Kategorik Sonuç Değişkenleri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Katsayılar
Perakende Ticaret ile bağımlı değişkenimiz arasındaki korelasyon aslında pozitiftir. Ya güçlü bir etkileşim vardır ya da bastırma vardır (çoklu bağlantının sinsi bir sonucu bazen katsayının işaretinin “dönmesine” neden olur). Bu durumda suçlu olan bastırma, büyüleyici bir konudur, ancak şu anda endişemiz, katsayının anlamlı görünmesi ve çok ciddi sorunların, özellikle eğitimsiz göz için çok ince bir şekilde görünmesidir.
Aslında çok daha küçük olmakla birlikte, Industrial Land’in negatif katsayısı da kendisine dikkat çekiyor. Restoranlar ve Oteller için standartlaştırılmış katsayı 1’in üzerindedir. Bağlantı İstatistikleri aşırı derecede yüksek değildir, ancak endişeyi artırmaya hizmet eder. Bu katsayıların güvenilirliği konusunda alarm zilleri çalıyor, ancak daha fazla bilgi, özellikle her katsayı etrafında endişelerimizi ölçmemize izin verecek nesnel ve doğru bir kriter olmak üzere arzu edilir. Şekil 2-34, aynı regresyon modelinin katsayılarını, ancak önyükleme güven aralıklarıyla göstermektedir.
Önyükleme sonuçları tam da istediğimiz gibi görünüyor. Sonuçta, dağıtım varsayımlarını karşılamadığımızda tam olarak ne kararsız hale gelir? Dağılımların kendileri, aralıklar ve genişlikleri ilk başarısız olanlardır. Bootstrap sonuçları aslında yalnızca Restoranların ve Otellerin sürekli olarak anlamlı olduğunu ve bağımlı değişkenle pozitif olarak ilişkili olduğunu göstermektedir. Değişkenlerin hiçbiri anlamlı değilken, bağımlı değişkenle negatif korelasyon içindedir.
Dikkat çekici gerçek şu ki, tek bir büyük aykırı değer (ve bu veri setinde bol miktarda var), korelasyon zayıf olduğunda bir işaret değişimine neden olabilir. Bir gözlemi silerek bu etkileri manuel olarak keşfedebilir ve regresyon sonuçlarındaki değişimi gözlemleyebilirsiniz. Bu veri seti, aslında, tek bir vakanın çıkarılmasıyla şaşırtıcı derecede çeşitli sonuçlar üretebilir. Esasen, önyükleme bu tür deneyleri sistematik olarak yapar.
Bu yeni kanıtlarla donanmış olarak, şüphelerimiz doğrulandı ve daha dikkatli bakmaya devam edebiliriz. En sorunlu aykırı değerlerin olası ıskartaya çıkarılması, bağımsız değişkenlerin düşürülmesi veya bağımsız değişkenlerimizin dönüştürülmesi de dahil olmak üzere tüm olağan hileler devreye girer. Kısacası, bu ikinci regresyon sonucu neredeyse son söz olmasa da ve yayına hazır olmayacağız, ancak önyükleme güven aralıkları değerlerini kanıtladı ve bunlar etrafında kesinlik düzeyine dair çok farklı ve neredeyse kesinlikle daha doğru bir anlam sağladı.
Kategorik Sonuç Değişkenleri ile Regresyon
Doğrusal regresyon, en yaygın olarak kullanılan (ve anlaşılan) istatistiksel tekniklerden biridir. Bununla birlikte, tipik kullanımı, sonuç değişkeninin sürekli olduğu durumları içerir. Veri analizindeki birçok durum, nominal veya sıralı bir kategorik sonuç değişkeninin değerini tahmin etmeyi içerir.
Örneğin, bir öğrencinin bir dersi geçip geçmediğini veya bir kişinin ürün memnuniyeti seviyesini tahmin etmek isteyebiliriz. Nominal bir kategorik sonuç değişkenine sahip olduğunuz durumlarda, araştırmacılar oldukça sık olarak ya ikili ya da çok terimli lojistik regresyon kullanırlar.
Ek olarak, regresyon normalde sürekli öngörücü değişkenlere sahip olma fikriyle ilişkilidir, bu nedenle bir regresyon modelinde kategorik değişkenleri temsil etmek için kukla değişkenler yaratmamız gerekir. Ancak bu, birçok kategorik değişkenimiz olduğunda yönetilemez hale gelebilir.
Kategorik değişken örnekleri
Kategorik değişken nedir
Değişken türleri
Kesikli değişken
Nitel değişken örnekleri
Sürekli değişken
Nitel değişken nedir
Sürekli değişken örnekleri
Araştırmacılar bir sıralı kategorik sonuç değişkenine sahip olduklarında, tipik olarak ya doğrusal regresyon ya da lojistik regresyon kullanırlar (her iki durumda da değişkenin ölçüm düzeyini göz ardı ederek). Bu durumlarda, değişkenleri orijinal kategorilerinde bırakmak, ancak yine de onları doğrudan regresyonda kullanmak daha etkili olacaktır, çünkü kategorik bir bağımlı değişkenle doğrusal regresyon varsayımları ihlal edilir ve sonuçlar zayıf olabilir veya nominal için değişkenler anlamsızdır.
Lojistik regresyon kesinlikle son derece yararlı bir teknik olsa da, bu bölümün amacı, bazı durumlarda lineer veya lojistik regresyondan daha uygun olabilecek başka regresyon tekniklerinin de mevcut olduğunun farkında olmanızı sağlamaktır. Özellikle, nominal ve sıralı değişkenlerin doğrudan regresyonda kullanılmasına izin vermek ve bunları aralık düzeyinde değişkenler olarak değil, ölçüldükleri uygun ölçekte ele almak için teknikler geliştirilmiştir.
SPSS’de Regresyon Yaklaşımları
Genel olarak, regresyon için iki yaklaşım benimsenmiştir:
■ Değişkenleri nominal veya sıralı olarak ele alın ve sonuç değişkeni ile öngörücüler (sıralı regresyon) arasındaki ilişkiyi modellemek için çeşitli karmaşık işlevleri kullanın.
■ Aralık düzeyinde kodlama oluşturmak için değişkenlerin değerlerini değiştirin, ardından bu yeni değerleri standart doğrusal regresyonda (kategorik regresyon) kullanın.
SPSS Statistics’teki Regresyon alt menüsü, çeşitli regresyon türlerini içerir. Ancak, bu bölümde sıralı ve kategorik regresyona odaklanacağız. SPSS İstatistiklerinde (yerleşik komutlar olarak) bulunan farklı gerileme biçimlerini görüntüler. PLS’nin Python Essentials’ı gerektiren bir uzantı komutu olduğunu unutmayın.
Lojistik Regresyon
Lojistik regresyon, nominal bir kategorik bağımlı değişkeni tahmin etmek için sürekli ve kategorik tahmin değişkenlerinin bir karışımını kullanmak üzere tasarlanmıştır. Lojistik regresyon, bağımlı değişkenin değerlerini doğrudan tahmin etmez. Bunun yerine, lojistik denklem, ilgilenilen olayın meydana gelme olasılığını tahmin eder. Spesifik olarak, lojistik regresyon için genel denklem şudur.
Sağdaki terimler, bağımsız değişkenler için standart terimler ve bir regresyon denklemindeki kesişimdir. Denklemin sol tarafında, oranların doğal logu bulunur ve bu niceliğe, ln(Odds), logit olarak adlandırılır.
Logit işlevi aslında S-şekilli işlevler ailesinden biridir, probit diğer iyi bilinen değişkendir. Aşağıdaki bölümde tartışıldığı gibi, sıralı regresyon, tahmin edicileri sonuç değişkeni ile ilişkilendirmek için birkaç bağlantı fonksiyonunu (örneğin logit, probit) kullanır.
Sıralı Regresyon Teorisi
Sıralı regresyon (sözdiziminde PLUM olarak anılır), birkaç bağımsız değişkenden (bunlar kategorik veya sürekli olabilir) sıra düzeyindeki bir bağımlı değişkeni tahmin ettiğinizde kullanılır.
Sıra düzeyinde yanıtları tahmin ederken, doğrusal regresyon modelleri, bağımlı değişkenin bir aralık ölçeğinde ölçüldüğünü varsaydıkları için iyi çalışmaz; bu nedenle, doğrusal regresyon modelleri verilerdeki ilişkileri doğru bir şekilde yansıtmayabilir.
Bazı araştırmacılar, özellikle bağımlı düzey sayısı yüksekse (5 veya 7) sıra bağımlılara doğrusal regresyon uygular. Bu uygulamanın altında yatan varsayım, elbette, düzey sayısı ne kadar fazlaysa, değişkenin aralık düzeyi durumuna o kadar yaklaştığıdır. Ancak bu varsayım, verilen veriler için geçerli olabilir veya olmayabilir.
Değişken türleri Kategorik değişken nedir Kategorik değişken örnekleri Kesikli değişken Nitel değişken nedir Nitel değişken örnekleri Sürekli değişken Sürekli değişken örnekleri