Doğrusal Karışık Modeller – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Doğrusal Karışık Modeller Kullanılarak Tekrarlanan Ölçümler
Genç suçluların uyuşturucu kullanımına yönelik tutumlarının üç zaman noktasındaki farklılıkları değerlendirmek için tekrarlanan bir ANOVA ölçümü uygulandı. Analiz, verilerin normal dağılmasını gerektiren, denek içi değişkenin seviyeleri arasında homojen varyansa sahip olan ve bağımsız gözlemleri temsil eden Genel Doğrusal Model içinde gerçekleştirilmiştir. Ancak, aynı vakaların birden çok veri noktasına katkıda bulunması nedeniyle, tekrarlanan ölçüm analizlerinde bağımsızlık varsayımı otomatik olarak ihlal edilir; bu nedenle, herhangi bir bireysel farklılık olduğu ölçüde, herhangi bir vaka içindeki puanlar, vakalar arasındaki puanlardan daha fazla ilişkili (ilişkili) olacaktır.
IBM SPSS®’nin Doğrusal Karma Modeller modülünde, her bir bireysel duruma bağlı puanlar arasındaki korelasyonların dikkate alınabilmesi için bağımsız gözlemler varsayımının yapılması gerekli değildir. Ayrıca Lineer Karışık Modeller daha uyumludur.
Örneğin, tekrarlanan ölçümler için Genel Doğrusal Model prosedürü, katılımcıların sabit zaman noktalarında (örneğin, her hafta), tüm vakalar hakkında eksiksiz verilere sahip olduğumuzu ve tüm vakaların aynı zaman noktalarında (örneğin, program her ay belirli bir zamanda ölçüm yapılmasını gerektiriyorsa, bazı katılımcılar için 6 haftalık aralıklarla gözlem yapılamaz); Doğrusal Karışık Modeller bu kısıtlamalara karşı dayanıklıdır.
Genel Doğrusal Modelde, tüm katılımcıların aynı kesişme noktasına (başlangıç puanı) ve eğime (zaman içinde puanlardaki değişiklikler) sahip olması anlamında bireysel farklılıkların sabit etkiler olduğu varsayılır. Doğrusal Karma Modellerde, bireysel farklılıklar, kesişimleri ve eğimlerinde farklılık gösterebilecekleri durumlarda rastgele bir etki olarak ele alınır; değişkenin bu şekilde ele alınması, verilerin daha iyi bir modelini sağlama eğilimindedir.
Doğrusal Karışık Modeller yaklaşımı, alternatif varyans/kovaryans yapılarına izin verirken, Genel Doğrusal Model prosedürü yalnızca bir Bileşik Simetri yapısı kullanır; alternatif varyans/kovaryans yapıları, Doğrusal Karışık Modeller yaklaşımının Genel Doğrusal Model prosedüründen istatistiksel olarak daha güçlü olmasına yol açabilir.
Doğrusal regresyon modeli
Basit doğrusal regresyon
Çoklu doğrusal regresyon modeli
Doğrusal regresyon formülü
Basit doğrusal regresyon örnek
Regresyon modelleri
Basit doğrusal regresyon varsayımları
Klasik doğrusal regresyon modeli Varsayımları
Varyans/kovaryans yapısı, R matrisi olarak bilinen yapıda bulunur. Seçenekler iletişim penceresinde Artık SSCP matrisini talep ederek açıklanan analiz için böyle bir matris oluşturduk. Artık SSCP matrisinin mevcut tartışmamızla ilgili kısmı, gösterilen tablonun ana Kovaryans satırında (orta satır) sunulmaktadır. Böyle bir matris, ölçülerin varyanslarını köşegen üzerine yerleştirir. En büyük varyans ön testteydi (9.618). Bunu takiben, sontest2’de hafif bir artışla birlikte, sontest1’de (4.364) bir azalma oldu.
Köşegen dışındaki girdiler (üst ve alt elemanlar gereksizdir) kovaryanslardır. Kovaryanslar korelasyonlara benzer ancak hesaplamada orijinal ölçüm birimlerini kullanır; yani ±1.00 arasında değerler üretecek şekilde standartlaştırılmamıştır.
Gösterilen kovaryanslar incelendiğinde, en büyük kovaryansın ön test ve son test1 (3.845) arasında gerçekleştiği, bunu son test1 ve son test2 (2.982) ve en küçük kovaryansın ön test ve son test2 (2.073) arasında gerçekleştiği görülmektedir. Ön testten sonra kovaryansların küçüldüğü görülmektedir; zaman noktaları arasındaki aralıklar arttıkça kovaryansların azaldığı görülmektedir.
R matrisinin yapısı, tekrarlanan ölçüm analizi için esastır. Doğrusal Karışık Modeller prosedürünün amacı, gözlemlenen R matrisine en iyi uyan bir R matrisi uygulamaktır (yani, iki matris arasındaki farklar en aza indirilir). Genel Lineer Model yaklaşımında, R matrisi verilere empoze edilirken Lineer Karışık Modeller alternatif R matrislerinin çağrılmasına izin verir. Doğru bir R matrisi elde etmek, denek içi faktör seviyeleri arasındaki geçerli karşıtlıkları hesaplamak için esastır.
Genel Lineer Model Tekrarlanan Ölçümler ANOVA’da, gözlemlenen R matrisi Bileşik Simetri R matrisi ile karşılaştırılır; Küresellik varsayımı (yani, her seviye arasındaki varyanslar ve korelasyonlar eşdeğerdir) Genel Lineer Model ANOVA prosedüründe bu şekilde test edilir. Bileşik Simetri, üç varyansın her birinin eşit olmasını ve üç kovaryansın (korelasyonların) aynı şekilde eşit olmasını zorunlu kılar.
R matrisinde altı parametre (üç varyans ve üç kovaryans) olmasına rağmen, Bileşik Simetri kovaryans yapısının sadece ikisini (varyans ve kovaryans) tahmin etmesi gerekir, çünkü her üç sette (varyanslar ve kovaryanslar) önerildiği gibi. ), değerler eşittir ve bu ona nispeten daha fazla istatistiksel güç sağlar. Bununla birlikte, Bileşik Simetri R matrisi, genellikle çok gerçekçi değildir ve Genel Lineer Model ANOVA’daki küresellik varsayımı, onunla ilişkili istatistiksel güç nedeniyle sıklıkla ihlal edilir.
Genel Doğrusal Model yaklaşımındaki ANOVA prosedürüne bir alternatif, otomatik olarak raporlanan çok değişkenli tekniktir. Bu yaklaşım, elemanların varyansları ve kovaryansları ile ilgili herhangi bir varsayımın olmadığı, Yapılandırılmamış R matrisini kullanır.
Bununla birlikte, Yapılandırılmamış matris son derece karmaşıktır çünkü varyansların ve kovaryansların her zaman noktasında tahmin edilmesi gerekir (bu örnekte, Bileşik Simetri matrisindeki yalnızca iki parametrenin aksine toplam altı parametre için üç varyans ve üç kovaryans ). Bu ek parametrelerin dahil edilmesi istatistiksel gücü azaltır. Araştırmacılar R matrisini belirleyemiyorsa, yapılandırılmamış matris uygulanabilir.
Hem Bileşik Simetriye hem de Yapılandırılmamış matrislere bir alternatif – ikisi arasında uygulanabilir ve makul bir orta yol – varyansların homojen (yani eşdeğer) veya heterojen (yani farklı) olduğunu varsaymak, ancak ilk zaman noktasına göre her ardışık ölçüm, her ardışık zaman noktasında zayıflayacaktır.
Zaman içindeki bu zayıflama (komşu çiftler arasındaki kovaryanslar—korelasyonlar—zaman noktaları boyunca azalır), birinci dereceden otoregresif kovaryans yapısı tarafından değerlendirilir. Burada, varyansların homojenliğini varsayan otoregresif kovaryans yapısının varyantını kullanıyoruz. Bileşik Simetri kovaryans yapısından daha az istatistiksel güce sahiptir, ancak gösterilenler de dahil olmak üzere bu tür veri yapılarının çoğunluğu arasında belki de en açıklayıcı yaklaşımdır.
SAYISAL ÖRNEK
Kullandığımız uyuşturucu rehabilitasyon adlı dosyada yer alan verileri kullanıyoruz. Toplam 11 genç suçlu, program başlamadan önce (ön test), 2 haftalık programı tamamladıktan sonra (son test1) ve programın tamamlanmasından 1 ay sonra (son test 2) uyuşturucu kullanımına karşı tutumları açısından değerlendirildi. Tutum ölçeğindeki puanlar 5 ile 20 arasında değişebilir ve yüksek puanlar uyuşturucu kullanımına karşı daha olumlu tutumları temsil eder.
Basit doğrusal regresyon Basit doğrusal regresyon örnek Basit doğrusal regresyon varsayımları Çoklu doğrusal regresyon modeli Doğrusal regresyon formülü Doğrusal regresyon modeli Klasik doğrusal regresyon modeli Varsayımları Regresyon modelleri