İki Seviyeli Hiyerarşik Lineer Model Örneği – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
![Doğrusal Olmayan Sapmalar – MATLAB Ödevi Yaptırma – MATLAB Analizi Yaptırma Fiyatları – MATLAB Örnekleri – Ücretli MATLAB Analizi Yaptırma – MATLAB Analizi Yaptırma Ücretleri](https://akademidelisi.net/wp-content/uploads/2021/10/uh3IO.png)
İki Seviyeli Hiyerarşik Lineer Model Örneği
Bu konuyu tanıtmak için, mağazalarda iç içe geçmiş müşterilere baktığımız iki seviyeli hiyerarşik doğrusal bir model düşünelim. (Dolayısıyla, gerçek müşteriler potansiyel müşterilerin evreninin yalnızca bir örneği olduğu için müşteri kimliği rastgele bir etki olacaktır.) Bu iki seviyeli hiyerarşik doğrusal model örneğinde, bağımlı değişken (satın alma tutarı) doğrusal olarak ifade edilebilir. etkilerin işlevi iki düzeydedir.
Burada, müşteri satın alma miktarı iki sabit etkinin (kesme ve tahmin edici X) ve iki rastgele etkinin (mağaza ve mağaza içindeki müşteri) bir fonksiyonudur. Bu model doğrusal bir karma model kullanılarak çalıştırıldığında, sabit etkiler için tahminlere ek olarak müşteriden müşteriye ve mağazadan mağazaya varyasyonun ayrı tahminleri elde edilebilir. Modeldeki farklı rastgele etkilere ne kadar varyasyon atfedilebileceğini belirleyebilmemiz, doğrusal karma model kullanmanın avantajlarından biridir.
Aşağıda, doğrusal karma modeller kullanmanın avantajlarının bir listesi bulunmaktadır:
■ Düzey içi regresyon etkileri için iyileştirilmiş katsayı tahminleri (çünkü ek varyasyonları hesaba katabiliriz)
■ Katsayı standart hatalarının iyileştirilmiş tahminleri (çünkü ek varyasyonları hesaba katabiliriz)
■ Tüm seviyelerde etkilerin eş zamanlı tahmini
■ Seviyeler arası etkileşimler doğru bir şekilde modellenebilir
■ Modelden açıklanamayan sapma çeşitli düzeylere atanabilir
DOĞRUSAL KARIŞIK MODELLERİN VARSAYIMLARI
Doğrusal karma modeller, birkaç farklılık dışında doğrusal regresyonla aynı varsayımlara sahiptir. En önemlisi, doğrusal karışık modeller varyansın homojenliğini ve hataların bağımsız olduğunu varsaymaz.
Aşağıdakiler, standart regresyon ve doğrusal karma modeller için varsayımlardır:
■ Bağımsız ve bağımlı değişkenler arasında doğrusal bir ilişki vardır.
■ Tüm ilgili değişkenler ve alakasız değişkenler modele dahil edilmemiştir.
■ Çoklu doğrusallık.
■ Nooutliers.
■ Hatalar normal olarak dağıtılır. Aşağıdakiler yalnızca doğrusal karma modeller için varsayımlardır:
■ Kovaryans yapısı uygun şekilde belirtilmiş.
■ Üst düzey değişkenlerin, o düzeydeki tüm değerlerin rastgele bir örneği (veya tam örneği) olduğu varsayılır.
Not: Doğrusal bir karma model geliştirirken, modele etkileri, özellikle de rastgele etkileri ve farklı seviyelerdeki etkiler arasındaki etkileşimleri dahil etmek için iyi bir nedeniniz olmalıdır. Sebepler teorik olabilir veya sizin veya alanınızdaki diğer kişilerin daha önce yapmış olduğu çalışmalara dayalı olabilir.
Lineer modelleme
Hiyerarşik lineer MODELLEME nedir
Hiyerarşik lojistik Regresyon
HLM Analizi
Karışık Modeller – Doğrusal
Bu analizdegösterildiği gibiMerchandise sales.sav dosyasını kullanıyoruz. Bu dosya, büyük bir şirketten müşteri satın alma verilerini içerir. Şirket, deneysel bir envanter yönteminin satış miktarını iyileştirmede etkili olup olmadığını bilmek istiyor. Bu, analizlerin genel amacıdır: diğer etkileri kontrol ederken bu envanter yönteminin satış miktarı üzerindeki etkisini araştırmaktır.
Veriler, mağazalar içinde gruplandırılmış müşteriler ve dağıtım merkezlerinde gruplanmış mağazalar ile hiyerarşik üç seviyeli bir yapıya sahiptir. 23 dağıtım merkezi, 97 mağaza ve 2133 müşteri bulunmaktadır. Artık elimizde veriler olduğuna göre, hiyerarşik bir doğrusal model oluşturmak için şu adımları izleyin:
1. Analiz menüsünü seçin ve ardından Karma Modeller’i seçin.
Gösterildiği gibi, hiyerarşik bir doğrusal model oluşturmak için iki seçenek vardır: doğrusal karışık modeller ve genelleştirilmiş doğrusal karışık modeller. Bu prosedür, genel doğrusal modeli genişletir, böylece verilerin korelasyonlu ve sabit olmayan değişkenliğe sahip olmasına izin verilir.
Bu seçeneklerin her ikisi de hiyerarşik bir doğrusal model oluşturacaktır; bununla birlikte, genelleştirilmiş doğrusal karma modeller, doğrusal modeli, sonuç değişkeninin normal olmayan bir dağılıma sahip olabilmesi için genişletir, sonuç değişkeni ile öngörücüler arasındaki doğrusal ilişkiler, belirli bir bağlantı işlevi aracılığıyla elde edilir ve gözlemler ilişkilendirilebilir. Örneğin, bir binom dağılımını izleyen verileriniz olabilir. Bizim durumumuzda analizi çalıştırmak için her iki prosedürü de kullanabiliriz; bazı farklılıkları belirtmek için ikisini de kullanacağız, ancak Linear’ı seçerek başlayacağız.
2. Analiz Et ➪ Karma Modeller ➪ Doğrusal’a tıklayın.
Şekil 4-3’te gösterildiği gibi, doğrusal karma modeller prosedürü için açılan ilk diyalog, Konuları Belirt ve Tekrarlanan diyalogudur. Hiyerarşik bir doğrusal model kurarken, etüt için birimleri tanımlamak için bir veya daha fazla konu değişkeni belirtmeniz gerekir; birden fazla değişken listeleniyorsa, değişken değerlerinin kombinasyonları birimleri tanımlar. Örneğimizde, mağazalardan örneklenen, dağıtım merkezlerinden örneklenen müşterilerimiz var, bu nedenle modelde farklı seviyelerde etkiler için konunun farklı atamaları var.
3. Center_ID, Store_ID ve Customer_ID öğelerini Konular kutusuna taşıyın.
Deneklerin birden çok zaman noktasında değerlendirildiği bir analiz yapıyorsanız, Tekrarlanan kutusunda herhangi bir tekrarlanan ölçüm değişkenini ve kovaryans yapısını belirtebilirsiniz.
4. Devam’a tıklayın.
Doğrusal Karışık Modeller iletişim kutusunda bir bağımlı değişken belirtmeniz ve ayrıca model tahmin edicilerini belirtmeniz gerekir. Sürekli tahmin edicilerin Ortak Değişken(ler) kutusuna, kategorik tahmin edicilerin ise Faktör(ler) kutusuna yerleştirilmesi gerekir. Gösterildiği gibi, geçen ayki satışlardan mevcut satışları, mağaza çalışan sayısını, mağaza konumunu, mağaza durumunu, envanteri ve mağazanın indirim kabul edip etmediğini tahmin edeceğiz.
5. Akımı Bağımlı Değişken kutusuna taşıyın.
6. Son ve Çalışanları Ortak Değişken(ler) kutusuna taşıyın.
7. Konum, Koşul, İndirimler ve Envanteri Faktör(ler) kutusuna taşıyın. Tamam düğmesi etkin olsa da, varsayılan olarak yalnızca bir kesişim içeren bir model uygun olacaktır. Şimdi Sabit ve Rastgele butonlarını seçerek model değişkenlerinin nasıl kullanılacağını belirlememiz gerekiyor.
8. Sabit’e tıklayın.
Modele ana etkiler ve etkileşim terimleri eklenebilir. Sabit Efektler iletişim kutusunda Oluşturma terimleri seçeneği seçildiğinde, efekt türünü seçmek için açılır menüyü kullanabilirsiniz. Varsayılan olarak Factorial seçilidir ve bu, Faktörler ve Ortak Değişkenler listesinde seçilen faktör değişkenleri için tüm ana etki ve etkileşim terimlerinin Ekle düğmesi seçildiğinde modele ekleneceği anlamına gelir (burada dikkatli olun çünkü tüm değişkenler seçiliyse burada dikkatli olun). , bu sadece iki yönlü etkileşimleri değil, tüm n-yollu etkileşimleri yaratacaktır).
İç içe öğeler için model terimleri, iç içe geçmiş terimler oluştur seçenek düğmesi tıklanarak ve ardından model terimleri oluşturmak için Tarafından ve İçinde düğmeleri kullanılarak oluşturulabilir. Gösterildiği gibi, burada sadece ana efektleri sabit efektler olarak kullanacağız.
9. Açılır listeye tıklayın ve Ana Efektler’i seçin.
10. Tüm değişkenleri seçin.
11. Değişkenleri Model kutusuna taşımak için Ekle düğmesine tıklayın.
Etkileşimler, açılır listeye tıklanarak ve dahil edilecek değişkenler belirtilerek eklenebilir. Varsayılan olarak, bir engelleme dahildir.
12. Gösterilen ana Doğrusal Karışık Modeller iletişim kutusuna dönmek için Devam’a tıklayın.
13. Rastgele’yi tıklayın.
Hiyerarşik lineer modelleme nedir Hiyerarşik lojistik Regresyon HLM Analizi Lineer modelleme