Sıralı Regresyon Modellerinin Varsayımları – 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

Sıralı Regresyon Modellerinin Varsayımları – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

10 Mart 2022 Hosmer-Lemeshow testi Lojistik regresyon Ordinal Lojistik Regresyon Analizi Sıralı regresyon Analizi 0
Değişken Adlarını Yapıştırma – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

Sıralı Düzen

Sıralı düzeyli bir değişkeni tahmin ederken çok terimli lojistik regresyona göre sıralı regresyon tercih edilir, çünkü bu ikinci prosedürle, bağımlı değişkenin düzeylerinin sıralamasında yer alan bilgileri kaybedersiniz, bu da istatistiksel güç kaybına neden olur.

Sıralı regresyon modelleri bazen kümülatif logit modelleri olarak adlandırılır, çünkü sıralı regresyon tipik olarak logit link fonksiyonunu kullanır, ancak diğer link fonksiyonları da mevcuttur (bu bölümün ilerleyen kısımlarında göreceğiniz gibi). Kategoriler için kümülatif olasılıkları tahmin etmeye çalışırken, sıralı bağımlı değişkenin her kategorisi için ayrı bir denklem uydurursunuz. Her denklem, ilgili kategoride veya herhangi bir alt kategoride olma olasılığının tahminini verir.

Örneğin, gösterilen dağılıma bakın. Modelde hiçbir tahmin edici bulunmadığından, tahminler yalnızca her bir kategoride bulunmanın genel olasılıklarına dayanır. Bu noktada olasılığın kendisine eşit olan birinci kategori için tahmin edilen kümülatif olasılık 0,20’dir.

İkinci kategori için kümülatif olasılık için tahmin 0.20 + 0.60 = 0.80’dir. Üçüncüsü için tahmin 0.20 + 0.60 + 0.20 = 1.00’dir. Son kategori için kümülatif olasılık için tahmin her zaman 1’dir, çünkü tüm durumlar ya son kategoride ya da daha düşük bir kategoride olmalıdır. Bu nedenle, son kategori için tahmin denklemi gerekli değildir.

Sıralı regresyon, genelleştirilmiş doğrusal modellemenin (GZLM) özel bir durumudur ve GZLM prosedürü kullanılarak aynı parametre ve model uyumu tahminleri elde edilebilir, ancak seçenekler, burada tartışılan sıralı regresyon prosedürü ile GZLM (birçok ek model oluşturabilen) arasında biraz farklılık gösterir. 

Genelleştirilmiş doğrusal modeller, çok çeşitli istatistiksel analiz sorularını yanıtlamak için kullanılabilen çok güçlü bir model sınıfıdır. Genelleştirilmiş bir lineer modelin temel formu aşağıdaki denklemde gösterilmiştir.

İlk olarak, model, bazı gizli sürekli sonuç değişkeni olduğu ve sıralı sonuç değişkeninin, temeldeki sürekliliğin sıralı gruplara ayrılmasından kaynaklandığı fikrine dayanmaktadır. Kategorileri tanımlayan sınır değerler, eşiklerle tahmin edilir.

İkincisi, modeldeki eşikler veya sabitler (θj) (doğrusal regresyon modellerindeki kesişme noktasına karşılık gelir) yalnızca hangi kategorinin olasılığının tahmin edildiğine bağlıdır. Tahmin edici (bağımsız) değişkenlerin değerleri modelin bu bölümünü etkilemez.


Sıralı regresyon Analizi
Ordinal Lojistik Regresyon Analizi
Lojistik regresyon
Hosmer-Lemeshow testi


Üçüncüsü, modelin tahmin kısmı (β1xi1 + β2xi2 + … + βpxip) sadece tahmin edicilere bağlıdır ve sonuç kategorisinden bağımsızdır. Bu ilk iki özellik, sonuçların, sonuç değişkeninin her kategorisi için bir tane olmak üzere, bir dizi paralel çizgi veya hiper düzlem olacağı anlamına gelir.

Son olarak, gerçek kümülatif olasılıkları tahmin etmek yerine, model bu değerlerin bir fonksiyonunu tahmin eder. Bu fonksiyona link fonksiyonu denir ve model inşa edildiğinde link fonksiyonunun formu seçilebilir.

Bu, kullanıcıların sonuçları optimize etmek için incelenen soruna dayalı olarak bir bağlantı işlevi seçmesine olanak tanır. Sıralı Regresyon prosedüründe birkaç bağlantı işlevi mevcuttur.

Gördüğünüz gibi, bunlar çok güçlü ve genel modeller. Tabii ki, burada takip edilmesi gereken tipik bir doğrusal regresyon modelinden biraz daha fazlası var.

Bir sıralı regresyon modeli üç ana bileşen içerir:

■ Konum Bileşenleri: Önceki denklemin katsayıları ve öngörücü değişkenleri içeren kısmı, modelin konum bileşeni olarak adlandırılır (β1xi1 + β2xi2 + … + βpxip). Konum, modelin “et”idir. Her bir durum için kategorilerde tahmin edilen üyelik olasılıklarını hesaplamak için tahmin değişkenlerini kullanır.

■ Ölçek Bileşenleri: Ölçek bileşeni, tahmin değişkenlerinin farklı değerleri için değişkenlikteki farklılıkları hesaba katan temel modelde isteğe bağlı bir değişikliktir. Örneğin, erkeklerin risk değerlerinde kadınlardan daha fazla değişkenliği varsa (yani, temeldeki sürekli sonuç değişkeni), bunu hesaba katmak için bir ölçek bileşeni kullanmak modeli iyileştirebilir. Ölçek bileşenine sahip bir model, bu denklemde gösterilen formu takip eder.

Ölçek bileşenine sahip modeller, eşit olmayan varyans modelleri olarak bilinir; bu, modeldeki tahmin edici değişkenlerle regresyon katsayılarının çapraz ürünlerinin, bir ölçek değişkeni kullanılarak eşit olmayan varyanslar için ayarlanması gerektiğini gösterir.

Bir ölçek bileşeni kullanıldığında, Parametre Tahminleri tablosu, bağımlı değişken düzeylerinin dağılımı arasındaki farkı ölçen saptama parametrelerini (öngörücü başına bir tane) içerecektir.

■ Kullanılabilir Bağlantı İşlevleri: Bağlantı işlevi, modelin tahmin edilmesini sağlayan kümülatif olasılıkların bir dönüşümüdür. Bağımlı değişkenin dağılımını tahmin edicilerle ilişkilendirmek için kullanılırlar.

Sıralı Regresyon Modellerinin Varsayımları

Sıralı regresyon modelleri, doğrusal regresyon modellerinden daha az varsayımda bulunur, ancak yine de veriler hakkında aynı varsayımların çoğunu yaparlar.

Sıralı regresyon modelleri şunları varsayar:

■ Bağımlı değişken, sıra düzeyinde bir sonuç değişkenidir.
■ Bağımsız değişkenler kategorik veya sürekli olabilir.
■ Bağımlı değişkenin her düzeyi için hata varyansının homojenliği sağlanır (ihlal edildiğinde konum ölçekli modeller kullanılabilir).
■ Yeterli hücre sayımı var (hücrelerin %80’inde hücre sayısı 5 veya daha fazla olmalı ve hiçbir hücrenin sayısı sıfır olmamalıdır). SPSS İstatistikleri, sıfır sayısına sahip hücrelerin oranıyla ilgili bir uyarı yazdıracaktır; ancak modelde sürekli değişkenler varsa bu uyarı kullanışlı bir kılavuz değildir.
■ Paralel doğruların varsayımı. Bağımlı değişkenin her düzeyi için yordayıcının b katsayılarının aynı olması gerektiği varsayılmaktadır. Başka bir deyişle, bağımlı değişkenin her düzeyi için denklemin (β1xi1 + β2xi2 + … + βpxip) “et”i aynıdır; bağımlı değişkenin seviyeleri arasında farklılık gösteren yalnızca eşiklerdir (θj).

Sıralı Regresyon Diyalogları

Bu örnekte Satisfaction.sav dosyasını kullanıyoruz. Bu dosya, büyük bir şirkete ait müşteri memnuniyeti verilerini içerir:

1. Sıralı regresyonu çalıştırmak için, Analiz Et ➪ Regresyon ➪ Sıra Sayısı’na tıklayın.
Sıralı Regresyon iletişim kutusunda, bir bağımlı değişken belirtmeniz ve ayrıca model tahmin edicilerini belirtmeniz gerekir. Bağımlı değişkenin son kategorisinin referans kategorisi olacağını unutmayın. Sürekli tahmin edicilerin Ortak Değişken(ler) kutusuna, kategorik tahmin edicilerin ise Faktör(ler) kutusuna yerleştirilmesi gerekir. Gösterildiği gibi, ürünün satın alındığı andan itibaren memnuniyet seviyesini ve ürünün müşterinin işi için ne kadar önemli olduğunu tahmin edeceğiz (bu örnekteki her iki tahmin de kategorik değişkenlerdir).
2. Memnuniyetinizi Bağımlı kutusuna taşıyın.
3. Önemli ve Satın Alındığında Öğeleri Faktör(ler) kutusuna taşıyın.
OK butonu aktif olmasına rağmen link fonksiyonu da dahil olmak üzere bazı ek seçenekler belirtmek istiyoruz.
4. Seçenekler’e tıklayın.

Seçenekler iletişim kutusunda yinelemeler bölümü, araştırmacının yakınsamayı elde etmek için analizde ince ayar yapmasına olanak tanır. Ayrıca, varsayılan olarak, parametreler için %95’lik bir güven aralığı ve ayrıca tekillik denetimi istenir (öngörücülerde kararsız parametre tahminlerine yol açan fazlalık). Ayrıca, gözlemlenen frekansı sıfır olan hiçbir hücreye sabit (Delta) eklenmez.

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir