REVİZE EDİLMİŞ SINIFLANDIRMA KESİMİ – 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

REVİZE EDİLMİŞ SINIFLANDIRMA KESİMİ – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

1 Şubat 2022 Bloom Taksonomisi Duyarlılık Analizi spss Roc analizi nasıl yapılır? ROC analizi yorumlama 0
Cohen'in d Etki Büyüklüğü – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

ROC ANALİZİ: KURULUM

Ana menüden, Ana ROC Eğrisi iletişim penceresini gösterildiği gibi açmak için Analiz ➔ ROC Eğrisi’ni seçiyoruz. PRE_1’i Test Değişkeni paneline taşırız, bunlar hedef grup üyeliği olasılıklarıdır) ve Durum Değişkeni paneline derecelendirilir (bu, sonuç değişkenidir). Durum Değişkeninin Değeri panelinde 1 girerek hedef grup için kodu belirtiyoruz.

Görüntü alanında, eğriyi görüntülemek için ROC Eğrisi’ni, Hem geleneksel hem de kullanışlı olan referans çizgisini dahil etmek için Çapraz referans çizgisi ile, eğrinin altındaki alanı elde etmek için öncelikle Standart hata ve güven aralığını ve ROC’nin Koordinat noktalarını seçiyoruz. Olası karar kriterlerimizi elde etmek için eğri. Analizi gerçekleştirmek için Tamam’a tıklayın.

ROC ANALİZİ: ÇIKTI

ROC Eğrisi sunulur. Duyarlılık (gerçek pozitif oran) Y ekseninde temsil edilir ve 1−Özgüllük (yanlış pozitif oran) X ekseninde temsil edilir. Eğri, lojistik fonksiyonun sonuç gruplarını ayırt edebileceğini gösteren yay şeklindedir; diyagonal referans çizgisi, lojistik modelin ayırt etme yeteneğinin olmadığı durumu görsel olarak gösterir. Eğri, kendisini oluşturan tek tek koordinatları göstermez (ancak bu değerler çıktıda sağlanan bir tablodadır).

Eğrinin altındaki tablo, eğrinin altındaki alanın değerini verir. Daha büyük alanlar, lojistik model tarafından daha iyi farklılaşmayı gösterir. Meyers ve ark. (2013) eğrinin altındaki alanlara ilişkin yorumlama kılavuzları sağlar (.5’ler ayrım olmadığını gösterir; .6’lar, zayıf ayrımcılığı gösterir; .7’ler, kabul edilebilir/iyi ayrımcılığı; .8’ler, çok iyi ayrımcılığı ve .9’lar, mükemmel ayrımcılığı gösterir); bu yönergeleri kullanarak, .813–.889 güven aralığına sahip .851’lik bir alanın çok iyi bir ayrımcılığı temsil ettiği kabul edilecektir.

ROC eğrisinin koordinatları gösterilir. Bu bilgi, Sınıflandırma Tablosu ile aşağıdaki şekilde arayüz oluşturur. Hedef gruptaki vakaların %87,1’inin doğru sınıflandırıldığını Sınıflandırma Tablosundan biliyoruz. Sınıflandırma Tablosundaki bu hücre gerçek pozitifleri temsil eder ve ROC analizinde Hassasiyet olarak adlandırılır. Tabloda bu değeri içeren satırı işaretledik (Hassasiyet = .871) ve bu, gerçek karar kriteri olan .4912438 tahmini bir olasılık değerine karşılık gelir (.5’lik nominal kesme değeri, bir sınıflandırma işlemindeki tam sayı).

.871 değeri koordinatlardan biridir (Hassasiyet katkısı). Diğer koordinat .341’dir ve 1-Özgüllüğün (yanlış pozitif oran) katkısını temsil eder. Bu aynı zamanda Sınıflandırma Tablosundan da çıkarılabilir. Yanlış pozitifler, hedef grup (mezun) üyeleri olarak yanlış sınıflandırılan referans (mezun olmayan) gruptaki vakalardır. Şekil 31.1’den, 138 referans vakanın 47’sinin (47 + 91 = 138) yanlış pozitif olduğunu ve 47/138’in .341 olduğunu ve 1 − Özgüllük koordinatı olarak görünen değer olduğunu not ediyoruz.

Koordinatlar tablosu ayrıca alternatif Sınıflandırma eşiklerini değerlendirmemize de olanak tanır. Tabloda görülebileceği gibi, .2 ve daha düşük karar kriterleri, çok yüksek bir gerçek pozitif (Hassasiyet) oranı ile sonuçlanacaktır, ancak yanlış pozitif oranı (1 – Özgüllük) de son derece yüksek olacaktır; .94 veya daha yüksek karar kriterleri ile ters örüntü görülebilir.

Araştırmacıların karar kriterini nereye yerleştirdikleri gerçekten çeşitli sonuçlara verdikleri değere bağlıdır. Örneğin, gerçek pozitifleri belirlemek bir ölüm kalım meselesi olduğunda (belki de bazı tıbbi araştırma çalışmalarında) ve yüksek oranda yanlış pozitifler tolere edilebiliyorsa, çok düşük bir karar kriteri belirlemek uygun olabilir.

Kurgusal veri setimiz için risk altındaki çocuklarla uğraşıyoruz. Gerçek pozitif oranımız .871 olmasına rağmen, yaklaşık olarak .90 isabet oranı elde etmek istediğimizi varsayalım. Koordinatlar tablosundan, .3819184’lük bir tahmin edilen olasılığın .893’lük bir Duyarlılık (gerçek pozitif) oranı ile ve .3527496’lık bir tahmin edilen bir olasılığın .938’lik bir Hassasiyet (gerçek pozitif) oranı ile ilişkili olduğu görülmektedir; karşılık gelen yanlış pozitif oranları (1−Özgüllük) sırasıyla .464 ve .609 olacaktır. Yanlış pozitif oranındaki önemli sıçrama göz önüne alındığında ve .893’ün .9 hedefimize oldukça yakın olduğu göz önüne alındığında, takip eden bir lojistik regresyon analizi için .3819184’lük bir Sınıflandırma kesme değeri seçiyoruz.


ROC analizi yorumlama
Bloom Taksonomisi
bloom’un taksonomisi örnekleri
Roc analizi nasıl yapılır
ROC curve SPSS
SPSS grupları birleştirme
Roc Curve Nedir
Duyarlılık Analizi spss


İKİLİ LOJİSTİK REGRESYON ANALİZİ: REVİZE EDİLMİŞ SINIFLANDIRMA KESİMİ

Ana menüden Analyze ➔ Regresyon ➔ Binary Logistic’i seçerek Logistic Regresyon ana penceresini açıyoruz. Aşağıdaki istisna dışında, analizi tam olarak Bölüm 30’da yapıldığı gibi yapılandırıyoruz. Seçenekler iletişim penceresinde (bkz. Şekil 31.7), şimdi varsayılan .5’i .3819184’lük bir Sınıflandırma kesmesi ile değiştiriyoruz (panelde yalnızca bir kısmı görülebilir). Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.

Analizin sonuçları, elde edilenle aynı lojistik modeli üretti ve bu sonuçları göstermeyeceğiz (okuyucular bunu kendileri doğrulayabilir). Sınıflandırma kesmesinin revize edilmesinden etkilenen bir dizi sonuç, analizin sınıflandırma kısmıdır ve bu gösterilmiştir.

Tabloda, öngörülen gerçek pozitif oranımız olan .893’ün sonuçlarımızla tam olarak eşleştiği görülebilir. Ayrıca, .464’lük yanlış pozitif oranı da eşleştirilir: 138’in 64’ü %46.4’tür. İlginç bir şekilde, Genel Doğru sınıflandırma Yüzdesi daha önce %80’den burada %77,3’e sadece biraz düştü. Böylece, bu alternatif karar eşiğini kullanarak, cinsiyeti ve aldıkları aile-teşvik düzeyini içeren tahmin modeline dayalı olarak mezun olacak öğrencilerin neredeyse %90’ını belirleyebileceğiz.

Multinominal Lojistik Regresyon

Multinominal lojistik regresyon,  ele alındığı gibi ikili lojistik regresyonu üç veya daha fazla sonuç kategorisinin olduğu duruma genişletir. Tahmin değişkenleri yine de nicel ve ikili değişkenlerin herhangi bir kombinasyonu olabilir.

Üç veya daha fazla sonuç kategorisinin varlığına rağmen, lojistik regresyon hala grup üyeliğinin ikili bir tahminini gerektirir (bir referans grubuna göre hedef grup üyeliğini tahmin ederiz). Bu bariz çelişki, gruplardan birinin (analiz kurulumunda) referans grubu olarak atanmasıyla çok terimli analiz içinde barındırılır. Diğer grupların her biri bir hedef grup görevi görür ve bu referans grupla karşılaştırılır.

Böylece, üç sonuç kategorisiyle, biri sonuçlardan birini referans kategorisiyle, diğeri ise sonuçların diğerini kategoriyle karşılaştıran iki ayrı (ikili lojistik) parametre tahmini seti (ham puan katsayıları ve olasılık oranları) oluşturulur. 

Ancak, analizin sınıflandırma kısmında, sınıflandırma katsayıları tüm gruplar için oluşturulduğu ve uygulandığı için tüm sonuç kategorileri birlikte değerlendirilir ve her bir vaka için en yüksek puanı alan grup, o vakanın ait olduğu tahmin edilen grubu belirler. 

 

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir