Multinominal Lojistik Regresyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

info@akademidelisi.com * 0 (312) 276 75 93 * Her bölümden, Ödev Yazdırma, Proje Yaptırma, Tez Yazdırma, Rapor Yazdırma, Makale Yazdırma, Araştırma Yazdırma, Tez Önerisi Yazdırma talepleriniz için iletişim adreslerini kullanın. Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

Multinominal Lojistik Regresyon – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

1 Şubat 2022 Multinominal lojistik regresyon nedir Multinominal lojistik regresyon SPSS Multinominal lojistik regresyon yorumlama 0
Matris Diferansiyel Denklemler – MATLAB Ödevi Yaptırma – MATLAB Analizi Yaptırma Fiyatları – MATLAB Örnekleri – Ücretli MATLAB Analizi Yaptırma – MATLAB Analizi Yaptırma Ücretleri

Multinominal Lojistik Regresyon

SAYISAL ÖRNEK

Örneğimiz, California Eyalet Üniversitesi, Sacramento’daki yüksek lisans öğrencilerimizden Kristine Christianson tarafından sağlanan bir veri setinin bir bölümünü temsil etmektedir; örneğimizin amaçları için veri setini biraz değiştirdik. Veri dosyası, Kristine sorunlu öğrenciler olarak adlandırılmıştır.

Üç öğrenci grubu belirlediğimizi varsayalım (grubun sonuç değişkeni altında): optimalden daha düşük bir düzeyde işlev gören öğrenciler (göreceli olarak daha düşük özsaygı yaşamaları ve görece daha zayıf olduklarını bildirmeleriyle karakterize edilen daha düşük işlevsellik) kişilerarası ilişkiler), veri dosyasında 1 olarak kodlanmıştır; veri dosyasında 2 olarak kodlanmış, kişisel ve akademik yaşamlarında düzensiz görünen öğrenciler; ve veri dosyasında 3 olarak kodlanmış, yüksek düzeyde (yüksek işlevsellik) işlev görüyor gibi görünen öğrenciler. Yüksek işlevli grubu, diğer grupların her birinin karşılaştırılacağı (hedef grup olarak hizmet eden) referans grubu olarak belirleyeceğiz.

İki nicel değişken ve bir kategorik değişken yordayıcı olarak kullanılacaktır. Bir nicel yordayıcı değişken olan ebeveyn eleştirisi (ebeveyn eleştirisi), öğrencilerin ebeveynlerinin kendilerini aşırı derecede eleştirdiklerine inandıklarını temsil eder; puanlar 1 ile 5 arasında değişir ve yüksek puanlar daha fazla (algılanan) ebeveyn eleştirisini yansıtır. Diğer nicel yordayıcı değişken, baskılayıcı bir başa çıkma stili (bastırıcı_başa çıkma), sorunları inkar etme ve sorunlarla uğraşmaktan kaçınma eğilimini temsil eder; puanlar 1 ile 5 arasında değişir ve yüksek puanlar daha fazla bastırmayı yansıtır.

Tek kategorik yordayıcı değişken, sergiliyor göründükleri güven açısından öğrencilerin bir karakterizasyonudur; veri dosyasında binary_confidence olarak adlandırılır. Öğrenciler, yüksek güven (0 olarak kodlanmış) veya düşük güven (1 olarak kodlanmış) sergileyen olarak sınıflandırılır. Bu kodlama şeması (tersi olması gerektiği gibi görünse de tarafımızca bilinçli olarak seçilmiştir) otomatik olarak yüksek güvenirlik grubunun (düşük kodlu grup, yani 0) odak grup ve düşük güven grubu (güvenilirlik grubu) olmasına neden olur. 


Multinominal lojistik regresyon SPSS
Multinominal lojistik regresyon nedir
Multinominal regresyon
Lojistik regresyon
Multinominal lojistik regresyon yorumlama
Lojistik regresyon analizi yorumlama
Lojistik regresyon analizi: kavram ve Uygulama
Multi lojistik regresyon


ANALİZ KURULUMU

Gösterilen ana Multinomial Logistic Regression penceresini açmak için ana menüden Analyze ➔ Regression ➔ Multinomial Logistic’i seçiyoruz. Grubu Dependent paneline taşıyoruz. IBM SPSS®, kodlama şemasındaki son kategoriyi (artan, yani düşükten yükseğe doğru) otomatik olarak Referans Kategorisi olarak belirlemiştir.

Bu son kategorinin (veri dosyasında 3 olarak kodlanmış yüksek işlevli) referans kategorimiz olarak hizmet etmesini istememize rağmen, bu diyalog ekranını göstermek için Referans Kategorisi butonunu seçiyoruz; bu, sunulmuştur. En düşük kodlu kategorinin Referans Kategori olmasını isteseydik, Birinci Kategori’yi seçerdik; Başka bir kategorinin Referans Kategorisi olmasını isteseydik (örneğimizde ortadaki kategori sadece diğer kategoridir, ancak üçten fazla grup varsa, aralarından seçim yapılabilecek birkaç tane olurdu), Özel’i seçer ve grup kodu. Ana iletişim penceresine dönmek için Devam’ı tıklayın.

Kategorik bir değişken olduğu için ikili_güveni şimdi Faktörler paneline taşıyoruz ve ebeveyn_eleştirisini ve baskılayıcı_başa çıkmayı, nicel değişkenler oldukları için Ortak Değişken(ler) paneline taşıyoruz. Bu üç değişken artık lojistik regresyon analizimizde yordayıcı olarak belirtilmektedir.

İstatistikler düğmesini seçmek, İstatistikler penceresine erişmemizi sağlar. Gösterildiği gibi, Vaka işleme özetini kontrol ettik, Model altında Sözde R-kare, Adım özeti, Model uydurma bilgileri ve Sınıflandırma tablosunu işaretledik. Parametreler altında Tahminler ve Olabilirlik oranı testlerini kontrol ettik. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

ANALİZ ÇIKIŞI

Model Uyum Bilgileri tablosu model uyum bilgilerini gösterir. Nihai model, istatistiksel olarak anlamlı olan (p<.001) 605.91’lik bir -2 Günlük Olabilirlik değerine sahiptir. Bu bize, tahmin ediciler setimizi kullanarak şans seviyesinden daha iyi tahminde bulunabileceğimizi bildirir. Alttaki tabloda görüldüğü gibi Nagelkerke Sözde R-Kare değeri. Bunu, öğrenci grubuyla ilişkili varyansın yaklaşık %28’ini açıklayabildiğimizi belirtmek için yorumluyoruz.

Tahmin edicilerden birinin nihai modelden çıkarılmasının sonuçlarını sunan Olabilirlik Oranı Testlerini göstermektedir. Olabilirlik Oranı Testi, bir etki kaldırıldığında ortaya çıkan sonuçtur ve indirgenmiş model bir ki-kare prosedürü ile istatistiksel anlamlılık açısından test edilir. Son üç satırın her biri, Efekt sütununda belirtilen belirli tahmin ediciyi kaldırmayı düşünür; bu nedenle, her biri 2 serbestlik derecesi ile ilişkilidir, çünkü verilen etki kaldırıldıktan sonra modelde kalan iki öngörücü vardır.

Örneğin, parent_criticism’i kaldırmak, 615.30’luk bir -2 Log Olabilirlik değeri verir ve buna karşılık gelen ki-kare değeri 9.388’dir, diğer iki öngörücüye dayalı istatistiksel olarak anlamlı bir öngörücü modelle sonuçlanır (p = .009).

Görülebileceği gibi, tahmin edicilerin her biri sırayla kaldırıldığında model istatistiksel olarak anlamlı kalır. Öğrenci grubunu tahmin etmek için modelin kullanılmasının sonuçları Şekil 32.7’deki Parametre Tahminleri tablosunda gösterilmektedir. Referans grubumuzun yüksek işlevli grup olduğunu hatırlayın. Ana satırların her biri, diğer gruplardan biri ile yüksek işlevli grup arasındaki karşıtlığın sonuçlarını bildirir.

B sütunu, tahmin edicilerin her biri ile ilişkili ham puan katsayılarını (modeldeki diğer tahmin edicilerin varlığına göre ayarlanmış) sağlar ve bu istatistiklerin standart hatası (Std. Hata) katsayıların yanında gösterilir. Bu kısmi regresyon katsayıları, Wald testi vasıtasıyla istatistiksel anlamlılık açısından test edilir ve bu testlerin sonucu Sig’de gösterilir. kolon. Çıktının genellikle yorumladığımız birincil kısmı olan olasılık oranı, Exp(B) olarak gösterilir.

Düşük işlevsellik etiketli ilk ana satır, düşük işlevli grubu yüksek işlevli grupla karşılaştırır. Ebeveyn eleştirisi ve baskılayıcı başa çıkma ile ilişkili ham puan katsayıları hem pozitif hem de istatistiksel olarak anlamlıdır. Etkilerin yönü makul, çünkü benlik saygısı daha düşük olan ve kişilerarası güçlükleri olan öğrencilerin, ebeveynlerinin aşırı eleştirel olduğuna ve sorunları inkar etme ve sorunlarla uğraşmaktan kaçınma eğiliminde olduklarına daha güçlü bir şekilde inanma eğiliminde olacakları mantıklıdır. iyi işleyen öğrencilerden daha fazladır (belirli bir grup için bu katsayılar ve olasılık oranları, referans grubuna göre yorumlanır).

 

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir