SPSS MAKROSU – 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

SPSS MAKROSU – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

17 Kasım 2021 Hayes PROCESS templates İsmek spss kursu mediation analysis spss process moderation analysis spss process spss macro tokens SPSS Process ile Aracı değişken analizi SPSS veri temizleme 0
Uzantı Komutu Nedir? – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri

MAKUL DEĞERLERLE ANALİZLER NASIL YAPILIR?

Önceki bölümde belirtildiği gibi, her bir ölçek veya alt ölçek için her öğrenci için genellikle beş olan bir PV seti çizilir. Nüfus istatistikleri, her bir makul değer kullanılarak ayrı ayrı tahmin edilmelidir. Bildirilen nüfus istatistiği daha sonra her bir makul değer istatistiğinin ortalamasıdır. Örneğin, PISA’da sosyal indeks ile okuma performansı arasındaki korelasyon katsayısı ile ilgileniliyorsa, beş korelasyon katsayısı hesaplanmalı ve ardından ortalaması alınmalıdır.

Veri analistleri hiçbir zaman öğrenci düzeyinde makul değerlerin ortalamasını almamalıdır, yani öğrenci seviyesindeki beş makul değerin ortalamasını veri setinde hesaplamalı ve ardından bu ortalama PV değerini kullanarak ilgilenilen istatistiği bir kez hesaplamalıdır. Bunu yapmak, önceki bölümde açıklandığı gibi bir sapma ile bir EAP tahminine eşdeğer olacaktır.

Matematiksel olarak, makul değerlere sahip ikincil analizler aşağıdaki gibi tanımlanabilir. If, popülasyon istatistiği ve i, makul bir değer üzerinden hesaplanan ilgi istatistiğidir.

Makul değerler ayrıca, ölçüm testinin kesinliğinin olmaması nedeniyle tahmindeki belirsizliğin hesaplanmasına da izin verir. Mükemmel bir test geliştirilebilseydi, o zaman ölçüm hatası sıfıra eşit olurdu ve makul değerlerden beş istatistik tam olarak aynı olurdu. Ne yazık ki, mükemmel testler yoktur ve asla olmayacaktır. Genellikle atama varyansı olarak gösterilen bu ölçüm varyansı, eşittir.

SONUÇLAR

Bu bölüm, makul değerlerin anlamlarına ve verileri PV’lerle analiz ederken gerekli olan adımlara ayrılmıştır. PV’ler ve alternatif bireysel yetenek tahminleri arasında bir karşılaştırma, PISA veri kullanıcılarını nüfus tahminlerini raporlamak için bu metodolojinin üstünlüğüne ikna etmek için sunuldu.

Standart Hataların Hesaplanması

Bölüm 3’te gösterildiği gibi, herhangi bir popülasyon tahmini için standart hatanın hesaplanması için tekrarlar kullanılmalıdır. Bu bölümde bu tür hesaplamalara örnekler verilecektir. PISA 2000 ve PISA 2003 için Fay’in Dengeli Tekrarlı Çoğaltma varyantı kullanılır. Bu yöntemle örnekleme varyansını hesaplamak için genel formül şöyledir.

SAYISAL DEĞİŞKENLER İÇİN TEK DEĞİŞKENLİ İSTATİSTİKLERDEKİ STANDART HATA

Ortalamayı ve bunun ilgili standart hatasını hesaplamak için, önce bu istatistiği, verileri öğrencinin nihai ağırlığıyla, yani W_FSTUWT ile ağırlıklandırarak hesaplamak ve ardından her biri verileri aşağıdakilerden biriyle ağırlıklandırarak 80 başka ortalama hesaplamak gerekir. 


spss macro tokens
SPSS Process ile Aracı değişken analizi
spss syntax
Hayes PROCESS templates
mediation analysis spss process
moderation analysis spss process
İsmek spss kursu
SPSS veri temizleme


Kutu 6.1, sosyal arka plan endeksine (Almanya için PISA 2003 verileri için HISEI olarak belirtilir) dayalı bu 81 aracı hesaplamak için SPSS® sözdizimini sunar ve Tablo 6.1, HISEI nihai tahminlerinin yanı sıra 80 tekrarlı tahminleri sunar.

Raporlanacak ortalama 49.33’e eşittir, yani öğrenci nihai ağırlığı W_FSTUWT ile elde edilen tahmin. 80 tekrarlı tahminler sadece 49.33 ortalamasındaki standart hatayı hesaplamak için kullanılır.

Standart hatanın hesaplanması için üç ana adım vardır:

1. Her tekrarlı tahmin, nihai tahmin olan 49.33 ile karşılaştırılacak ve farkın karesi alınacaktır. Matematiksel olarak, veya bu özel durumda, . İlk tekrar için şuna eşit olacaktır: (49.44 – 49.33)2 = 0.0140. İkinci tekrar için şuna karşılık gelir: (49.18 – 49.33)2 = 0.0228. Tablo 6.2, kare farklarını sunar.

2. Farkların karelerinin toplamı hesaplanır ve ardından 20’ye bölünür. Matematiksel olarak. Örnekte, toplam eşittir (0.0140 + 0.0228 + … + 0.0354 + 0.0031) = 3.5195 Toplamın 20’ye bölümü bu nedenle 3.5159/20 = 0.1760’a eşittir. Bu değer, HISEI için ortalama tahmindeki örnekleme varyansını temsil eder.

3. Standart hata, örnekleme varyansının kareköküne eşittir. Bu, Almanya için HISEI ortalamasındaki örnekleme dağılımının 0,4195 standart sapmasına sahip olduğu anlamına gelir. Bu değer aynı zamanda bu ortalama etrafında bir güven aralığı oluşturmaya da izin verir. 0,05’e eşit, genellikle 􏰁 ile gösterilen tip I hata riski ile, güven aralığı eşit olacaktır. Başka bir deyişle, bu şekilde oluşturulan bir aralığın popülasyon ortalamasını yakalamada başarısız olma olasılığı 100’de 5’tir. Aynı zamanda, HISEI için Alman nüfus ortalamasının, örneğin bu sayı güven aralığına dahil edilmediğinden, 51 değerinden önemli ölçüde farklı olduğu anlamına gelir.

Bu standart hatanın iki veya birkaç ülke arasında veya belirli bir ülkedeki alt popülasyonlar arasında karşılaştırmalar için nasıl kullanılabileceğini gösterecektir.

ORTALAMA ÜZERİNDE STANDART HATANIN HESAPLANMASI İÇİN SPSS MAKROSU

Bu 81 aracı hesaplamak için tüm SPSS® sözdizimini yazmak ve ardından nihayet standart hatayı elde etmek için bunları bir Microsoft® Excel® elektronik tablosuna aktarmak çok zaman alıcı olacaktır. Neyse ki, SPSS® makroları yinelemeli hesaplamaları basitleştirir. Yazılım paketi, başlangıç ​​komutu (!DO !I=1 !TO N) ile bitiş komutu (!DOEND) arasındaki komutların N katı kadarını yürütecektir.

Ayrıca, sonuçları daha sonra standart hatanın hesaplanması için kullanılabilecek geçici bir dosyaya da kaydeder.
Ana PISA hesaplamalarını basitleştirmek için yaklaşık 12 SPSS® makrosu yazılmıştır. Bu makrolar farklı dosyalara (.sps uzantılı) kaydedilmiştir. Kutu 6.2, HISEI değişkeninin ortalama ve standart hatasını hesaplamak için bir makronun çağrıldığı bir SPSS® sözdizimini gösterir.

PISA 2003 öğrenci veri tabanından Almanca veriyi seçtikten ve geçici bir veri dosyası kaydettikten sonra, “Include file ‘C:\PISA\macros\mcr_SE_univ.sps’” komutu. tek değişkenli bir istatistiği ve bunun standart hatasını daha sonra kullanmak üzere hesaplamak için yeni bir prosedür oluşturacak ve kaydedecektir. Bu prosedür “UNIVAR” olarak adlandırılır ve makro çağrıldığında çalışacaktır.

Makro çağrılırken, argümanlar kullanıcı tarafından tanımlanmalıdır. NREP, tekrar sayısıdır. STAT, hesaplanan istatistiktir. İstatistik, toplama komutuyla hesaplanır; bu, Tablo 6.4’te görüntülenen istatistiklerin bu makro için mevcut olduğu anlamına gelir. DEP, istatistiğin hesaplandığı değişkendir ve GRP, grup veya kırılma değişkenidir.

Bu örnekte, ülke grup değişkeni (CNT) bir sabittir (veri dosyası yalnızca Almanca verileri içerdiğinden, yalnızca bir istatistik ve bir standart hata hesaplanacaktır). WGT, tam öğrenci ağırlığıdır ve RWGT, çoğaltma ağırlıklarının köküdür (makro bu kökü 1 ila 80 sayılarıyla birleştirir: bu durumda W_FSTR1 ila W_FSTR80). CONS, örnekleme varyansını hesaplarken kullanılan sabittir.

 

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir