Pearson Korelasyonu – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
ANALİZ KURULUMU: ORİJİNAL DEĞİŞKEN SIKLIKLARI
Sağlık hizmeti kullanımı adlı veri dosyasını açın ve ana menüden Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Frekanslar’ı seçin. Bu, ana Frekanslar iletişim penceresini üretir (bu genel kurulum için ekran görüntüleri), burada doc_visits’i Değişken(ler) paneline taşıdık ve ayrıca Frekans tablolarını görüntüle onay kutusunu devre dışı bıraktık. İstatistikler iletişim penceresinde (gösterilmemiştir), Mean, Std’yi etkinleştirdik. sapma, Çarpıklık ve Basıklık. Ayrıca Grafikler iletişim penceresinde bir Histogram talep ettik, ancak üzerinde normal eğrinin gösterilmesini talep etmedik.
ANALİZ ÇIKTI: ORİJİNAL DEĞİŞKEN SIKLIKLARI
Çıktı gösterilir. Her yıl ortalama 4,63 ziyaret ABD’nin ulusal ortalamasına yakındır (yılda yaklaşık 3,6 ziyaret), ancak hem çarpıklık (1.620) hem de basıklık (2.408) önemlidir. Çarpıklık, sağlık hizmeti müşterilerinin çoğunun yılda nispeten az sayıda ziyaret yaptığı, ancak bazılarının oldukça az ziyaret ettiği histogramda görülebilir. Ayrıca, daha az ziyaret edilen bölgede dağılımın nispeten sıkıştırılmış olması nedeniyle basıklığı histogramda görebiliriz. Genel olarak, istatistiksel prosedürlerimizin çoğu için dağılım varsayımları burada karşılanmaz.
ANALİZ KURULUMU: KARE KÖK DÖNÜŞÜMÜ
Ana menüden, Değişken Hesapla iletişim penceresini oluşturan Dönüştür ➔ Değişkeni Hesapla’yı seçin (okuyucular tazeleme için Bölüm 16’yı inceleyebilir). Hedef Değişken panelindeki yeni değişkenler için square_root_visits adını verdik.
IBM SPSS®, Aritmetiğin İşlev grubunda yer alan yerleşik bir karekök işlevine sahiptir. Erişmek için Fonksiyon grubu panelinde Aritmetiği vurgulayıp, Fonksiyonlar ve Özel Değişkenler panelinde Sqrt seçeneğine iniyoruz. Bu gösterilir.
Sqrt’ye çift tıklamak (veya panelin solundaki yukarı oka tıklamak), işlevi iletişim penceresinin üst kısmındaki Sayısal İfade paneline taşır. “?” İle birlikte SQRT(?) olarak görünür. vurgulanır ve doc_visits çift tıklatıldığında vurgulanan “?” Şekil 21.3’te gösterildiği gibi doc_visits değişkenimiz ile. Tamam’ı tıklatmak hesaplamayı gerçekleştirir ve yeni değişkeni (square_root_visits) veri dosyasının sonuna yerleştirir.
ANALİZ KURULUMU: LOG TABAN 10 DÖNÜŞÜM
Log base 10 dönüşümünü gerçekleştirmek için benzer bir prosedür uyguluyoruz. Dönüştür ➔ Hesaplama Değişkeni’ni seçiyoruz, dönüştürülecek değişkeni log10_visits olarak adlandırıyoruz, Function grubunun Aritmetik fonksiyon setinde Lg10’a iniyoruz, Sayısal İfade paneline Lg10’a çift tıklayın ve onu yerleştirmek için doc_visits’e çift tıklayın. ifade. Tamam’a tıklamak hesaplamayı gerçekleştirir.
Pearson korelasyon katsayısı nedir
Spearman korelasyon analizi Nedir
Pearson korelasyon katsayısı formülü
Pearson korelasyon örnekleri
Korelasyon nedir
Pearson korelasyon testi
Korelasyon Tablosu
Pearson Korelasyon Tablosu yorumlama
ANALİZ KURULUMU: YANSIYAN TERS DÖNÜŞÜM
Yansıtılan ters dönüşüm iki ardışık hesaplamada gerçekleştirilir:
• Yansıtılan bir değişken oluşturmak için önce doc_visits’i -1 ile çarparız.
• Daha sonra yansıyan değişken üzerinde ters bir dönüşüm gerçekleştiririz.
Bir değişkeni yansıtmak için yerleşik bir işlev yoktur, bu nedenle doc_visits’i yansıtmak için, Transform ➔ Compute Variable’ı seçeriz, dönüştürülecek değişkeniReflect_visits olarak adlandırırız, doc_visits’i Sayısal İfade paneline çift tıklar ve ardından * (–1) yazın gösterildiği gibi değişkeni -1 ile çarpmak için. Tamam’ı tıklatmak hesaplamayı gerçekleştirir ve yeni değişkeni (yansıyan_ziyaretleri) veri dosyasının sonuna yerleştirir.
Şimdi yansıyan ters dönüşümü oluşturmak için yansıyan değişkenin tersini alıyoruz. Hesaplama Değişkeni penceresinde, yeni değişkeni yansıyan_inverse_visits olarak adlandırın, Sayısal İfade paneline 1/ yazın, yansıyan_ziyaretleri vurgulayın ve
ardından, gösterildiği gibi yansıyan_ziyaretleri buraya taşımak için Sayısal İfade panelinin solundaki sağa bakan oku tıklayın. Tamam’ı tıklatmak hesaplamayı gerçekleştirir ve yeni değişkeni (yansıyan_inverse_visits) veri dosyasının sonuna yerleştirir.
Veri dosyasının bir bölümünün ekran görüntüsü sunulmuştur. Her durumda, orijinal doc_visits değişkenini üç dönüştürülmüş değişkenle birlikte görüyoruz (aynı zamanda ara yansıtılan_visits değişkeni). Daha önce belirttiğimiz gibi, dönüşümleri kullanmanın dezavantajlarından biri, onları orijinal değişken açısından doğrudan yorumlamanın potansiyel zorluğudur.
Örneğin, kimlik kodu 175 olan müşteri, 10 doktor ziyareti kaydetti, bu oldukça anlaşılabilir bir değer. Bu durumda dönüştürülen değerlerimiz doğrudan daha az anlaşılabilir, çünkü 10 doktor ziyareti sırasıyla square_root_visits, log10_visits ve yansıtılan_inverse_visits için 3,16, 1,00 ve −.10 dönüştürülmüş değerlerini gösteriyor.
ANALİZ KURULUMU: TÜM DEĞİŞKEN DEĞİŞKENLERİN FREKANSLARI
Artık dönüşümlerimizin orijinal eğriliği veya basıklığı azaltıp azaltmadığını görmek için çalışmalarımızı kontrol edebiliriz. Ana menüden Analiz Et ➔ Tanımlayıcı İstatistikler ➔ Frekanslar’ı seçin. Bu, ana Frekanslar iletişim penceresini oluşturur (bu genel kurulum için ekran görüntüleri Bölüm 10 ve 20’de bulunabilir), burada doc_visits, square_root_visits, log10_visits ve yansıtılan_inverse_visits’i Değişken(ler) paneline taşıdık.
İstatistikler iletişim penceresinde (gösterilmemiştir), Mean, Std’yi istedik. sapma, Çarpıklık ve Basıklık. Ayrıca Grafikler iletişim penceresinde bir Histogram istedik.
ANALİZ ÇIKIŞI
Frekanslar analizimizden elde edilen İstatistik sonuçlarını göstermektedir. İlk sütun, orijinal doc_visits değişkenimizi açıklar ve sorun, her dönüşümde ne kadar iyileştirme elde edildiğidir. Karekök dönüşümü kesinlikle dağılımın şeklini iyileştirdi; çarpıklık 1.620’den .924’e düşürüldü ve basıklık 2.408’den .348’e düşürüldü. Bu nedenle, çarpıklık ±1.00 kılavuzuna yakındır, ancak basıklık değeri normal dağılıma nispeten yakındır.
Log tabanlı 10 dönüşümü, karekök dönüşümünden biraz daha güçlü görünüyordu; çarpıklık 1.620’den .168’e ve basıklık 2.408’den −.447’ye düşürüldü. Değişkenin günlüğünün alınması, çarpıklığı ihmal edilebilir bir miktara indirdi, ancak aslında basıklık için sıfır işaretini aştı, onu negatif veya hafif platykurtik (biraz düzleştirilmiş) sürdü. Bununla birlikte, bu değerler de kabul edilebilir.
Yansıyan ters dönüşüm bu bağlamda etkili olmadı. Çarpıklığı -1,435’e kadar sürdü, ancak basıklığı yalnızca hala leptokurtik olan bir düzeye indirdi. Bu üç dönüşümün bir seçimi verildiğinde, bu belirli veri seti için log dönüşümünü kullanmaya meyilli oluruz.
Pearson Korelasyonu
En genel anlamıyla bir korelasyon, analizdeki değişkenlerin ne ölçüde ilişkili olduğunu indeksler. Davranışsal, sosyal ve tıp bilimlerinde yürütülen araştırmalara uygulanabilen birkaç korelasyon katsayısı vardır, ancak en yaygın olarak kullanılanı, genellikle Pearson korelasyonu veya sadece Pearson r olarak adlandırılan Pearson Çarpım Moment Korelasyonu’dur.
Değişkenlerin yaklaşık olarak aralık ölçümünü temsil ettiğini ve yaklaşık olarak normal dağıldığını varsayar; aykırı değerler, korelasyonun değerini ciddi şekilde bozabilir ve bu nedenle veri analizinden önce uygun şekilde ele alınmalıdır.
Pearson r, fikrin Sir Francis Galton (1886, 1888) tarafından ilk geliştirilmesine dayalı olarak Karl Pearson (1896) tarafından geliştirildi. İki değişkenin doğrusal olarak ilişkili olma derecesini değerlendirir. İki değişken arasındaki ilişkinin doğrusal olmadığı ölçüde (örneğin, U-şekilli bir fonksiyon), Pearson r iki değişkenin ne kadar güçlü bir şekilde ilişkili olduğunu büyük ölçüde hafife alacaktır (simetrik bir U-şekilli fonksiyon olması durumunda, Pearson r sıfır olacaktır).
İki değişkenin ilişkili olduğunu söylemek, onların birlikte değiştiği anlamına gelir. Kovaryasyonu düşünmenin bir yolu, bir değişkendeki varyasyonun diğer değişkeninkiyle senkronize olmasıdır. Örneğin, bir değişkende daha yüksek değerlere sahip durumlar, diğer değişkende daha düşük değerlere sahip olma eğiliminde olabilir. Ortak değişkenliği düşünmenin ilgili bir yolu, bir değişkenin değerlerinin, diğerinde karşılık gelen değerlerin bilgisinden gelen şanstan daha iyi bir farkla tahmin edilebilir olmasıdır. Pearson r2, ilişkinin gücünü, yani iki değişken arasında paylaşılan varyans miktarını endeksler.
Korelasyon nedir Korelasyon Tablosu Pearson korelasyon katsayısı formülü Pearson korelasyon katsayısı nedir Pearson korelasyon örnekleri Pearson korelasyon Tablosu yorumlama Pearson korelasyon testi Spearman korelasyon analizi Nedir