Hiyerarşik Doğrusal Regresyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Hiyerarşik Doğrusal Regresyon
Hiyerarşik lineer regresyon, standart çoklu lineer regresyonun adım prosedürlerine benzeyen kavramsal bir unsurla bir uzantısıdır. Hiyerarşik regresyonda kilit faktör, araştırmacıların yazılıma girişle ilgili tüm kararları bıraktığı adımlı regresyon prosedürlerinin aksine, araştırmacıların hiyerarşik strateji içinde analizin yapılandırılmasında aktif rol oynamasıdır. Böyle bir yatırım karşılığında, araştırmacılar, teorik, ampirik veya sağduyulu olduğunda tahmin edicilerin etkisini istatistiksel olarak kontrol edebilirler.
Hiyerarşik regresyonda, tahmin ediciler alt kümeler veya bloklar halinde sırayla girilir. Bir alt küme, yalnızca tek bir değişkenden veya birkaç değişkenden oluşabilir. Her değişken bloğu, mevcut herhangi bir yöntemle kontrol edilebilir (eş zamanlı olarak, standart yöntemle tanımlandığı gibi, adım adım vb.). Bazı değişkenlere giriş sırasına göre diğerleri üzerinde “öncelik” verildiğinden, prosedüre hiyerarşik doğrusal regresyon denir.
Böyle bir engelleme veya hiyerarşik strateji kullanmanın birincil avantajı, önceki bloklara girilen değişkenlerin daha sonra girilenler için ortak değişkenler olarak hizmet etmesidir. Örneğin, katılımcılardan bir egzersiz programına bağlılıkları hakkında bir ankete katılmalarını isteyebiliriz.
Ancak bu, “sosyal olarak doğru” bir davranış olduğu için, sosyal beklentilere duyarlı olan katılımcılar, böyle bir programa gerçekten olabileceklerinden biraz daha fazla bağlı olduklarını söylemeye meyilli olabilirler. Kilo vermek için diyete son derece bağlı olan katılımcıların da bu tür bir çaba içinde egzersizi kullanmaya meyilli olmaları da söz konusu olabilir.
Bu tasarımda sosyal istenirliğin olası kafa karıştırıcı durumuyla başa çıkmanın ve katılımcıların ne ölçüde diyet yaptığını hesaba katmanın bir yolu, analizde ortak değişkenler olarak sosyal beğenirlik ve diyet ölçümlerini kullanmaktır.
Bunu hiyerarşik regresyon bağlamında yapmanın dinamikleri aşağıdaki gibi olabilir:
• İlk blokta, sosyal istenirlik ölçüsünü girin. Dolayısıyla bu değişken, uygulama taahhüdünün bağımlı değişkeninin belirli bir varyansını hesaba katacaktır.
• İkinci blokta, diyet yoğunluğunun bir ölçüsünü girin. Halihazırda modelde olan sosyal istenirlik ile, bu yeni girilen değişken, egzersize bağlılığın kalan varyansını hedeflemelidir (sosyal istenirlik ne açıklamadıysa).
Bu nedenle, sosyal istenirlik, bağımlı değişkenin varyansını istatistiksel olarak açıkladığı için bir ortak değişken görevi görür; Diyet yoğunluğunun ölçüsü, halihazırda sözlü yetenek değişkeninin himayesi altında olmayan tahmin çalışması yapmaya zorlanır. Aynı zamanda, diyet yoğunluğu değişkeni sosyal istenirliğin değerlendirilmesinde bir ortak değişken olarak hareket eder ve bu nedenle modeldeki regresyon ağırlığını etkileyebilir.
Üçüncü blokta, sosyal istenirlik veya diyet yoğunluğu ile açıklanmayan egzersize bağlılık ölçüsünün varyansını açıklayabilecek diğer kişilik değişkenlerini girin. Her değişken, diğerleri ortak değişkenler olarak hareket ederek değerlendirilir.
Hiyerarşik regresyon nedir
Hiyerarşik çoklu regresyon analizi
Çoklu regresyon analizi örnekleri
Hiyerarşik lineer modelleme nedir
Basit doğrusal regresyon Analizi
Çoklu doğrusal regresyon
Çoklu regresyon denklemi
Hiyerarşik regresyon hipotezi
SAYISAL ÖRNEK VE ANALİZ STRATEJİSİ
Burada kullanılan Egzersiz adlı veri dosyasını kullanıyoruz ve egzersiz_bağlılığını tahmin etmeye devam edeceğiz. Bununla birlikte, değişkenleri, her blokta eşzamanlı giriş yöntemini kullanarak aşağıdaki sıralı üç bloğa gireceğiz (bu kararların sağlam teorik ve ampirik nedenlere dayandığını varsayalım):
1. Blok 1’de, sosyal istenirlik etkilerini kontrol etmek için sosyal_bağlılık_ihtiyaçlarını giriyoruz.
2. Blok 2’de, diyetin egzersiz üzerindeki etkilerini kontrol etmek için diet_intensity’ye giriyoruz. Sosyal istenirliğin etkileri istatistiksel olarak kontrol edilerek değerlendirilecektir. Aynı zamanda, diyet yoğunluğunun etkileri kontrol edilerek sosyal bağlılık ihtiyaçları değerlendirilecektir (aslında yeniden değerlendirilecektir).
3. Blok 3’te kalan saygı/kabul değişkenlerini giriyoruz. Bu değişkenlerin her biri, diğer tüm değişkenlerin etkileri istatistiksel olarak kontrol edilerek değerlendirilecektir.
ANALİZ KURULUMU
Ana menüden Analiz ➔ Regresyon ➔ Doğrusal’ı seçiyoruz. Bu, gösterildiği gibi ana Lineer Regresyon penceresini açar. egzersiz_bağlılığını Bağımlı panele ve sosyal_bağlılık_ihtiyaçlarını Bağımsız(lar) paneline taşıyoruz. Bağımsız(lar) panelinin en üstünde, Dependent panelinin hemen altında Blok 1 / 1’i gördüğümüze dikkat edin. IBM SPSS® bu şekilde bloklarımızı takip edecek ve Sonraki ve Önceki ile ileri ve geri geçiş yapmamıza izin verecektir. Analizi gerçekleştirmeden önce herhangi bir değişiklik yapmamız gerekirse butonlar. Metod açılır menüsünde Enter’ı koruyoruz. Bu, ilk blok için spesifikasyonumuzu tamamlar. İkinci bloğu yapılandırmak için İleri’ye tıklayın.
Şu anda görüldüğü gibi, bağımlı değişken kendi panelinde kalıyor ancak Bağımsız(lar) paneli bizim tanımlamamıza hazırlık olarak boşaltıldı. Diet_intensity’yi Bağımsız(lar) paneline taşıyoruz, Enter yöntemini koruyoruz ve üçüncü bloğu yapılandırmak için İleri’ye tıklıyoruz.
Şimdi Blok 3 / 3’teyiz, gösterildiği gibi, bağımlı değişken hala kendi panelinde kalıyor, ancak Bağımsız(lar) paneli bizim spesifikasyonumuza hazırlık olarak bir kez daha boşaltıldı. Şimdi, tahmin dizimizi tamamlamak için kendini kabul, benlik saygısı ve beden saygısını Bağımsız(lar) paneline taşıyoruz. Üç değişkeni de aynı anda modele girmek istediğimiz için Enter yöntemini koruyoruz. İstatistikler penceresinde Bölüm 24’teki çıktının aynısını istiyoruz ve analizi gerçekleştirmek için ana iletişim penceresinde Tamam’a tıklıyoruz.
ANALİZ ÇIKIŞI
Hiyerarşik regresyon analizinden elde edilen ilgili çıktı sunulmaktadır. IBM SPSS, her bloğu ayrı bir model olarak ele aldığından, analizimizde üç model bulunmaktadır. Her bloğa değişkenler eklediğimiz için modellerin kümülatif olduğuna dikkat edin; nihai model, standart çoklu regresyon analizinden elde edilen sonuçlarla tam olarak eşleşir ve aynı şekilde yorumlanır.
Hiyerarşik analizle kazandığımız şey, bu değişkenlerin etkileşiminin dinamiklerini gözlemleme fırsatıdır. Odak noktamız, son modeli yorumlamanın yanı sıra, ortak değişkenlerimizin katkısı ve modele daha fazla değişken dahil ederken elde ettiğimiz katma değer; bu nedenle, üç blokla ilişkili R Kare ve R Kare Değişimi (ve anlamlılık testleri) üzerinde çalışıyoruz.
Aşağıdakileri not ediyoruz:
• Model Özetinden, 1. Blokta, sosyal_bağlılık_ihtiyaçlarının, egzersiz_taahhüdü varyansının istatistiksel olarak anlamlı ancak oldukça küçük bir oranını (yaklaşık %3) açıkladığı görülmektedir. Katsayılar tablosundan bu değişkenin istatistiksel olarak anlamlı olduğunu görüyoruz (p < .001).
• Blok 2’deki modele diyet_yoğunluğunun eklenmesi, modelin tahmin yeteneğinde nispeten büyük bir gelişme sağladı ve egzersize bağlılığın ek %19’luk varyansını hesaba kattı. Diet_yoğunluğun tahmin katkısı, sosyal_bağlanma_ihtiyaçları kontrol edildiğinde istatistiksel olarak anlamlıydı (p < .001); aynı zamanda, modelde diet_intensity ile, social_affiliation_needs en iyi ihtimalle marjinal bir tahmin edici (p = .071) haline geldi.
• Son olarak, Blok 3’e eklenen saygı/kabul değişkenleri, sosyal ilişki gereksinimlerinin ve diyet yoğunluğunun etkilerinin üzerinde ve üzerinde istatistiksel olarak anlamlı bir tahmine katkıda bulundu ve egzersize bağlılığın varyansını açıklamada yaklaşık %13’lük bir ilave daha ekledi. Diyet yoğunluğunun etkisi istatistiksel olarak anlamlı kaldı (p < .001), ancak tam modelde sosyal ilişki gereksinimlerinin etkisi önemsiz hale geldi (p = .707).
Basit doğrusal regresyon Analizi Çoklu doğrusal regresyon Çoklu regresyon analizi örnekleri Çoklu regresyon denklemi Hiyerarşik çoklu regresyon analizi Hiyerarşik lineer modelleme nedir Hiyerarşik regresyon hipotezi Hiyerarşik regresyon nedir