olmayacak. Yapısal değişiklikler yapmamız gerekiyor, yani, altta yatan modeli en iyi temsil eden değişkenleri tanımlamamız gerekiyor. Ayrımcılık Önlemleri Planı yardımcı olacaktır. Bu gösterilir.
Bazı değişkenler, özellikle num_ageq, numprofession, num_purchase ve num_afternoon paketten ayrılıyor ve Boyut 2 veya Boyut 1 veya her ikisi üzerinde bir etki gösteriyor. Bu etkinin büyüklüğü, sol alt köşeden olan mesafe ile ölçülebilir. Yükseklerse, 2. Boyut’u etkilerler ve eğer çok sağdalarsa Boyut 1’i etkilerler. İkisi de değilse, herhangi bir Ortak Kategori Grafiğinin (algısal haritamız) merkezini çok gürültülü yapacaklardır. Bunu önlemek için sol alt köşedeki değişkenlerin kaldırılması gerekir.
Bu sonucun tablo halindeki halini de inceleyebilirsiniz. Çok fazla değişken var ama Boyut 1 ve 2 değerlerini ve ayrıca bir ortalama değeri görebiliyoruz. Bu sonuçların gözden geçirilmesi (ve kuşkusuz biraz deney), algı haritamız için umut verici bir liste olarak aşağıdaki değişkenleri seçmeme neden oldu.
İsterseniz ilginç bir numara uygulanabilir. Düzenleme modundayken, bir pivot tablodaki satırları sıralamak için bağlam menüsünü (sağ tıklayarak erişilir) kullanabilirsiniz.
Yalnızca bu değişkenleri kullanan bir deneyin sonuçlarını gösterir. (Gölgeleme manuel olarak eklendi.) Bu daha çok görmeyi umduğumuz şeye benziyor. Sağ üst köşedeki gölgeli alan, özelliklerin ve koşulların ilginç bir kümelenmesini gösterir. Bir çay salonunda, barda veya restoranda çay içmek, genç kalabalık için daha çok sosyal bir aktivite gibi görünüyor: 15-24 yaş (üniversite yaşı?) diğer yaşlara göre daha fazla ve erkeklerden daha fazla kadın.
Sol altta (gölgeli değil) uzman mağaza, açık çay ve lüks markaları içeren olası bir desen var. Bu algısal haritayı geliştirmek için, Uyum Analizi ile bölümde daha önce kullandığımız teknikleri tekrar gözden geçirelim.
Faktör analizi neden yapılır Faktör analizi Nedir Faktör analizi örnekleri Faktör analizi SPSS Faktör analizi Türleri Faktör analizi varsayımları Faktör analizi yorumlama Kmo değeri kaç olmalı