Nitel Değişkenlerle Çalışmak – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
![Uzantı Komutu Nedir? – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri](https://akademidelisi.net/wp-content/uploads/2021/09/Anket-verilerinin-spsse-girilmesi-dort-1024x600.png)
Daha Fazla Değişken Ekleme
Bu model basit regresyonu geliştirdi. Bakalım bunu başka bir değişken ekleyerek daha da geliştirebilecek miyiz. Bir okulun öğrenim yapısının diğer gelir kaynaklarından da etkilendiğini varsaydığımızı varsayalım. Veri dosyamızdaki diğer bir değişken de $ [alumcont] katkısında bulunan mezunların yüzdesidir. Bu değişkeni de modelimize ekleyelim.
Regresyonu Analiz Edin Doğrusal… Tahminciler listesine $ [alumcont] katkıda bulunan mezunların yüzdesini ekleyin.
Bu regresyon çıktısını önceki sonuçlarla karşılaştırın. Bu yeni değişkeni modele eklemenin etkisi neydi? Açıkçası, ek bir katsayımız ve t oranımız var. Bu t oranı, harcamaları ve SAT puanlarını kontrol ettiğimizde, katkıda bulunan mezunların yüzdesinin öğrenim ücretiyle önemli bir ilişkisi olduğunu gösteriyor mu? Katsayının işareti size anlamlı geliyor mu? Açıklamak.
Başka ne değişti? Özellikle düzeltilmiş r2’ye, ANOVA sonuçlarına ve önceden tahmin edilen katsayıların değerlerine bakın. Gördüğünüz farklılıkları açıklayabilir misiniz?
Yeni bir değişkenin eklenmesi de artıklar üzerinde bir etkiye sahip olabilir. Genel olarak, her yeni modelin yeni bir artık grafiği olacaktır. Kalan grafikleri inceleyin ve ne düşündüğünüzü görün. En küçük kareler varsayımları karşılanıyor gibi görünüyor mu?
Başka bir örnek
Devam Ediyor… sorularında, eğitim analizimize geri döneceğiz. Aynı veri dosyasını kullanarak, bu sefer nitel bir değişkeni analize dahil ederek başka bir örnek görelim. Bu sorundaki endişemiz, kabul memurlarının “Kabul Getirisi” dediği şeydir. Lise son sınıftayken, kolejiniz birçok öğrenciye kabul mektupları gönderdi. Bu sayıdan bazıları farklı bir okula gitmeyi seçti.
“Verim”, kabul edilen sayıya kıyasla gerçekten kayıt olan öğrencilerin oranını ifade eder. Bu regresyon modelinde, bir kolejin kabul ettiği son sınıf öğrencilerinin sayısı ile sonunda kaydolanların sayısı arasındaki ilişkiye odaklanacağız. Bu ilişkiye grafiksel olarak bakalım.
Y ekseninde kayıtlı yeni öğrenci sayısı [newenrol] ve x ekseninde kabul edilen Başvuru Sayısı [appsacc] ile basit bir dağılım grafiği oluşturun.
Bu örneklemde yaklaşık 1.300 okul olduğu için grafik çok yoğun. Noktaların grafiğin sol alt kısmında sıkı bir şekilde kümelendiğine, ancak sağ üst tarafa doğru hareket ettikçe genişlediğine de dikkat edin. Bu dağılım grafiğinde bile, varyansın heterojenliğinin veya heteroskedastisitenin kanıtlarını görebilirsiniz. Sizce neden olabilir? Yani, heteroskedastisiteye ne sebep olur?
Değişken türleri
Sürekli değişken örnekleri
Süreksiz değişken örnekleri
Değişken örnekleri
Kategorik değişken örnekleri
Cinsiyet Nitel mi Nicel mi
Nitel değişken örnekleri
Nitel değişkenler
Şimdi regresyonu çalıştıralım ve modeli değerlendirelim. Bağımlı olarak yeni kayıtları ve tek bağımsız değişken olarak kabulleri kullanarak bir regresyon çalıştırın. Daha önce olduğu gibi, artık analizleri isteyin.
Kalan grafiklere bakın. Bu durumda en küçük kareler varsayımlarının geçerliliği hakkında ne öneriyorlar? Bu artıklar, normal dağılım varsayımını ihlal eder ve artıklara karşı tahmin edilen değerler grafiğinde soldan sağa doğru yayılıyor gibi görünmektedir.
Çoğu regresyon gibi, bunun da güçlü ve kusurları var. Artık grafikler de dahil olmak üzere regresyon çıktısını inceleyin ve aşağıdaki soruları dikkate alarak modeli değerlendirin:
• Kabul katsayısı beklenen işarete sahip mi?
• İlişki istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?
Nitel Değişkenlerle Çalışmak
Bu regresyonda, kayıtlardaki varyasyonun büyük bir yüzdesini kabullerin oluşturduğunu görüyoruz. Farklılıkları açıklamada potansiyel olarak önemli bir diğer faktör, bir okulun kamu tarafından finanse edilip edilmediğidir.
Bir okulun devlet mi yoksa özel mi olduğu elbette kategorik bir değişkendir. Şimdiye kadar regresyon analizinde kullandığımız tüm değişkenler niceldir. Kategorik bir değişkeni sayısal olarak temsil etmenin bir yolunu bulursak, bir regresyon analizine nitel bir öngörücü değişkeni dahil etmek de mümkündür.
Bunu kukla değişken olarak bilinen basit bir teknikle yapıyoruz. Kukla değişken, iki farklı kategoriyi temsil etmek için rastgele seçilmiş değerleri alan yapay bir ikili değişkendir.2 Normalde, bir kategori için 0’a ve diğeri için 1’e eşit olan yeni bir değişken kurarız. Bu veri setinde, Devlet/Özel Okul [pubpvt] adında, devlet kolejleri için 1’e ve özel kolejler için 2’ye eşit olan bir değişkenimiz var. Bu durumda bu değişkeni de kullanabiliriz.
Bağımsız değişkenlere PubPvt ekleyerek regresyonu yeniden çalıştıralım. Çıktının bir kısmı burada gösterilir.
Katsayı tablosuna bakın. Tahmini regresyon denklemini şöyle yazabiliriz:
- Yeni kayıt = 777.221 + .316 Appsacc – 359.687 PubPvt
Genel/özel değişkeninin katsayısının anlamını düşünün. Bir devlet koleji veya üniversitesi için, PubPvt = 1 olur ve bu denklem olur.
Bir dakikanızı ayırın ve iki denkleme bakın. Tam olarak aynı eğime sahipler, ancak farklı kesişme noktalarına sahipler. Başka bir deyişle, kesişme noktaları yaklaşık 360 öğrenci tarafından farklılık gösteren iki paralel doğruya bakıyoruz. Denkleme bu şekilde dahil edilen kukla değişkenin etkisi, iki farklı kategori için kesişimi de değiştirmektir.
Artık tahmini denklemin ne olduğunu bildiğimize göre, daha önce yaptığımız gibi bu belirli modeli değerlendirmeye devam edelim.
• Tahmin edilen katsayılar beklenen işaretlere sahip mi?
• İlişkiler istatistiksel olarak anlamlı mı?
• Uyum ne kadar iyi?
• Çok sayıda olağandışı gözlem var mı?
• Artıklar normal dağılmış mı?
• Artıklar homoskedastik mi?
Yeni Bir Endişe
Bu modeli daha da geliştirmeye çalışmak istediğimizi varsayalım ve diğer şeylerin eşit olması durumunda öğrenim ücretlerinin kabul verimini etkileyebileceğini varsaydığımızı varsayalım. Bu son derece makul görünüyor: Eşit derecede rekabetçi iki özel okul arasında seçim yapan lise son sınıf öğrencileri daha ucuz olanı seçebilir. Gerçekten de, devlet içi eğitimi içeren bir regresyon çalıştırırsak, yeni değişken için önemli bir negatif katsayı gösteren aşağıdaki katsayılar tablosunu görürüz. Bu, diğer şeylerin eşit olması koşuluyla, daha yüksek öğrenim ücretlerinin daha düşük verimlere yol açtığı anlamına da gelir.
Cinsiyet Nitel mi Nicel mi Değişken örnekleri Değişken türleri Kategorik değişken örnekleri Nitel değişken örnekleri Nitel değişkenler Sürekli değişken örnekleri Süreksiz değişken örnekleri