Kovaryans Parametreleri – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
ANALİZ KURULUMU: KARMA SEVİYE 2 MODEL
L1_optimism_C’nin rastgele etkilerinin kaldırılması dışında, çok seviyeli modelimizin karmaşıklık seviyesini daha da yükseltmeye hazırız. Bunu şimdi örneklemdeki hastane türünün etkilerini dikkate alarak yapıyoruz (hem eğitim hem de öğretim hastanelerinin temsil edildiğini hatırlayın). Hasta iyimserliği veri dosyası açıkken Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz.
Bu eylem, hastaneyi kümeleme değişkenimiz olarak tanımladığımız ilk Konuları Belirt ve Tekrarlanan penceresini görüntüler. Ana Doğrusal Karışık Modeller penceresine ulaşmak için Devam düğmesini seçin. Ana Lineer Karışık Modeller penceresi gösterilmiştir. prom_dv’yi Dependent Variable paneline ve L1_optimism_C’ye yerleştiriyoruz ve Covariate(s) paneline yazıyoruz.
Sabit butonunun seçilmesi, Sabit Efektler penceresini açar. L1_optimism_C’yi taşıyıp Factors and Covariates panelinden Model paneline yazıyoruz ve Include intercept kutusunun işaretli olduğundan emin oluyoruz.
Gösterilen Rastgele Etkiler ekranının üst kısmında, Kovaryans Tipimiz olarak Yapılandırılmamış’ı seçiyoruz ve tipi Model paneline taşıyoruz. Ekranın alt kısmında hastaneyi Konular panelinden Kombinasyonlar paneline taşıdık. Ana pencereye dönmek için Devam’ı tıklayın.
İstatistik penceresini açıklandığı gibi yapılandırırız (Model İstatistikleri altında Parametre tahminleri ve kovaryans parametreleri için Testler talep ederek). Analizi gerçekleştirmek için Tamam’a tıklayın.
Model Boyutu tablosu gösterilir. Bu karma Düzey 2 modelinde 7 parametre vardı. Tabloda ayrıca, Yapılandırılmamış Kovaryans Yapısı kullanımımız da belgelenmiştir.
Hem AIC hem de BIC dahil olmak üzere Bilgi Kriterlerini sunar. Bu değerler karma Düzey 1 modelindeki değerlerden daha küçüktür ve daha iyi bir model uyumu olduğunu düşündürür.
Ki-kare fark testi de yapabiliriz. Karma Düzey 1 modeli ve karma Düzey 2 modelimiz için -2 Kısıtlı Günlük Olabilirlik değerleri 76.537 farkla sırasıyla 40418.621 ve 40342.084’tür. Bu iki model için serbestlik dereceleri 1 farkla sırasıyla 6 ve 7’dir. Bu nedenle ki-kare farkını bir serbestlik derecesiyle değerlendiririz. A.1’e göre 76.537’lik fark istatistiksel olarak anlamlıdır (p < .001). Bu nedenle, karma Düzey 2 modelinin, karma Düzey 1 modeline göre tahmini geliştirdiği sonucunu çıkarabiliriz.
Sabit Etkilerin Tahminleri tablosunu sunar. Kesişme, şimdi hem L1_optimism_C hem de türü içeren modele dayalı olarak prom_dv’nin bağımlı değişkeni için tahmini popülasyon genel ortalama parametresini temsil eder. Karışık Düzey 1 modelinin tahmininden yaklaşık 52.91’e yükseldiğini not ediyoruz.
Kovaryans yorumlama
Kovaryans örnekleri
Kovaryans hesaplayıcı
Kovaryans hesaplama
Kovaryans olasılık
Kovaryans analizi örnek
Kovaryans değer aralığı
Kovaryans Nedir
L1_optimism_C için parametre eğim tahmini yaklaşık olarak .57’dir ve L1_optimism_C skorundaki bir ölçek değerindeki her artışın, tip kontrol edilirken prom_dv skorunu yaklaşık .57 arttırdığını gösterir. Sig’de görüldüğü gibi. sütun, eğim istatistiksel olarak anlamlıdır (p < .001).
Hastane tipi, yaklaşık 7,02’lik bir parametre tahmini ile ilişkilidir. Bu, eğitim vermeyen hastaneler için 0 ve eğitim hastaneleri için 1 değerleriyle ikili olarak kodlanmış bir değişkendir. Parametre pozitif olduğu ve 1 değeri 0 değerinden büyük olduğu için, eğimi, eğitim hastanelerindeki hastaların yaklaşık 7,02 (ortalama olarak) prom_dv puanları rapor ettiğini ve bu da, eğitim hastanelerindeki hastaların L1_optimism_C puanlarından daha yüksek olduğunu gösterecek şekilde yorumluyoruz. eğitim vermeyen hastaneler
Kovaryans Parametrelerinin Tahminleri tablosu sunulmaktadır. Bunlar, hastanenin modeldeki rastgele etkilerine dayanan varyans tahminleridir. Hastaların bireysel iyimserlik puanlarının bu modele dahil edilmesi, Rezidüel’i karma Düzey 1 modelinde yaklaşık 442.44’ten yaklaşık 437.91’e (yaklaşık %1 küçüldü) çok az düşürdü; bu, hem L1_optimism_C hem de tip içeren modelin yalnızca bir karma Düzey 1 modelinde yapabileceğimizden biraz daha fazla hastane içi varyanstır.
Yapılandırılmamış kovaryans bileşenleri aşağıdakileri gösterir:
• UN (1,1) prom_dv kesişimlerinin varyans tahminini (yaklaşık 39,53 değerinde) L1_optimism_C ve modelde tür ile temsil eder. prom_dv kesişimleri hastaneler arasında önemli ölçüde farklılık göstermektedir (p < .001).
•UN(2,2), L1_optimism_C ile prom_dv eğimlerinin varyans tahminini (yaklaşık olarak88.54 değeri ile) temsil eder ve modelde tür. Bu parametre istatistiksel olarak anlamlıydı (p = .015), bu da eğimlerin hastaneler arasında önemli ölçüde değiştiğini gösteriyor.
ANALİZ KURULUMU: HİYERAŞİK MODEL
Şimdi, hastanenin bir özelliği olan bu Düzey 2 değişkeninin prom_dv tahminimizi geliştirme olasılığına dayanarak hastanenin ortalama iyimserlik düzeyini değerlendirmek için modele L2_optimism_C’yi ekliyoruz.
Hasta iyimserlik veri dosyasını açıyoruz ve Ana menüden Analiz ➔ Karma Modeller ➔ Doğrusal seçim yapıyoruz. İlk Specify Subjects and Repeated penceresinde hastaneyi kümeleme değişkenimiz olarak tanımlıyoruz ve Continue butonunu seçerek Linear Mixed Models ana penceresine ulaşıyoruz.
Ana Doğrusal Karışık Modeller penceresi gösterilir. prom_dv’yi Bağımlı Değişken paneline ve L1_optimism_C, type ve L2_optimism_C’yi Ortak Değişken(ler) paneline yerleştiririz.
Sabit butonunun seçilmesi, gösterilen Sabit Efektler penceresini açar. Factors and Covariates panelinden L1_optimism_C, type ve L2_optimism_C’yi Model paneline taşıyoruz ve Include intercept kutusunun işaretli olduğundan emin oluyoruz. Karışık Düzey 2 model analizinde kullandığımızla Rastgele Etkiler ve İstatistikler için aynı özellikleri kullanıyoruz.
Model Boyutu tablosu gösterilir. Bu karma Düzey 2 modelinde 8 parametre vardı. Hem AIC hem de BIC dahil olmak üzere Bilgi Kriterlerini sunar. Bu değerler, karma Düzey 2 modelinden daha küçüktür ve daha iyi bir model uyumu önerir.
Ki-kare fark testi de yapabiliriz. Karma Düzey 2 modeli ve bu hiyerarşik model için -2 Kısıtlı Günlük Olabilirlik değerleri, 33.868 farkla sırasıyla 40342.084 ve 40308.216’dır. Bu iki model için serbestlik dereceleri 1 farkla sırasıyla 7 ve 8’dir.
Bu nedenle ki-kare farkını bir serbestlik derecesiyle değerlendiririz. Tablo A.1’e göre 33.868’lik fark istatistiksel olarak anlamlıdır (p < .001). Bu nedenle, hiyerarşik modelin karma Düzey 2 modeline göre tahmini geliştirdiği sonucunu çıkarabiliriz.
Sabit Etki Tahminleri tablosunu sunar. Kesişme, şimdi L1_optimism_C, type ve L2_optimism_C içeren modele dayalı olarak prom_dv’nin bağımlı değişkeni için tahmini popülasyon genel ortalama parametresini temsil eder. Değeri şu anda yaklaşık 54.12’dir.
L2_optimism_C için parametre eğim tahmini yaklaşık olarak .72’dir ve istatistiksel olarak anlamlıdır (p < .001). L2_optimism_C puanındaki bir ölçek değerindeki her artışın, tip ve L1_optimism_C kontrol edildiğinde prom_dv puanını yaklaşık .72 artırdığını gösterir.
Kovaryans Analizi örnek Kovaryans değer aralığı Kovaryans hesaplama Kovaryans hesaplayıcı Kovaryans Nedir Kovaryans olasılık Kovaryans örnekleri Kovaryans yorumlama