ROC Analizi – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
ROC Analizi
sis, sinyal algılama ve karar teorisi bağlamında yarım asırdır kullanılmaktadır. Genel olarak, iki olası sonuçtan veya belirli vaka gruplarından hangisiyle ilişkili olduğunu tahmin etmek için kullanabileceğimiz bir dizi karar kuralını değerlendirmemize izin verir. Özellikle ikili lojistik regresyon ile ortak olmak için çok uygundur ve burada konuyu bu konunun bir uzantısı olarak ele alıyoruz.
ROC analizi, temel bir nicel sonuç ölçüsüne sahip olmamızı gerektirir ve ikili lojistik regresyonda bu, bir vakanın hedef grupta olma olasılığının tahminidir. Vakaları hedef ve referans gruplara ayırma kararı, bu tahmin edilen olasılığa dayanarak verilir. Bölüm 30’da açıklanan analizde, varsayılan Sınıflandırma kesme değeri olan 0,5’i koruduk.
Hedef grupta olma olasılığı 0,5 veya daha yüksek olan vakalar hedef grupta sınıflandırıldı (olacağı tahmin edildi), oysa hedef grupta olma olasılığı 0,5’ten az olan vakalar hedef grupta sınıflandırıldı (olacağı tahmin edildi). referans grubu. Bununla birlikte, 0,5’lik bir Sınıflandırma kesmesi, en uygun karar kesme noktası olmayabilir, çünkü farklı koşullar, bir tür karar stratejisini diğerine tercih etmemize neden olabilir. Belirli bir durum göz önüne alındığında, daha uygun bir kesimin oluşturulması gerekip gerekmediğini belirlemek için bir ROC analizi kullanabiliriz.
Bir ROC analizinde, sınıflandırma sonuçları (Sınıflandırma Tablosuna bakınız) karar verme dilinde karakterize edilir. 2×2 tablosu, satırları gözlemlenen sonuçlar olarak ve sütunları da tahmin edilen sonuçlar olarak gösterir. İlk satır ve sütun, referans (olumsuz) sonucu (derecelendirilmemiş) temsil eder ve ikinci satır ve sütun, hedef (olumlu) sonucu (dereceli) temsil eder.
Birinci ve ardından ikinci satır için soldan sağa okunduğunda, hücreler aşağıdakileri temsil eder:
•TrueNegatives(Observed,didnotmezun;Predicted,didnotmezuniyet).Bunlar, negatif (mezun olmadı) sonucu olduğu doğru bir şekilde tahmin edilen vakalardır. Bu vakalar tarafından temsil edilen tüm referans grubu üyelerinin oranı özgüllük olarak bilinir.
•YanlışPozitifler(Gözlemlendi, mezun olmadı; Öngörülen, derecelendirildi).Bunlar, olumsuz (mezun olmadı) sonucu olan (referans grup üyeleri) olup, yanlış bir şekilde olumlu sonuca sahip olacağı tahmin edilen vakalardır. Bu vakalarla temsil edilen tüm referans grubu üyelerinin oranı (1 – özgüllük) olarak bilinir.
• Yanlış Negatifler (Gözlemlendi, mezun oldu; Tahmin edildi, mezun olmadı). Bunlar, olumsuz (mezun olmamış) bir sonucu olacağı tahmin edilen hedef (mezun) grubun üyeleridir.
• Gerçek Pozitifler (Gözlemlenen, derecelendirilen; Öngörülen, derecelendirilen). Bunlar, olumlu sonucu olduğu (dereceli) olarak doğru bir şekilde tahmin edilen vakalardır. Bu vakalarla temsil edilen tüm hedef grup üyelerinin oranı duyarlılık olarak bilinir.
Roc analizi nasıl yapılır
ROC eğrisi açılımı
Roc eğrisi nasıl çizilir python
ROC analizi ppt
ROC analizi SPSS
roc eğrisi cut-off
Cut-off değeri nasıl hesaplanır
Duyarlılık Analizi spss
Grup üyeliğini doğru bir şekilde tahmin etmenin başarısı, karar kriterinin konumuna bağlıdır. Ancak tahmin asla mükemmel olmayacak (olsaydı, bu analizi yapıyor olmazdık) ve herhangi bir karar sürecinde olduğu gibi değiş tokuşlar var.
Genel olarak, karar kriterimiz (Sınıflandırma sınırı) olarak daha yüksek bir olasılık belirlemek, gerçek negatiflerin oranını (referans grubuna üyeliği tahmin etme) iyileştirecek, ancak daha fazla yanlış negatif üretme pahasına (kademeli sonuçların mezun olmayan sonuçlar olacağını tahmin etmek) pahasına olacaktır. Öte yandan, daha düşük bir karar kriteri bize daha iyi bir gerçek pozitif oran verecek ancak yanlış pozitiflerin sayısını artıracaktır.
Karar kriteri, bir ROC eğrisi üzerinde bir koordinat (analizimizde bir tane oluşturacağız), Y ekseninde hassasiyet (gerçek pozitif oran) ve 1 – özgüllük (yanlış-pozitif oran) ile yay şeklinde bir fonksiyon olarak ortaya çıkıyor. X ekseni üzerinde. Eğrinin yay miktarı (eğrinin altındaki alan), lojistik modelin grupları ne kadar iyi ayırt edebileceğinin bir göstergesidir; daha fazla yay (eğrinin altındaki daha geniş alanlar) daha fazla farklılaşmayı yansıtır.
IBM SPSS®, çıktısında, hedef gruptaki üyeliğin doğru bir şekilde tahmin edilmesiyle ilişkili olasılıklarla birlikte ROC eğrisinin bir dizi koordinatını sağlar.
Çıktıdaki olasılıklar, vakaların kesirleri yerine tam vaka sayılarıyla eşleştiğinden sürekli değildir (örneğin, 237 vakayı 237.2 vaka yerine kademeli olarak doğru bir şekilde sınıflandırırız). ROC çıktısı, mevcut tüm koordinatları incelememize ve potansiyel olarak daha uygun karar kriteri olarak tahmin edilen bir olasılığı seçmemize izin verir.
SAYISAL ÖRNEK
Mezun sonuç değişkeni ve cinsiyet ve aile teşviki yordayıcıları ile Bölüm 30’daki örneği temel alıyoruz. Veri dosyasına mezuniyet adı verilir.
ANALİZ STRATEJİSİ
Analizi üç aşamada gerçekleştiriyoruz. İlk olarak, şimdi hedef grup üyeliğinin tahmin edilen olasılıklarını veri dosyasına kaydetmemiz dışında, Bölüm 30’da açıklanan aynı ikili lojistik regresyon analizini çalıştırıyoruz; karar kriterinin (Classification cutoff) atıfta bulunduğu bu tahmin edilen olasılıklardır. İkinci olarak, bir ROC analizinde bir değişken olarak bu tahmin edilen olasılıkları kullanıyoruz. Üçüncü olarak, ROC analizinin sonuçlarına dayalı olarak farklı bir karar kriteri seçiyoruz ve revize edilmiş Sınıflandırma kesimini kullanarak başka bir ikili lojistik regresyon analizi yapıyoruz.
İKİLİ LOJİSTİK REGRESYON ANALİZİ: VARSAYILAN SINIFLANDIRMA CUTOFF
Ana menüden Analyze ➔ Regresyon ➔ Binary Logistic’i seçerek Logistic Regresyon ana penceresini açıyoruz. Analizi aynen aşağıdaki ekleme ile Bölüm 30’da yapıldığı gibi yapılandırıyoruz. Kaydet diyalog penceresinde Tahmini Değerler alanında Olasılıklar’ı kontrol ediyoruz. Ana iletişim penceresine dönmek için Devam’a tıklayın ve analizi gerçekleştirmek için Tamam’a tıklayın.
Bu analiz, veri dosyasının bir bölümünü gösteren Şekil 31.3’te görüldüğü gibi, veri dosyasına kaydedilen hedef grup üyeliğinin tahmini olasılığı ile sonuçlandı. IBM SPSS, bu kaydedilen değişkeni PRE_1 olarak adlandırdı; bu genel ad “öngörülen değerler, ilk analiz” anlamına gelir.
Varsayılan Sınıflandırma sınırının olduğunu ve PRE_1 ile .5 arasındaki ilişkinin vakaların tahmini grup üyeliğini yönlendirdiğini hatırlayın. Örneğin, tahmini hedef (dereceli) grup üyeliği .96425 (0.5’e eşit veya daha büyük bir değer) olan alt kimlik 1, hedef grupta (doğru olarak) sınıflandırılırken, alt kimlik 2, tahmini hedef grup üyeliği olarak sınıflandırılır. 17678 (0.5’ten küçük bir değer) referans (mezun olmadı) grubunda (doğru) sınıflandırılacaktır.
Cut-off değeri nasıl hesaplanır Duyarlılık Analizi spss Roc analizi nasıl yapılır ROC analizi ppt ROC analizi SPSS ROC eğrisi açılımı roc eğrisi cut-off Roc eğrisi nasıl çizilir python