İkinci Dereceden Model – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Başka Bir İkinci Dereceden Model
Doğrusal olmayan ilişkiler birçok çalışma alanında ortaya çıkar. Daha önceki bir Harekete Geçiyor… sorusunda görmüş olabileceğiniz, toplam kişisel tasarruflar ile toplam kişisel gelir arasındaki ilişkiyi ele alalım. Tasarrufların gelir arttıkça artmasını bekleyebiliriz, ancak doğrusal bir şekilde olması gerekmez. ABD dosyasını açın. Bu örnek ayrıca, doğrusal olmayan tahminin işlenmesi için yeni bir SPSS komutunu tanıtacaktır. Basit doğrusal modelle başlayalım.
Dikey eksende toplam brüt kişisel tasarrufları ve yatayda toplam kişisel geliri temsil eden değişkenle bir dağılım grafiği oluşturun. Bir regresyon çizgisi ekleyin.
Ortaya çıkan grafikte görebileceğiniz gibi, noktalar sabitlenmiş doğrunun etrafında yaylanır ve r2 sadece .064’tür. Son yıllarda, kişisel gelir arttıkça ABD’deki bireylerin tasarruflarını azalttığı açıktır. Bu regresyonu, lineer olmayan bir model de belirlememize ve sonuçları karşılaştırmamıza izin veren yeni bir komut kullanarak çalıştıralım.
Regresyon Eğrisi Tahminini Analiz Et Bu iletişim kutusunda gösterildiği gibi, değişkenler olarak tasarruf ve geliri seçin ve hem Doğrusal hem de Kuadratik bir model belirtin. Ardından Kaydet…’e tıklayın.
Kaydet iletişim kutusunun Değişkenleri Kaydet alanında, Öngörülen Değerler ve Artıklar’ı seçin. Devam’ı ve ardından Tamam’ı tıklayın.
Bu komutun birkaç etkisi vardır. Çıktı Görüntüleyicide, bir grafiğin yanı sıra iki regresyonun sonuçlarını görürsünüz (aşağıda gösterilmiştir). İkinci dereceden modelin, veri noktalarına doğrusal modelden çok daha iyi uyduğu hemen anlaşılır. Yeni modelin detaylı yorumuna birazdan döneceğiz; Şimdilik artıkları inceleyelim ve bize en küçük kareler varsayımları hakkında ne söylediklerini görelim.
Eğri Tahmini prosedürü (Linear Regresyon prosedürünün aksine) artık çizim seçeneği sunmaz, bu yüzden kendi grafiklerimizi oluşturmamız gerekir. US.Sav Veri Düzenleyicisine geçin ve sağa kaydırın. fit_1 ve err_1 adlı değişkenlere dikkat edin. Bunlar, doğrusal modelden uydurulmuş (tahmin edilen) değerler ve hatalar (artıklar). Varsayımlarımızı kontrol etmek için onları çizebiliriz. Dikkatimizi ikinci dereceden modele odaklayacak olsak da, önce doğrusal modelden kalanlara da bakalım.
Tanımlayıcı İstatistikleri Analiz Et P-P Grafikleri… Bu komut, normal bir olasılık grafiği oluşturur. Perssav…MOD_2 LINEAR [err1] için Error değişkenini seçin, Dönüştür altında Değerleri Standartlaştır’a tıklayın ve Tamam’a tıklayın.
İkinci Dereceden
İkinci Dereceden ifadeler
İkinci Dereceden Denklemler problemler
İkinci Dereceden Denklemler Khan Academy
Cebir Problemleri
Matematik
Cebir konuları
Üniversite düzeyinde Matematik
Normal olasılık grafiğini inceleyin. Normal dağılmış rahatsızlıkları mı gösteriyor? Şimdi artıkları tahmin edilen değerlere karşı çizelim.
Grafikler Grafik Oluşturucu… x eksenindeki ilk tahmin edilen değerler değişkeni (fit_1) ve y eksenindeki ilk artıklar değişkeni (err_1) ile basit bir dağılım grafiği tanımlayın. Bu kalıntı planında ne görüyorsunuz? Doğrusallık varsayımı makul görünüyor mu?
Şimdi, gelir ve tasarrufların orijinal dağılım grafiğine tekrar bakın. Düzensiz olmasına rağmen, ters çevrilmiş bir parabol hayal edebiliriz. Böyle bir model bu ikinci dereceden modele uyabilir:
- Birikim = β0 + β1Gelir + β2Gelir2+ εi
Şimdi çıktınızın Curve Fit etiketli kısmına dönün. Eğri Tahmini prosedürünü çalıştırdığımızda, hem doğrusal hem de ikinci dereceden bir model istedik. Bu komut, dönüştürülmüş verilerle bir gerileme çalıştırmanın kısayol yoludur. Eğri Tahmini iletişim kutusu on bir farklı model sunar. Bu komutun çıktısını yorumlamak için bu modellerin fonksiyonel formlarını bilmemiz gerekir. İşte bu oturumda kullanılan birkaç basit alternatifin bir özeti.
Çıktı bize iki tahmini model sağlar. Çıktıdan b0, b1 ve b2’yi kullanarak ikinci tahmini denklemi şu şekilde yeniden yazabiliriz:
- Birikim = –5.660 + .107·Gelir – .0000009787·Gelir2+ εi
Bu regresyon denklemi lineer modelle nasıl karşılaştırılır? İki yamaç size ne söylüyor? Sonuçlar istatistiksel olarak anlamlı mı? Çoklu belirleme katsayısı (düzeltilmiş r2) düzeldi mi? İkinci dereceden modeldeki bu artıklar, doğrusal modeldekilerle nasıl karşılaştırılır? Bu kalıntılarda hangi güçlü ve zayıf yönleri buluyorsunuz?
Bu ikinci dereceden modelle ilgili teorik bir sorun, grafiğin sağ tarafında olduğu gibi sonsuza kadar aşağı eğimli olmasıdır; yani, gelir arttıkça tasarrufların süresiz olarak azalmaya devam edeceğini öne sürüyor. Gelin, Gelir3’ü daha yüksek gelir seviyelerinde tasarruf artışını dengeleme olanağı sunan kübik bir model deneyelim.
Eğri Tahmini iletişim kutusuna dönün; Doğrusal ve Kuadratik seçimini kaldırın ve Kübik’i seçin.
Kübik model ikinci dereceden ile nasıl karşılaştırılır? Kalıntıları inceleyin; bu modelde mi yoksa ikinci dereceden modelde mi daha iyiler?
Gördüğünüz gibi, kübik model mükemmel değil, ancak bu kısa örnekten, veri dönüştürme tekniğinin nasıl çok kullanışlı bir araç haline gelebileceğine dair bir fikir edinebilirsiniz. Başka bir dönüşüm kullanarak başka bir örneğe dönelim.
Log-Lineer Model
Son örneğimiz için ev hizmet veri setine (Yardımcı Program) geri döneceğiz. Önceki laboratuvarlarda olduğu gibi, gaz tüketimi (gaspday) ile ortalama aylık sıcaklık (ortalama sıcaklık) arasındaki ilişkiye odaklanacağız. Basit bir doğrusal regresyon yaptığımızda (r2 .864) bu iki değişken arasında güçlü bir negatif doğrusal ilişki olduğunu hatırlayabilirsiniz. Yine de gerileme ile ilgili bazı sorunlar vardı. Artıklar ve Öngörülen değerler grafiği, bazı doğrusal olmama durumu önerdi.
Bunu düşündüğünüzde, ilişkinin olası tüm sıcaklık değerleri üzerinde doğrusal olamayacağı mantıklıdır. Numunede sıcaklık arttıkça gaz tüketimi düşer. Doğrusal modelde, tüketimin negatif olacağı ve açıkça gerçekleşemeyecek bir sıcaklık olmalıdır. Daha iyi bir model, artan sıcaklıklarla tüketimin düştüğü, ancak daha sonra bir noktada düzleşerek doğal logaritma işlevine benzer bir model oluşturan bir model olacaktır.
Doğal sıcaklık logu bu durumda yardımcı bir dönüşüm olarak hizmet eder; yani gaspday y ve ln(meantemp) x olarak bir regresyon gerçekleştireceğiz. Böyle bir modele bazen log-lineer model denir. Eğri Tahmini komutu işi güzel bir şekilde yapıyor. İlk olarak, Veri Düzenleyici’de Yardımcı Program’ı açın; ABD’de yapılan değişiklikleri kaydetme.
Cebir konuları Cebir Problemleri İkinci Dereceden İkinci Dereceden Denklemler Khan Academy İkinci Dereceden Denklemler problemler İkinci Dereceden ifadeler Matematik Üniversite düzeyinde Matematik