Dağılım Grafiği – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Korelasyon: Aralık Verileri Arasındaki İlişkilerin İncelenmesi
Bu bölümde, değişkenler arasındaki ilişkilerin yönünü ve gücünü incelemek için dağılım grafikleri ve korelasyon hakkında bilgi edineceksiniz.
Verilerimiz üzerinde korelasyon analizi yürütme olasılığını kısaca tartıştık. Korelasyonun iki aralık değişkeni (örneğin boy ve ayakkabı numarası) arasındaki ilişkinin yönünü ve gücünü tanımladığını ve yönün pozitif veya negatif olabileceğini gördük:
• Pozitif korelasyon: bir değişkenin değerlerindeki artış, diğer değişkenin değerlerindeki artışla ilişkilidir, örneğin boy arttıkça ayakkabı numarası da artar.
• Negatif korelasyon: bir değişkenin değerlerindeki artış, başka bir değişkendeki değerlerdeki düşüşle ilişkilidir, örneğin sıcaklık, ısıtma için elektrik kullanımını azalttıkça artar.
Bunu göstermek için, iki değişken için değerler arasındaki ilişkiyi grafiksel olarak göstermek için dağılım grafikleri kullanıldı. Örneğin, boy ile ayakkabı bedeni arasında oldukça güçlü bir pozitif korelasyon gösterdi – güç, grafiğin soldan sağa doğru yükselen bir çizgiyi ne kadar sıkı oluşturduğuna göre belirlenir.
Anketteki Korelasyonların İncelenmesi
Anketimize dönersek, önce birbiriyle ilişkili olabilecek iki aralık değişkeni belirlememiz gerekiyor. Seçebileceğimiz üç tane var:
• hastaların yaşı;
• seans sayısı;
• memnuniyet derecelendirmeleri.
Bu üç değişkene bakıldığında, bir hastanın ne kadar çok randevusu olursa, danışmanlıktan o kadar memnun olacağını varsayabileceğimizden, korelasyon için bariz seçim seans sayısı ve memnuniyet derecelendirmesidir. Ancak, Bölüm 1’de önerildiği gibi, belki bu şekilde çalışmıyor, belki daha fazla randevu, daha fazla çözülmemiş sorunla bağlantılıdır ve dolayısıyla daha az memnuniyet? Peki, verilere bir göz atalım ve görelim.
SPSS’de Bir Dağılım Grafiği Oluşturma
Yapmamız gereken ilk şey, verilerin bir dağılım grafiğini üretmektir.
1 Menüden Grafikler’e ve ardından Grafik Oluşturucu’ya tıklayın.
2 Mevcut grafik aralığını göstermek için Galeri’den Dağılım/Nokta’yı seçin ve ardından ilk “basit dağılım” grafiğini önizleme alanına sürükleyin.
3 Bir sonraki sayfada gösterildiği gibi memnuniyeti Y ekseni kutusuna ve oturumları X ekseni kutusuna sürükleyin:
4 Tamam’a tıklayın. Bu, aşağıdaki dağılım grafiğinde görüntülenen çıktıyı üretmelidir.
Not: SPSS v15’te, daha düşük değerler için %5 daha düşük bir marj sağlamak üzere Y Ekseni ölçeğini değiştirmek üzere Grafik Düzenleyici’yi kullanmanız gerekebilir: Y Ekseni üzerine çift tıklayın ve Özellikler kutusunda Alt kenar boşluğunu değiştirin ( %) 0’dan 5’e.
Dağılım grafiğinden, iki değişkenin pozitif olarak ilişkili olduğunu düşündüren soldan sağa yükselen bir kalıbı hemen ayırt edebiliriz: daha fazla danışma seansına katılan hastalar daha yüksek memnuniyet seviyeleri bildirdiler.
Bir korelasyonun gücü
Şimdi, iki değişkenin ilişkili gibi görünüp görünmediğini görmek için bunun gibi dağılım grafikleri üretmek önemli olsa da, bu hikayenin sadece yarısı. Bir sonraki adım, bu korelasyonun gücünü ve istatistiksel olarak anlamlı olup olmadığını (şans eseri olması muhtemel değildir) belirlemek için bu verilere istatistiksel bir test uygulamaktır.
Bir korelasyonun gücü, gösterildiği gibi -1 ile +1 arasında değişen bir ölçekte gösterilir.
Genel bir kural olarak, 0,1 ile 0,4 arasında değişen bir değer, zayıf bir korelasyon olarak sınıflandırılır ve 0,5’in üzerindeki herhangi bir değer, güçlü bir korelasyon olarak kabul edilir. Sıfıra yaklaşan bir değer, iki değişken arasında herhangi bir ilişkinin olmadığını yani korelasyon olmadığını gösterir.
Normal dağılım grafiği
Histogram grafiği
Excel dağılım grafiği
Radar grafiği Nedir
Radar grafiği
Sütun grafiği
Dağılım grafiği istatistik
Saçılım Grafiği nedir
Yalnızca iki değişken arasında bire bir artan bir ilişkinin olduğu, örneğin satılan sinema biletlerinin sayısı ve izleyicilerdeki müşteriler (kimsenin bir film satın almadan gizlice girmediğini varsayarak) mükemmel bir pozitif korelasyon (+1) bulursunuz. tabii ki bilet). Açıktır ki, bu düzeyde bir korelasyon (mükemmel korelasyon), sağlık ve sosyal araştırmalarda olası değildir.
Öyleyse bir sonraki soru, SPSS’den bir korelasyonun gücü için bu değeri nasıl elde ederiz? Aralık verisi olan iki değişkenimiz için danışma seansları ve memnuniyet derecelendirmeleri, uygun korelasyon ölçüsü Pearson momentler çarpımı korelasyon katsayısıdır.1 Yine de Pearson korelasyon testinin kullanılmasına ilişkin temel bir varsayım için aşağıya bakın.
Pearson korelasyonunu çalıştırma
1 Ekranın üst kısmındaki menüden şunu tıklayın: Analiz Et / İlişkilendir / İki Değişkenli (bi iki anlamına gelir ve değişken değişken anlamına gelir).
2 Oturumları ve memnuniyeti değişkenler kutusuna taşıyın.
3 Pearson kutusunun işaretlendiğinden emin olun.
4 Tamam’a tıklayın.
Bu, oturumlar ve memnuniyet arasındaki Pearson korelasyonunun 0,53 olduğunu gösteren aşağıdaki çıktı tablosunu üretmelidir. Yani oldukça güçlü bir pozitif korelasyonumuz var. Bunun altındaki bilgiler Sig etiketli satırda. (2-kuyruklu) bize korelasyonun 0,003 düzeyinde istatistiksel olarak anlamlı olduğunu söyler. Bu nedenle tesadüfen meydana gelmesi olası değildir.
Bu analizin sonuçlarını bir rapora yazdığınızda, aşağıda gösterildiği gibi Pearson korelasyon katsayısının kuvvet değerine ‘r’ olarak başvurmalısınız:
Bu nedenle, iki değişken (r = .53, p = .003) arasında güçlü bir pozitif korelasyon olduğu ve daha fazla sayıda seansın daha yüksek memnuniyet derecesi ile ilişkilendirildiği sonucuna varabiliriz.
Korelasyon ve belirleme katsayısı: gerçek dünyadan bir örnek
Yakın zamanda, 30 genel uygulamada (Birleşik Krallık dışındakiler için aile uygulamaları veya sağlık merkezleri) refah danışmanlığının sağlanmasını değerlendiren bir araştırma projesinde yer aldım. Refah tavsiyesi çalışanları, sosyal yardım talep etme (örneğin, sakatlık ödenekleri) gibi konularda yardım için kendilerine (doktor veya hemşireler tarafından) sevk edilen hastalara yardımcı olmak için her hafta bir sabah veya öğleden sonra genel uygulamalara katıldı.
İki yıl sonra, danışmanlık çalışanlarına sevk edilenlerin sayısının, 16 ile 234 (ortalama: 80; ortanca: 69) arasında değişen 30 uygulama arasında oldukça önemli ölçüde değiştiğini bulduk.
Bu, bazı uygulamalarda refah tavsiyesi talebinin arzı geride bıraktığı, diğerlerinde ise tavsiye çalışanının tam kapasiteyle kullanılmadığı anlamına geliyordu.
Anekdot olarak, uygulamalar arasındaki sevk sayısındaki bu eşitsizliğin hizmete farklı katılım düzeylerinden kaynaklandığı öne sürüldü: bazı uygulamalar hastaları için ekstra hizmete ev sahipliği yapmaktan memnundu ve bu nedenle yönlendirme yaptı, ancak diğerleri olmadı. bu yüzden başvurmak için başarısız oldu.
Bununla birlikte, muayenehane yöneticilerinden biri tarafından başka bir neden öne sürülmüştür: belki de sevk sayısındaki bu değişiklik, muayenehanelerin hasta listesi büyüklüğünü yansıtıyor olabilir mi? Daha sonra 30 uygulamanın hasta listesi boyutunun 1768 ile 7102 arasında değiştiğini ve liste boyutu ile sevk sayısı arasında gerçekten de pozitif bir korelasyon olduğunu bulduk: r = .75, p = .005.
Bununla birlikte, belirleme katsayısı hesaplamasını kullanarak, hasta listesi boyutunun uygulamalar arasındaki sevklerdeki varyansın yalnızca yüzde 56’sını oluşturduğunu görebiliriz, bu nedenle hizmete katılım gibi diğer faktörlerin hala araştırılması gerekiyor.
Dağılım grafiği istatistik Excel dağılım grafiği Histogram grafiği Normal dağılım grafiği Radar grafiği Radar grafiği Nedir Saçılım Grafiği nedir Sütun grafiği